脱硝催化剂辊道窑气氛压力的优化控制策略

开篇：润墨网以专业的文秘视角，为您筛选了一篇脱硝催化剂辊道窑气氛压力的优化控制策略范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

[摘 要] 烟气脱硝催化剂是减少固定污染源氮氧化物NOx 排放的关键，其产品生成于特定氛围环境。针对复杂气氛难以控制的难题，探讨了其压力的优化控制策略。文中讨论了控制气氛的复杂性与控制难点，研究了过程气氛的控制论特性，提出了优化的压力控制策略，分析了仿人智能融合控制策略的优势，构造了基于仿人智能的多模态控制算法。以辊道窑气氛的压力控制为例，进行了仿真实验对比研究，所获得的压力响应曲线验证了其上升时间快，调节时间短，响应平滑稳定，鲁棒性能强，有很好的自适应性。仿真研究结果表明，该优化控制策略对辊道窑气氛的压力控制是合理与可行的。

[关键词] 脱硝催化剂；辊道窑；气氛压力控制；仿人智能；优化控制策略

中图分类号：TP273 文献标识码：A

1 引言

由于受经济技术条件的制约，目前国内燃料燃烧的烟气排放普遍没有安装脱硝装置，导致烟气排放的污染显得特别突出。未经处理的氮氧化物（NOx）烟尘直接排放（包括NO、NO2、N2O等）至空间大气层，其后果是非常严重的，可以引起酸雨、光化学烟雾、温室效应及臭氧层的破坏。自然界中的氮氧化物63%来自工业污染和交通污染，是自然发生源的2倍，电力工业和汽车尾气的排放各占40%，其他工业污染源占20%。烟气脱硝催化剂是减少固定污染源氮氧化物排放的关键，其原理是在催化剂作用下，脱硝催化剂选择性地与NOx反应生成N2和H2O，故称为“选择性”；主要化学反应为：4NH3+4NO+O2 4N2+6H2O，4NH3+2NO2+O2 3N2+6H2O。但是该型催化剂是在特定辊道窑气氛下生产烧制的，在保证燃料完全燃烧的空气与燃料配比下，脱硝催化剂成品采取辊道窑全氧化气氛烧制，这里的辊道窑窑气氛是指燃烧产物在指定压力、温度下烟气中的CO、O2 等成分的含量。由于辊道窑是一个大惯性、大滞后、非线性严重、多输入、多输出、多变量相互耦合的被控对象，存在着气氛温度、压力的耦合，有时因煤气热值波动还会出现瞬间还原气氛等，因此采用传统控制方法是难以对其进行有效控制的。尽管压力本身对制品的烧成影响不是很大，但是对辊道窑内的温度、气氛有很大影响，是辊道窑系统控制的技术难点之一[1-3]。

2 辊道窑炉压力控制的复杂性与控制难点

以辊道窑预热带压力控制为例，为了利于坯体氧化分解产生的反应气体和水气的排除，其运行压差应当维持在1mmH2O。预热带和烧成带之间零压力面的控制可以借助调整烟道闸板开度予以实现，以使预热带在微负压下操作，而烧成带则控制在微正压下操作，以阻止继续排气而导致产品产生气孔。经验表明，辊下零压位、辊上零压位推后有利于操作，保持烧成带与冷却带交界划分的两段进出风量基本平衡，在冷却带要求抽热风量稍小，急冷风将少量进入烧成带作二次助燃风，确保烧成带充分的氧化气氛，提高热利用率，并杜绝烟气倒流造成烟熏缺陷。压力控制的主要手段是调节排烟闸、喷嘴、急冷风管以及抽热风阀的开度与风量分配，窑炉内压力控制可确保温度按照温度工艺曲线要求，根据压力制度实施以营造炉内气氛制度提高产品质量。

控制难点在于压力的控制属于不确定性控制，压力控制过程实际上是病态结构，难以进行数学描述，建立严格的数学模型，因为它的模型结构和参数可在一定范围内变动，此外外界干扰也难以预测，因此采用PID传统控制难于达到期望的控制目标；过程输入输出与外界信息交互困难，传统控制不接受非数量形式的信息数据，难以实施非数量形式的信息数据控制；传统控制任务形式上是单一的，但是涉及的气氛因素复杂，要求压力控制系统具有初步的自动规划和决策能力，它不同于一般的恒值控制（调节系统）或跟随期望的运动轨迹控制（跟随系统）有范式的结构形式可供参考；传统控制理论与控制技术缺乏有效解决高度非线性控制问题的手段，不具备融合相关知识的能力（如被控对象、环境以及人类控制策略等），其应用范围局限于单输入单输出简单系统的控制，更难以采用数学描述形式表示基于知识的广义知识控制模型和混合控制过程的特性，控制是规范式的简单模态，不可能嵌入其他的控制策略，更不具备判断决策能力。上述提到的控制难点限制了PID传统控制方法在辊道窑压力控制系统中的高精度控制应用。

3 控制论特性与压力控制策略

如图1所示，辊道窑各个区域（如预热带、烧成带与冷却带）对压力的要求是不同的，显然各个区域的不确定性复杂程度也是不同的，在过程运行控制中表现出以下的控制论特性：① 整个窑炉的压力分布呈现出半结构化与非结构化特征，其结构化程度不高，被控过程复杂，难以进行数学描述；② 反映过程气氛的状态变量间存在关联耦合，状态变量间难以解耦以借助单变量实现压力的解耦控制；③ 辊道窑的严重非线性特性，难于数学描述并进行量化处理；④ 辊道窑化学反应的复杂物理化学过程导致过程参数的分散性、时变性、未知性和随机性，并且其过程参数具有时滞未知性与时变性；⑤ 辊道窑内的气氛作用机制复杂，不确定性因素多，外部环境干扰特征与形式经常是未知、多样和随机的，并不具备统计特性，服从统计规律。对于上述特性，无论对其控制的过程还是对其被控的对象都难以建立数学模型，因此无论是借助传统PID控制还是采用基于状态空间描述的近代控制方法都难以实现期望的压力控制，因其都是严格基于数学模型的控制[4-5]。但是，上述特性可以借助广义的知识模型对其进行描述，采用智能控制方法予以实现。

智能控制在实施控制过程中无须人工干预，可以自主地驱动智能控制器达到期望的控制目标。其控制策略体现在模仿人的智能上，即对被控过程的观察、学习、理解和认识的能力方面，直接从人自身的能力（包括控制行为的能力）寻找解决问题的答案，因此其控制方法是直观的。仿人的智能控制策略在模仿人类的控制行为时可以从控制功能和控制结构两个方面着手，总结出基于自动控制理论与人工智能的制经验论，并采用产生式规则描述推理过程和控制行为。如基于特征记忆与在线特征辩识可抽象出系统的动态特征模型，将定性决策与定量控制相互结合并融合开环控制与闭环控制各自的优势，实施多模态的控制策略。在功能结构方面，不同层次的信息处理和决策机构是不同的，对于底层的压力控制而言，辊道窑预热区域、烧成区域与冷却区域的过程误差及过程误差的变化率都是可通过压力仪表检测获得的，根据过程的动、静态特性，可对控制过程进行在线特征辨识和特征记忆，构造出适合于辊道窑的压力过程控制模型、模式与控制算法。这种融入了人类智能的控制策略可方便地引入人的控制经验、专家知识，现场操作者的智慧与技巧，基于广义控制模型设计控制器，显然采用传统控制方法对此是无能为力的[6-8]。

4 仿人智能的多模态控制策略

5 仿真实验研究

辊道窑气氛压力控制直接关系到脱硝催化剂产品的质量，但是由于控制过程难以进行数学建模控制，为了简化分析而不失一般性，文中仿真实验选择具有时间滞后的一阶惯性模型，而将参数时变、非线性、不确定性等因素的影响等效为时间滞后、过程参数变化以及外部扰动干扰等，然后考察其过程响应的鲁棒性，如果控制策略的鲁棒性强，那么其控制策略就是优化可取的。假设过程模型为W（S）= K e-τs / （Ts + 1）， 其中K 是增益系数，T是被控制过程的时间常数， 是被控过程的纯时间滞后，并且分别选取K = 1，T = 1.2，τ = 2，则仿真模型为W（S） = e-2s/（1.2S + 1）。

基于MATLAB/Simulink， 可构造辊道窑气氛的压力控制过程仿真模型。在单位阶跃输入条件下，可对同一被控过程分别采用PID控制策略与优化控制策略进行仿真实验，过程响应曲线如图3所示。其中，曲线1为PID控制策略的响应，曲线2为优化控制策略的响应，对比两条曲线可知，优化控制策略在过程上升时间与调节时间方面明显优于PID控制策略。

为了考察控制策略对过程参数变化的鲁棒性，在原过程模型基础上再串联一个惯性环节1/ （2s+1），即W（S） 由 e-2s/（1.2S + 1）变成e-2s/（1.2S + 1）（2s+1），显然它表示过程已经转变为二阶过程，过程参数与阶数均发生了巨大变化，在其它条件不变的情况下，两种控制策略的响应如图4所示。通过比较可知，PID控制策略超调20%以上，过程调节时间长，数倍于优化控制策略的调节时间；优化控制策略的响应平滑稳定，没有超调，调节时间短，过程控制精度高，过程参数与阶次变化对过程响应几乎没有什么影响。

为了考察控制策略对外部脉冲信号强扰动干扰的鲁棒性，在t = 4.5s时刻加入一个强扰动干扰，在其它条件不变的情况下，两种控制策略的响应曲线如图5所示。分析对比PID控制与优化控制策略的响应曲线可知，优化控制策略在抗外部脉冲信号强扰动干扰方面比PID控制策略有明显的优势。

由上述仿真实验可知，采用优化控制策略无论在过程参数变化还是外部干扰的情况下都可获得比PID控制策略更好的控制品质。

6 结束语

辊道窑气氛压力控制对确保窑内温度按照严格工艺要求定制实施控制以提高催化剂产品质量有重要影响，直接关系到炉内脱硝催化剂的生成气氛。上述讨论的优化控制策略，由于在每个控制周期后，都要按照过程误差特征模型对下一个控制周期应当采用的控制模式进行识别，并且正确地选取相应的控制算法对过程实施控制，因此实时性好。过程仿真响应表明，该控制策略是可行与合理的。

[参考文献]

[1] 程昭华. 辊道窑中的压力及压力控制[J]. 佛山陶瓷，2002，12（3）：16-18.

[2] 胡国林，张智文，章义来等. 气烧辊道窑气氛温度模糊解耦控制的计算机仿真[J]. 陶瓷学报， 2003， 24（1）： 1-7.

[3] 胡国林，张智文，章义来等. 气烧陶瓷辊道窑气氛温度耦合的计算机仿真[J]. 陶瓷学报， 2002， 23（2）： 92-95.

[4] 李太福，冯国良，钟秉翔等. 一类不确定复杂系统的控制策略分析[J]. 重庆大学学报（自然科学版），2003，26（9）： 4-7.

[5] 杨志，李太福，盛朝强等.基于仿人智能的复杂关联系统控制[J]. 重庆大学学报（自然科学版），2002，25（7）： 9-11.

[6] 陈军. 步进式加热炉燃烧过程智能控制策略及应用[D]. 长沙： 中南大学， 2004.

[7] 易继锴. 智能控制技术[M]. 北京： 北京工业大学出版社， 2004.

[8] 李士勇. 模糊控制・神经控制和智能控制论[M]. 哈尔滨：哈尔滨工业大学出版社，2002.

[9] 李祖枢，涂亚庆. 仿人智能控制器[M]. 北京：国防工业出版社，2003.

[10] 张翠英， 田建艳. 基于仿人智能控制理论的钢坯加热炉多模态控制策略[J]. 太原科技大学学报， 2008， 29（1）： 12-15.

[11] 陈雯柏，高世杰，吴细宝. 一种基于HMCD 的仿人机器人单杠运动控制策略[J]. 智能系统学报， 2012， 7（6）： 1-5.

[12] 熊仁权，乔正洪. 基于仿人智能的供水系统控制策略[J]. 四川兵工学报， 2012， 33（1）： 76-78.