密闭式城市生活垃圾直接气化熔融焚烧过程控制策略研究

被引:0
作者
王海瑞
机构
[1] 昆明理工大学
关键词
城市生活垃圾; 直接气化熔融; 自适应控制; 人工神经网络; 软测量模型;
D O I
暂无
年度学位
2007
学位类型
博士
导师
摘要
随着城市化进程的加快,由于城市生活垃圾生产周期变短,而使得城市生活垃圾的日产量急剧增加,处理城市生活垃圾是绝大多数城市所面临的问题。目前,城市生活垃圾直接气化熔融焚烧技术作为处理城市生活垃圾的一种新型无害化、减量化、资源化处理的新技术已经得到广泛的研究和推广。 在城市生活垃圾直接气化熔融焚烧过程中如何实现稳定的气化熔融对于城市生活垃圾的有效处理和有效控制二噁英的排放以及热能的有效利用至关重要,但由于城市生活垃圾固有的特点,使得城市生活垃圾直接气化熔融焚烧过程的物理化学过程十分复杂,正引起国内外研究者的广泛重视。本文针对我国城市生活垃圾的特点以及直接气化熔融技术发展现状,从稳定燃烧过程的角度出发,对城市生活垃圾直接气化熔融焚烧过程的稳定性进行研究。在这方面目前我国相关的研究还比较缺乏。 本论文首先概述了目前国内外用于城市生活垃圾焚烧处理的主要技术方法,对不同处理方法的优势及存在的问题进行了分析与评价。在对城市生活垃圾焚烧技术深入分析的基础上,结合我校自行研制的密闭式城市生活垃圾直接气化熔融焚烧炉,提出了密闭式城市生活垃圾直接气化熔融焚烧过程控制的研究思路,在理论研究和仿真的基础上进行了系统而深入的研究工作。本文主要从以下几个方面开展研究: 综述了国内外城市生活垃圾直接气化熔融焚烧技术的应用及发展状况,阐述人工神经网络模型及学习算法、探讨了国内外人工神经网络技术的最新研究进展及在城市生活垃圾焚烧过程中的应用情况;分析了昆明理工大学自行研制的密闭式城市生活垃圾直接气化熔融焚烧炉的工艺过程,提出了密闭式城市生活垃圾直接气化熔融焚烧炉的控制系统组成结构。 通过对密闭式城市生活垃圾直接气化熔融焚烧过程的机理进行分析,得到了影响熔融区温度和第二燃烧室温度稳定的主要因素。结合基本模糊控制方法,创新性地提出了城市生活垃圾熔融区温度和第二燃烧室温度模糊自适应控制策略,研究了模糊自适应控制策略在密闭式城市生活垃圾直接气化熔融焚烧过程中的设计与应用方法。分别详细设计了熔融区温度模糊自适应控制器、第二燃烧室温度模糊自适应控制器以及对余热锅炉三冲量进行控制的模糊PID控制器。并对影响各个控制器性能的因素进行了分析研究。 对本文建立的密闭式城市生活垃圾直接气化熔融过程熔融区温度和第二燃烧室温度模糊自适应控制模型与常规PID控制模型以及基本模糊控制器在应用上进行了仿真对比,仿真结果表明模糊自适应控制策略具有明显改善系统控制性能效果。 在以上研究的基础上,通过集成遗传算法、神经网络和模糊控制三种计算方法,建立了密闭式城市生活垃圾直接气化熔融焚烧过程最具代表性的状态函数。采用遗传算法可以搜索到不同目的下的多目标最优控制策略,并利用遗传算法实现了密闭式城市生活垃圾直接气化熔融焚烧过程模糊控制规则的自动形成。利用三种计算方法实现的智能控制系统可以使密闭式城市生活垃圾直接气化熔融焚烧过程的控制效果得到最优。通过对集成了三种软计算方法构成的控制系统进行的仿真,仿真结果不仅证实了智能控制器在城市生活垃圾直接气化熔融焚烧过程中的实用性和稳定性,而且对其他类型城市生活垃圾焚烧过程控制系统的建立有一定的参考价值。 创造性地建立了基于遗传算法和BP神经网络的二噁英软测量模型,介绍了二噁英软测量的模型结构、建模方法、神经网络的节点激励函数、网络层数、学习精度、隐含层节点数、目标函数误差、初始权值与阈值、学习速率的选取与设置等内容;比较了纯BP算法与基于遗传算法和BP神经网络的二噁英软测量模型的应用效果;分析了软测量模型对城市生活垃圾直接气化熔融焚烧过程的控制机理,详细研究了主要影响二噁英排放软测量模型性能的参数;探讨了利用遗传算法结合神经网络技术对城市生活垃圾直接气化熔融焚烧过程二噁英排放软测量的可行性。 最后,对全文的研究内容和结论进行了总结,对本文建立的密闭式城市生活垃圾直接气化熔融焚烧过程的模糊自适应控制策略和二噁英排放软测量模型需要改进的方面进行了阐述,分析了二噁英排放软测量模型的应用前景。并对稳定控制城市生活垃圾直接气化熔融过程的研究发展方向进行了展望,明确了下一步工作的主要研究方向。
引用
收藏
页数:174
共 132 条
[1]
中国统计年鉴.[Z].刘洪 主编.中国统计出版社.1998,
[2]
垃圾焚烧炉自适应控制策略及热值监测模型研究 [D]. 
沈凯 .
华中科技大学,
2005
[3]
城市生活垃圾流化床焚烧过程酸性气体排放及其人工神经网络预测 [D]. 
张东平 .
浙江大学,
2003
[4]
Predicting the heating value of MSW with a feed forward neural network [J].
Dong, CQ ;
Jin, BS ;
Li, DJ .
WASTE MANAGEMENT, 2003, 23 (02) :103-106
[5]
Mathematical modelling of MSW incineration on a travelling bed [J].
Yang, YB ;
Goh, YR ;
Zakaria, R ;
Nasserzadeh, V ;
Swithenbank, J .
WASTE MANAGEMENT, 2002, 22 (04) :369-380
[6]
Monitoring pollutant emissions in a 4.8<ce:hsp sp="0.25"/> MW power plant through neural network.[J].S. Tronci;R. Baratti;A. Servida.Neurocomputing.2002, 1
[7]
ANN back-propagation prediction model for fracture toughness in microalloy steel [J].
Haque, ME ;
Sudhakar, KV .
INTERNATIONAL JOURNAL OF FATIGUE, 2002, 24 (09) :1003-1010
[8]
Atmospheric urban pollution: applications of an artificial neural network (ANN) to the city of Perugia [J].
Viotti, P ;
Liuti, G ;
Di Genova, P .
ECOLOGICAL MODELLING, 2002, 148 (01) :27-46
[9]
Effect of fuel layer mixing in waste bed combustion [J].
Ryu, C ;
Shin, D ;
Choi, S .
ADVANCES IN ENVIRONMENTAL RESEARCH, 2001, 5 (03) :259-267
[10]
Learning efficiency improvement of back-propagation algorithm by error saturation prevention method.[J].Hahn-Ming Lee;Chih-Ming Chen;Tzong-Ching Huang.Neurocomputing.2001, 1