污泥焚烧过程控制中遗传优化模糊算法的研究

孙慧肖 军樊帅

（辽宁石油化工大学 信息与控制工程学院， 辽宁 抚顺 113001）

污泥焚烧过程控制中遗传优化模糊算法的研究

孙慧肖 军樊帅

（辽宁石油化工大学 信息与控制工程学院， 辽宁 抚顺 113001）

焚烧处理被公认为实现污泥减量化、稳定化和无害化处理最彻底的方式。污泥成分混杂，相关因素多，工况易变，焚烧原理复杂，在污泥焚烧过程中，其控制过程具有多变量、多影响因子、非线性、强耦合等特点。因此，提出了一种基于遗传算法优化的模糊控制方法，针对模糊控制自适应性差的不足，对模糊控制规则进行在线动态优化。仿真研究结果表明，控制效果具有明显改善。

污泥；焚烧；模糊控制；遗传算法

循环流化床锅炉(CFBB)是一种新型清洁焚烧设备，其燃烧效率高、污染少、燃料适应性广，受到世界各国的广泛重视并得到迅速发展[1]。目前，国内污泥焚烧过程中循环流化床锅炉床温控制普遍不够稳定，负荷波动工况变化适应性差，锅炉运行效率低，系统对操作人员依赖性大。

流化床床层温度控制过程具有多变量、强耦合、非线性等特点，难以建立精确的数学模型，通常采用模糊控制较为有效，但其不足之处是模糊规则的自适应性差，导致控制效果不够理想[2]。为了获取适应度更强的控制规则，可采用神经网络或遗传算法等方法进行在线优化。遗传算法是模仿自然界生物进化思想的一种全局优化算法，具有良好的通用性和较强的鲁棒性。因此，本文设计了一种基于遗传优化的模糊控制算法，改善了循环流化床床温控制的控制质量。

1 流化床污泥焚烧工艺过程分析

1.1 循环流化床污泥焚烧工艺流程

循环流化床污泥焚烧工艺流程如图1所示，主要包括污泥输送、循环流化燃烧、高温烟气热量回收以及烟气净化过程等。

图1 循环流化床污泥焚烧工艺流程图Fig.1 Process flow diagram of CFB sludge incineration

1.1.1 循环流化床工作原理

高含水率的污泥经污泥泵从炉膛顶部加入，在下降的过程中干燥破碎；辅助燃料从炉膛底部加入与污泥一起焚烧，产生的高温混合物从炉顶排出，循环灰经过旋风分离器分离后，从炉膛底部经返料器返回；从旋风分离器顶部排出的烟气进入尾部烟道，并与换热器交换热量，经烟气净化器、布袋除尘器，去除飞灰和酸性气体后，通过引风机由烟囱排出[3]。

1.1.2 循环流化床特性

CFBB工艺过程中，采用流态化燃烧手段，使燃料处于流化状态下。与传统锅炉相比具有很多优势，其特点是气—固两相流动、传热、传质等。CFBB能够改善劣质煤的利用率，燃烧温度低，有害气体排放量小，符合当今节能减排以及可持续发展的大趋势[4]。因此，近些年内得到了快速发展。

1.2 循环流化床床温控制特征分析

在CFBB控制系统中，主要的控制对象是床温，太低或太高都会影响CFBB的燃烧效率和安全。随着流化床床温的升高，床层中C的反应速率和燃料挥发成分的析出速率均加快。因此,提高床温有助于减少燃烧时间，加快焚烧速度。但考虑到不均匀的床层断面温度以及灰熔点的限制，一般要求床温比煤的形变温度低100～200 °C。所以，床温应根据煤的形变温度来确定,一般不超过1 000～1 050 °C。炉温控制在870 °C时，烟气在炉膛内停留时间大于2 s，可避免二恶英的生成。对于采用添加剂进行的脱硫处理,最佳反应温度为850 °C,当床温高于900 °C时,脱硫率会明显降低,钙硫比增大，影响脱硫效果，同时也增加了焚烧过程发生结焦、熄火等事故的可能性。综合考虑，循环流化床的床温应维持在850 °C到860 °C之间。由表1可知，流化床锅炉是一个多输入、多输出、非线性强耦合的对象，如燃料量、风量、排渣量等变化时都会产生床温的变化，但一次风和给煤量是最主要的影响因素。床温对一次风量的响应相对较快，当床温偏离稳定值较大时，单靠改变一次风量实现床温调节是不可行的，并且频繁调节将影响燃烧效率。为保证燃烧过程的经济性，最终决定因素是进入床内的燃料量[5]。维持循环流化床锅炉的稳定运行，其床温控制是关键。在焚烧过程中，几乎所有的控制和调节均围绕维持稳定床温进行[6]。因此，本文以流化床床温控制作为重点内容进行如下研究。

表1 流化床锅炉输入输出关系表Table 1 The input-output relationship of CFBB

1.3 建立控制模型

根据经验，在所有条件保持不变的情况下，循环流化床的床温与给煤量成正比。因此，床温与给煤量的关系可用传递函数表达为：

其中，R为床温，U为给煤量；k、T、τ是随运行工况不同而时变的参数。当锅炉负荷在25%～100%范围变化时，各参数取值范围：k：5～10；T：100～200 s；τ：30～60 s。

2 基于遗传优化的模糊控制器设计

由于循环流化床锅炉燃烧系统具有大时滞、非线性、时变和强耦合等特点，使用PID控制很难达到理想效果。为了实现CFBB良好的控制效果，本文利用遗传算法对模糊控制方法进行优化，实现对CFBB床层温度的有效控制。

2.1 模糊控制器设计

模糊控制是模拟人的思考方式，利用语言归纳描述专家经验，实现对难以建立精确数学模型的对象进行有效控制的一类控制算法[7]。其特点是将控制经验数据总结为较理想的模糊语言控制规则，避开控制对象时变、时滞、不确定性、非线性等影响。系统具有较强的鲁棒性，适用于非线性、时变、时滞系统的控制。

依据模糊控制理论，将E(偏差)和EC(偏差变化率)作为模糊语言输入，U(系统控制值)作为输出，构成双入单出结构的模糊控制器[8]。

根据实际流化床稳态运行时的相关情况，确定温度偏差E的基本论域为[-50,50 ℃]；温度偏差变化率EC的基本论域为[-6,6]；控制量U的基本论域为[0,5]。

设温度偏差E、温度温度变化率EC以及输出量U的论域分别为：V，W，L；R是对应于V×W×L

上的三元模糊关系，

对于E、EC以及控制量U均取语言值为PB (正大)、PM(正中)、PS(正小)、Z(零)、NS(负小)、NM(负中)、NB(负大)的七个语言变量。根据流化床床温控制知识、经验以及测量的具体数据，得到控制规则如表2。

表2 模糊控制规则表Table 2 Fuzzy control rule table

模糊控制规则是领域专家通过归纳和总结被控过程中的模糊信息及操作经验而获得的，其是否合理在很大程度上直接影响着模糊控制性能的优劣[9]。系统运行后，通常模糊控制规则是在线固定不变的，因此，控制规则的适应性较差。由于被控对象的非线性和时变性因素会造成模糊控制规则的不完善，在不同程度上影响控制效果。因此，若能依据过程特征变化，对模糊控制规则中的关键性规则参数进行在线动态优化，其控制效果可以得到明显改善。遗传算法是自适应全局优化搜索算法，它是一种高效随机优化工具，易于与其他控制方法相结合。因此，本文利用遗传算法优化模糊控制规则，实现优化控制，并运用到流化床床温控制系统中。

2.2 基于遗传优化的模糊控制器设计

基于遗传优化的模糊控制流程如图2所示。

图2 遗传优化模糊控制流程图Fig.2 Flow diagram of fuzzy control optimized by genetic algorithm

具体优化过程如下：

（1） 遗传编码

采用二进制编码方法，将输出变量U的语言值{PB，PM，PS，Z，NS，NM，NB}分别用001,010,011,100,101,110,111来描述。建立模糊控制规则与二进制串一一对应的编码关系。

（2） 选择

采用适应度比例选择方法，对群体中的个体进行优胜劣汰，选出群体中优良的染色体。评价标准如下式：

式中：Pi为个体i的选择概率；n为群体中的个体数；fi为个体i的适存度。

（3） 交叉、变异

交叉是将选择出的染色体随即匹配，进行基因重组交叉繁殖。例如：将编码分别为：

的两个染色体进行交叉，设交叉概率Pc=0.7，交叉点位置k=10，则交叉后得到两个新个体为：

变异算子是把某基因位上的值取反。变异概率很小，一般只取到10-3数量级。变异的目的是为了防止某些特殊基因丢失，恢复基因多样性，提高局部搜索能力，避免出现未成熟收敛的现象。设交叉、变异概率分别为Pc和Pm，他们能保证遗传算法的收敛能力，基于自身适存度进行调节，提高收敛速率。其计算公式为：

其中，f为变异个体的适应度函数值；maxf为每一代群体的最大适应度函数值；为平均适应度函数值；f′为两个交叉个体中较大的适应度函数值；k1、k2、k3、k4为常数(≤1)。

（4） 判断

判断是否达到参数收敛。若满足则按此控制规则进行模糊控制；否则返回步骤(3)，直到满足要求为止。

通过以上优化，得到适应度更强的模糊规则参数，实现具有自适应能力的模糊控制策略，使控制系统达到更好的控制效果。

3 仿真结果分析

本文针对上述设计进行了仿真研究，仿真系统中设定过程模型如下：

图3 仿真分析的响应曲线Fig.3 The response curve of simulation

利用Matlab进行单位阶跃定值扰动及抗扰性仿真实验，并与常规PID控制作比较。

（1）阶跃定值扰动实验：在初始时刻实施幅值为1的阶跃激励信号，系统响应曲线如图3（a）所示。

（2）抗干扰性实验：在t=600 s时，加入幅值为0.1的干扰信号，系统响应曲线如图3(b)所示。

仿真结果表明：基于遗传优化的模糊控制器与常规PID控制器相比较，系统滞后时间短，震荡幅度及超调量较小，能够较快达到平稳状态，控制效果较为理想。

4 结 论

本文针对流化床焚烧过程的大滞后、非线性、强耦合等特点，提出了基于遗传优化的模糊控制策略及方法。仿真证明：优化后的模糊控制器对大时滞、强耦合、非线性系统有改善效果，有较强的自适应能力和鲁棒性，并且明显优于常规PID控制。

［1］ 邱旻昊.循环流化床焚烧城市污水处理厂污泥的探讨[J].污染防治技术，2013，26(4)：44-46.

［2］ 马晓勇，吴宏艳.自抗扰控制在循环流化床锅炉床温控制中的应用[J].华北电力大学学报，2011，38(5)：81-83.

［3］ 黄毅，朱建国，吕清刚，等.城市下水污泥循环流化床焚烧工艺分析[J].工业加热，2013，42(3)：37-39.

［4］ 杨铭.模糊神经网络在循环流化床锅炉燃烧系统中的应用[D].山西：太原理工大学，2011.

［5］ 曲海云.关于循环流化床锅炉床温控制系统的研究[D].河北：华北电力大学，2004.

［6］ 李金晶，龚鹏，吕俊复，等.给煤对大型CFB锅炉床温均匀性的影响[J].热能动力工程，2012，27(1)：76-80.

［7］ 黎倩，刘朝英，宋哲英，等.模糊控制在循环流化床锅炉床温控制系统中的应用研究[J].军械工程学院学报，2009，21(5)：72-75.

［8］ 李金晶，龚鹏，吕俊复，等.给煤对大型CFB锅炉床温均匀性的影响[J].热能动力工程，2012，27(1)：76-80.

［9］ 覃来丰.基于遗传算法优化的模糊控制器在钢球磨煤机中的应用[D].杭州：浙江大学，2007.

Research on Fuzzy Control Optimized by GA in the Process of Sludge Incineration

SUN Hui，XIAO Jun，FAN Shuai
（School of Information and Control Engineering，Liaoning Shihua University，Liaoning Fushun 113001，China）

Sludge incineration is regarded as the most effective method to achieve the sludge reduction, stabilization and harmless treatment. In the process of sludge incineration, the control process has many features, such as multivariable, nonlinear, strong coupling, multi interference factors and so on, due to the sludge has mixed components, complex combustion mechanism, changeable conditions and associated factors. In this paper, a fuzzy control method based the genetic algorithm was proposed, the method can tune the fuzzy control rule online to improve adaptive capacity. The simulation results show that the control effect is improved obviously.

Sludge; Incineration; Fuzzy control; Genetic algorithm

TQ 018

： A

： 1671-0460（2015）02-0410-04

2014-08-08

孙慧(1989-)，女，辽宁锦州人，硕士，研读方向为污泥处理过程中智能控制的应用研究。E-mail: 1013704232@qq.com。

肖军（1957-），男，辽宁抚顺人，教授，硕士研究生导师，主要从事智能控制算法及应用，计算机过程控制及仿真的研究。E-mail: xiaojun_lnpu@163.com。