锅炉氧含量在线测量的研究

锅炉氧含量在线测量的研究

孙博海，仲亚

（广西大学电气工程学院，广西 南宁 530004）

摘要：锅炉尾部烟气氧含量的测量精确度对提高锅炉燃烧经济性有重要意义，但目前市面上的氧含量检测仪表如氧化锆测量探头可靠性差，寿命短，制造成本高等问题，使得氧含量在线测量成为各行业难以解决的问题。本文主要阐述了如何把软测量技术应用于锅炉的尾部烟气氧含量测量中。对于氧含量，我们可选择其他较易测量，又与氧含量有联系的变量进行测量，再寻找它们之间的函数关系，从而算出或估测出氧含量。通过多元回归和神经网络的方法分别建立氧含量的软测量模型，并进行分析对比，仿真结果表明，神经网络所建软测量模型的测量数值变化可更好的反映氧含量变化。

关键词：多元回归；神经网络；氧含量；软测量

中图分类号：TM621.2 文献标识码：A 文章编号：1671-0711（2016）09（上）-0114-02

随着人们对环境保护这一理念更加重视，许多废气排放多的企业如水泥厂、石油炼厂、火力发电厂等单位，已经着眼于如何提高燃烧率，减少尾气排放，节省能源，绿色生产等问题，力求做到高效低排，为企业谋求更长远、更健康的发展。如何做到实现在线监测燃烧烟气中的氧含量，调节助燃空气和燃料的比例，确定最佳的空气消耗系数，及时的调整燃烧过程中的空燃比，从而提高锅炉整体的燃烧效率成为了当务之急。锅炉一直都是能源消耗大户，合理调控锅炉中的各个参数，实现优化燃烧是提高燃烧率、减少污染物的排放，保护环境最有效的手段之一。

的效果完全一样，但如果是非线性系统，那么后者的效果要更好一些（如果PLS考虑了所有的方向，则还原为标准最小二乘法问题）。在工业生产过程中，常常通过对生产过程的历史数据进行回归分析，从而建立起质量指标的软测量模型，进而在线估计其产品的质量。

2 多元回归分析

经典的回归分析是一种基本的建模方法，也是应用最广泛的初等建模方法。建立在最小二乘法原理之上的一元或多元线性回归技术已经发展的相当成熟，多用于线性系统和简单的控制系统。当自变量不多时，可以采用多元线性回归的逐步回归技术，从而得出较为理想的软测量模型。而当自变量较多时，往往处理起来就比较复杂，先通过机理法或经验法获得对象的各变量大致框架，然后再利用逐步回归法得出软测量模型。为了弥补此时系统的误差，往往需要大量的实验数据，以及对测量误差进行有效的处理。一般这种情况，多元回归并不是一个很好的选择。

2.1 基于多元回归分析方法的软测量模型建立

在锅炉的运行过程中，烟气氧含量一直是监测燃烧标准的一个重要参数。我们本次实验是利用锅炉燃烧过程中容易测取的部分参数挡板开度、燃料量、空气量、过热蒸汽流量、真空度、炉膛温度等，再按照这些参数与烟气含氧量之间存在的某种函数关系模型对烟气含氧量进行预测。以下是实验仪器通过仿真模拟生成的数据，建立烟气含氧量的软测量模型。在实验平台SMPT1000选取相关参数与用仪器测量的烟气含氧量作为实验数据导入所建模型，并利用MATLAB得出回归方程，再对方程中的各项系数进行分析。最后得出的含氧量回归方程为：

y=4.5023-0.075x1-6.5268x2+0.4583x3+0.0387x4-0.0014x6-0.0015x6                                     （3）

式中x1……x6分别对应着挡板开度、燃料量、空气量、过热蒸汽流量、真空度、炉膛温度。利用建立的分析回归模型对烟气含氧量的预测进行检验，检验结果表明，分析回归模型对烟气含氧量的预测误差较大，因

1 软测量

1.1 软测量技术

软测量的基本思想就是将自动控制理论与生产过程当中的各种知识有机的结合在一起。在实际生产过程中，那些关键变量我们往往不能通过仪器直接测出，或者测量成本太大，这时候我们就可以选择其他较易测量，又与关键变量有联系的变量进行测量，再通过寻找这些变量与关键变量之间的函数关系，从而达到测量这些变量就能算出或估测出关键变量的目的。应用软测量技术去实现各元素含量的在线检测不仅可靠经济，而且响应迅速，可连续给出萃取过程中元素成分的含量,更容易控制产品质量。

1.2锅炉氧含量软测量模型的建立

在软测量技术运用过程中，软测量模型的建立才是重中之重。它区别于一般意义下的数学模型，它的侧重点是通过二次变量来获得对主导变量的最优估计。下面就介绍几种常见的软测量模型的建立方法。

基于回归分析的建模方法：采用统计回归方法可建立以下软测量模型

y=mx                                                  （1）

使用PCR法将上式改写为矩阵形式：Y=MTX。对上式进行奇异值分解，得到：

                        （2）

如果是线性系统，无论是采用PCR还是PLS，它

114

中国设备工程 2016.09 (上)

中国设备

Engineering工程

hinaCPlant

子回归后与实际模型比较的误差如图1-a。

在这次仿真实验中，我们总共测取了1818组数据，选取2/3为训练样本，1/3为测试样本。从图中可以看出，部分区域误差较大，分析实验数据可以发现较多坏数据，剔除掉坏数据后，再次进行拟合，得到修改后的曲线对比如下图1-b所示。从数据图中我们可以看到曲线较之前者有了些许改善，但整体来说误差依然很明显。从数据上分析，第一，数据是从实验仪器上仿真得来，与实际值有较大出入，在部分数据中存在不符合实际的突变，这些突变导致拟合曲线在部分位置与实际值出入较大；第二，数据本身不具备线性，用多元回归分析非线性的数据始终不如线性系统的拟合来的优秀。

数据处理的方法选用了归一化的方法，取2/3样本为训练样本，剩余1/3为测试样本，得出的仿真结果如图3-a；从图中我们不难发现，数据的误差在不断增大，仔细观察数据可以发现，部分数据随着时间的递增呈规律变化，因此，我们可以采取MATLAB中滑动窗函数对数据进行处理，使其做到定期更新。数据处理后得出的仿真图如图3-b；从图中可以看出，处理后得出的曲线精确度有了大大的提高。拟合后的曲线与实际值基本吻合，也就是说明，用神经网络作为软测量的方法，利用大量相关变量做数据样本，可以基本做到对氧含量的估测。

4 结语

测量尾部烟气氧含量，从而判断当前锅炉燃烧情况，是提高锅炉燃烧效率最直接也是最有效的方法。而通过软测量的方法有很多，本文主要通过使用多元回归分析法和神经网络法这两种软测量的方法对锅炉氧含量进行分析处理，我们发现这种软测量的方法还是实际可行的。从多元回归的仿真图可以看出，结果虽不尽人意，但是总体趋势是正确的，在处理非线性系统时，多元回归并不是很优秀。与之不同的是神经网络在处理复杂非线性系统的时候有着不可替代的优势。虽然没有经过实际生产的考验，但是单单从实验结果我们可以看出，模型是十分成功的，这也为日后的研究提出了一种新的思路与方向。参考文献：

[1] 王建.软测量辅助变量选择方法研究[J].电力科学与工程，2011,37~40.

[2] 马锐编.人工神经网络原理[M].北京：机械工业出版社，2010:17~19.

[3] 谷廷华，等.改进的基于神经网络的非线性多元回归分析[J].计算技术与自动化，2004(4)．

3 人工神经网络

基于对人脑神经网络的系统研究上，用数理方法从信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，按不同的连接方式组成不同的网络就称为人工神经网络，它只是对生物的神经网络进行了简化、抽象与模拟。因此，人工神经网络是一种以人脑结构及其功能为基础之上建立的信息处理系统。

3.1 基于多元回归分析方法的软测量模型建立

BP（Back-Propagation）神经网络是目前研究最为全面、系统、也是使用最多的人工神经网络模型之一。神经网络的结构并不复杂，对于其他方法无法处理的棘手问题非线性系统，它也能轻松驾驭。人工神经网络包含了许多最基本的组成单位——神经元。对于不同的神经网络，其神经元的激励函数、网络的拓扑结构以及学习算法是不同的。探究燃油锅炉的燃烧过程，结合实际锅炉的运行特点，烟气氧含量与燃油量、鼓风量、油气压差（燃油与雾化蒸汽的压差）、燃油温度、烟气温度等相关，据此，确立其输入输出模式的映射关系，如图2-a所示。上述的映射关系，用三层BP神经元网络来实现，网络结构如图2-b所示。3.2 数据的处理

图1 分析因子回归与实际模型比较 图3 神经网络拟合曲线与实际值

图2

中国设备工程 2016.09 （上）115