CN111413868A - 一种垃圾干燥过程智能控制***及控制方法 - Google Patents
一种垃圾干燥过程智能控制***及控制方法 Download PDFInfo
- Publication number
- CN111413868A CN111413868A CN202010182204.7A CN202010182204A CN111413868A CN 111413868 A CN111413868 A CN 111413868A CN 202010182204 A CN202010182204 A CN 202010182204A CN 111413868 A CN111413868 A CN 111413868A
- Authority
- CN
- China
- Prior art keywords
- intelligent control
- temperature
- control center
- flow valve
- drying process
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Processing Of Solid Wastes (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本发明公开一种垃圾干燥过程智能控制***及控制方法,***包括智能控制中心、温度传感器组群、控制器、流量阀、干燥炉、网络通信单元和上位机监控站,控制中心连接控制器和温度传感器组群,传感器设置在干燥炉内,流量阀连接干燥炉,控制器控制流量阀开闭度,控制中心经网络通信单元与上位机监控站通信连接;方法包括监测干燥炉温度传送给控制中心,温度数据计算、判断,温度大于设定温度A时控制流量阀减小开度,重新监测炉温;温度小于设定温度A大于设定温度B时,重新监测炉温;温度小于设定温度B时控制流量阀增大开度,重新监测炉温。本发明实现干燥炉生产过程安全平稳控制,提高干燥炉热效率,最大限度降低干燥炉能耗,提升企业经济效益。
Description
技术领域
本发明涉及垃圾干燥过程自动智能控制技术领域,特别涉及一种垃圾干燥过程智能控制***,同时还涉及一种垃圾干燥过程智能控制方法。
背景技术
垃圾干燥***是垃圾热解气化资源化处理的关键***,经过超高压干湿分类压榨设备分类形成的超高热值垃圾,进入干燥设备,对其进行干燥处理,大幅降低其含水率,以便满足后续的生活垃圾热解气化***稳定运行。干燥***不仅需要合适且成熟的干燥设备,还需要实现干燥过程智能控制。
随着智能控制技术的发展,模糊控制和神经网络控制越来越受到人们的关注,模糊控制是一种基于语言的控制,不用建立被控对象的精确的数学模型,特别适用于复杂或难以精确描述的***。神经网络具有良好的学习能力,为不确定、非线性问题的解决开辟了新途径。将二者结合利用它们的优点来实现智能控制成为学者们最为青睐的研究方向。
模糊控制的优点是不必建立被控对象的数学模型,它能将操作者或专家的控制经验和知识表示成模糊语言变量,然后构建模糊控制规则,进行模糊推理,最后对模糊控制的输出模糊量进行反模糊化处理,用反模糊化处理后的精确量去控制被控对象,但是常规模糊控制器由于控制规则的有限性以及模糊隶属函数的不确定性,一旦控制规则及经验模糊隶属函数整定后就不能再改变,无法根据外界环境的变化自动调整自己的控制规则及隶属函数,因而常规模糊控制器控制精度不高、自适应能力较差。
径向基函数神经网络(Radial Basis Function Network, RBFN)是一种使用径向基函数作为激活函数的神经网络。1985年Powell提出了多变量插值的径向基函数(RadialBasis Function, RBF)。1988年,Broomhead和Lowe将径向基函数用于神经网络设计中,首次提出了RBF神经网络。1989年J.Moody和C.Darken提出具有局部响应特性的神经网络,它是能模拟人脑中局部调整、相互覆盖接受域的神经网络。RBF网络能够逼近任意的非线性函数,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、时间序列分析、数据分类、信息处理、图像处理、模式识别、***建模、控制和故障诊断等领域。
针对传统模糊控制器的不足,利用神经网络自学习功能,改善传统常规模糊控制器自适应能力差的缺点,设计构建基于神经网络的模糊控制器,通过模糊控制理论解决语言知识表达,构建模糊量化因子以及模糊规则;而通过神经网络的自学习和自适应能力实现模糊推理,能够很好的提高整个***的鲁棒性和自适应能力。
垃圾干燥过程智能控制的关键在于干燥温度分布控制,干燥温度及其分布的稳定,可以提高干燥效果,节约资源。干燥温度分布的控制任务就是通过流量阀调节高温载热气体流量,减小干燥炉内设定温度与实际温度的偏差,维持干燥温度稳定保持在允许范围内,以实现大幅降低垃圾含水率的目的,且要求这种含水率降低过程对超高热值垃圾初始含水量的变化具有较强的适应能力。
然而,如何在垃圾干燥处理过程中运用具体RBF与模糊算法实现智能控制,克服现有垃圾干燥处理控制***及控制方法控制工控不稳定、处理后的垃圾含水率高的缺陷,仍然是一个全新的问题。
发明内容
本发明要解决的技术问题之一是,提供一种垃圾干燥过程智能控制***,克服现有垃圾干燥控制***控制工控不稳定、处理后的垃圾含水率高的缺陷。
本发明要解决的技术问题之二是,提供一种垃圾干燥过程智能控制方法,克服现有垃圾干燥控制方法控制工控不稳定、处理后的垃圾含水率高的缺陷。
本发明解决其技术问题之一所采用的技术方案是,构造一种垃圾干燥过程智能控制***,其特征在于,包括智能控制中心、温度传感器组群、控制器、流量阀、干燥炉、网络通信单元和上位机监控站;
该智能控制中心包括中央智能控制管理模块、控制输出模块和数据采集模块,该中央智能控制管理模块分别与该控制输出模块和数据采集模块连接;
该温度传感器组群设置在该干燥炉中,并与该智能控制中心的数据采集模块连接,该温度传感器组群实时感测干燥炉的温度分布并将数据传送给该智能控制中心的数据采集模块;
该控制器分别连接该流量阀和该智能控制中心的控制输出模块,该控制器接收智能控制中心的控制指令对该流量阀实施控制;
该流量阀通过管路连接该干燥炉;
该上位机监控站通过该网络通信单元与该智能控制中心的中央智能控制管理模块通信连接,实现控制信息通信。
本发明解决其技术问题之二所采用的技术方案是,提供一种垃圾干燥过程智能控制方法,基于如权利要求1所述的垃圾干燥过程智能控制***实现,其特征在于,包括如下步骤:
SP1、监测干燥炉温度分布,将监测温度数据传送给智能控制中心;
SP2、智能控制中心接收监测温度数据,采用模糊和RBF神经网算法对监测温度数据进行计算并进行判断;
SP3、当监测温度数据减设定温度大于预设阈值A时,智能控制中心发出指令,控制流量阀减小开度,转步骤SP1;当监测温度数据减设定温度小于等于预设阈值A时,进行下一步;
SP4、当监测温度数据减设定温度小于预设阈值B时,智能控制中心发出指令,控制流量阀增大开度,转步骤SP1;当监测温度数据减设定温度大于等于预设阈值B时,转步骤SP1,其中,该阈值B小于该阈值A。
实施本发明的垃圾干燥过程智能***及控制方法,与现有技术比较,其有益效果是:可根据干燥炉内温度自动调整载热气体流量阀,确保干燥温度在设定范围之内,具有较好的自适应能力,干燥效率高、效果好,降低干燥能耗。
附图说明
图1是实现本发明垃圾干燥过程智能控制***的示意图。
图2是本发明垃圾干燥过程智能控制***的控制结构图。
图3是本发明垃圾干燥过程智能控制***及控制方法中采用的RBF神经网络结构图。
图4是本发明垃圾干燥过程智能控制方法一种实施例的流程图。
具体实施方式
下面结合附图对本发明进行详细描述。该描述仅是本发明的某些具体实施方式,不构成对本发明范围的限制。
如图1所示,本发明垃圾干燥过程智能控制***包括智能控制中心、温度传感器、控制器、流量阀、干燥炉、网络通信单元、上位机监控站。
温度传感器组群安装在干燥炉内并与智能控制中心连接,实时感测干燥炉的温度分布并将数据传送给智能控制中心。
智能控制中心包括中央智能控制管理模块、控制输出模块和数据采集模块,中央智能控制管理模块分别与控制输出模块和数据采集模块连接。智能控制中心通过数据采集模块从温度传感器接收数据,采用模糊算法和RBF神经网算法计算,判断温度传感器组群实时传输的数据是否达到预设值,并据此通过控制输出模块发出智能控制指令,并将控制指令传送给控制器。
智能控制中心的中央智能控制管理模块通过网络通信单元与上位机监控站通讯连接。网络通信单元为常用网络通信设备,如网卡、HUB、路由器(交换机)。
控制器分别连接智能控制中心和流量阀,流量阀通过管路连接干燥炉,控制器接收智能控制中心的控制指令,通过调整流量阀的开度(开度指流量阀控制流量大小的程度)控制进入干燥炉的载热气体流量,进而达到对干燥温度进行控制的目的。如果实际测得的温度分布值小于设定温度值减设定阈值,则智能控制中心的输出模块发出指令,控制器接收指令,控制流量阀开大;若实际测得的温度分布值大于设定温度值加设定阈值,则智能控制中心的输出模块发出指令,控制器接收指令,控制流量阀关小,通过控制流量阀的开度,控制载热气体流量,达到控制干燥炉温度的目的。
当实际测得的温度分布值超越了设定的温度上限(设定温度值加设定阈值)或下限(设定温度值减设定阈值)时,智能控制中心同时向报警装置发出指令,进行声光报警。
本发明干燥过程智能控制***的控制结构图如图2所示,,以设定温度与当前温度的偏差(E)和偏差变化率(Ec)作为输入变量,流量调节阀的开闭度(U)作为输出量。神经网络模糊控制器是干燥过程智能控制方法的核心,智能控制软件算法包括模糊算法和RBF神经网络算法。模糊控制过程中计算输入变量(温度偏差、温度偏差变化率),并对他们做模糊量化处理,根据专家经验,设计模糊控制规则如表1。
表 1:模糊控制规则表
如表1所示,一种基于RBF与模糊算法的垃圾干燥过程智能控制算法,首先对输入、输出参数进行模糊化,根据专家经验制定隶属度表与模糊控制规则表,预设的模糊子集为:{NB(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PB(正大)},(NB、NM、NS、PS、PM、PB为英文字头缩写)。模糊控制规则反映了输入到输出的映射关系,由一条条的模糊规则组成。它是一个二维模糊控制,有49条控制规则组成,每条规则都可以用If E(t) is NB andEc(t) is NM then U(t) is PB的形式表示,其中NB、NM、PB表示模糊语言变量。
RBF神经网络结构如图3所示。RBF神经网络是一种典型的三层前馈型神经网络,由输入层、隐含层和输出层组成。输入量在输入层不经处理直接进入隐含层,隐含层中的神经元激活函数应用对中也点径向对称的非线性RBF径向基函数进行运算处理,从隐含层将输出线性映射至输出层,从而大大加快学习速度并避免局部极小问题。用49条模糊控制规则作为样本来训练RBF神经网络,使RBF神经网络记忆模糊控制规则,从而通过RBF神经网络实现模糊推理过程,能够非常好的提高整个***的鲁棒性和自适应能力。
本发明干燥过程智能控制方法在上述对干燥过程智能控制***的描述中已经进行了相应描述,以下结合附图对干燥过程智能控制方法进行详细描述。
本发明干燥过程智能控制方法的一种实施例如图4所示,该方法基于本发明干燥过程智能控制***实现。该方法包括如下步骤:
步骤一,监测干燥炉的温度分布并将监测温度数据传送给智能控制中心;
步骤二,智能控制中心接收监测温度数据,采用模糊和RBF神经网算法对监测温度数据进行计算并进行判断;计算功能通常设置在智能控制中心的控制管理模块中,也可以将计算功能设置在控制输出模块中或数据采集模块中;
步骤三,当监测温度数据减设定温度大于预设阈值A时,智能控制中心发出指令,控制载热气体流量阀减小开度,转步骤一;当监测温度数据减设定温度小于等于预设阈值A时,进行下一步;阈值A根据控制需要设置,例如,取阈值A为10摄氏度、15摄氏度等;
步骤四,当监测温度数据减设定温度小于预设阈值B时,智能控制中心发出指令,控制载热气体流量阀增大开度,转步骤一;当监测温度数据减设定温度大于等于预设阈值B时,转步骤一,其中,阈值B小于阈值A。阈值B根据控制需要设置,例如,取阈值B为负10摄氏度、负15摄氏度等。
本发明干燥过程智能控制方法的模式控制规则如上述,在此不再赘述。
Claims (5)
1.一种垃圾干燥过程智能控制***,其特征在于,包括智能控制中心、温度传感器组群、控制器、流量阀、干燥炉、网络通信单元和上位机监控站;
该智能控制中心包括中央智能控制管理模块、控制输出模块和数据采集模块,该中央智能控制管理模块分别与该控制输出模块和数据采集模块连接;
该温度传感器组群设置在该干燥炉中,并与该智能控制中心的数据采集模块连接,该温度传感器组群实时感测干燥炉的温度分布并将数据传送给该智能控制中心的数据采集模块;
该控制器分别连接该流量阀和该智能控制中心的控制输出模块,该控制器接收智能控制中心的控制指令对该流量阀实施控制;
该流量阀通过管路连接该干燥炉;
该上位机监控站通过该网络通信单元与该智能控制中心的中央智能控制管理模块通信连接,实现控制信息通信。
2.一种垃圾干燥过程智能控制方法,基于如权利要求1所述的垃圾干燥过程智能控制***实现,其特征在于,包括如下步骤:
SP1、监测干燥炉温度分布,将监测温度数据传送给智能控制中心;
SP2、智能控制中心接收监测温度数据,采用模糊和RBF神经网算法对监测温度数据进行计算并进行判断;
SP3、当监测温度数据减设定温度大于预设阈值A时,智能控制中心发出指令,控制流量阀减小开度,转步骤SP1;当监测温度数据减设定温度小于等于预设阈值A时,进行下一步;
SP4、当监测温度数据减设定温度小于预设阈值B时,智能控制中心发出指令,控制流量阀增大开度,转步骤SP1;当监测温度数据减设定温度大于等于预设阈值B时,转步骤SP1,其中,该阈值B小于该阈值A。
3.如权利要求2所述的垃圾干燥过程智能控制方法,其特征在于,所述阈值A为10摄氏度或15摄氏度。
4.如权利要求2所述的垃圾干燥过程智能控制方法,其特征在于,所述阈值B为负10摄氏度或负15摄氏度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010182204.7A CN111413868A (zh) | 2020-03-16 | 2020-03-16 | 一种垃圾干燥过程智能控制***及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010182204.7A CN111413868A (zh) | 2020-03-16 | 2020-03-16 | 一种垃圾干燥过程智能控制***及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111413868A true CN111413868A (zh) | 2020-07-14 |
Family
ID=71492969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010182204.7A Withdrawn CN111413868A (zh) | 2020-03-16 | 2020-03-16 | 一种垃圾干燥过程智能控制***及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413868A (zh) |
-
2020
- 2020-03-16 CN CN202010182204.7A patent/CN111413868A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shakibjoo et al. | Load frequency control for multi-area power systems: A new type-2 fuzzy approach based on Levenberg–Marquardt algorithm | |
Liang | The application of fuzzy PID controller in coupled-tank liquid-level control system | |
Qiao et al. | Self-organizing fuzzy control for dissolved oxygen concentration using fuzzy neural network 1 | |
Xia et al. | Adaptive quantized output feedback DSC of uncertain systems with output constraints and unmodeled dynamics based on reduced-order K-filters | |
CN111413868A (zh) | 一种垃圾干燥过程智能控制***及控制方法 | |
CN111367163B (zh) | 养殖场环境智能控制器及其应用 | |
Souran et al. | Comparative study between tank’s water level control using PID and fuzzy logic controller | |
CN116746697A (zh) | 一种烤片机烟叶烘烤过程环境湿度控制***及方法 | |
Wu et al. | Soft computing techniques and their applications in intelligent industrial control systems: A survey | |
Xu et al. | A novel dissolve oxygen control method based on fuzzy neural network | |
Tian | Main steam temperature control based on GA-BP optimised fuzzy neural network | |
Atig et al. | A multi-objective criterion and stability analysis for neural adaptive control of nonlinear MIMO systems: an experimental validation | |
Wang et al. | Improving superheated steam temperature control using united long short term memory and MPC | |
Arafat et al. | The Development of a Matlab-Based Fuzzy PID Controller and The Simulation | |
Gao et al. | Intelligent switching system methodology and its application in complex process control system | |
Lu et al. | The temperature control of electric furnace based on PID genetic algorithm | |
CN118084292A (zh) | 一种污泥薄层干化高效运行装置及控制方法 | |
CN114660933A (zh) | 基于模糊自适应的燃煤发电锅炉回热优化控制***及方法 | |
Chaoxin et al. | Simulation and Analysis of Sintering Furnace Temperature Based on Fuzzy Neural Network Control | |
Luo et al. | Optimization of BP Neural Network PID Waste Incineration Control System Based on Improved Particle Swarm Optimization | |
Vasičkaninová et al. | Intelligent control of heat exchangers | |
Liu et al. | Simulation of main steam temperature control system based on fuzzy PID and improved smith predictor | |
Liu | Application of Improved Particle Swarm Optimization Algorithm in Converter Differential Pressure | |
CN111174564A (zh) | 一种超高热值垃圾干燥过程智能控制*** | |
CN107968444A (zh) | 一种新能源集群协调优化控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200714 |