CN113741200A - 一种石灰套筒窑智能优化煅烧控制*** - Google Patents
一种石灰套筒窑智能优化煅烧控制*** Download PDFInfo
- Publication number
- CN113741200A CN113741200A CN202111164326.4A CN202111164326A CN113741200A CN 113741200 A CN113741200 A CN 113741200A CN 202111164326 A CN202111164326 A CN 202111164326A CN 113741200 A CN113741200 A CN 113741200A
- Authority
- CN
- China
- Prior art keywords
- control
- optimization
- calcination
- multivariable
- gas
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000001354 calcination Methods 0.000 title claims abstract description 33
- 235000008733 Citrus aurantifolia Nutrition 0.000 title claims abstract description 26
- 235000011941 Tilia x europaea Nutrition 0.000 title claims abstract description 26
- 239000004571 lime Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 238000002485 combustion reaction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 30
- 101100399296 Mus musculus Lime1 gene Proteins 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 239000003034 coal gas Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002912 waste gas Substances 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
- C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
- C04B2/00—Lime, magnesia or dolomite
- C04B2/10—Preheating, burning calcining or cooling
- C04B2/12—Preheating, burning calcining or cooling in shaft or vertical furnaces
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Ceramic Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Thermal Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Materials Engineering (AREA)
- Structural Engineering (AREA)
- Organic Chemistry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种石灰套筒窑智能优化煅烧控制***，属于自动化控制及智能预测模型技术领域，解决了现有石灰套筒窑煅烧的面对多变量、强耦合以及强干扰的复杂工况无法处理的问题，其技术要点是：包括控制‑多变量控制器，所述控制‑多变量控制器步骤包括：多变量辨识建模：采用测试‑建模的方案，辨识被控对象的模型；模型预测控制，所述模型预测控制采用多变量优化控制技术；多重约束规划，所述多重约束规划用于优先关联关键工艺限制条件；多目标优化，具有面对多变量、强耦合以及强干扰的复杂工况能够处理的优点。
Description
技术领域
本发明涉及自动化控制及智能预测模型技术领域，具体是涉及一种石灰套筒窑智能优化煅烧控制***。
背景技术
目前，传统的自动化控制DCS/PLC调节单输入单输出的控制理论已不能满足现各产业的节能、优化控制等要求。现基于多变量的预测控制技术随即而出，不仅能提高装置运行的平稳性和一致性，而且能统一操作方法、减少人为因素的影响；更重要的是，先进控制技术还为装置的优化运行提供了支撑，使装置的控制更具智能化。
石灰套筒窑煅烧***作为一种强耦合、强干扰、严重非线性的控制对象，一直是石灰生产的控制难点。当前DCS/PLC中的常规PID控制回路只能解决平稳工况下单回路或串级回路的控制问题，面对多变量、强耦合、强干扰的复杂工况显得无能为力。
发明内容
针对现有技术存在的不足，本发明实施例的目的在于提供一种石灰套筒窑智能优化煅烧控制***，以解决上述背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种石灰套筒窑智能优化煅烧控制***，包括控制-多变量控制器，所述控制-多变量控制器步骤包括：
1）多变量辨识建模：采用测试-建模的方案，辨识被控对象的模型；
11) 采用最优测试信号，多通道激励操作变量；
12) 采用渐进法辨识多变量模型；
13) 对模型品质进行等级评估；
2）模型预测控制，所述模型预测控制采用多变量优化控制技术；
21) 通过模型预测装置未来的动作趋势；
22) 根据当前数据，反馈校正预测趋势；
23) 被控变量CV的实际值与目标值之间的总偏差最小；
24) 操纵变量调节总量最小，按最优动态方案，使装置达到稳态最优目标;
3）多重约束规划，所述多重约束规划用于优先关联关键工艺限制条件；
31) 确定控制策略，考虑所有约束条件；
32) 控制方案满足操纵变量上下限和变化率的限制；
33) 尽可能满足所有被控变量（CV）的上下限，当不能满足全部CV时，则优先满足关键CV的工艺限制；
4）多目标优化；
41) 目标优化、经济效益最大；
42) 多优先级处理功能，实现过程变量的分级处理设计；
43) 经济优化，支持线性优化和二次优化；
44) 支持模型增益调度功能和非线性变换，解决非线性问题；
45) 自适应扰动预估功能，克服不可测扰动问题。
作为本发明进一步的方案，所述多变量辨识建模中设置有煤气热值控制优化，所述煤气热值控制优化基于多变量控制、煤气量比值控制以及抗干扰，进而实现煤气热值自动控制优化。
作为本发明进一步的方案，所述煤气热值控制优化通过自动给定输入煤气阀门开度与煤气加压机频率，达到稳定混合煤气热值与压力的目标。
作为本发明进一步的方案，所述多变量辨识建模中设置有热耗控制优化，所述热耗控制优化用于减少人工干预调节，通过多变量***辨识、模型预测控制以及扰动自适应的技术保证稳态目标。
作为本发明进一步的方案，所述热耗控制优化采用罗茨风机向石灰窑供应驱动空气，用于加热驱动空气的高温气体，进而使得从煅烧带上部经过上内套筒被抽入空气换热器。
作为本发明进一步的方案，所述热耗控制优化采用空气换热器，所述空气换热器用于加强热量在煅烧带的循环和提高驱动空气的物理显热，以利于火焰在燃烧室中的燃烧。
作为本发明进一步的方案，所述控制-多变量控制器采用负压控制优化，所述负压控制优化用于实现下燃烧室的负压测点与废气风机的区间控制，进而使窑内负压恢复至区间内。
综上所述，本发明实施例与现有技术相比具有以下有益效果：
1、在工艺和设备正常情况下，混合煤气热值波动小于1950±50kcal/Nm3；
2、实现自动优化煅烧，稳定循环气体温度，循环气体温度波动小于±5℃；
3、在正常工况下，套筒窑优化煅烧功能自动投运率达到97%~99%；
4、产品成分氧化钙指标可由现在的91.07增长到≥92%，活性度可由现在的308 ml增长到≥320ml；
5、***上线后通过前后对标，进一步实现石灰生产线的事前事中控制，大幅度提高产品质量和降低能耗，其综合效益可观。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。
附图说明
图1为发明实施例***架构的示意图。
图2为发明实施例多变量耦合模型的示意图。
图3为发明实施例可测信号的可测扰动的示意图。
图4为发明实施例石灰窑质量指标的示意图。
图5为发明实施例热耗控制优化的示意图。
图6为发明实施例驱动风机MPC控制***的示意图。
图7为发明实施例负压控制优化的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
在一个实施例中，一种石灰套筒窑智能优化煅烧控制***，参见图1～图3，包括控制-多变量控制器，所述控制-多变量控制器步骤包括：
1）多变量辨识建模：采用测试-建模的方案，辨识被控对象的模型；
11) 采用最优测试信号，多通道激励操作变量；
12) 采用渐进法辨识多变量模型；
13) 对模型品质进行等级评估；
2）模型预测控制，所述模型预测控制采用多变量优化控制技术；
21) 通过模型预测装置未来的动作趋势；
22) 根据当前数据，反馈校正预测趋势；
23) 被控变量CV的实际值与目标值之间的总偏差最小；
24) 操纵变量调节总量最小，按最优动态方案，使装置达到稳态最优目标;
3）多重约束规划，所述多重约束规划用于优先关联关键工艺限制条件；
31) 确定控制策略，考虑所有约束条件；
32) 控制方案满足操纵变量上下限和变化率的限制；
33) 尽可能满足所有被控变量（CV）的上下限，当不能满足全部CV时，则优先满足关键CV的工艺限制；
4）多目标优化；
41) 目标优化、经济效益最大；
42) 多优先级处理功能，实现过程变量的分级处理设计；
43) 经济优化，支持线性优化和二次优化；
44) 支持模型增益调度功能和非线性变换，解决非线性问题；
45) 自适应扰动预估功能，克服不可测扰动问题。
在本实施例中，被控对象的模型是模型预测控制（MPC）的成败关键。采用基于渐进辨识法（ASYM）的多变量***辨识技术能够有效保证模型质量。
***辨识将***看成是一个黑箱子，在其输入端加一定的实验信号，通过测量到的输入输出数据，经某种算法（如渐进辨识法）辨识出反映对象输入输出关系的数学模型。辨识建模主要包括四个步骤：实验设计、模型结构选定、模型参数估计、模型检验。
软件根据过程数据，自动选择模型结构参数，获取多变量耦合模型；能进行辨识模型质量评估，提供A、B、C、D四个等级评价。
模型预测控制算法是指利用被控对象的动态模型预测被控对象的未来输出，通过对当前时刻加上预测时域这段时间的某一开环性能指标的优化来确定未来的一系列控制作用。但是每个控制周期仅仅实施当前控制作用，到下一个控制周期根据新的测量值校正后，重复上面的步骤重新计算控制作用。
充分考虑可测信号对被控变量的扰动，可以实现在频繁和大幅度的可测扰动的情况下保持良好的控制品质。可以考虑各种约束，可以使得装置的操作点接近最佳操作点，实现装置的”卡边”控制。
进一步的，参见图4，所述多变量辨识建模中设置有煤气热值控制优化，所述煤气热值控制优化基于多变量控制、煤气量比值控制以及抗干扰，进而实现煤气热值自动控制优化。
基于多变量控制、煤气量比值控制、抗干扰自适应的手段，实现煤气热值自动控制优化。根据全***工况，判断温度变化、阀门操作等信息，克服干扰热值稳定的外界因素，改善过程特性，提高执行过程控制质量，优化焦炉煤气流量控制，进而实现热值平衡寻优。控制相关变量见下表：
通过自动给定输入煤气阀门开度与煤气加压机频率，达到稳定混合煤气热值与压力的目标。计划采用多变量MPC控制器，方案实施过程中不需要额外增改硬件设备。
进一步的，参见图1，所述煤气热值控制优化通过自动给定输入煤气阀门开度与煤气加压机频率，达到稳定混合煤气热值与压力的目标。
通过引入多变量模型预测控制，综合考虑煤气热值及压力、烟气含氧、CO、CO2、NOx测量、循环气体温度等石灰窑质量指标，实现热耗、上下层烧嘴煤气比，空燃比自动调节，减少人工干预调节，通过多变量***辨识、模型预测控制、扰动自适应的技术保证稳态目标。
进一步的，参见图5，所述多变量辨识建模中设置有热耗控制优化，所述热耗控制优化用于减少人工干预调节，通过多变量***辨识、模型预测控制、扰动自适应的技术保证稳态目标。
所述热耗控制优化采用罗茨风机向石灰窑供应驱动空气，用于加热驱动空气的高温气体从煅烧带上部经过上内套筒被抽入空气换热器。
所述热耗控制优化采用空气换热器，所述空气换热器用于加强热量在煅烧带的循环和提高驱动空气的物理显热，以利于火焰在燃烧室中的燃烧。
罗茨风机向石灰窑供应驱动空气，驱动空气在空气换热器中被加热到450℃左右，经过驱动空气环管被输送到喷射器；在从空气换热器到喷射器的输送过程中有一部分热量散失，进入喷射器前驱动空气的温度降低。用于加热驱动空气的高温气体从煅烧带上部经过上内套筒被抽入空气换热器，空气换热器的主要功能是加强热量在煅烧带的循环和提高驱动空气的物理显热，以利于火焰在燃烧室中的燃烧，但是高温烟气中的热量经过上述循环后只有不到30%被回收，有70%以上的热量流失。虽然驱动空气加热后在一定程度上有利于下部燃烧室的燃烧，而且温度越高对燃烧越有利。但是加热驱动空气所用的热能是从窑内高温区提取的有效热能，所以加热驱动空气的过程中存在着相当大的热能损失，进入空气换热器的温度越高，流量越大其热量损失越大。如果进入空气换热器的烟气热量较高，加热后的驱动空气的温度也较高。温度较高的驱动空气在向喷射器输送的过程，因为与环境的温差大，所以热量损失也大。如果适当减少进入空气换热器的热量而通过调整下部燃烧室的空气、煤气流量来补偿由此引起的驱动空气的温度降低，可以不影响燃烧效果。
进一步的，参见图7，所述控制-多变量控制器采用负压控制优化，所述负压控制优化用于实现下燃烧室的负压测点与废气风机的区间控制，使窑内负压恢复至区间内。
在实际生产过程中，不可避免地会出现燃料和原料条件的变化，窑内负压压力会出现异常，从而导致下燃烧室的负压力发生波动。实现下燃烧室的负压测点与废气风机的区间控制，一旦出现超出区间的负压波动，自动调节废气风机的转速，以使窑内负压恢复至区间内。调节过程中需考虑总风量、氧含量（漏风）对负压的影响。
利用计算机软硬件技术，结合经典控制理论、现代控制理论、模型预测控制、***辨识、人工智能等控制策略技术，实现煤气热值平衡调节、热耗控制、驱动风机出口流量控制与负压控制优化，达到套筒窑的自适应调节和优化煅烧的目标，实现减少人员干预的过程，进一步提升套筒窑的自动化、智能化控制水平。针对通过观察孔观察火焰燃烧状况与窑内物料翻滚场景，目前无成熟视频智能分析技术与成功案例。
基于套筒窑优化煅烧控制技术，实现对所需过程数据（温度、流量、压力和阀位等）采集处理，并通过HMI界面实现优化煅烧控制参数的修改维护。使石灰窑煅烧温度快速稳定，鲁棒性强，并且超调量小。
套筒窑优化煅烧***，在燃烧过程中通过现场调试，不断深化记忆各套筒窑的特性，通过判断不同的参数变化和煅烧情况，利用模糊控制、人工智能等现代控制技术，不断自动计算、调节出最佳燃气量，实现套筒窑全过程自动优化控制。
根据物料、热值变化、窑內欠氧燃烧与完全燃烧的过程，全***优化煅烧控制，目的是保障***参数关联自适应变化，使石灰活性度达到产品合格标准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种石灰套筒窑智能优化煅烧控制***，包括控制-多变量控制器，其特征在于，所述控制-多变量控制器步骤包括：
多变量辨识建模：采用测试-建模的方案，辨识被控对象的模型；
采用最优测试信号，多通道激励操作变量；
采用渐进法辨识多变量模型；
对模型品质进行等级评估；
模型预测控制，所述模型预测控制采用多变量优化控制技术；
通过模型预测装置未来的动作趋势；
根据当前数据，反馈校正预测趋势；
被控变量CV的实际值与目标值之间的总偏差最小；
操纵变量调节总量最小，按最优动态方案，使装置达到稳态最优目标;
多重约束规划，所述多重约束规划用于优先关联关键工艺限制条件；
确定控制策略，考虑所有约束条件；
控制方案满足操纵变量上下限和变化率的限制；
尽可能满足所有被控变量（CV）的上下限，当不能满足全部CV时，则优先满足关键CV的工艺限制；
多目标优化；
目标优化、经济效益最大；
多优先级处理功能，实现过程变量的分级处理设计；
经济优化，支持线性优化和二次优化；
支持模型增益调度功能和非线性变换，解决非线性问题；
自适应扰动预估功能，克服不可测扰动问题。
2.根据权利要求1所述的石灰套筒窑智能优化煅烧控制***，其特征在于，所述多变量辨识建模中设置有煤气热值控制优化，所述煤气热值控制优化基于多变量控制、煤气量比值控制以及抗干扰，进而实现煤气热值自动控制优化。
3.根据权利要求2所述的石灰套筒窑智能优化煅烧控制***，其特征在于，所述煤气热值控制优化通过自动给定输入煤气阀门开度与煤气加压机频率，达到稳定混合煤气热值与压力的目标。
4.根据权利要求1所述的石灰套筒窑智能优化煅烧控制***，其特征在于，所述多变量辨识建模中设置有热耗控制优化，所述热耗控制优化用于减少人工干预调节，通过多变量***辨识、模型预测控制以及扰动自适应的技术保证稳态目标。
5.根据权利要求4所述的石灰套筒窑智能优化煅烧控制***，其特征在于，所述热耗控制优化采用罗茨风机向石灰窑供应驱动空气，用于加热驱动空气的高温气体，进而使得从煅烧带上部经过上内套筒被抽入空气换热器。
6.根据权利要求5所述的石灰套筒窑智能优化煅烧控制***，其特征在于，所述热耗控制优化采用空气换热器，所述空气换热器用于加强热量在煅烧带的循环和提高驱动空气的物理显热，以利于火焰在燃烧室中的燃烧。
7.根据权利要求1所述的石灰套筒窑智能优化煅烧控制***，其特征在于，所述控制-多变量控制器采用负压控制优化，所述负压控制优化用于实现下燃烧室的负压测点与废气风机的区间控制，进而使窑内负压恢复至区间内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111164326.4A CN113741200B (zh) | 2021-09-30 | 2021-09-30 | 一种石灰套筒窑智能优化煅烧控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111164326.4A CN113741200B (zh) | 2021-09-30 | 2021-09-30 | 一种石灰套筒窑智能优化煅烧控制*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113741200A true CN113741200A (zh) | 2021-12-03 |
| CN113741200B CN113741200B (zh) | 2024-04-12 |
Family
ID=78725962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111164326.4A Active CN113741200B (zh) | 2021-09-30 | 2021-09-30 | 一种石灰套筒窑智能优化煅烧控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113741200B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349893A (zh) * | 2007-07-18 | 2009-01-21 | 太极光控制软件（北京）有限公司 | 自适应模型预测控制装置 |
| US20110130850A1 (en) * | 2009-05-29 | 2011-06-02 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
| CN104699039A (zh) * | 2015-01-30 | 2015-06-10 | 新兴河北工程技术有限公司 | 一种石灰双膛窑煅烧专家控制方法 |
| CN104950681A (zh) * | 2015-06-25 | 2015-09-30 | 安徽工业大学 | 一种石灰窑燃烧过程的模糊预测控制***及其控制方法 |
| CN111306572A (zh) * | 2020-04-13 | 2020-06-19 | 辽宁汇德电气有限公司 | 一种锅炉智能优化燃烧节能控制*** |
-
2021
- 2021-09-30 CN CN202111164326.4A patent/CN113741200B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349893A (zh) * | 2007-07-18 | 2009-01-21 | 太极光控制软件（北京）有限公司 | 自适应模型预测控制装置 |
| US20110130850A1 (en) * | 2009-05-29 | 2011-06-02 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
| CN104699039A (zh) * | 2015-01-30 | 2015-06-10 | 新兴河北工程技术有限公司 | 一种石灰双膛窑煅烧专家控制方法 |
| CN104950681A (zh) * | 2015-06-25 | 2015-09-30 | 安徽工业大学 | 一种石灰窑燃烧过程的模糊预测控制***及其控制方法 |
| CN111306572A (zh) * | 2020-04-13 | 2020-06-19 | 辽宁汇德电气有限公司 | 一种锅炉智能优化燃烧节能控制*** |
Non-Patent Citations (1)
| Title |
|---|
| 向立志;张喜东;李荣;高东杰;: "多变量预测控制在锅炉燃烧***中的应用", 化工自动化及仪表, no. 02, 30 April 2006 (2006-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113741200B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106766883B (zh) | 一种蓄热式加热炉最佳燃烧控制***及其方法 | |
| CN110260356B (zh) | 一种流化床锅炉的节能控制方法 | |
| CN112795716B (zh) | 一种高效实用型热风炉烧炉操控方法 | |
| CN111306572B (zh) | 一种锅炉智能优化燃烧节能控制*** | |
| CN101556038A (zh) | 循环流化床锅炉稳定运行与经济燃烧优化控制*** | |
| CN103134328A (zh) | 一种工业炉气氛燃烧自动控制方法及装置 | |
| CN114675543B (zh) | 基于优化学习算法的热风炉智能燃烧控制方法 | |
| CN106011353B (zh) | 一种高炉热风炉空燃比自寻优方法 | |
| CN113741200B (zh) | 一种石灰套筒窑智能优化煅烧控制*** | |
| CN106873377A (zh) | 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法 | |
| Koyfman et al. | Using of Intelligence Analysis of Technological Parameters Database for Implementation of Control Subsystem of Hot Blast Stoves Block ACS. | |
| CN111780155A (zh) | 高效率燃烧热风炉控制***及控制方法 | |
| CN211645345U (zh) | 基于炉气量的加热炉炉膛压力动态优化控制*** | |
| CN109579044B (zh) | 一种步进式加热炉空燃比动态前馈燃烧控制方法 | |
| CN113609684A (zh) | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 | |
| Vasilyev et al. | Energy-saving method of fuzzy control combustion process in thermal plants | |
| CN112522464A (zh) | 高炉热风炉及其废气管网非对称特性动态控制方法 | |
| CN112539661A (zh) | 陶瓷窑炉及其烟气管网非对称特性动态控制方法 | |
| Wang et al. | Application of advanced control technology on combustion optimization control system in hot blast stove | |
| CN112574759A (zh) | 焦炉燃烧室及其废气管网非对称特性动态控制方法 | |
| CN112556441A (zh) | 轧钢加热炉及其烟气管网非对称特性动态控制方法 | |
| CN210765374U (zh) | 基于经验值模型的热风炉空燃比快速寻优*** | |
| CN115200371B (zh) | 一种铁矿石烧结过程多风箱协同控制方法 | |
| CN111306537B (zh) | 采用传感自动寻优的高吨位沸腾炉控制*** | |
| CN118027995A (zh) | 一种干熄焦循环冷却***低碳及深度减排控制方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |