以重油为燃料的工业熔炉燃烧状态的测算方法

摘要：

本发明以重油为燃料的工业熔炉燃烧状态的测算方法，用含氧量及火焰长度测算值判断燃烧状态。用常规仪器测量观察口抽风口温度和窑压，与图像设备所测火焰长度送入三输入单输出、n个节点的神经网络I，神经网络I通过学习，得到输入信号和火焰长度的非线性关系和神经网络参数。即可只用常规仪表所测值经神经网络I计算火焰长度。常规仪器所测的观察口温度、窑压和抽送风量测量值和分析仪器所测的含氧量送入四输入单输出、m个节点的神经网络II，得含氧量测算公式和参数。即可只用常规仪表所测值经神经网络II计算含氧量。本法适用于各种高温工业窑炉，性能可靠，特别适用于玻璃窑炉熔炉；测算速度快，适于实时控制；使用常规仪表，测量成本低。

专利类型：发明专利

申请/专利号：CN200510020140.6

申请日期：2005-01-06

公开/公告号：CN1641266

公开/公告日：2005-07-20

主分类号：F23N5/00

申请/专利权人:桂林电子工业学院

发明/设计人:党选举;谭永红;陈辉

主申请人地址:541004广西壮族自治区桂林市金鸡路1号

专利代理机构:桂林市持衡专利商标事务所有限公司

代理人:欧阳波

国别省市代码:广西;45

权利要求：

1一种以重油为燃料的工业熔炉燃烧状态的测算方法，是通过对火焰长度和含氧量的测算值来确定燃烧状态；其特征为：火焰长度测算方法为：安装观察口温度传感器、窑压传感器和抽风口温度传感器，分别测量温度T1、T2和压力值P；设置神经网络I，其为三输入、单输出的函数映射关系，共有三层，中间层有n个隐含节点；温度压力的三个测量值送入含A/DD/A的嵌入式计算机，对各个输入信号滤波预处理和归一化处理，之后送入神经网络I；与此同时，图像设备得到的实际的火焰长度，也送入神经网络I；神经网络I通过最速下降学习，得到3个输入信号和火焰长度的非线性关系，得到神经网络参数，即仪表常数w1、w2、w3和b，结果如式A：<math-cwu><![CDATA[<math> <mrow> <msub> <mi>y</mi> <mn>1</mn> </msub> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mn>1</mn> </mrow> </msub> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mn>2</mn> </mrow> </msub> <mi>p</mi> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mn>3</mn> </mrow> </msub> <msub> <mi>T</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mi>A</mi> <mo>,</mo> </mrow></math>]]></math-cwu>其中<math-cwu><![CDATA[<math> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>x</mi> </mrow> </msup> <mo>)</mo> </mrow> </mfrac> <mo>,</mo> </mrow></math>]]></math-cwu>得到仪表常数后，撤除图像设备，观察口温度传感器、窑压传感器和抽风口温度传感器测量的温度T1、T2和压力值P，送入神经网络I，用式A计算火焰长度y1，此结果经反归一化处理输出；含氧量测算方法为：安装观察口温度传感器和窑压传感器，在窑炉的抽风口和送风口分别安装变频器，测量表示抽风量和送风量的频率Q1、Q2；设置神经网络II，其为四输入、单输出的函数映射关系，共有四层，中间层有m个隐含节点；温度、压力和风量频率的四个测量值送入含A/DD/A的嵌入式计算机，对各个输入信号滤波预处理和归一化处理，之后送入神经网络II；与此同时，分析仪器氧化锆传感器测得的实际含氧量，也送入神经网络II；神经网络II通过最速下降学习，得到4个输入信号和含氧量的非线性关系，并对应得到神经网络参数，即仪表常数w4、w5、w6、w7和b，结果如式B：<math-cwu><![CDATA[<math> <mrow> <msub> <mi>y</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>4</mn> </mrow> </msub> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>5</mn> </mrow> </msub> <mi>p</mi> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>6</mn> </mrow> </msub> <msub> <mi>Q</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mn>7</mn> </mrow> </msub> <msub> <mi>Q</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <msup> <mi>b</mi> <mo>&prime;</mo> </msup> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo> </mrow> </mrow></math>]]></math-cwu>其中<math-cwu><![CDATA[<math> <mrow> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>x</mi> </mrow> </msup> <mo>)</mo> </mrow> </mfrac> </mrow></math>]]></math-cwu>神经网络II计算得到的含氧量值y2(k-1)反馈回神经网络II；得到仪表常数后，撤除分析仪器氧化锆传感器，观察口温度传感器、窑压传感器和抽风口和送风口的变频器测量的温度T1、压力值P和频率Q1、Q2，送入神经网络II，用式B计算含氧量y2，此结果经反归一化处理输出。