Pulverized coal combustion advanced control techniques

• Autorzy: Gromaszek Konrad

Identyfikatory

DOI

10.5604/01.3001.0013.2546

Warianty tytułu

PL

Zaawansowane metody sterowania procesem spalania pyłu węglowego

• Języki publikacji: EN

Abstrakty

EN

The paper describes the selected methods of adaptive control of the pulverized coal combustion process overview with various types of prognostic models. It was proposed to use a class of control methods that are relatively well established in industrial practice. The presented approach distinguishes the use of an additional source of information in the form of signals from an optical diagnostic system and models based on selected deep structures of recurrent networks. The research aim is to increase the efficiency of the combustion process in the power boiler, taking into account the EU emission standards, leading in consequence to sustainable energy and sustainable environmental engineering.

PL

W artykule opisano wybrane metody adaptacyjnego sterowania przeglądem procesu spalania pyłu węglowego z wykorzystaniem określonych modeli prognostycznych. Zaproponowano użycie metod, które są stosunkowo dobrze znane w praktyce przemysłowej. Przedstawione podejście wyróżnia wykorzystanie dodatkowego źródła informacji w postaci sygnałów z optycznego systemu diagnostycznego i modeli opartych na strukturach sieci głębokich. Badania mają na celu zwiększenia efektywności procesu spalania w kotle energetycznym, z uwzględnieniem norm emisji UE, prowadząc w konsekwencji do zrównoważonej energii i zrównoważonej inżynierii środowiska.

Słowa kluczowe

EN

combustion control; adaptive algorithm; artificial neural network

PL

sterowanie procesem; algorytm adaptacyjny; sztuczna sieć neuronowa

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2019
• Tom: T. 9, nr 2
• Strony: 41--45
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Gromaszek Konrad

• Lublin University of Technology, Faculty of Electrical Engineering and Computer Science

Bibliografia

• [1] Bengio Y., Simard P., Frasconi P.: Learning Long-Term Dependencies with Gradient Descent is Difficult. IEEE Trans. Neural Networks 5/1994, 157–166.
• [2] Computation N.: Long Short-term Memory. Neural Comput. 9/2016, 1735–1780.
• [3] Gromaszek K., Kotyra A., et al.: Signal Process. - Algorithms, Archit. Arrange. Appl. Conf. Proceedings SPA 3/2015, 133–136.
• [4] Hopfield J.J.: Neural networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sci. 79/1982, 2554–2558.
• [5] Kauranen P., Andersson-Engels S., Svanberg S.: Spatial mapping of flame radical emission using a spectroscopic multi-colour imaging system. Appl. Phys. B Photophysics Laser Chem. 53/1991, 260–264.
• [6] Kordylewski W., Bulewicz E., Dyjakon A., Hardy T., et al.: Spalanie i Paliwa. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2008.
• [7] Lhner R.: Applied Computational Fluid Dynamics Techniques: An Introduction Based on Finite Element Methods. J. Fluid Mech. 1/2001, 375–376.
• [8] Ordys A.W., Pike A.W., Johnson M.A., Katebi R.M., Grimble M.J.: Modelling and Simulation of Power Generation Plants, Springer–Verlag, 1994.
• [9] Sepp H., Schmidhuber J.: Long short-term memory. Neural Comput. 9/1997, 1735–1780.
• [10] Tascikaraoglu A., Uzunoglu M.: A review of combined approaches for prediction of short-term wind speed and power. Renew. Sustain. Energy Rev. 34/2014, 243–254.
• [11] Zhou H., Cen K., Fan J.: Multi-objective optimization of the coal combustion performance with artificial neural networks and genetic algorithms. Int. J. Energy Res. 29/2005, 499–510.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).