Optymalizacja pracy młyna węglowego przy użyciu regulatora typu MPC

• Autorzy: Jankowski R. , Świrski K. , Domański P. D.
• Konferencja: 6 Konferencja. Problemy Badawcze Energetyki Cieplnej/sympozjum (VI ; 09-12.12.2003 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia zagadnienie optymalizacji pracy wentylatorowego młyna węglowego w oparciu o predykcyjny regulator optymalizujący z przesuwanym horyzontem, który jest rozwinięciem klasycznych regulatorów predykcyjnych z modelem typu MPC (Model Predictive Control). Na podstawie odpowiedniej procedury optymalizacyjnej regulator generuje korekty nastaw, które wprowadzane są do klasycznych struktur regulacji w rozproszonym systemie sterowania. Nieliniowy model procesu, zaimplementowany w regulatorze, zbudowany jest w oparciu o rozmyte sieci neuronowe. Zastosowanie sieci neuronowych zapewnia sprawną implementację oraz efektywne uczenie i strojenie. Istota regulacji polega na powtarzanej cyklicznie optymalizacji wskaźnika jakości, zdefiniowanego na podstawie założonych celów projektu. Celem pracy regulatora jest wyeliminowanie niekorzystnych zjawisk występujących podczas pracy młyna. Należą do nich: niestabilna wartość tepmeratury mieszanki pyłowo-powietrznej za młynem, nadmierne wahania temperatury powietrza przed młynem oraz położenie klap powietrza pierwotnego i wtórnego poza zakresem regulacyjnym. Cele te są realizowane poprzez odpowiednie sterowanie położeniem klapy powietrza pierwotnego i prędkością obrotową młyna. Wykonana została implementacja opisywanego regulatora w cyfrowym systemie automatyki na 8 młynach wentylatorowych kotła 360MW opalanego węglem brunatnym. W artykule przedstawiono uzyskane wyniki i przeprowadzono ich analizę.

EN

The article presents the question of optimization of a ventilation coal mill on the basis of a predictive optimizing controller with a receding horizon, which is an extension of the standard linear MPC (Model Predictive Control) type controllers. The controller has been realized in a digital version operating with a certain sampling period dependent upon the process dynamics. All calculations of the control rules are performed in one cycle which enables the controller to operate in the on-line mode. On the basis of a right optimization procedure the controller regulates the correction of settings, which are introduced to classic control structures in a fuzzy control system. The non-linear process model, implemented in the controller, is based on the basis of fuzzy neural networks. The use of neural networks ensures a fast and efficient implementation and effective learning and tuning. The problem of control is based in on a periodically performed optimization of the performance index, defined on the basis of the assumed project goals. The aim of the controller operation is to eliminate undesired events occurring during mill operation. Such events are: instability of temperature value of air-dust mix after the mill, excessive fluctuation of air temperature before the mill and positioning of primary and secondary air dampers outside the control range. These goals are realized through appropriate control of the primary air damper and revolving speed of the mill. The implementation carried out of the described controller in a digital automatic control system on 8 ventilation mills of a 360 MW brown coal fired boiler. This article presents the results obtained and a carried out analysis.

Słowa kluczowe

PL

młyny węglowe; logika rozmyta; regulatory

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Konferencje
• Rocznik: 2003
• Tom: z. 23
• Strony: 137--149
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Jankowski R.

• Politechnika Warszawska, Instytut Techniki Cieplnej

autor

Świrski K.

• Politechnika Warszawska, Instytut Techniki Cieplnej

autor

Domański P. D.

• Politechnika Warszawska, Instytut Automatyki i Informatyki Stosowanej

Bibliografia

• [1] Domański P.D., Świrski K. and Williams J.J.: "Application of Advanced Control Technologies to the Emission Control and Optimization", Conference on Power Plant Emission Control and Monitoring Technologies, London, UK, 2000, Vol. 1.
• [2] Gabor J., Pakulski D., Domański P.D. and Świrski K.: "Closed loop NOx control and optimization using neural networks", IFAC Symp. On Power Plants and Power Systems Control 2000, Brussels, 2000, pp. 188-196.
• [3] Hasegawa T. i in.: "A study on Fuzzy Modelling of BOF using Fuzzy Neural Networks", Proceedings of the 2nd International Conference on Fuzzy Logic & Neural Networks, Iizuka, Japan, 1992, pp. 1061-1064.
• [4] Hertz W., Krogh J. and Palmer R.: "Introduction to the theory of neural computing", Wiley, 1992.
• [5] Horikawa S. i in.: "A study on Fuzzy Modelling using Fuzzy Neural Networks", IFES'91 Fuzzy Engineering toward Human Friendly Systems, 1991, pp. 562-572.
• [6] Johansen T.A.: "Fuzzy Model based Control: Stability, Robustness, and Performance Issues", IEEE Trans. on Fuzzy Systems, 1994, Vol. 2, No. 3, pp. 221-234.
• [7] Pedrycz W.: "Fuzzy Modelling: Methodology, Algorithms and Practice", Computating Intelligence Imitating Life, edit. J. Zurada, R. Marks II, C.J. Robinson, IEEE Press, New York, 1994, pp. 92-103.
• [8] Schultz P., Golenia Z., Grott J., Domański P.D. and Świrski K.: "Advanced Emission Control", PowerGEN Europe, Helsinki, Finland, 2000.
• [9] Takagi T. and Sugeno M.: "Fuzzy identification of Systems and its Application to Modeling and Control", IEEE Trans Syst., Man, Cybern., 1985, Vol. 15, No. 1, pp. 116-132.
• [10] Tanaka K. and Sugeno M.: "Stability Analysis and Design of Fuzzy Control Systems", Fuzzy Sets and Systems, 1992, No. 45, pp. 135-166.
• [11] Zimmermann H.-J.: ''Fuzzy Set Theory and its Application", Kluwer Academic Publishers, Boston, 1991.