首页 / 专利库 / 企业组织 / 框图 / 基于非均匀分布式的船舶柴油机脱硝系统的喷氨控制方法

基于非均匀分布式的船舶柴油机脱硝系统的喷控制方法

阅读:1044发布:2020-06-30

专利汇可以提供基于非均匀分布式的船舶柴油机脱硝系统的喷控制方法专利检索,专利查询,专利分析的服务。并且本 发明 从多尺度的 角 度出发,公开一种基于非均匀分布的 选择性催化还原 脱硝装置的喷 氨 控制方法及系统,包括:建立选择性催化还原脱硝系统的机理仿真实验平台;采用软测量方法分析数据,获取入口处的氮 氧 化物浓度,并基于该浓度运行仿真实验平台,获得系统当前的脱硝率;根据入口氮氧化物浓度和设定的出口氮氧化物浓度,获得喷氨控制系统模型;采用单神经元PI控制 算法 获得满足脱硝率的最少喷氨量,并编程获得非均匀喷氨控制系统模型,其中包括:采用UDF中的DEFINE_SOURCE宏编程作为喷氨格栅,实现非均匀喷氨控制,使用DEFINE_ADJUST宏编写控制算法。本发明获得的控 制模 型可非均匀的调整系统需要的喷氨量,在提高脱硝效率的同时还能有效降低氨气的逃逸量。,下面是基于非均匀分布式的船舶柴油机脱硝系统的喷控制方法专利的具体信息内容。

1.一种基于非均匀性分布假设的选择性催化还原脱硝装置的喷控制方法,其特征在于,所述控制方法包括以下步骤:
步骤A1:建立选择性催化还原脱硝系统模型的机理仿真实验平台,用软测量法预估入口处的氮化物浓度,由入口氮氧化物浓度和所设定出口氮氧化物浓度获得喷氨控制系统模型;
步骤A2:根据所获的喷氨控制系统模型,采用UDF编程实现单神经元PI控制算法,获得非均匀式喷氨系统模型;
所诉步骤A1包括以下步骤:
步骤A11:建立选择性催化还原脱硝系统模型,根据脱硝反应方程搭建机理仿真实验平台;
步骤A12:用软测量分析方法分析数据,获得入口处氮氧化物的浓度,根据入口处氮氧化物浓度运行机理仿真实验平台,获得系统当前脱硝率;
步骤A13:设定的出口氮氧化物浓度数据,由所获得的入口氮氧化物浓度和出口氮氧化物浓度获得喷氨控制系统模型;
所诉步骤A11具体如下:
步骤A111:根据脱硝反应方程搭建反应模,脱硝反应各模块方程为:
其中,各参数定义如下:
上述各参数中,REG为尾气的气体常数,Pamb为大气压强,ncell是SCR脱硝系统的单元数,ε是气体在空间的占比,Vc为SCR单元体积,kdec为指前因子,Edec为活化能,cs为转换器气体容积的表面活性原子的浓度,Sc为1mol表面活性原子的面积,αprob为黏附概率, 为NH3的摩尔质量,kdes为解吸附反应的指前因子,Edes为解吸附反应的活化能,kSCR为该反应的指前因子,ESCR为该反应的活化能,kox为氧化反应的指前因子,Eox为氧化反应的活化能,cEG为排气定压比热容,cp,c是催化转化器比热,mc是催化转化器质量,εrad,SCR为辐射因子,σSB为气体辐射常数,Arad,SCR为催化转化器表面积,T为环境温度
步骤A112:根据搭建的脱硝反应方程模块,进行机理仿真实验,获得选择性催化还原脱硝系统当前脱硝率;
所诉步骤A2包括以下步骤:
步骤A21:采用DEFINE_SOURCE宏编程作为喷氨格栅,实现选择性催化还原脱硝系统的非均匀喷氨控制;
步骤A22:使用DEFINE_ADJUST宏编写单神经元PI控制算法,修改变量并计算,对喷氨量进行非均匀性调整;
步骤A23:将编辑好的程序保存为case文件,添加后选择求解器,设置模型、材料属性、边界条件,自定义初始化后,开始循环求解,收敛后输出喷氨量结果;
所诉步骤A21具体如下:
步骤A211:用DEFINE_SOURCE宏编程,先输入UDF名称,然后定义数据类型,设置c,t,dS和eqn各变量,接下来喷氨源项值返回求解器,完成喷氨编程;
步骤A212:激活Source Terms,在Mass,Momentum和Energy中添加源项;
所诉步骤A22具体如下:
步骤A221:单神经元PI控制算法为:
wi(k+1)=wi(k)+ηie(k)u(k)xi(k),i=1,2,3
使用有监督的Hebb学习规则,上式中,ηi表示为ηI、ηP、ηD,分别为积分、比例与微分的学习速率,w(k)为权值;
搭建单神经元PI控制框图,由单神经元自学习规则和PI控制算法推导权值误差为Δwij(k)=η(di(k)-oi(k))oi(k)oj(k),得到单神经元PI控制算法规则;
步骤A222:用DEFINE_ADJUST宏编程,先输入UDF名称,然后定义调节函数实现单神经元PI控制算法,调整喷氨量。
2.根据权利要求1所述的基于非均匀性分布假设的选择性催化还原脱硝装置的喷氨控制方法,其特征在于:
步骤A1中,为了在线分布式调整喷氨量,获得催化器内各气体分布情况,采用软测量方法分析SCR脱硝系统;从预估的入口氮氧化物浓度和设定的出口氮氧化物浓度分析数据,来调整系统需要的喷氨量;
步骤A2中,其单神经元PI控制算法是融合传统PI控制方法,将单个神经元与常规PI结合构成。
3.根据权利要求2所述的喷氨控制方法,其特征在于,步骤A2中,传统PI控制算法为:
其中,e(t)=r(t)-y(t)为系统控制偏差,KP为比例系数,TI为积分时间常数。
4.根据权利要求2所述的喷氨控制方法,其特征在于,在步骤A221之后对单神经元PI控制算法采用Lyapunov直接法分析验证系统的稳定性
在 满足上式,又有k和V(k)趋于无穷,满足Lyapunov函数的存在条件,V(k)为Lyapunov函数时系统稳定。
5.一种用于基于非均匀性分布假设的选择性催化还原脱硝装置的控制系统,其特征在于,所诉控制系统包括:
仿真模块,用于建立选择性催化还原脱硝系统的仿真实验平台;
数据获取模块,用于根据入口氮氧化物浓度运行所诉仿真实验平台,采用软测量方法分析数据,获得系统当前脱硝率和对应的喷氨量;
单神经元PI控制模块,用于对传统PI控制进行改进,加入有Hebb学习规则的神经网络算法,提高脱硝效率。
控制参数单元,用于根据所诉喷氨控制系统模型确定所诉控制方法的控制参数;
控制方法单元,用于根据所诉控制参数确定所诉单神经元PI控制模型的控制方法。

说明书全文

基于非均匀分布式的船舶柴油机脱硝系统的喷控制方法

技术领域:

[0001] 本发明涉及的是一种基于非均匀分布式的船舶柴油机选择性催化还原脱硝 系统过程的喷氨方法,特别是一种结合单神经元PI算法的非均匀分布式喷氨优 化算法,属于化工技术与控制科学交叉领域。背景技术:
[0002] 随着船舶数量的增加,由船舶柴油机排气造成的大气污染问题越来越严重, 为了降低排气中氮化物(Nitric Oxide,NOx)的排放,国际海事组织  (International Maritime Organization,IMO)制定了相关的法规,第58次 会议海上环境保护委员会通过了《MARPOL公约73/78附则》VI的修订法规,规 定了更为严格的排放标准Tier III,Tier III规定从2016年1月1日开始,废 气排放量降低为Tier I排放阶段的20%,今年人大建议第3192号也提出了关于 控制沿海船舶空气污染的建议。为了满足Tier III排放标准,采用选择性催化 还原脱硝(Selective Catalytic Reduction DeNOx,SCR-DeNOx)技术限制氮氧化 物的排放成为船舶废气排放技术的首选,该技术也是目前唯一可商用的排气后处 理技术。
[0003] 在所有的船舶柴油机后处理技术中,选择性催化还原脱硝(SCR-DeNOx)技 术是目前使用最广泛的脱硝技术,其脱硝效率高,可靠性强,而且容易维护。 SCR-DeNOx控制系统包括反应器子系统、喷氨控制子系统、检测系统等多个组成 部分。其反应机理是在温度为250℃~450℃以及在催化剂(V2O5/TiO2)的作用 下,通过喷射氨(37.5%的尿素水溶液),将船舶尾气中的氮氧化物还原为无污 染的氮气(N2)和水。
[0004] SCR-DeNOx的主要化学反应如下所示:
[0005] (1)尿素水解反应:
[0006] CO(NH2)2+H2O→2NH3+CO2
[0007] (2)氨气的吸附和脱附反应:
[0008]
[0009] (3)氨气的SCR反应:
[0010]
[0011]
[0012]
[0013] 快速反应比标准反应要快一个数量级,在催化剂基(Vanadium)中慢速反 应十分缓慢,而在-沸石(Fe-Zeolite)中慢速反应比标准反应快。但在 SCR-DeNOx系统中NO占NOx的90%,快速反应较弱,因此本发明以标准反应为主。
[0014] 在SCR-DeNOx控制系统中,喷氨量控制策略主要有两种方式:固定氨氮摩 尔比控制和固定出口氮氧化物浓度控制。两者在控制主回路上基本相同,但固定 氨氮摩尔比控制是一种简单的单回路控制系统,根据氨氮摩尔比直接获取喷氨量, 该方式忽略了出口氮氧化物浓度值的变化,尤其是喷氨量过高时会造成脱硝过度, 氨气的逃逸量大大增加而形成二次污染,而固定出口氮氧化物浓度控制方法则是 一个闭环控制系统,脱硝率为函数,其氨氮摩尔比是可变的,通过及时调节喷氨 量可避免脱硝过度。
[0015] 对SCR-DeNOx系统的研究,如何控制喷氨量至关重要,大部分研究中假设气 体在催化器内分布均匀,采用基于模型的SCR脱硝系统,在MATLAB\Simulink 平台上建立SCR脱硝系统和喷氨控制器,这种模型建立方便、仿真时间较短,是 一种实时控制方法,但这种建模没有考虑到气体非均匀性存在,导致有的单点控 制脱硝率过高、氨逃逸量过大,因此,需要考虑到气体非均匀性对系统的影响, 通过改善气体的非均匀性分布来进一步提高脱硝率,降低氨逃逸量。
[0016] 因此,提供一种能够根据入口氮氧化物浓度精确调节喷氨量的控制算法和系 统,成为本领域技术人员亟需解决的技术问题。发明内容:
[0017] 本发明的目的在于,从多尺度的度出发,提供一种基于非均匀分布的喷氨 控制方法,结合单神经元PI控制算法,能够根据入口和出口氮氧化物浓度精确 调节喷氨量,在提高脱硝效率的同时还能减少氨气的逃逸量。
[0018] 为实现上述目的,本发明提供了如下方案:
[0019] 一种基于非均匀分布控制的选择性催化还原脱硝装置的喷氨控制方法,所诉 控制方法包括如下步骤:
[0020] 步骤A1:建立选择性催化还原脱硝系统的机理仿真实验平台;
[0021] 采用软测量分析方法分析数据,获取入口处的氮氧化物浓度,并基于该浓度 运行该机理仿真实验平台,获得系统当前的脱硝率;根据入口氮氧化物浓度和设 定的出口氮氧化物浓度,获得喷氨控制系统模型;
[0022] 步骤A2:实现非均匀式的喷氨控制,获得非均匀喷氨控制系统模型,其中 包括:采用UDF中自带的源项宏编程作为喷氨格栅,使用DEFINE_ADJUST宏编写 单神经元PI控制算法,获得喷氨量,以DEFINE_SOURCE(name,c,t,dS,eqn)宏来 给定SCR脱硝系统的非均匀氨气控制;从节能降耗角度出发,采用单神经元PI 控制算法获得满足脱硝率和氨逃逸量的最少喷氨量。
[0023] 其中,UDF求解过程如下:在用户自定义初始化后循环开始,首先求解 DEFINE_SOURCE宏编写的单神经元PI算法,然后求解DEFINE_ADJUST宏编写的 氨气量,求解结束后检查收敛,如果收敛,则循环结束得到喷氨输出,如果没有, 则返回到循环开始继续计算直到收敛得到输出结果。
[0024] 所诉步骤A1具体包括以下步骤:
[0025] 步骤A11:建立选择性催化还原脱硝系统模型,根据脱硝反应方程搭建机理 仿真实验平台;
[0026] 步骤A12:用软测量分析方法分析数据,获得入口处氮氧化物的浓度,根据 入口处氮氧化物浓度运行机理仿真实验平台,获得系统当前脱硝率;
[0027] 步骤A13:设定的出口氮氧化物浓度数据,由所获得的入口氮氧化物浓度和 出口氮氧化物浓度获得喷氨控制系统模型;
[0028] 所诉步骤A11具体包括以下步骤:
[0029] 步骤A111:根据脱硝反应方程搭建反应模,脱硝反应各模块方程为:
[0030]
[0031]
[0032]
[0033]
[0034] 其中,各参数定义如下:
[0035]
[0036]
[0037]
[0038] 上述各参数中,REG为尾气的气体常数,Pamb为大气压强,ncell是SCR脱硝 系统的单元数,ε是气体在空间的占比,Vc为SCR单元体积,kdec为指前因子,Edec为活化能,cs为转换器气体容积的表面活性原子的浓度,Sc为1mol表面活性原 子的面积,αprob为黏附概率,为NH3的摩尔质量,kdes为解吸附反应的指前 因子,Edes为解吸附反应的活化能,kSCR为该反应的指前因子,ESCR为该反应的 活化能,kox为氧化反应的指前因子,Eox为氧化反应的活化能,cEG为排气定压 比热容,cp,c是催化转化器比热,mc是催化转化器质量,εrad,SCR为辐射因子,σSB为 气体辐射常数,Arad,SCR为催化转化器表面积,T为环境温度
[0039] 步骤A112:根据搭建的脱硝反应方程模块,进行机理仿真实验,获得选择 性催化还原脱硝系统当前脱硝率;
[0040] 所诉步骤A2具体包括以下步骤:
[0041] 步骤A21:采用DEFINE_SOURCE宏编程作为喷氨格栅,实现选择性催化还原 脱硝系统的非均匀喷氨控制;
[0042] 步骤A22:使用DEFINE_ADJUST宏编写单神经元PI控制算法,修改变量并 计算,对喷氨量进行非均匀性调整;
[0043] 步骤A23:将编辑好的程序保存为case文件,添加后选择求解器,设置模 型、材料属性、边界条件,自定义初始化后,开始循环求解,收敛后输出喷氨量 结果;
[0044] 所诉步骤A21具体包括以下步骤:
[0045] 步骤A211:用DEFINE_SOURCE宏编程,先输入UDF名称,然后定义数据类 型,设置c,t,dS和eqn各变量,接下来喷氨源项值返回求解器,完成喷氨编 程;
[0046] 步骤A212:激活Source Terms,在Mass,Momentum和Energy中添加源项;
[0047] 所诉步骤A22具体包括以下步骤:
[0048] 步骤A221:单神经元PI控制算法为:
[0049]
[0050]
[0051] wi(k+1)=wi(k)+ηie(k)u(k)xi(k),i=1,2,3
[0052] 使用有监督的Hebb学习规则,上式中,ηi表示为ηI、ηP、ηD,分别为积 分、比例与微分的学习速率,w(k)为权值。
[0053] 搭建单神经元PI控制框图,由单神经元自学习规则和PI控制算法推导权值 误差为Δwij(k)=η(di(k)-oi(k))oi(k)oj(k),得到单神经元PI控制算法规则;
[0054] 步骤A222:用DEFINE_ADJUST宏编程,先输入UDF名称,然后定义调节函 数实现单神经元PI控制算法,调整喷氨量。喷氨求解过程如下:先设定出口氮 氧化物浓度,然后通过单神经元PI算法自学习得到目标输出和实际输出的偏差 E,偏差不断反馈后进行不断的权值学习,如果学习结束,则得到最优的单神经 元PI控制参数,如果没有,则返回继续学习直到得到最优结果,最后根据最优 单神经元PI控制参数获得最优输出浓度。
[0055] 可选的,所诉步骤对喷氨控制系统模型进行改进的方法包括:
[0056] 融合传统PI控制和神经网络算法的各自优势,将单个神经元与常规PI结合 构成单神经元PI控制算法;
[0057] 为了在线分布式调整喷氨量,获得催化器内各气体分布情况,采用软测量方 法分析SCR脱硝系统;
[0058] 可选的,对所诉步骤A221采用Lyapunov直接法分析验证系统的稳定性
[0059]
[0060]
[0061] 若存在 满足上式时,又有当k趋于无穷,V(k)趋于无穷,满足Lyapunov 函数的存在条件,则V(k)为Lyapunov函数,则可知该系统稳定。
[0062] 为实现上述目的,本发明提供了一种用于基于非均匀性分布假设的选择性催 化还原脱硝装置的控制系统,所诉控制系统包括:
[0063] 仿真模块,用于建立选择性催化还原脱硝系统的仿真实验平台;
[0064] 数据获取模块,用于根据入口氮氧化物浓度运行所诉仿真实验平台,采用软 测量方法分析数据,获得系统当前脱硝率和对应的喷氨量;
[0065] 单神经元PI控制模块,用于对传统PI控制进行改进,加入有Hebb学习规 则的神经网络算法,提高脱硝效率。
[0066] 控制参数单元,用于根据所诉喷氨控制系统模型确定所诉控制方法的控制参 数;
[0067] 控制方法单元,用于根据所诉控制参数确定所诉单神经元PI控制模型的控 制方法。
[0068] 根据本发明提供的具体实施例,本发明公开了以下技术效果:
[0069] 本发明在UDF中DEFINE_SOURCE宏编程以实现SCR-DeNOx系统的非均匀喷氨 控制,将传统PI控制器与具有Hebb学习规则的单神经元算法结合,得到单神经 元PI控制系统模型,根据入口氮氧化物的浓度和出口氮氧化物的浓度获得对应 的喷氨量,在提高脱硝率的同时还能减少氨气的逃逸量。附图说明:
[0070] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例中所需要使用的附图作为简单地介绍,显而易见地,下面描述中的附图仅仅是 本发明的一些实例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提 下,还可以根据这些附图获得其它的附图。
[0071] 图1为本发明的分析方法及搭建系统流程图
[0072] 图2为本发明的详细实施流程图
[0073] 图3为SCR脱硝系统结构图
[0074] 图4为NO上下游浓度分布图
[0075] 图5为SCR脱硝系统脱硝率
[0076] 图6为均匀分布下NO质量分数
[0077] 图7为均匀分布下NH3质量分数
[0078] 图8为UDF流程图
[0079] 图9为单神经元PI控制器框图
[0080] 图10为单神经元PI控制算法流程图
[0081] 图11为非均匀分布控制下NO质量分数
[0082] 图12为非均匀分布控制下NH3质量分数
[0083] 图13为脱硝率对比曲线图
[0084] 图14为NH3逃逸量曲线图
[0085] 图15为NO质量分数曲线图
[0086] 图16为NH3质量分数曲线图具体实施方式:
[0087] 为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对发明进 一步详细描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部 的实施例。基于本发明的实施例,本领域普通技术人员在没有创造性劳动前提下 所获得的所有其他实施例,都属于本发明保护的范围。
[0088] 本发明提出一种基于非均匀分布式的选择性催化还原脱硝装置的喷氨控制 方法及控制系统,能够根据入口和出口氮氧化物浓度精确调节喷氨量,在提高脱 硝效率的同时还能减少氨气的逃逸量。
[0089] 为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和 具体实施方式对本发明进一步详细的说明。图2为本发明仿真策略实施流程图, 进行相关条件设置,然后在UDF中援引单神经元PI算法,对方程求解并检查收 敛。图3为SCR脱硝系统结构图,其中反应器入口和出口,喷氨点以及催化剂层 如图所示。
[0090] 实施例1
[0091] 步骤A1:用传统方法对SCR-DeNOx机理模型进行仿真实验,预估入口氮氧 化物浓度,由入口氮氧化物浓度和设定的出口氮氧化物浓度获得喷氨控制系统模 型;步骤A1具体包括以下步骤:
[0092] 步骤A11:建立选择性催化还原脱硝系统模型,根据脱硝反应方程搭建机理 仿真实验平台;
[0093] 步骤A12:用软测量分析方法分析数据,获得入口处氮氧化物的浓度,根据 入口处氮氧化物浓度运行机理仿真实验平台,获得系统当前脱硝率;
[0094] 步骤A13:设定的出口氮氧化物浓度数据,由所获得的入口氮氧化物浓度和 出口氮氧化物浓度获得喷氨控制系统模型;
[0095] 本发明喷氨控制方法的建立选择性催化还原脱硝系统模型A11包括以下过 程:
[0096] 步骤A111:根据脱硝反应方程搭建反应模块,脱硝反应各模块方程为:
[0097]
[0098]
[0099]
[0100]
[0101] 其中,各参数定义如下:
[0102]
[0103]
[0104]
[0105] 步骤A112:根据搭建的脱硝反应方程模块,进行机理仿真实验,获得选择 性催化还原脱硝系统当前脱硝率;
[0106] 结果如图所示,其中图4为氮氧化物的入口及出口的浓度变化曲线,氮氧化物的 上游(入口)浓度分布在840~950ppm,下游(出口)氮氧化物浓度分布在220~ 280ppm。图5为脱硝系统氮氧化物的转化率,由反应开始阶段的65%左右到脱硝 反应进入稳态时的72%左右。图6为均匀分布下NO质量分数,可以看出入口的 NO质量分数远大于出口的质量分数,图7给出了在均匀分布下NH3质量分数,在 入口处喷氨后,经过整流格栅后NH3的质量分数已经很低,仿真结果显示了 SCR-DeNOx系统的高效性。
[0107] 实施例2
[0108] 步骤A2:非均匀喷氨控制系统用UDF编程实现,如图8所示,初始化后开 始循环求解,首先是DEFINE_SOURCE宏编写的单神经元PI算法,然后是 DEFINE_ADJUST宏编写的氨气量,收敛后得到喷氨输出。步骤A2具体包括以下 步骤:
[0109] 步骤A21:使用DEFINE_SOURCE(name,c,t,dS,eqn)宏作为喷氨格栅,给定SCR脱硝系统的给均匀氨气用量控制;
[0110] 步骤A22:使用DEFINE_ADJUST宏编写单神经元PI控制算法,并调用单神 经元PI控制算法实现分布式调整喷氨量;
[0111] 步骤A23:将编辑好的程序保存为case文件,添加后选择求解器,设置模 型、材料属性、边界条件,自定义初始化后,开始循环求解,收敛后输出喷氨量 结果;
[0112] 本发明喷氨控制方法的DEFINE_SOURCE宏编程A21包括以下过程:
[0113] 步骤A221:加入单神经元PI控制算法,单神经元PI控制算法是将常规PI 控制算法和神经网络中单个神经元结合,使之具有自学习能和自适应能力,。 自学习能力主要体现在权值的自我调节,这里选择有监督的Hebb学习规则。学 习规则如下:
[0114] Δwij(k)=η(di(k)-oi(k))oi(k)oj(k)
[0115] 有监督的Hebb学习规则根据di(k)-oi(k)的指导,对环境信息进行学习,增 强或消弱输出。在该学习规则下,权值wi(k)与神经元的输入、输出以及误差之 间关系如下:
[0116] wi(k+1)=(1-c)wi(k)+ηivi(k)
[0117] vi(k)=z(k)u(k)xi(k)
[0118] 其中,ηi为学习速率,z(k)为误差,也即z(k)=e(k),c为0到1之间的常 数。如图9为单神经元PI控制器框图,根据图9,Δwi可推导为:
[0119] Δwi=wi(k+1)-w(k)=ηieyxi
[0120] 有监督的Hebb学习规则的控制具体算法可以表示为:
[0121] w1(k+1)=w1(k)+ηIe(k)u(k)x1(k)
[0122] w2(k+1)=w2(k)+ηPe(k)u(k)x2(k)
[0123] w3(k+1)=w3(k)+ηDe(k)u(k)x3(k)
[0124] 上式中,ηI、ηP、ηD分别表示积分、比例与微分的学习速率。为了确保学 习算法能够收敛,对有监督的Hebb学习规则进行规范化处理:
[0125]
[0126]
[0127] wi(k+1)=wi(k)+ηie(k)u(k)xi(k),i=1,2,3
[0128] 与常规PI控制算法相同,单神经元PI控制算法也需要调整相应的参数, 若有较大超调,需要减小K值,若响应时间过长,则需要增加K值。对于学习速 率,首先选择较小的η3,调节η2、η1使系统输出具有较理想的响应后,逐 渐增大η3,其他参数不变;若系统出现较大超调,需要减小η2,若响应过程 太长,则需要适当增大η2;若震荡较多,则需要适当减小η2。
[0129] 控制算法中,r是被控对象的理想输出量,y是控制对象的实际输出量,两 者之差为系统误差e,K(K>0)为单神经元的增益,x1、x2、x3为转换器的输出量, w1、w2、w3为对应的权值,其关系可表达如下:
[0130] e(k)=r(k)-y(k)
[0131] x1(k)=e(k)
[0132] x2(k)=e(k)-e(k-1)
[0133] x3(k)=e(k)-2e(k-1)+e(k-2)
[0134] yout=x1w1+x2w2+x3w3Δu=Kyout u(k)=u(k-1)+Δu
[0135] 然后采用Lyapunov直接法分析验证系统的稳定性。Lyapunov对于运动的稳 定性理论可知,若系统存在一个Lyapunov函数,则这个系统是稳定的;
[0136] 步骤A222:用DEFINE_ADJUST宏编程,先输入UDF名称,然后定义调节函 数实现单神经元PI控制算法,调整喷氨量。图10为单神经元PI运算流程图, 根据目标和实际输出的偏差来反馈进行权值学习,通过不断的自学习得到最优控 制参数。喷氨求解过程如下:先设定出口氮氧化物浓度,然后通过单神经元PI 算法自学习得到目标输出和实际输出的偏差E,偏差不断反馈后进行不断的权值 学习,如果学习结束,则得到最优的单神经元PI控制参数,如果没有,则返回 继续学习直到得到最优结果,最后根据最优单神经元PI控制参数获得最优输出 浓度。
[0137] 在设置选项中,mixture material项选择mixture-template(混合物模板), reactions项选择volumetric(容积反应),在turbulence-chemistry interaction(湍流化学相互作用)项勾选EDC模型。反应类型选择为volumetric, 反应物包括NO、NH3、O2,生成物包括N2、H2O。粘性阻力系数和内部阻力系数都 是以相同的方式定义,在本发明中,根据实验测得的压损,多次仿真测试确定: 多孔介质的粘性阻力设为1.33(1/m2),惯性阻力设为91(1/m)。图11图12给出 了在非均匀分布喷氨控制下NO质量分数和NH3质量分数,对比传统方法下图6 图7,可以得出非均匀分布喷氨控制下系统的NO转换率优于传统方法。
[0138] 由于现有技术中的SCR-DeNOx喷氨量控制具有非线性和时滞性,采用传统的 PI控制器难以获得较好的脱硝系统,本实施例选用非均匀分布控制方式,根据 入口和出口氮氧化物浓度,对SCR-DeNOx喷氨系统进行设计,用先进的单神经元 PI控制代替传统PI控制,对SCR-DeNOx系统中的喷氨量进行调节,在保证脱硝 系统中NOx的转换率同时,确保氨逃逸量在合理范围内,减少氨气逃逸量。
[0139] 本发明从多尺度的角度出发,设计了一种基于非均匀分布式喷氨控制器, 结合单神经元PI算法,能够实现高脱硝率与低氨气逃逸量。如图13和图14所 示,验证结果表明,该控制器的脱硝率与传统PI相比,可提高1.6%,氨气逃逸 量与传统PI算法相比,降低了93.7%。采用单神经元PI控制算法得到NO浓度 远比其他两种控制算法要低,也侧面反映出单神经元PI控制算法得到的脱硝效 果要比其他两种算法更优。为了更清晰比较三种算法的脱硝效果,沿催化剂系统 横向,图15和图16给出了催化器下游NO浓度分布图和NH3浓度分布图,采用 单神经元PI控制算法与传统PI控制算法得到的平均NO浓度降低79.3%,与开 环控制算法相比降低80.9%。与传统PI控制算法相比,采用单神经元PI控制算 法得到的催化器下游平均NH3浓度降低91.4%。
[0140] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一 般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。 综上所述,本发明书内容不应理解为对本发明的限制。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈