slide1 l.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Dr inż. JANUSZ LICHOTA Prof. JERZY SĄSIADEK SYGNAŁY TESTOWE DO IDENTYFIKACJJI EMISJI NO 2 Z KOTŁA OP-650 PowerPoint Presentation
Download Presentation
Dr inż. JANUSZ LICHOTA Prof. JERZY SĄSIADEK SYGNAŁY TESTOWE DO IDENTYFIKACJJI EMISJI NO 2 Z KOTŁA OP-650

Loading in 2 Seconds...

play fullscreen
1 / 26

Dr inż. JANUSZ LICHOTA Prof. JERZY SĄSIADEK SYGNAŁY TESTOWE DO IDENTYFIKACJJI EMISJI NO 2 Z KOTŁA OP-650 - PowerPoint PPT Presentation


  • 193 Views
  • Uploaded on

Dr inż. JANUSZ LICHOTA Prof. JERZY SĄSIADEK SYGNAŁY TESTOWE DO IDENTYFIKACJJI EMISJI NO 2 Z KOTŁA OP-650 . Wydział Mechaniczno-Energetyczny. PLAN WYSTĄPIENIA. Wstęp Kryteria optymalizacji sygnału sterującego Sygnały testowe Wyniki identyfikacji Wnioski. WSTĘP. WSTĘP. WSTĘP. u. t.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Dr inż. JANUSZ LICHOTA Prof. JERZY SĄSIADEK SYGNAŁY TESTOWE DO IDENTYFIKACJJI EMISJI NO 2 Z KOTŁA OP-650' - avidan


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Dr inż. JANUSZ LICHOTAProf. JERZY SĄSIADEKSYGNAŁY TESTOWE DO IDENTYFIKACJJI EMISJI NO2 Z KOTŁA OP-650

Wydział Mechaniczno-Energetyczny

plan wyst pienia
PLAN WYSTĄPIENIA
  • Wstęp
  • Kryteria optymalizacji sygnału sterującego
  • Sygnały testowe
  • Wyniki identyfikacji
  • Wnioski
slide7

WSTĘP

Tw.Jeżeli sygnał wyjściowy y(t) zawiera informacje nie wprowadzane wraz z wektorem x(t), to wówczas trzecia forma jest jedyną możliwą postacią, która pozwala na prawidłową predykcję wektora y(t+1). Przestrzeń sygnałów y(t) (liniowa lub nieliniowa) nie jest rozpinana wówczas przez wektory x(t), a jest rozpinana przez wektory x(t), y(t).

slide8

Kryteria optymalizacji

sygnału sterującego

spalaniem węgla w kotle

slide9

KRYTERIA OPTYMALIZACJI U

  • emisja tlenków azotu NOx np. poniżej 480 mg/m3u
  • emisja tlenku węgla CO np. mniejsza niż 250 mg/Nm3 przy
  • 6% zawartości O2
  • zawartość części palnych w popiele np. poniżej 5% w całym
  • zakresie obciążeń.
  • temperatura spalin wylotowych powinna być niższa np. od
  • 330 C - 360 C.
  • sprawność bloku powinna być utrzymana na niezmienionym
  • poziomie lub wzrosnąć.
  • różnica temperatur stron pary świeżej powinna być
  • minimalna, a także temperatura pary świeżej nie może ulec
  • zmianie (540 C).
slide11

SYGNAŁY TESTOWE

Strumienie powietrza

Sztuczna sieć neuronowa

Strumienie spalin

Strumienie węgla

Strumienie wody

NO2(t)

Strumienie pary

CO(t)

Temperatura powietrza i spalin

Moc generatora

Położenie zasuw WS

Ciśnienie spalin

NOx(t-1), CO(t-1)

slide16

SYGNAŁY TESTOWE

Czy skład węgla jest potrzebny na wejściu do sieci neuronowej?

Skład węgla jako sygnał wejściowy do sieci neuronowej

slide17

SYGNAŁY TESTOWE

Wielu autorów wprowadza skład węgla na wejście do sieci

neuronowej, aby obliczyć przewidywaną emisję tlenków azotu.

Nie jest to niezbędne.

Jeżeli jest znana emisja NOx z kotła, to ma wpływ na nią również

skład spalonego węgla i jego ziarnistość, lecz uwzględnienie składu

węgla może być dokonane pośrednio.

Jednym z sygnałów sterujących u(t) może być emisja tlenków

azotu NOx w chwili t. Sygnał ten zawiera niezbędne informacje o

składzie węgla.

slide18

SKŁAD WĘGLA

JAKO SYGNAŁ WEJŚCIOWY

Pominięcie składu węgla na wejściu do sieci będzie pogarszało jakość

modelu.

Wielokrotnie przeprowadzane próby nauczenia sztucznej sieci

neuronowej identyfikacji przyszłej emisji tlenków azotu NOx(t+1) z

pominięciem sygnału NOx(t) prowadziły do co najmniej 30% różnicy

pomiędzy sygnałem pomiarowym i pochodzącym z modelu

neuronowego.

slide19

Wyniki identyfikacji

emisji NO2 i CO z kotła

slide20

WYNIKI MODELU NEURONOWEGO

  • W sieci neuronowej pominięto następujące zmienne :
  • ciśnienie spalin recyrkulujących za wentylatorem WR1,
  • temperaturę powietrza przed podgrzewaczem LP1 oraz LP2,
  • strumienie przepływu wody przez poszczególne pompy obiegowe,
  • temperaturę powietrza wpływającego do kotła,
  • różnicę otwarcia klap wentylatorów spalin.
slide23

WYNIKI MODELU NEURONOWEGO

Porównanie z innymi autorami

A Cascaded Neural Network and Its Application to Modelling. Power Plant Pollutant Emission, Kang Li, Stephen Thompson, Proceedings of the 3d World Congress on Intelligent Control and Automation June 28-July 2,2000, Hefei, P.R. China

slide25

WNIOSKI

Osiągnięto cel – model matematyczny, który dokładnie przewiduje emisję NO2 oraz CO.

Model może być zastosowany do modyfikacji sygnałów sterujących spalaniem węgla w kotle.