بخشی از مقاله
چکیده
مشعل های صنعتی در صنایع مختلفی همچون آهن، فولاد، نفت، پتروشیمی، تأسیسات گرمایشی، سیمان، اتاق رنگ صنایع خودرو و ... دارای رکنی اساسی هستند. کاهش مصرف سوخت و همچنین کارکرد بهینهی مشعلهای صنعتی از دغدغههای اصلی مصرفکنندگان و صنعتگران میباشد. بهینهسازی در کنترل، باعث بهبود عملکرد و کاهش مصرف سوخت مشعلهای صنعتی میشود.
طراحی کنترل کنندههای هوشمند به منظور کاهش مصرف سوخت و کارکرد بهینهی مشعل های صنعتی، مبحثی است که در این مطالعه بر روی آن تمرکز خواهد شد. از گذشته تا کنون کنترل مشعل های صنعتی توسط اپراتور، ترموستات و سلولهای فتوالکتریک - چشم الکتریکی - صورت میگرفت که دقت چندانی نداشت. در مقاله حاضر خواهید دید که چگونه با استفاده از مدل نوروفازی ترکیبی تاکاگی- سوگنو میتوان کنترلکنندهای طراحی کرد که باعث بهینهسازی در مصرف سوخت مشعل های صنعتی گردد.
این کنترلکننده با در نظر گرفتن پارامترهایی نظیر حرارت مورد نیاز، نوع بار - ثابت یا متغیر - و نوع سوخت مصرفی به کنترل هوشمند مشعلهای صنعتی میپردازد. برای این منظور پس از ایجاد مدل، از تعدادی دادههای آزمایشی برای آزمون کارایی مدل استفاده خواهد شد و نتایج به دست آمده با نمونههای کنترل دستی مقایسه میگردند . ارزیابی نتایج نشان خواهد داد که مدل ایجادشده با دقت بالاتری نسبت به سایر نمونههای موجود، کنترل هوشمند مشعلهای صنعتی را در دست میگیرد.
-1 مقدمه
استفاده از سیستمهای احتراق صنعتی در صنایع نفت و گاز و پتروشیمی بسیار حائز اهمیت میباشد . [1] مشعل به عنوان بخش اصلی سیستمهای احتراق صنعتی در نظر گرفته میشود [2]، . [3] کاربرد فراوان در صنایع مختلف باعث شده است که کنترل این نوع مشعلها به عنوان یکی از مسائل مهم در طراحی آنها در نظر گرفته شود.
طراحی کنترلکنندههای هوشمند به منظور کاهش مصرف سوخت و کارکرد بهینه مشعلهای صنعتی، مبحثی است که در این تحقیق بر روی آن تمرکز خواهد شد. در این مطالعه خواهید دید که با استفاده از مدل نوروفازی ترکیبی تاکاگی-سوگنو میتوان کنترلکنندهای طراحی کرد که باعث بهینهسازی در مصرف سوخت مشعلهای صنعتی گردد. این کنترلکننده با در نظر گرفتن پارامترهایی نظیر حرارت مورد نیاز، نوع بار - ثابت یا متغیر - و نوع سوخت مصرفی به کنترل هوشمند مشعلهای صنعتی میپردازد.
در این مقاله از مدل نوروفازی ترکیبی به روش تاکاگی- سوگنو استفاده خواهد شد. این روش با استفاده از لایههای نورونی خود به بهینه سازی کنترلکنندهی مشعل صنعتی میپردازد. اطلاعات و دادهها نظیر حرارت مورد نیاز، نوع بار - ثابت یا متغیر - و نوع سوخت مصرفی از روابط حاکم بر کنترلکنندهی مشعلهای صنعتی دریافت و ذخیره خواهد شد.
ارزیابی نتایج نشان خواهد داد که کارکرد بهینه در مشعلهای صنعتی با استفاده از کنترلکنندههای هوشمند امکانپذیر است، طراحی کنترلکنندههای هوشمند باعث کاهش مصرف سوخت در مشعلهای صنعتی میشود و با استفاده از مدل نوروفازی ترکیبی تاکاگی- سوگنو میتوان کنترلکنندهای طراحی کرد که باعث بهینهسازی در مصرف سوخت مشعلهای صنعتی گردد.
مشعلهای صنعتی دوگانهسوز که از هر دو سوخت نفت یا گاز طبیعی استفاده می کنند، در تحقیقی به عنوان نامزدی برای اجرای راهب رد کنترل در نظر گرفته شدند. دو مشعل 20 و 800 کیلووات در یک کورهی تونلی نصب شدند و از طریق ارسال پالس به داخل منبع هوا برای کنترل فعال گردیدند. با استفاده از عیبیابی نوری و تصویربرداری، تکامل ساختارهای حلقوی در شعله های آتش نشان داده شد. نتایج به دست آمده از کنترل فعال، غیرفعال و دستی نشان داد که افزایش قابلتوجهی از احتراق را میتوان با استفاده از ابزار مدرن و ایدههای جدید به دست آورد
بررسی پتانسیل فشار و حسگرهای تابش برای کنترل مشعلهای صنعتی در مقالهای صورت گرفت. این ابزار نیرومند و ارزان بودند. با این حال، تحقیقات بیشتری برای بررسی وجود رابطه بین خروجی و شرایط عملیاتی و همچنین تعریف روش مناسبی برای پردازش سیگنال مورد نیاز بود. تجزیه و تحلیل پارامتری سیگنالهای شعله برای طیف گستردهای از شرایط عملیاتی نشان داد که سیگنالهای شعله به طور گستردهای با وضعیت احتراق واقعی متفاوتاند. روش رگرسیون چندگانه برای برخی از تأثیرات متقابل میان متغیرهای مختلف ارائه شد. شبکههای عصبی مصنوعی به عنوان یک نوع متنوع تر از الگوریتمهای مناسب برای فرمهای کاربردی پیچیدهای از متغیرهای ورودی و خروجی معرفی گردید
مدل نوروفازی ترکیبی - Adaptive Neuro-Fuzzy Model - یک نوع شبکه عصبی است که بر سیستم استنتاج فازی تاکاگی- سوگنو - Takagi – Sugeno Fuzzy Inference System - مبتنی میباشد. از آنجایی که این مدل از ادغام شبکه عصبی و اصول منطق فازی تشکیل شده است، مزایای هر دو سیستم را در یک چارچوب واحد دارد. سیستم استنتاج آن مربوط به مجموعهای از قوانین فازی است که توانایی یادگیری به تقریب از توابع غیرخطی را دارد .[6] از اینرو، مدل نوروفازی ترکیبی به عنوان یک ارزیاب جهانی در نظر گرفته شده است
به بیان دیگر نوعی آموزش برای سیستمهای استنباط فازی است که از یک الگوریتم یادگیری ترکیبی برای شناسایی پارامترهای سیستم استنباط فازی استفاده میکند. این امر ترکیبی از روش حداقل مربعات و روش پس انتشار گرادیان نزولی - Backpropagation Gradient Descent - برای آموزش پارامترهای تابع عضویت برای پیروی از مجموعهای از دادهها است. این سیستم همچنین میتواند با استفاده از یک آرگومان اختیاری برای اعتبارسنجی مدل در نظر گرفته شود
-2 مشعل
مشعل دستگاهی است که با ترکیب مقدار معینی هوا و سوخت - به این عمل احتراق گفته میشود - در یک فضای ایمن، انرژی سوخت را به انرژی گرمایی تبدیل میکند. در اثر این احتراق مقداری گاز نیز تولید شده که از راه دود کش خارج خواهد شد. این انرژی تولیدشده توسط دو روش جابهجایی و تشعشع به محیط اطراف انتقال داده میشود. در شکل 1 نقشهی سهبعدی یک مشعل صنعتی نشان داده شده است.
شکل :1 پوستهی خارجی مشعل صنعتی مدل .[9] BHF.M.10
-1 -2 دستهبندی مشعل
مشعلها بر اساس موارد زیر دستهبندی میشوند:
- پروفیل شعله تولیدشده
- نوع سوخت
- طریقه اشتعال
- ظرفیت کاری
-2 -2 وظیفه مشعل
وظیفه اصلی مشعل ایجاد گرمایش میباشد که با توجه به نیاز، مشعل مورد نظر را انتخاب میشود. از مشعلها به منظور تبدیل آب به بخار، گرم کردن مایعات ناقل حرارت، حرارت دهی مستقیم در پخت و پز و اکسید کردن، تأمین حرارت به منظور خشک کردن محصولات و سایر مصارف خاص استفاده میشود. یکی از بزرگترین استفادههای مشعل در صنعت گرمایش به عنوان موتور احتراق بویلرها میباشد. در انواع دیگها مشعلهایی با ظرفیت کاری متفاوت استفاده میشود.
