案例酷 | “你是什么垃圾?”瀚蓝环境把人工智能装进了垃圾焚烧炉

对于垃圾焚烧企业来说 垃圾的成分变化多端 如何提升焚烧控制的稳定性 是一个重要的技术挑战。长久以来 焚烧控制主要依赖于老师傅的判断。锅炉的送风管道 弯曲部分很容易堵塞 老师傅们巡检时就拿个锤子 在风道拐弯处轻敲两下 声音清脆 则说明没堵死 若要进一步确认是否部分堵塞 则不能单凭听觉判断 他要一点点打开管道口的阀门 查看送风量 也可以看风压 风压升高 就说明给料受阻 拐角处存在部分堵塞的可能。

这些判断、处理问题的诀窍 都是老师傅们长年累月积存的经验 而学徒们要出师 就离不开老师傅的“传帮带” 通常一个学徒要花将近一年时间 才能初步掌握从锅炉构造原理到一整套锅炉、汽机、电气循环系统的知识 从而有了独立操作的资格。在瀚蓝 工龄五年以上 才有资格称作老师傅 人才培养周期如此漫长 在不断增长的业务需求面前 为了进一步提升锅炉燃烧稳定性 瀚蓝环境和阿里云走到了一起 希望借助人工智能优化效果。

正文

瀚蓝环境股份有限公司(简称瀚蓝环境)是一家专注于环境服务产业的上市公司。公司拥有22个生活垃圾焚烧发电项目 日生活垃圾焚烧发电总规模33100吨。仅是广东佛山南海厂区的六台焚烧锅炉 每天就能“消化”近3000吨垃圾 发电150万度 足以满足南海区16万户40万人的生活用电需求。

虽说垃圾焚烧发电是朝阳产业 市场潜力巨大 但过去多年 进一步提升垃圾焚烧稳定性的关键技术 一直没有突破。

瀚蓝环境固废事业部信息管理部总监赵浩表示 整个垃圾焚烧发电的过程 主要是靠锅炉师傅通过调节焚烧炉的各种参数 尽量做到让垃圾的燃烧更充分、蒸汽更稳定。而限制技术进步的最大阻碍 就出在焚烧过程对人工经验的过度依赖 这给技术进步带来诸多障碍。

一是经验存在偏差与不稳定。老师傅的经验 很难标准量化 在处理焚烧垃圾的各类问题时 他们有着自己的习惯和偏好。比如 当焚烧炉内垃圾燃烧不充分时 不同的老师傅会有不同的操作。

二是经验难以固化与传承。经验都存在老师傅的脑袋里。培养一位合格的工艺专家需要 1-2年的时间 一旦离岗 经验也随之带走 没有任何积累留给新人。而培养一名新员工直到上岗 则要耗费大量精力与时间。长时间的大强度劳动 也加剧了工人的流失。

此外 经验还存在天花板。垃圾不像煤、天然气的热值非常稳定 可以全自动化 垃圾的热值非常不稳定。再加上推料机的速度、炉排的推行速度 这些复杂的过程对我们来说 哪怕对老师傅来说 要保证持续稳定地燃烧都是一个天大的难题。

引入AI 数据 模型 经验 最优参数推荐

为摆脱对经验的过度依赖 瀚蓝环境意识到更高效的数字化手段是可行办法。通过将经验与数据中的隐性知识转化为显性知识 并嵌入到机器中 让机器协助人类来完成复杂焚烧过程的复杂决策与控制。但摆在眼前的问题是 垃圾焚烧领域鲜有数据科学家 懂行业机理模型的数据科学家更是凤毛麟角 行业算法处于空白。2018年 瀚蓝环境与阿里云达成合作 将ET工业大脑引入环保行业。经过半年多的研发与调试 首个管理垃圾焚烧炉的AI正式投入使用。

工业大脑落地场景的选择至关重要。数据可用性、风险可控、可实施、高收益与可复用是选择优先场景需要考虑的关键因素。

垃圾焚烧发电主要包括垃圾推料、垃圾焚烧、烟气处理、污水处理、汽轮机发电五个环节。双方团队经过多轮沟通 最终选择先以垃圾推料 将垃圾在最佳时间送入焚烧炉 达到充分燃烧 做为切入点。原因就在于这个环节已经具备一定数据基础 系统已接入上千个实时测点 瀚蓝环境也是目前国内垃圾焚烧行业同类测点 数据量积累最多的公司之一 、且该环节依靠人工操作 AI发挥空间大 并且各电厂面临的问题是共性的 复制性强。

明确了落地场景 瀚蓝环境与阿里云大数据专家开始共同制定垃圾焚烧优化的方案思路 整个过程好比一个菜谱的开发过程 包括精选食材、调试配方、反复试菜、直到最终菜谱的生成。

第一步 关键参数识别 选择食材

垃圾焚烧的全过程充斥着复杂的物理与化学变化 涉及多达2000 个实时测点数据 因此需要过滤出对焚烧稳定性影响最大的关键参数。阿里云通过构建垃圾焚烧发电工艺的优化算法模型 这套模型综合考虑环保、成本、设备负荷 主动推荐最优的工艺参数组合 从而大幅减少人工操作 提高燃烧效率 为瀚蓝提升垃圾焚烧发电项目的发电率。

第二步 模型训练 调试配方

锁定关键参数后 接下来输入到工业大脑平台上的仿真预测模型 进行垃圾焚烧过程的模型训练 实时预测焚烧产生的蒸汽情况。在阿里云工程师带着人工智能技术与瀚蓝的老师傅经验结合之后 神奇的事情发生了 系统可以根据此前垃圾的燃烧情况 预判90秒内的蒸汽变化曲线 准确度到达95% 为后续推料时间提供决策依据。此外 通过历史有效推料数据及专家经验 建立各关键参数的特征数据与推料时间的对应关系 在此基础上结合蒸汽量预测值预判 实现更加精准的推料时间推荐。

第三步 算法辅助决策 菜谱生成

该阶段 算法模型分析的结果通过API接口的方式把推荐工艺参数实时的提供出来。产品配套的人机交互界面 会直接部署到工厂控制室现场, 可以实时的告诉工人 什么时候该推料 以及如何推料等操作建议。工人只需要按提示直接生产就可以了。

以前 垃圾焚烧锅炉的稳定运营 主要依靠熟练工程师和操作工的经验 进行及时判断和调整参数 操作工人每4小时需要操作30次。在引入工业大脑之后 云计算和人工智能可以进行更精准更稳定的监测、预判和及时调整 现在只需要在收到提醒后干预6次即可 大大减轻了操作工人的执行压力。而且工业大脑辅助人的方式对比单纯人工操作 系统可以提升约1%~2%的蒸汽产量 锅炉蒸汽量稳定性提升20%。

阿里云研究院高级战略专家王岳表示 越是看似离AI技术遥远的行业 一旦与其发生化学反应 所产生的能量将会是巨大的。在未来相当长的时间 行业内专家与行业外数据科学家的跨界组合将会是推动工业智能落地的关键力量。但这还不够 工业智能未来一定是朝着平台化发展的。平台x 数据 算法 的互联网模式所产生的杠杆效应 可以支撑工业智能应用以百倍速复制 最终撬动整个产业的数智化转型。

本文转自网络，原文链接：https://developer.aliyun.com/article/785667
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！