ＩＳＳＮ１００６－７１６７
ＣＮ３１－１７０７／Ｔ
ＲＥＳＥＡＲＣＨＡＮＤＥＸＰＬＯＲＡＴＩＯＮＩＮＬＡＢＯＲＡＴＯＲＹ
第４０卷第１期 Ｖｏｌ．４０Ｎｏ．１
２０２１年１月Ｊａｎ．２０２１
ＤＯＩ：
１０．１９９２７／ｊ．ｃｎｋｉ．ｓｙｙｔ．２０２１．０１．０１９
燃气热值数值模拟与预测优化控制
李 阳，
刘丕亮， 崔桂梅
（内蒙古科技大学信息工程学院，内蒙古包头０１４０１０）青浦特训班
when you gone摘 要：针对现场固定空燃比燃烧导致无法根据波动燃气热值匹配最佳助燃空气，使热风炉热损失增加；残氧检测仪直接检测热风炉烟道残氧量，将导致氧化锆损耗快、高炉煤气费用计量单一等问题。针对以上问题设计一种残氧燃气分析系统，该系统并行于热风炉控制系统的前馈控制，将少量高炉煤气、空气先通入该系统进行燃烧并调整自身空燃比，得到最佳空燃比作用于热风炉控制系统并对并行系统残
氧含量、高炉煤气热值进行数值模拟和相关性分析。通过改进
ＰＳＯ算法优化ＲＢＦ神经网络预测方法对稳定运行系统建立模型，预测煤气热值作为优化热风炉空燃比，评价煤气质量、费用计量的有效参考条件。经实验仿真测试，该系统可有效提高空燃比修正精度，延长氧化锆使用寿命，减少热风炉热损失。
modu关键词：燃气热值；空燃比；残氧含量；改进
ＰＳＯ；ＲＢＦ中图分类号：ＴＰ２７４ 文献标志码：Ａ 文章编号：
１００６－７１６７（２０２１）０１－００９２－０５ＮｕｍｅｒｉｃａｌＳｉｍｕｌａｔｉｏｎａｎｄＰｒｅｄｉｃｔｉｖｅＯｐｔｉｍｉｚａｔｉｏｎｏｆＧａｓＣａｌｏｒｉｆｉｃＶａｌｕｅ
ＬＩＹａｎｇ， ＬＩＵＰｉｌｉａｎｇ，
ＣＵＩＧｕｉｍｅｉ
（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，
ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ
，Ｂａｏｔｏｕ０１４０１０，ＩｎｎｅｒＭｏｎｇｏｌｉａ，Ｃｈｉｎａ
）
Ａｂｓｔｒａｃｔ：
Ｉｎｖｉｅｗｏｆｔｈｅｆａｃｔｔｈａｔｔｈｅｃｏｎｓｔａｎｔａｉｒ ｆｕｅｌｒａｔｉｏｃｏｍｂｕｓｔｉｏｎｉｎｔｈｅａｃｔｕａｌｓｉｔｅｃａｎｎｏｔｍａｔｃｈｔｈｅｂｅｓｔｃｏｍｂｕｓｔｉｏｎｏｆｓｕｐｐｏｒｔｉｎｇａｉｒａｃｃｏｒｄｉｎｇｔｏｔｈｅｆｌｕｃｔｕａｔｉｎｇｇａｓｃａｌｏｒｉｆｉｃｖａｌｕｅ，
ｔｈｅｈｅａｔｌｏｓｓｏｆｔｈｅｈｏｔｂｌａｓｔｓｔｏｖｅｗｉｌｌｉｎｃｒｅａｓｅ；
ｔｈｅｒｅｓｉｄｕａｌｏｘｙｇｅｎｄｅｔｅｃｔｏｒｗｉｌｌｄｉｒｅｃｔｌｙｄｅｔｅｃｔｔｈｅｒｅｓｉｄｕａｌｏｘｙｇｅｎｉｎｔｈｅｆｌｕｅｏｆｔｈｅｈｏｔｂｌａｓｔｓｔｏｖｅ，
ｒｅｓｕｌｔｉｎｇｉｎｔｈｅｒａｐｉｄｌｏｓｓｏｆｚｉｒｃｏｎｉａ；ｔｈｅｓｉｎｇｌｅｃｏｓｔｍｅａｓｕｒｅｍｅｎｔｏｆｔｈｅｂｌａｓｔｆｕｒｎａｃｅｇａｓ，
ｅｔｃ．Ａｒｅｓｉｄｕａｌｏｘｙｇｅｎｇａｓａｎａｌｙｓｉｓｓｙｓｔｅｍｉｓｄｅｓｉｇｎｅｄ，
ｉｔｉｓａｆｅｅｄ ｆｏｒｗａｒｄｃｏｎｔｒｏｌｓｙｓｔｅｍｐａｒａｌｌｅｌｉｎｇｔｏｔｈｅｃｏｎｔｒｏｌｓｙｓｔｅｍｏｆｔｈｅｈｏｔｂｌａｓｔｓｔｏｖｅ．Ａｓｍａｌｌａｍｏｕｎｔｏｆｂｌａｓｔｆｕｒｎａｃｅｇａｓａｎｄａｉｒａｒｅｆｉｒｓｔｉｎｔｒｏｄｕｃｅｄｉｎｔｏｔｈｅｓｙｓｔｅｍｔｏｂｕｒｎａｎｄａｄｊｕｓｔｉｔｓａｉｒ ｆｕｅｌｒａｔｉｏ．Ｔｈｅｏｐｔｉｍａｌａｉｒ ｆｕｅｌｒａｔｉｏｉｓｏｂｔａｉｎｅｄｔｏａｃｔｏｎｔｈｅｃｏｎｔｒｏｌｓｙｓｔｅｍｏｆｔｈｅｈｏｔｂｌａｓｔｓｔｏｖｅ．Ｔｈｅｎｕｍｅｒｉｃａｌｓｉｍｕｌａｔｉｏｎａｎｄｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓａｒｅｃａｒｒｉｅｄｏｕｔｆｏｒｔｈｅｒｅｓｉｄｕａｌｏｘｙｇｅｎｃｏｎｔｅｎｔａｎｄｔｈｅｃａｌｏｒｉｆｉｃｖａｌｕｅｏｆｔｈｅｂｌａｓｔｆｕｒｎａｃｅｇａｓｏｆｔｈｅｓｍａｌｌｓｙｓｔｅｍ．Ｂｙｉｍｐｒｏ
ｖｉｎｇｔｈｅＰＳＯａｌｇｏｒｉｔｈｍａｎｄｏｐｔｉｍｉｚｉｎｇｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ，
ｔｈｅｓｔａｂｌｅｏｐｅｒａｔｉｏｎｓｙｓｔｅｍｉｓｍｏｄｅｌｅｄ，
ａｎｄｔｈｅｂｌａｓｔｆｕｒｎａｃｅｇａｓｃａｌｏｒｉｆｉｃｖａｌｕｅｉｓｐｒｅｄｉｃｔｅｄａｓａｎｅｆｆｅｃｔｉｖｅｒｅｆｅｒｅｎｃｅｃｏｎｄｉｔｉｏｎｔｏｏｐｔｉｍｉｚｅｔｈｅａｉｒ ｆｕｅｌｒａｔｉｏｏｆｔｈｅｈｏｔｂｌａｓｔｓｔｏｖｅａｎｄｅｖａｌｕａｔｅｔｈｅｑｕａｌｉｔｙａｎｄｃｏｓｔｏｆｔｈｅｇａｓ．Ｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｓｉｍｕｌａｔｉｏｎｔｅｓｔａｎｄｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓ，ｔｈｅｓｙｓｔｅｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆａｉｒ ｆｕｅｌｒａｔｉｏｃｏｒｒｅｃｔｉｏｎ，
ｅｘｔｅｎｄｔｈｅｓｅｒｖｉｃｅｌｉｆｅｏｆｚｉｒｃｏｎｉａａｎｄｒｅｄｕｃｅｔｈｅｈｅａｔｌｏｓｓｏｆｔｈｅｈｏｔｂｌａｓｔｓｔｏｖｅ．
Ｋｅｙｗｏｒｄｓ：
ｇａｓｃａｌｏｒｉｆｉｃｖａｌｕｅ；
ａｉｒ ｆｕｅｌｒａｔｉｏ；ｒｅｓｉｄｕａｌｏｘｙｇｅｎｃｏｎｔｅｎｔ；ＩｍｐｒｏｖｅｄＰＳＯｏｐｔｉｍｉｚａｔｉｏｎ；
ＲＢＦ
收稿日期：２０２０ ０４ ２２基金项目：国家自然科学基金项目（６１１６４０１８）；内蒙古自治区研
究生教育创新计划项目（
Ｓ２０１６１０１２７１０）作者简介：李 阳（１９９４－），男，内蒙古乌兰察布人，硕士，研究方向为智能控制与算法，复杂系统控制与优化。Ｔｅｌ．：137****2296；Ｅ ｍａｉ：８５７６６６９８５＠ｑｑ．ｃｏｍ
０
引
言高炉热风炉燃烧过程能耗占钢铁工业总能耗
４０％，因高炉炉况不稳定、高炉煤气热值波动频繁，此外热风炉固定空燃比燃烧导致无法根据波动的高炉煤气热值去匹配最佳助燃空气。上述两种情况均影响热
第
１期李 阳，等：燃气热值数值模拟与预测优化控制 风炉的高效燃烧，导致生产过程能耗偏高。减
少燃烧过程能耗的关键是：空燃比及时调整、准确有效检测出燃气热值和及时做出合理供气方案。现阶段为了改善以上问题，在热风炉烟道阀安装氧化锆残氧分析仪存在很多问题，例如：氧化锆残氧分析仪前期投资成本大、后期维护费用高、在实际生产过程中使用寿命短的缘故被搁置。针对以上问题，本文设计了燃气热值分析控制系统，该系统和热风炉控制系统并行作为热风
炉控制系统的并行前馈控制环节
［１ ３
］。如图
１所示，高炉煤气和空气混合后，提前在燃气热值分析系统内进行小规模燃烧，通过１％～２％残
氧含量、废气温度和废气ＣＯ含
量综合调整该小系统空燃比即是热风炉控制系统的空燃比，由于在本系统中高炉煤气流量和热风炉控制系统相比要小很多，参与检测燃烧气体流量相应较小，使得氧化锆使用率降低，延长系统使用寿命。本文还提出利用改进粒子群优化径向基神经网络（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ Ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ，ＰＳＯ ＲＢＦ）
在燃气热值分析系统残氧含量稳定在１％～２％时即热风炉控制系统稳定运行的情况下，将改进
ＰＳＯ ＲＢＦ神经网络算法预测的燃气热值作为计量高炉煤气热值并辅助本系统优化空燃比的重要参考依据
。
图１ 残
氧燃气热值分析检测系统结构图１
热值仪系统
１．１
系统简介
残氧燃气热值分析检测系统其结构如图２所示［４
］，由ＰＬＣ控制、燃烧控制、组态显示和燃气热值计算等系统构成。ＰＬＣ控制系统主要控制空气与煤气管道的通断、流量的给进和数据传输功能。煤气流量经过两级稳压装置进入燃烧器内抑制煤气压力波动，稳定入炉煤气量。燃烧控制环节通过修正空燃比，调节
空气流量，将残氧稳定在
１％～２％内，当残氧量超出１％～２％时
，通过控制器调节助燃空气的流量修正空燃比，将烟道残氧量限定在１％～２％内
。图２ 热值仪系统结构图１．２ ＣＯ控制策略ＣＯ浓
度是否超标对整个残氧燃气热值系统运行环
节有重要意义，由于ＣＯ危害人体健康，ＣＯ浓度大于１００×１０－６
时，人体出现头晕症状，ＣＯ浓度大于６００×１０－６
时
，人体就会有中毒反应；在实验过程中为了避免
此类现象，热值仪系统点火之前对烟气管道的ＣＯ浓度进行检测，判断ＣＯ浓度是否超出２００×１０－６
，若超出，则调节空气调节阀让过量空气给入燃烧室中稀释ＣＯ浓度，若小于２００×１０－６
，则进行点火操作，此时要
时刻注意烟道中的残氧含量是否在１％ ２％内，残氧含量超出２％和不足１％都要经过调节空气调节阀对空燃比例进行纠正，将残氧含量浓度重新控制在１％ ２％，ＣＯ控制策略的结构图如图３所示
。
图３
ＣＯ
控制策略图
１．３
空气调节阀控制
本次设计对燃气残氧检测仪空气调节阀进行更换，并将ＰＩ控制改为模糊ＰＩ控制，将空气调节阀等效
为一阶系统，模糊控制器输入为空气流量偏差ｅ、偏差
变化量
ｅｃ
，
模糊控制器输出为调节阀空气输出量。空气调节阀模糊ＰＩ控制框图如图４所示，系统Ｓｉｍｌｉｎｋ
仿真如图５所示，模糊ＰＩ控制器和ＰＩ控制器在Ｍａｔｌａｂ上仿真结果相比响应更快，可满足控制空气流量调节阀快速响应需求，如图６所示。
３
９
第
４０卷
图４ 空气调节阀模糊ＰＩ控制框
图
图
５ Ｓｉｍｌｉｎｋ
系统搭建
图６ 系统仿真对比
１．４
燃气热值与残氧含量相关性实验探究高炉煤气含量复杂，ＣＯ是主要可燃气体，约占３３％。为了论
证残氧含量和高炉煤气热值之间关系。在实验室中选取煤气作为实验对象，为了证明实验结果可靠性，另选取天然气进行对比。
定空燃比条件下，根据ＣＯ燃
烧的化学方程式：２ＣＯ＋Ｏ２＝２ＣＯ２
可知一方煤气充分燃烧理论上需要０．５方
氧气，而空气中含氧量是２１％，所以一方煤气大约需要２．４方空气，因此煤气充分燃烧时理论空燃比大概是２．４∶
１。天然气的主要成分是ＣＨ４
，根据燃烧的化学方
程式：
ＣＨ４
２Ｏ２
＝ＣＯ２
＋２Ｈ２
Ｏ
可知一方天然气要２方氧气，所以一方天然气大约需要９．５方空气，因此天然气充分燃烧时的理论空燃比是９．５∶１。实验过程中通过调节空气管道中电动调节阀，使煤气与空气保持在理论上的大概空燃比，残氧分析仪通过采集烟道内残氧含量，得到空燃比、残氧
含量的数据。
燃气热值由如下经验计算：
ΔＴ＝
Ｈ·Ｆ
ｇ
ＣＰｓ·Ｆａ
（１＋ｒ）（１）ｈ＝ΔＴρ槡ｇＣρ
槡ａ
ΔｐｇΔｐ槡ａ
＝Ｋ·ΔＴ
ρ
sleetｇρ槡
ａ（２）Ｑ＝ｈ槡Ｗ（
３）式（１）～（３）中：Ｈ为燃气发热量，ｋＪ／ｍ３
；Ｆｇ
为燃气流量，ｍ３
／ｈ；Ｆａ
为空气流量，ｍ３
／ｈ；ＣＰｓ为混合气体燃烧后的定压比热，ｋＪ／（ｍ３
·
℃）；ｒ为燃气／空气，０．０２～
０．００５；ｈ为华白，燃气热值指数；ｇ为燃气相对密度；ａ
为空气相对密度；ｐａ
为空气压力；ｐｇ
为燃气压力；Ｑ为热值；Ｗ为比重，燃气相对密度（干燥空气密度：
１．２３９ｍｇ／ｃｍ３
）。燃气热值、空燃比、残氧含量的数据见表１、２。
１
２
１％～２％
内，天然气和煤气热值均与残氧含量基本上成线性的关系。残氧含量与热值线性关系如图７、８所示。图７ 煤气热值残氧关系图
offer
图８ 天然气热值与残氧关系图
４
９
第
１期李 阳，等：燃气热值数值模拟与预测优化控制
对燃气流量、燃气压力、空气流量、空气压力、残氧含量、温度做相关性分析，见表３。
表３ 相关性分析复旦mba
３气流量、燃气压力、空气流量和空气压力和残氧含量作为燃气热值预测输入节点。２ ＲＢＦ神经网络２．１ 燃气热值预测神经网络ＲＢＦ神经网络是３层前馈神经网络［５ ９
］，通过非线性基函数的线性组合实现映射关系，具体如图９所示。图９ ＲＢＦ神经网络结构 燃气热值预测的ＲＢＦ神经网络有５个
护肤技巧
输入节点、一个输出节点，通过式（４）
以及适凑法对构造的神经网络进行反复训练误差对比：
ｋ＝槡ｍ＋ｎ＋ａ（ａ＝１～１０）（４）式中：ｋ为隐含层节点数目；ｍ为输入层节点数目；ｎ为输出层节点数目。得到神经络有６个隐层节点时预测结果误差最小，用高斯函数做隐含层神经元激活函数：ｈｉ
（ｘ）＝ｅｘｐ‖ｘ－ｃｉ
‖
２
δ
２[]ｉ
（５）式中：ｃｉ
为第ｉ个隐含结点中心；δｉ
为
隐含结点宽度。线性函数作为输出层神经元激活函数：
Ｙ（ｘ）＝ ｍ
ｉ＝１
ｗｉｈｉ
（６）ｗｉ
ｉｍ为隐含层结点个数。２．２ 基于改进粒子群算法优化ＲＢＦ神经网络
选取适当的输出权重ｗｉ
，隐含层单元中心ｃｉ
skiprope，
以及宽度δｉ
，但一般找到合适的ｗｉ
，ｃｉ
，δｉ
很
难，利用ＰＳＯ搜索能力快和全局寻优能力强的特点对隐含层中高斯函数的３个重要参数进行优化，为了避免ＰＳＯ在提高收敛速度的前提下，不易陷入局部极小值的情况，对原有
ＰＳＯ算法进行改进［１０］。假设在
Ｋ维的解向量中有ｎ个粒子，第ｉ个粒子的位置向量为：Ｘｉ
＝［Ｘ１
ｉ
，Ｘ２ｉ
，Ｘ３ｉ
，…，Ｘｋｉ
］为速度向量；
Ｖｔ＋１ｉ
＝［Ｖ１ｉ
，Ｖ２ｉ
，Ｖ３ｉ
，…，ＶＫｉ
］是第ｉ个粒子的最优位置；
Ｐｉ
＝［Ｐ１ｉ
，
Ｐ２ｉ
，Ｐ３ｉ
，…，Ｐｋｉ
］是群最优位置；Ｐｇ
＝［Ｐ１ｇ
，Ｐ２ｇ
，Ｐ３ｇ
，…，Ｐｋｇ］，ｇ∈（１，２，３，…，ｎ）每个粒子在迭代过程中更新自己的速度和位置：Ｖｔ＋１ｉ
＝ｗＶｔｉ
＋ｃ１
η１
（Ｐｔｉ
－Ｘｔｉ
）＋ｃ２
η２
（Ｐｔｉ
－Ｘｔｉ
）（７）
Ｘｔ＋１ｉ
＝Ｘｔｉ
＋Ｖｔ＋１ｉ
（８）
式中：ｗ为惯性权重；ｃ１
、ｃ２
为学习因子；η为［０，１］的随机数。采用线性递减权值策略求解权值：
ｗｔ
＝（ｗｉｎｉ
－ｗｅｎｄ
）（Ｇｋ
－ｌ）／Ｇｋ
＋ｗｅｎｄ
（
９）式中：Ｇｋ
为最大迭代次数；ｗｉｎｉ
为初始惯性权值；ｗｅｎｄ
为迭代至最大净化代数时的惯性权值；ｌ为Ｇｋ
的调节参数。取Ｇｋ
＝１０００，ｗｉｎｉ
＝０．１０，ｗｅｎｄ＝０．９０。结合线性递减权值策略，在原粒子更新速度式中加入收缩因子α＝
２
｜２－φ－φ槡２
－４φ｜（１０）式中：φ＝ｃ１
＋ｃ２
，（φ＞４）；根据多次试验验证，当φ＝
４．１时，收敛因子α＝０．７２９。改进后新粒子速度及位置： Ｖ ｔ＋１ｉ
＝ α（ｗＶｔｉ
＋ｃ１
η１
（Ｐｔｉ
－Ｘｔｉ
）＋ｃ２
η２
（Ｐｔｉ
－Ｘｔｉ
）（１１）Ｘｔ＋１ｉ
longly
＝Ｘｔｉ
＋Ｖ ｔ＋１ｉ
（１２）５
９
第
４０卷
在收敛因子α和
权重系数ｗ共同作用下，对传统ＰＳＯ优化算法进行改进，提高粒子在全局搜索精度及速度。
３
仿真实验研究
为了验证改进ＰＳＯ ＲＢＦ模
型性能，在某钢厂实验平台采集数据进行仿真实验，选取
８００个数据训练集构建燃气热值预测模型，２００个做数据作为测试集，在训练前对燃气热值数据进行归一化处理：
ｘ′＝ｘ－ｘ
ｍｉｎ
ｘｍａｘ
－ｘ
ｍｉｎ
（１３） 将归一之后的训练样本输入到模型中进行训练，分别对型参数进行优化。对预测结果进行反归一化处理：
ｘ＝ｘ′（ｘｍａｘ
－ｘｍｉｎ
）＋ｘｍｉｎ（１４）
式中：ｘ′为归一化后的燃气热值；ｘｍａｘ
和ｘｍｉｎ
分别为燃气热值的最大值和最小值。经过反复训练测试ＢＰ、ＲＢＦ和ＴＳ ＦＮＮ３种算法［１１ １４
deem是什么意思］，得到预测曲线并做相应对比，如图１０所示。图中给出了实际燃气热值与各预测模型预测曲线。由图１０可见，ＲＢＦ神经网络相对于ＢＰ和ＴＳ ＦＮＮ神经网络，预测准确性高，燃气热值预测效果较好，说明
ＲＢＦ在
燃气热值预测上比其他神经网络更准确。图１０ ＢＰ、ＲＢＦ和Ｔ ＳＦＮＮ神
经网络燃气预测曲线对比图
将预测模型权值分别通过ＧＡ和ＰＳＯ优
化，对仿真结果进行分析比较，如图１１所示。可以发现ＧＡ
ＲＢＦ预测模型对于燃气热气热值预测有所改善，但改进ＰＳＯ ＲＢＦ模型预测精度效果更准确；改进ＰＳＯ ＲＢＦ和ＧＡ ＲＢＦ预测误差曲线如图１２所示，由图可见ＧＡ
ＲＢＦ建模方法产生的误差波动较大尤其是在６０～８０
图１１ 改进ＧＡ ＲＢＦ、ＰＳＯ ＲＢＦ神经网络燃气预测对比图
图１２
ＧＡ ＲＢＦ
、改进ＰＳＯ ＲＢＦ误
差曲线图ｍｉｎ
阶段出现跳变，ＰＳＯ ＲＢＦ误
差曲线波动幅度明显较小。 两种方法的性能评价指标对比，见表
４。
４ ＲＢＦＧＡ ＲＢＦ
ＰＳＯ ＲＢＦ
４ＰＳＯ ＲＢＦ于ＧＡ ＲＢＦ预测模型，具体体现在：（１）预测精度。改进ＰＳＯ ＲＢＦ神经网络平均相对误差在８．８５％左右，低于ＲＢＦ（０．１１９５）、ＧＡ ＲＢＦ神经网络（９．５９％）
。（２）泛化能力。改进ＰＳＯ ＲＢＦ神
经网络泛化能力优于对比模型。（３）命中率。改进ＰＳＯ ＲＢＦ神经网络命中率在９５％，明显高于ＧＡ ＲＢＦ神经网络命中率８９％。由此可见，改进ＰＳＯ ＲＢＦ神经网络预测精度要明显优于其他神经网络，有更好的辨识度。本文提出的算法可以较准确的计量高炉煤气热值。
４
结
语综上，针对实际现场固定空燃比燃烧导致无法根
据波动燃气热值匹配最佳助燃空气，以及氧化锆残氧分析系统费用高，高炉煤气热值高低未知、煤气计费标准单一等问题，新型残氧热值分析检测系统并行于热风炉控制系统，有效的改善以上窘境，并提出了在工业应用领域上，高炉煤气热值检测新方法，对评价高炉煤气质量、热风炉燃烧状态、优化热风炉空燃比、计量高炉煤气费用均有重大意义，上述结果表明新型燃气热值分析检测系统有实际应用价值，可将其用于今后工业燃气检测和空燃比优化与设定场景中，有利于提高经济效益、减少废气排放。参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［１］ 杨 晓，王国柱．基于ＰＩＤ控制理论的改进粒子群优化算法［Ｊ］．
控制工程，２０１９，２６（８）：１４９７ １５０２．
（下转第１２５页）６
９
