面向时变氨燃烧过程的结构保持虚拟化孪生控制框架

《Energy and AI》：Structure-preserving Virtualized Twin Control framework for time-evolving optimal ammonia combustion

　　

氨（NH3）是一种极具前景的无碳能源载体，可用于工业供热，因为其在燃烧过程中不产生燃料来源的二氧化碳（CO2）。然而，实际氨燃料炉需要在变化工况下进行实时控制，其中未燃NH3与烟气氮氧化物（NOx）之间存在强烈的权衡关系，同时炉温、温度均匀性以及面向控制的炉效指标也必须同步管理。本研究提出了一种虚拟化孪生控制（Virtualized Twin Control, VTC）框架，用于数据受限的多目标闭环控制，该框架将基于人工智能的建模与约束模型预测控制（Model Predictive Control, MPC）相结合。其核心原则是敏感性一致性，即由装置导出的输入-输出响应方向指导机器学习模型的构建与选择，以保留具有物理意义的控制方向。分层深度强化学习（Hierarchical Deep Reinforcement Learning, HDRL）用于在准稳态条件下确定多目标运行目标，而混合Transformer-GRU（Hybrid Transformer–GRU, HTG）预测器则用于表征MPC内的非线性、历史依赖瞬态动力学。进一步的局部鲁棒性分析推导出一个局部充分下降条件，该条件将模型-装置偏差、敏感性方向不一致性与控制增量幅值联系起来，从而为控制作用转移至实际物理装置时保持模型预测下降提供了理论基础。该框架在一台100 kW级氨燃烧炉上进行了实施。闭环实验表明，该框架实现了面向控制的炉效指标、NOx排放、未燃NH3以及温度分布的约束优化，同时在测量噪声、过程变量偏差、收紧的温度约束以及执行延迟等鲁棒性测试中表现出有界且非发散的行为。这些结果展示了一条结构保持的路径，用于实现脱碳工业能源系统的可靠AI控制。

论文解读：面向时变氨燃烧过程的结构保持虚拟化孪生控制框架

一、研究背景与问题

全球脱碳已成为紧迫的社会与工业挑战，减少工业供热系统的碳排放是这一转型的关键环节。氨（NH₃）作为一种不含碳的燃料，燃烧时不产生燃料来源的二氧化碳（CO₂），被视为锅炉和高湿工业炉中替代化石燃料的下一代无碳能源载体。然而，氨的实际应用面临多重挑战：氨反应活性低、辐射放热相对较低，维持稳定燃烧较为困难；降低未燃NH₃的运行条件往往会加剧NO_x生成，形成强权衡关系；同时炉温、温度均匀性及面向控制的炉效指标需要同步管理。此外，氨燃烧动力学机制在不同温度区间存在显著的不确定性，详细动力学模型在宽温度范围内应用时可能产生较大的模型形式不确定性。实际工业炉在调试和改造期间可获取的数据量及运行范围有限，依赖长期数据积累的建模方法不切实际。非线性、历史依赖的燃烧动力学进一步增加了控制难度，传统PID和线性控制器在处理非线性多变量交互、竞争目标、约束及时变工况时面临困难。

二、研究内容与结论

针对上述问题，研究人员提出了虚拟化孪生控制（VTC）框架，用于数据受限的多目标闭环控制。该框架的核心原则是敏感性一致性，即由装置导出的输入-输出响应方向指导机器学习模型的构建与选择，以保留物理上有意义的控制方向。分层深度强化学习（HDRL）在准稳态条件下确定多目标运行目标，混合Transformer-GRU（HTG）预测器表征非线性、历史依赖的瞬态动力学并嵌入约束MPC中。局部鲁棒性分析推导出局部充分下降条件，将模型-装置偏差、敏感性方向不一致性与控制增量幅值联系起来。该框架在100 kW级氨燃烧炉上进行了闭环实验验证，实现了炉效指标、NO_x排放、未燃NH₃及温度分布的约束优化，并在测量噪声、过程变量偏差、收紧温度约束及执行延迟等鲁棒性测试中表现出有界非发散行为。这一研究的意义在于展示了一条结构保持的路径，实现脱碳工业能源系统的可靠AI控制，为数据有限的工业热过程多目标闭环优化提供了可部署的解决方案。

三、关键技术方法

研究人员采用的主要技术方法包括：其一，敏感性一致性设计方法，将工程敏感性结构明确纳入数据设计、模型评估与选择以及顺序MPC控制执行中；其二，混合Transformer-GRU（HTG）预测器，用于表征非线性历史依赖燃烧动力学，兼顾预测精度与装置导出响应方向的一致性；其三，HTG预测器与约束MPC的集成，实现时变多目标闭环优化；其四，分层深度强化学习（HDRL）基于近端策略优化（PPO）用于准稳态多目标优化。实验在一台100 kW级氨燃烧炉上实施，配备平行喷射空气分级燃烧器，采用质量流量控制器调节燃料与空气流量，通过PLC实现炉温控制与信号更新，激光吸收光谱气体分析仪测量NO、NO₂、N₂O及未燃NH₃，NDIR分析仪测量CO和CO₂。

四、研究结果

4.1 优化问题公式化：研究人员将离散时间状态转移映射专门化为炉用非线性预测函数，区分了HDRL使用的准稳态预测输出与HTG-MPC使用的瞬态预测输出。上层准稳态优化旨在最小化NO_x排放并最大化面向控制的炉效指标，同时满足未燃NH₃、炉均温度及温度均匀性的运行要求。

4.2 敏感性一致性建模与评估：理论分析表明，局部模型-装置偏差包含零阶逐点预测误差与一阶敏感性诱导误差。敏感性符号一致性被用作通道级结构筛选准则，排除与装置响应方向相反的模型敏感性。HTG预测器从有限实炉数据构建，通过预测精度、工程敏感性及平衡分数进行评估，并与GRU-only和Transformer-only预测器进行了比较。

4.3 HTG-MPC闭环控制：HTG预测器作为可微一步预测模型嵌入约束MPC中，在100 kW级氨燃烧炉上实现了闭环实验。实验表明该框架实现了炉效指标、NO_x排放、未燃NH₃及温度分布的约束优化。

4.4 鲁棒性测试：在测量噪声、未燃NH₃测量偏差、收紧及平移炉温参考带、以及一分钟执行延迟等条件下进行了鲁棒性测试，结果显示有界且非发散的行为。

五、讨论与结论

研究人员比较了HDRL+有限阶跃响应MPC与HTG-MPC在准稳态和瞬态运行区的互补性能，并提出了一种根据运行条件和动态状态协调优化与控制模块的编排策略。研究表明，机器学习模型作为结构化状态转移表示，支持HDRL与MPC控制层之间的状态依赖编排。该框架在通用工业PC上实现了约9-14秒的总闭环周期时间，表明不需要专门的高性能计算资源，可在标准工业计算硬件上实际部署。研究结论指出，VTC框架通过将预测、优化与约束管理集成在统一控制架构中，实现了强非线性和数据受限条件下可靠的时变多目标优化，展示了结构信息AI、虚拟化孪生与约束优化相结合用于脱碳工业热过程实时控制的可行性。