Égések zaj alapú elemzése mesterséges intelligenciával
Előzmények: Jelen TDK dolgozat előzményeként már készült a témában a szerző által egy TDKés egy szakdolgozat. A már ott is megfogalmazott célhoz vezető úton történt meg a következő lépés, aminek eredményeit ez a dolgozat ismerteti.
Kihívások: A tüzelőberendezések üzemeltetésére egyre szigorúbb rendeletek írnak elő a károsanyag kibocsátás kapcsán. A kívánt károsanyag kibocsátást eddig főként különböző passzív szabályzó elemekkel próbálták meg elérni. Ilyen passzív szabályzó elem lehet a fúvóka átmérője, az alkalmazott diffúzor geometriája. Ezen passzív szabályzó elemek hatását pedig a füstgáz visszamérésével határozták meg. Emellett ismert, hogy különböző lángalakokhoz jól megkülönböztethető mennyiségű károsanyag kibocsátás tartozik. A dolgozatban is bemutatott kísérleti berendezés esetében már eddig is ismertek voltak a tüzelés egyéb paraméterei, mint a lángalak, különböző rendszernyomások (pl.: porlasztó-nyomás), égéslevegő hőmérséklete stb. Ezen paraméterek optimális beállítása lesz az aktív szabályzókör feladata. A legfontosabb paraméter a károsanyag-emisszió, hiszen erre vonatkoznak a törvényi előírások. Ha ezt továbbra is füstgázból szeretnénk visszamérni, akkor nem valósulhatna meg a kvázi valós idejű szabályzás, mivel ez a mérés kémiai úton történik, amihez akár 1 perces késleltetést is jelenthet.
Feladatok: A kvázi valós idejű tüzelés szabályzáshoz kvázi valós idejű input adatokra van szükség. Ehhez a tüzelés akusztika jeléből kell tudni levezetni függvényszerű kapcsolaton keresztül a füstgáz komponenseket. Majd a már korábban bemutatott módon a füstgáz komponensekből mesterséges intelligenciával (MI) levezetett idealitás-index genetikai potenciál keretében feltárt mozgástér alapján lehet meghatározni, az ideális paramétereket, amik adott teljesítmény és láng alak mellett a legkisebb károsanyagkibocsátást eredményezik.Az MI bevonása a mért adatok értelmezésébe azért szükséges, mert így lehet a legmagasabb minőségbiztosítási szinten a szabályozáshoz szükséges termelési függvényeket (Y=f(X1;…;Xi) automatizáltan előállítani.
Eredmények: Az akusztikai jelek gyors Fourier-transzformációja (FFT) után létrejött magyarázó változókkal (Xi), mint az akusztikai jel amplitúdója és a hozzá tartozó frekvencia kvázi tetszőleges pontosságú modellezés/tanulás érhető el a folyamat-szenzor adatok (nyomás, hőmérséklet, térfogatáram) esetében. Ennek az igazi jelentősége majd akkor lesz fontos, ha már csak akusztikai jel alapján szeretnénk szabályozni és nem is áll rendelkezésre ennyi folyamat-szenzor jel, mint ennél a kísérleti berendezésnél.
A füstgáz komponensek tanulhatósága is magas korrelációról indul (~0.9), amit hibrid modellek még tovább lehet javítani. A négy füstgáz komponens (CO, NO, CO2, O2) közül három (NO, CO2, O2) közel mérési hibahatáron belül jelezhető előre.
