Zirkulierende Wirbelschichtkessel (CFB) nehmen in der Stromerzeugungsindustrie unseres Landes eine wichtige Stellung ein. Das Brennkammer-Verbrennungssystem weist jedoch stark gekoppelte Merkmale wie Mehrparameter, Multivariabilität, Nichtlinearität und Zeitvariation auf, was eine präzise Modellierung und Prognose des Systems erschwert. Maschinelles Lernen zeigt mit seiner starken Fähigkeit zur nichtlinearen Verarbeitung und Prognoseleistung ein breites Anwendungspotenzial im CFB-Bereich. Es werden Anwendungen von maschinellen Lerntechnologien in diesem Bereich erörtert, darunter die Vorhersage der minimalen Wirbelgeschwindigkeit, die Vorhersage von Schadstoffemissionen, die Vorhersage des Bettungsdrucks, die Vorhersage der Bettungstemperatur/Wirkungsgrad, die Vorhersage der Partikelzirkulationsrate, reduzierte Modelle des Bereichs der computergestützten Strömungsmechanik (CFD), Modelle von Sicherheitssteuerungssystemen für Kessel usw. Die Vorteile und Einschränkungen dieser Technologien in verschiedenen Szenarien werden analysiert, Chancen und Herausforderungen für CFB-Kessel im Zeitalter von Big Data werden aufgezeigt. Die Modellinterpretierbarkeit, Verbesserung der Generalisierungsfähigkeit, Diversität der Datenqualität, Kombination von Modellen mit traditionellen Methoden sowie experimentelle Validierung stehen im Fokus zukünftiger Forschungen.

Kohlekessel;CFB-Kessel;maschinelles Lernen;Nichtlinearität;Prognose