Циклоническая псевдоожиженная (CFB) котельная занимает важное место в нашей энергетической отрасли, однако система сгорания в топке характеризуется множеством параметров, многими переменными, нелинейностью и временной изменчивостью, что существенно усложняет точное моделирование и прогнозирование системы. Машинное обучение благодаря своей мощной способности обработки нелинейностей и прогнозной эффективности демонстрирует широкие перспективы применения в области CFB. Обсуждаются применения технологий машинного обучения в данной области, включая прогноз минимальной скорости вспенивания, прогноз выбросов загрязняющих веществ, прогноз давления в слое, прогноз температуры слоя/теплового КПД, прогноз скорости циркуляции частиц, уменьшенные модели полей вычислительной гидродинамики (CFD), модели систем безопасности котлов и другие аспекты. Анализируются преимущества и ограничения этих технологий в различных сценариях, рассматриваются возможности и вызовы, с которыми сталкиваются CFB котлы в эпоху больших данных, а также подчёркиваются такие направления будущих исследований, как объяснимость моделей, улучшение обобщающих способностей, разнообразие качества данных, интеграция моделей с традиционными методами и экспериментальная валидация.

угольные котлы;CFB котлы;машинное обучение;нелинейность;прогнозирование