阿里云：垃圾焚燒發電，AI能幫我們做什么？

時間：2019-12-10 14:29

來源：中國固廢網

近日，廣州街頭幾個神秘垃圾桶引發不少行人圍觀。在老小區、CBD和美食街三處獨具廣州特色的空間各有1個互動垃圾桶，鑲嵌著該區域特有的垃圾：雜七雜八的生活垃圾、辦公耗材、外賣打包盒。每當人們把垃圾丟進去，顯示屏上的數字會跳動，告訴人們這些垃圾在科技的力量下，能夠多轉化成多少電能。

據了解，這是阿里云的“人工智能垃圾焚燒發電優化技術”互動裝置，旨在讓公眾了解垃圾焚燒發電對社會的正向價值，也提出了“AI+垃圾焚燒發電”的新命題。

垃圾焚燒發電是朝陽產業，市場潛力巨大。不過，對于垃圾焚燒企業來說，垃圾的成分變化多端，如何提升焚燒控制的穩定性，是一個重要的技術挑戰。

傳統的操作過程中，由焚燒工程師通過調節焚燒爐的各種參數，確保垃圾焚燒充分、蒸汽量穩定，這樣一方面減少鍋爐設備受損，另一方面可以更穩定發電并降低煙氣污染物的排放。但是，每天的生活垃圾不一樣，成分也很復雜，一年四季受溫度和濕度影響不斷變化，要做到穩定的燃燒很不容易。

長久以來，焚燒控制主要依賴人的判斷和經驗積累，這背后可能隱藏著三個問題。

一是經驗存在偏差與不穩定。不同工藝專家技術水平參差不齊，調出來的效果相差較大。此外，現場人員難以長時間集中精力觀察參數變化，導致焚燒爐無法發揮到最佳狀態，垃圾焚燒的穩定性不足。

二是經驗難以固化與傳承。經驗都存在老師傅的腦袋里。培養一位合格的工藝專家需要 1-2年的時間，一旦離崗，經驗也隨之帶走，沒有任何積累留給新人。而培養一名新員工直到上崗，則要耗費大量精力與時間。長時間的大強度勞動，也加劇了工人的流失。

此外，經驗還存在天花板。即便再有經驗的老師傅，也只能做到對一部分參數的認知，而整個垃圾焚燒過程涉及上千種參數，遠超出人腦的計算與理解能力。

引入AI：數據+模型+經驗=最優參數推薦

人工智能的加入，會帶來更多想象空間：通過AI將經驗與數據中的隱性知識轉變為顯性知識，并嵌入到機器中，讓機器協助人類來完成復雜焚燒過程的復雜決策與控制。但擺在眼前的問題是，垃圾焚燒領域鮮有數據科學家，懂行業機理模型的數據科學家更是風毛菱角，行業算法處于空白。于是，阿里云工業大腦團隊與固廢行業企業一起，將數據與算法上的優勢，與行業專家經驗結合，共同開發垃圾焚燒工藝優化算法，優化垃圾焚燒的穩定性。

工業大腦落地場景的選擇至關重要。數據可用性、風險可控、可實施、高收益與可復用是選擇優先場景需要考慮的關鍵因素。

垃圾焚燒發電主要包括垃圾推料、垃圾焚燒、煙氣處理、污水處理、汽輪機發電五個環節。雙方團隊經過多輪溝通，最終選擇先以垃圾推料(將垃圾在最佳時間送入焚燒爐，達到充分燃燒)做為切入點。原因就在于這個環節已經具備一定數據基礎、且該環節依靠人工操作，AI發揮空間大，并且各電廠面臨的問題是共性的，復制性強。

明確了落地場景，雙方專家開始共同制定垃圾焚燒優化的方案思路，整個過程好比一個菜譜的開發過程，包括精選食材，調試配方、反復試菜、直到最終菜譜的生成。

第一步：關鍵參數識別 (選擇食材)

垃圾焚燒的全過程充斥著復雜的物理與化學變化，涉及多達2000+個實時測點數據，因此需要過濾出對焚燒穩定性影響最大的關鍵參數。通過歷史數據分析與專家經驗，識別出包括推料行程、推料動作、一次風量、一次風壓、二次風量、爐膛溫度、煙氣含氧量、主蒸汽壓力等多達30個測點數據，用于下一步的分析與模型訓練。

第二步：模型訓練 (調試配方)

鎖定關鍵參數后，接下來輸入到工業大腦平臺上的仿真預測模型，進行垃圾焚燒過程的模型訓練，實時預測焚燒產生的蒸汽情況。通過對每次垃圾推料生產的前后關系分析，比如推料前的爐型狀態，推料動作，以及推料后的焚燒反應，構建數據的輸入輸出關系模型。訓練過的焚燒爐蒸汽量仿真預測模型可以準確預測90秒后的蒸汽量，準確度到達95%，為后續推料時間提供決策依據。此外，通過歷史有效推料數據及專家經驗，建立各關鍵參數的特征數據與推料時間的對應關系，在此基礎上結合蒸汽量預測值預判，實現更加精準的推料時間推薦。

第三步：算法輔助決策 (菜譜生成)

該階段，算法模型分析的結果通過API接口的方式把推薦工藝參數實時的提供出來。產品配套的人機交互界面，會直接部署到工廠控制室現場, 可以實時的告訴工人，什么時候該推料，以及如何推料等操作建議。工人只需要按提示直接生產就可以了。

經過數月的密集研發和測試，雙方團隊開發出了首個AI垃圾焚燒優化方案，結合企業掌握的海量垃圾焚燒數據，AI可以進行更精準更穩定的監測、預判和及時調整。結果發現，過去，操作員4個小時內需要操作30次，才能讓垃圾焚燒過程保持穩定，而如今在AI的協助下，干預6次即可。而且工業大腦輔助人的方式對比單純人工操作，系統可以提升約1~2%的蒸汽產量，鍋爐蒸汽量穩定性提升20%以上。