何止垃圾分类烧脑 垃圾发电都用上人工智能了

摘要：有了人工智能辅助，老师傅的担子变轻了。

洪毅没想到，一道算法竟让他这个烧了8年垃圾的老师傅彻底改变了工作方式。

3个月之前，洪毅每4个小时就要操作30次垃圾进料，才能让垃圾焚烧过程中的蒸汽压强保持稳定。

而在阿里云工程师带着人工智能技术与瀚蓝的老师傅经验结合之后，神奇的事情发生了：系统可以根据此前垃圾的燃烧情况，预判90秒内的蒸汽变化曲线，进而推荐最佳进料操作。

工人只需要在收到提醒后，输入系统即可安全、高效进行焚烧过程。这让整个操作时长减少了80%，而且可以迅速在其他厂里推广开来。

7月23日，阿里云与瀚蓝环境宣布，首个管理垃圾焚烧炉的AI投入使用。相比单纯人工操作，AI辅助人的方式让锅炉燃烧稳定性提升了23%。

培养老师傅至少要五年

广州佛山瀚蓝绿电固废处理厂内，一个5米宽3米高的机械抓斗，从经过5天发酵的垃圾堆里一把抓起重达15吨的垃圾，将其投入焚烧锅炉进料口，然后，推料杆会将这些垃圾一点一点送入炉温高达1000℃的焚烧锅炉。

整个厂区共有六台这样的焚烧锅炉，每天“消化”近3000吨垃圾，可发电150万度，足以满足南海区16万户40万人的生活用电需求。

控制焚烧锅炉的火候，是一件超高难度的工作。

实时变动的参数多达1400余个，任何一个参数的变化，都会影响垃圾焚烧的效果和发电量。瀚蓝规定，数据中控室里至少要有三位技工守在电脑屏前监测数据，五班三倒，二十四小时从不间断。

今年31岁的洪毅，是其中一班的值长，从学徒到现在分管整个厂区运行的老师傅，他花了八年才摸透垃圾焚烧炉的脾气。

锅炉燃烧要保持稳定，与炉内压力、温度、氧量，风机的风压、风量等大量参数息息相关，而引发参数变化的原因，则是诸如垃圾堆没有点着，推送垃圾的速度慢了，垃圾没烘干此类的具体问题，通常，洪毅只需瞄一眼火孔，就能看出问题出在哪儿。

巡检时的洪毅

锅炉的送风管道，弯曲部分很容易堵塞，洪毅巡检时就拿个锤子，在风道拐弯处轻敲两下，声音清脆，则说明没堵死，若要进一步确认是否部分堵塞，则不能单凭听觉判断，他要一点点打开管道口的阀门，查看送风量，也可以看风压，风压升高，就说明给料受阻，拐角处存在部分堵塞的可能。

这些判断、处理问题的诀窍，都是老师傅们长年累月积存的经验，而学徒们要出师，就离不开老师傅的“传帮带”，洪毅记得很清楚，自己花了一年时间，才初步掌握从锅炉构造原理到一整套锅炉、汽机、电气循环系统的知识，从而有了独立操作的资格。

在瀚蓝，工龄五年以上，才有资格称作老师傅，人才培养周期如此漫长，在不断增长的业务需求面前，厂方迫切希望，“年轻员工也能烧出老师傅的感觉”。

老师傅经验难以量化

然而，老师傅的经验，却很难标准量化，在处理焚烧垃圾的各类问题时，他们有着自己的习惯和偏好。

比如，当焚烧炉内垃圾燃烧不充分时，不同的老师傅会有不同的操作。

刘值长会选择提高一次风温，将风温从正常的120℃提高到150-160℃。而张值长则会先跑去看料，通过手动炉排，让炉内的垃圾翻滚起来，这就相当于增加氧量，来加强火焰的燃烧。

而当焚烧炉内垃圾燃烧过旺时，就需要及时推垃圾进炉。

给料器总长1.3米，每推一次前进300-400毫米的距离，这个垃圾量称作一斗。

此时，刘值长会降一次风温，再推一斗垃圾进去，让其持续燃烧。洪毅则比较保守，只选择进半斗，稍微补充，再观察参数变化，根据观察结果来决定进料量。

垃圾焚烧炉

焚烧炉内垃圾燃烧是否充分，其中一个原因是垃圾的燃烧值不同。有时，一斗垃圾多为处理过的厨余垃圾或金属垃圾，炉火就会特别旺，蒸汽量负荷一下就上来了；有时，一斗垃圾里掺杂了木板杂物，就很难燃烧，蒸汽量负荷就“噌噌”往下掉。

通常，蒸汽量数值维持在53吨左右最为适宜，但由于垃圾燃烧值在不断变化，所以最高可以到90吨，最低可以到30吨。蒸汽量数值剧烈波动，直接影响焚烧炉运行的稳定性，这是老师傅们也要头疼的事情，蒸汽量数值过高会有安全隐患，过低又会影响发电量。

人工智能首秀略尴尬

为了进一步提升锅炉燃烧稳定性，瀚蓝环境和阿里云走到了一起，希望借助人工智能优化效果。

2018年12月，阿里云工程师来到瀚蓝环境，向老师傅们要走了近十年的历史数据，他们选取了风压、风温等100个特征测点构建模型，可实时计算与分析，预判垃圾燃烧后蒸汽变化曲线，推荐最佳进料操作。

然而，初试牛刀就出了洋相，算法接入焚烧系统后只“跑”了半个小时。

“暂停，暂停，先关了。”工程师张茂灵和其他几个工程师主动喊停了这一次的试验。

原来，洪毅发现维持在53.1吨的蒸汽量负荷，涨到了60吨，炉内氧量涨到了10%，应该进料了。可是算法并没有及时给出提示，再不进料就会跟火源脱节，下一斗的垃圾就很难烧旺。洪毅在一旁抿着嘴，双手搓了下，移动鼠标，点下了屏幕上的“进料”按键。

洪毅和张茂灵在垃圾吊操作室

人工智能的首秀遭到了人工的干预，几个阿里云工程师抱着电脑奔回会议室，立刻开始复盘这一版的算法，确实是基于历史经验建的模，离线训练效果也很不错，但为什么投入生产就“跑”不起来了？