没有合适的资源?快使用搜索试试~ 我知道了~
基于潜在特征选择性集成建模的二噁英排放浓度软测量.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 179 浏览量
2023-02-23
16:49:38
上传
评论
收藏 2.04MB DOCX 举报
温馨提示
试读
23页
基于潜在特征选择性集成建模的二噁英排放浓度软测量.docx
资源推荐
资源详情
资源评论
如何基于运行优化控制策略降低复杂工业过程的能源消耗和污染排放, 是国内外流程
工业企业所面临的急需解决难题
[1-3]
. 焚烧是进行城市固废(Municipal solid waste, MSW)处理
的主要技术手段
[4]
. 对于发展中国家的 MSW 焚烧(MSW incineration, MSWI)企业, 最为紧迫
的问题是如何降低焚烧造成的污染排放
[5-6]
, 其中急需在线监视和优化控制的是造成焚烧建
厂“邻避现象(Not in my backyard, NIMBY)” (指居民或单位因担心垃圾场、核电厂、殡仪馆
类的建设项目对身体健康、环境质量和资产价值等带来负面影响而激发的嫌恶情结, 滋生
“不要建在我家后院”的心理, 并采取强烈、坚决, 甚至高度情绪化的集体反对和抗争行为)
主要原因之一的剧毒物质二噁英(Dioxin, DXN)的排放浓度
[7-9]
. MSWI 企业当前主要关注如
何基于优化的运行参数实现 DXN 排放的最小化
[10]
. 目前, 除配套先进的尾气处理装置外,
普遍采用“3T1E”准则间接控制 DXN 排放
[11]
, 即: 焚烧炉内高于 850 ℃的温度(Temperature,
T)、超过 2 秒(Time, T)的烟气停留时间、较大的湍流程度(Turbulence, T)和合适的过量空气
系数(Excess oxygen, E). 当前 MSWI 企业难以进行以降低 DXN 排放为直接目标的运行优化
和反馈控制, 其主要原因是: 1) DXN 排放浓度的机理模型难以构建
[12]
; 2) 以月或季为周期
的离线直接检测焚烧尾气方式不能提供实时反馈的 DXN 排放浓度值
[13]
. 近年来的研究热点
是基于指示物/关联物对 DXN 排放进行在线间接检测
[14-15]
, 但这些方法固有的设备复杂、造
价昂贵、检测滞后等原因导致其难以用于 MSWI 过程的运行优化和反馈控制
[13]
.
数据驱动软测量技术可用于需要离线化验的难以检测参数(如本文中的二噁英)的在线
估计
[16- 17]
. MSWI 过程包括固废焚烧、蒸汽发电、烟气处理及尾气排放等多个阶段, 其所包
含的数百维过程变量间具有较大的冗余性与互补性; 显然, 这些不同阶段与 DXN 的产生、
燃烧、吸收、再合成等过程相关, 有必要结合工艺过程划分为不同阶段子系统以便于能够
量化表征对 DXN 排放浓度软测量的贡献度, 同时能够保留全部过程变量, 进而避免有用过
程变量的缺失. 因此, 依据 MSWI 过程的特点, 可将 DXN 排放浓度软测量归结为一类面向
小样本高维数据的建模问题. 文献[18]指出, 模型输入维数和低价值训练样本的增加使得获
取完备训练样本的难度增大. 文献[19]定义了维数约简后的建模样本与约简特征之比, 指出
该值应满足构建鲁棒学习模型的需求. 因此, 针对 MSWI 过程具有小样本高维特性的 DXN
排放建模数据进行维数约简是必要的.
目前较为常用的方法是基于机理或经验通过特征选择实现维数约简. 以依据经验选择
的部分过程变量为输入, 文献[20-21]通过采用多年前欧美研究机构所收集的少量样本, 基于
线性回归、人工神经网络(Artificial neural network, ANN)等算法构建 DXN 排放浓度软测量
模型. 近年来, 我国台湾地区针对实际焚烧过程, 首先初选部分过程变量, 再结合相关性分
析和主元分析(Principal component analysis, PCA)进行特征选择, 最后基于 BP 神经网络
(Back propagation neural network, BPNN)进行 DXN 排放浓度建模
[22]
; 但 BPNN 具有易陷入
局部最小、易过拟合和面向小样本数据建模泛化性能差等缺点. 理论上, 基于结构风险最小
化准则的支持向量机(Support vector machine, SVM)算法能够有效建模小样本数据
[23-24]
, 但其
需求解二次规划(Quadratic programming, QP)问题且超参数难以自适应选择. 最小二乘−支持
向量机(Least squares SVM, LS-SVM)通过求解线性等式克服 QP 问题, 其超参数可通过优化
算法得到
[25-27]
, 但耗时且只能得到次优解
[28]
. 上述方法均以部分过程变量为输入构建传统单
模型, 其泛化性有待于提高, 并且难以表征 MSWI 不同工艺阶段对 DXN 模型的贡献率. 此
外, 上述研究也缺少对 LS-SVM 超参数的自适应选择机制.
针对工业过程机理复杂性难以有效地进行特征选择以及变量间具有的强共线性, 能够
提取高维数据蕴含变化的主元分析(PCA)是工业过程难以检测参数软测量中较为常用的潜
在特征提取方法
[29]
, 但贡献率低的主元建模会降低预测稳定性
[30]
. 此外, 基于上述非监督方
法所提取的蕴含原始过程变量主要变化的潜在特征与难测参数间的相关性却可能较弱. 因
此, 有必要对贡献率满足要求的潜在变量进行再次选择.
此外, 针对 MSWI 过程的不同阶段子系统和全流程系统所提取的潜在特征可视为表征
不同局部和全局特性的多源信息. 理论和经验分析表明, 面向多源信息采用选择性集成
(Selective ensemble, SEN)机制构建的软测量模型具有更佳的稳定性和鲁棒性
[30]
. 文献[31]综
述了集成子模型多样性的构造策略, 指出训练样本重采样包括划分训练样本(样本空间)、划
分或变换特征变量(特征空间)等, 基于特征空间的集成构造策略在模型预测性能上较优. 针
对小样本多源高维谱数据, Tang 等
[32]
提出基于选择性融合多源特征和多工况样本的 SEN 潜
结构映射模型. 文献[32-33]提出了基于随机采样样本空间的 SEN 神经网络模型和潜结构映
射模型. 文献[34]提出基于子空间的集成学习通用框架. 文献[35]提出了在特征子空间内随
机采样样本空间的面向多尺度机械信号的双层 SEN 潜结构映射模型. 文献[36]提出的 SEN
神经网络模型分别构建候选子模型和选择集成子模型及计算其权重. 但上述方法均未进行
模型参数自适应机制的研究. 采用与文献[20]相同的建模数据, 文献[37]提出了基于候选超
参数的 SEN 建模方法, 但该方法难以描述当前实际 MSWI 过程的真实特性, 并且难以有效
表征 DXN 生成、燃烧、吸附和排放过程的多阶段特性.
综上可知, 依据 MSWI 过程的多阶段特性对不同阶段子系统进行非监督潜在特征的提
取与度量, 构建具有自适应超参数选择和 SEN 机制的 DXN 排放浓度软测量模型的研究还
未见报道. 因此, 本文所提的基于潜在特征 SEN 的 DXN 排放浓度软测量方法的创新点表
现在: 1)采用 PCA 提取依工艺流程划分阶段子系统和 MSWI 全流程系统的潜在特征, 并依
据预设的主元贡献率阈值进行多源潜在特征初选, 保证预测稳定性和避免特征选择不当造
成的信息损失; 2)采用互信息(Mutual information, MI)度量初选潜在特征并进行选择以保证
再选潜在特征与 DXN 间的相关性, 自适应确定多源潜在特征再选的上下限及阈值; 3)采用
具有超参数自适应选择机制的 LS-SVM 算法和自适应确定集成子模型尺寸、集成子模型及
其加权系数的 SEN 机制构建 DXN 排放浓度软测量模型, 确保具有互补特性的最佳子系统
能够选择性融合.
1. 面向 DXN 排放过程的 MSWI 描述
MSWI 的主要设备包括焚烧炉、移动炉排、废锅和尾气处理等设备, 其中, 焚烧炉将
MSW 转化为残渣、灰尘、烟气与热量, 位于焚烧炉底部的移动炉排促使 MSW 有效和完全
燃烧, 废锅产生的蒸汽用于推动汽轮机产生电力, 烟气中的灰尘和污染物通过尾气处理设备
净化后排入大气. 其过程如图 1 所示.
图 1 基于 DXN 视角的 MSWI 过程描述
Fig. 1 MSWI process description based on DXN perspective
下载: 全尺寸图片 幻灯片
由图 1 可知, MSWI 过程包含 DXN 生成、燃烧、吸附和排放等阶段, G1、G2 和 G3 等
不同阶段的烟气中所包含的 DXN 浓度具有差异性. 通常, 为保证焚烧炉内的有害物质能够
有效和完全分解, 烟气温度应该达到 850 ℃ 并保持 2 s 以上. 用于 MSW 焚烧的一次风从炉
排底部喷入, 并通过引入湍流和保证过量氧的供应使得二次风能够辅助进行烟气的完全燃
烧. 在烟气冷却过程中, 进行焚烧矿渣和废锅底灰的处置和收集后排出烟气(G1). 活性炭和
石灰被注入反应器, 用于移除酸性气体和吸收 DXN 及一些重金属, 烟气然后再进入袋式过
滤器. 在反应器和袋式过滤器内产生的飞灰被注入混涅设备后排放烟气(G2). 引风机将烟气
(G2)吸入到烟囱, 产生排放至大气中的烟气(G3), 其包含 HCL、SO
2
、NOx 和 HF 等多种能
够实时在线检测的污染物浓度, 以及具有长周期、高成本等特点需离线才能化验的 DXN 浓
度. 由上述描述可知, DXN 排放浓度与 MSWI 过程不同阶段的易检测过程变量均具有相关
性. 由图 1 可知, MSWI 过程按工艺流程至少可分为焚烧、锅炉、烟气处理、蒸汽发电、烟
气排放、公用工程辅助共 6 个阶段子系统. 对于 DXN 排放浓度建模, 本文将不同的阶段子
系统及全流程系统均视为多源信息.
2. 建模策略
依据上述分析, 本文提一种基于潜在特征 SEN 建模的 DXN 排放浓度软测量方法, 包
括广义子系统划分模块、潜在特征提取与初选模块、潜在特征度量与再选模块、自适应选
择性集成建模模块, 如图 2 所示.
图 2 基于潜在特征 SEN 建模的 DXN 排放浓度软测量策略
Fig. 2 Soft sensing strategy of DXN emission concentration based on latent feature SEN
modeling
下载: 全尺寸图片 幻灯片
在图 2 中, Xi∈RN×MiXi∈RN×Mi 表示从第 ii 个子系统所采集的全部过程变
量; ZiFeAll∈RN×MiFeAllZFeAlli∈RN×MFeAlli 表示针对第 ii 个子系统的全部过程变量, 采用
PCA 提取的数量为 MiFeAllMFeAlli 的全部潜在特征; ZiFeSe1st∈RN×MiFeSe1stZFeSe1sti∈
RN×MFeSe1sti 表示针对第 ii 个子系统的全部潜在特征, 依据设定阈值 θContriθContri 选择
的数量为 MiFeSe1stMFeSe1sti 的初选潜在特征; ZiFeSe2nd∈RN×MiFeSe2ndZFeSe2ndi∈
RN×MFeSe2ndi 表示对第 ii 个子系统的初选潜在特征与 DXN 间的相关性采用 MI 度量后,
基于阈值 选择的数量为 MiFeSe2ndMFeSe2ndi 的再选潜在特征; KierKeri 和 RiegRegi 表示为
第 ii 个子模型所选择的核参数和正则化参数, 即超参数对, 本文将其记为
{Kier,Rieg}{Keri,Regi}; y^iy^i 表示第 ii 个子模型的预测输出; yy 和 y^y^表示 DXN 排放浓度
软测量模型的真值和预测输出.
上述模块的功能是: 1)广义子系统划分模块. 基于工艺流程或经验知识将过程变量分组
为蕴含不同局部信息的阶段子系统, 并将全流程系统作为包含全局信息的广义子系统. 2)潜
在特征提取与初选模块. 采用 PCA 提取不同阶段子系统和 MSWI 全流程系统所包含过程变
量的全部潜在特征, 基于依据经验设定的潜在特征贡献率阈值获得多源初选潜在特征, 其目
的是防止采用较小贡献率的潜在特征建模造成预测性能的不稳定. 3)潜在特征度量与再选模
块. 采用 MI 度量初选潜在特征与 DXN 排放浓度间的关系, 并结合软测量模型预测性能自
适应确定再选潜在特征, 其目的是使得所选的多源潜在特征与 DXN 间具有较好的映射关
系. 4)自适应选择性集成建模模块. 采用超参数自适应选择策略构建基于不同广义子系统再
选潜在特征的最佳预测性能子模型, 结合分支定界和预测误差信息熵加权算法自适应地选
择子模型和计算其加权系数, 其目的是选择具有较好冗余与互补特性子模型进行融合, 以提
高 SEN 软测量模型的预测性能. 本文中采用的公式符号及其说明如表 1 所示.
表 1 本文中的公式符号及其说明汇总表
Table 1 Summary of formula symbols and their explanations in this paper
符号
含义
符号
含义
yy
DXN 排放浓度软测
量模型的真值
y^y^
DXN 排放浓度软测
量模型的预测输出
NN
建模样本数量
MM
输入过程变量数量
XX
MSWI 全流程系统
的输入数据
XiXi
第 ii 个子系统的输
入数据
I−1I−1
MSWI 全流程系统
划分子系统个数
MiMi
第 ii 个子系统包含
的过程变量个数
ZiFeAllZFeAlli
第 ii 个子系统
的过程变量采用
PCA 提取的全部
潜在特征
MiFeAllMFeAlli
第 ii 个子系统的过
程变量采用 PCA 提
取的全部潜在特征
的数量
ZiFeSe1stZFeSe1sti
第 ii 个子系统的
初选潜在特征
θContriθContri
对全部潜在特征进行
初选的设定阈值
MiFeSe1stMFeSe1sti
第 ii 个子系统初
选潜在特征的数量
MiFeSe2ndMFeSe2ndi
第 ii 个子系统再选
潜在特征的数量
ZiFeSe2ndZFeSe2ndi
第 ii 个子系统的
再选潜在特征
θMIθMI
再选潜在特征的选择
阈值 θMIθMI
(KierKeri, RiegRegi)
第 ii 个子模型
的核参数和正则
化参数 , 即超
参数对
ii
第 ii 个子模型的预
测输出
剩余22页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3653
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- Pytorch-pytorch深度学习教程之深度残差网络.zip
- Pytorch-pytorch深度学习教程之循环神经网络.zip
- Pytorch-pytorch深度学习教程之逻辑回归.zip
- Pytorch-pytorch深度学习教程之双向循环网络.zip
- Pytorch-pytorch深度学习教程之卷积神经网络.zip
- Pytorch-pytorch深度学习教程之前馈神经网络.zip
- Pytorch-pytorch深度学习教程之线性回归.zip
- Pytorch-pytorch深度学习教程之基本操作.zip
- 基于QT的地图可视化桌面系统后台数据库为MySQL5.7源码.zip
- 基于simulink的PLL锁相环系统仿真【包括模型,文档,参考文献,操作步骤】
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功