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-CSDN文库

版权申诉

179 浏览量 2023-02-23 16:49:38 上传评论收藏 2.04MB DOCX 举报

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

{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

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

建模样本数量

输入过程变量数量

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

第 ii 个子模型的预

测输出

剩余22页未读，继续阅读

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3653
资源: 1万+

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

基于多层特征选择的固废焚烧过程二噁英排放浓度软测量.docx

基于多模态特征子集选择性集成建模的磨机负荷参数预测方法.docx

一种烧结协同处置垃圾焚烧飞灰过程中二恶英控制方法与流程.docx

垃圾焚烧厂的二恶英控制与监管.docx

一种可减排二恶英的生活垃圾焚烧系统的制作方法.docx

北京生态环境中心二恶英实验室2019年招聘检测员试题及答案解析.docx

垃圾焚烧电厂二恶英减排技改实例参照.pdf

生活垃圾焚烧厂中二恶英的产生和控制.doc

生活垃圾焚烧厂中二恶英的产生和控制.pdf

基于小数据集的垃圾焚烧二恶英的软测量建模

垃圾焚烧厂的二恶英控制及监管.doc

垃圾焚烧厂的二恶英控制与监管.pdf

垃圾焚烧电厂二恶英减排技改实例.doc

垃圾和煤混烧流化床焚烧炉的二恶英排放质量平衡

垃圾电站二恶英处理方法[整理].pdf

垃圾焚烧中二恶英脱除方法及机理整理.pdf

垃圾电站二恶英处理方法.pdf

肼类物质抑制二恶英排放的机理及应用探析 (2007年)

垃圾焚烧发电厂除二恶英活性炭.doc

多壁/单壁碳纳米管对二恶英吸附特性的对比研究

垃圾焚烧厂的二恶英控制与监管[定义].pdf

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

农村公交与异构无人机协同配送优化

李飞飞自传 我看见的世界 The World I see

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

4个亲测好用的ChatGPT4渠道

最新资源

李飞飞自传我看见的世界 The World I see