The invention discloses a soft-sensing method for DXN emission concentration in solid waste incineration process based on latent structure mapping algorithm. Firstly, the process variables of solid waste incineration process and the concentration of easily detected exhaust gases are collected and pretreated; secondly, the variable projection importance (VIP) based on linear latent structure mapping algorithm and the method set according to experience are implemented. Input feature selection ratio is used to determine the input features of the soft sensor model. Finally, a selective ensemble nuclear submarine structure mapping model based on adaptive selection of kernel parameters is constructed. This method can pre-set the feature selection parameters, structural parameters and the selection threshold and weighting strategy of their ensemble sub-models according to the actual needs of industrial processes. It is suitable for constructing soft sensor models with difficult to detect parameters based on small sample collinear data.
【技术实现步骤摘要】
一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法
本专利技术属于固废排放
,尤其涉及一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法。
技术介绍
固废焚烧(MWSI)对生活垃圾的无害化、减量化和资源化优势比固废填埋法更为显著,但该过程排放的二噁英(DXN)是具有极强化学和热稳定性的剧毒持久性有机污染物,被称为“世纪之毒”[1],尤其DXN在生物体内所具有的显著积累和放大效应会对生态环境以及人类健康产生巨大的现实和潜在危害[2]。MWSI是具有多变量、强耦合、大惯性、非线性等特点的典型复杂工业过程,由固废储运、炉内焚烧、蒸汽发电、烟气处理等阶段组成,其中第二和第四阶段均与DXN排放浓度相关。目前,炉内燃烧采用“3T1E”的控制策略,即:850~1000℃高温(T)、燃烧室停留时间超过2秒(T)、较大的湍流程度(T)和合适的过量空气系数(E);烟气处理采用活性炭吸附工艺。目前,固废焚烧过程的DXN排放浓度还无法在线实时检测。DXN产生机理至今仍不清晰,难以建立数学模型。通过利用与DXN具有关联性的高浓度化学物质(如单氯苯)等指示物进行DXN排放浓度的间接测量是目前研究的关注点之一[3,4,5,6,7];但该方法的时间滞后性难以满足MWSI过程运行优化与反馈控制的要求,并且DXN关联模型的精度有待提升,检测设备的高复杂性和低性价比也导致其难以实际应用。目前工业界只能采用具有周期长、滞后大、成本高等缺点的离线采样化验方法,即:以月/季为周期由具有资质的检测机构在现场人工采样,在实验室进行离线化验分析(至少一周),对每次检测收取5000 ...
【技术保护点】
1.一种基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,其特征在于,步骤1、进行固废焚烧全流程过程变量和易检测排放气体浓度的采集和预处理;步骤2、基于线性潜结构映射算法的变量投影重要性(VIP)和依据经验设定的输入特征选择比率,确定软测量模型的输入特征;步骤3、构建基于操纵训练样本集成构造策略的自适应选择核参数的选择性集成核潜结构映射模型。
【技术特征摘要】
1.一种基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,其特征在于,步骤1、进行固废焚烧全流程过程变量和易检测排放气体浓度的采集和预处理;步骤2、基于线性潜结构映射算法的变量投影重要性(VIP)和依据经验设定的输入特征选择比率,确定软测量模型的输入特征;步骤3、构建基于操纵训练样本集成构造策略的自适应选择核参数的选择性集成核潜结构映射模型。2.如权利要求1所述的基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,步骤1为:采集固废焚烧全流程与DXN排放浓度相关的过程变量和易检测排放气体浓度作为软测量模型的输入特征,并进行剔除离群点、处理缺失值,以及匹配DXN排放浓度离线化验值的处理。3.如权利要求1所述的基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,步骤2为:构建基于全部输入特征的线性潜结构映射模型,计算这些输入特征的VIP值并对其进行排序,基于依据经验设定的输入特征选择比率值选择输入特征变量。4.如权利要求1所述的基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,步骤3为:采用操纵训练样本策略产生J个训练样本子集,并基于给定的候选核参数和结构参数值构建候选子模型,对候选子模型进行评价后基于选择阈值获得集成子模型,并对集成子模型进行加权合并以获得软测量模型的输出;针对全部候选核参数重复上述过程获得选择性集成模型集合,在其中选择预测性能最佳的作为最终软测量模型,同时确定最佳模型参数。5.如权利要求2所述的基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,步骤1具体为:从MSWI工业过程采集的原始输入数据按DXN排放浓度的产生流程可以分为三个部分,其中,MGeneration,MAbsorption和MStackgas表示在DXN产生阶段、吸收阶段和排放阶段在线采集的与DXN排放浓度相关的过程变量或易检测排放气体浓度的数量;依据经验和机理初步选择不同阶段的关键过程变量和易检测排放气体浓度作为DXN排放浓度软测量模型的原始输入特征,上述过程可表示为:其中,xm表示第mth个输入特征,m=1,2,…,M;M表示全部输入特征的数量,其满足条件:M≤MGeneration+MAbsorption+MStackgas;在确定输入特征后,结合DXN排放浓度的离线化验值确定建模样本,并进行离群点和缺失值的处理,其样本数量记为N,则全部输入输出样本可表示为:其中,X∈N×M和y∈N×1分别表示构建DXN排放浓度模型的输入和输出数据。6.如权利要求3所述的基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法,步骤2具体为:线性潜结构映射算法的外部模型用于提取和输入输出数据均相关潜在变量,内部模型则通过这些潜在变量构建回归模型,最终的回归模型可用下式表示:其中,G是未建模动态。进一步,将基于DXN排放浓度建模的输入和输出数据{X,y}构建的线性潜结构映射模型表示为{T,W,P,B,Q},如下所示:{X,y}——→{T,W,P,B,Q}(9)其中,T=[t1,…,th,…,tH]、W=[w1,…,wh,…,wH]、P=[p1,…,ph,…,pH]、B=diag[b1,…,bh,…,bH]和Q=[q1,…,qh,…,qH]分别表示输入数据的得分矩阵、输入数据的权重矩阵、输入数据的载荷矩阵、回归系数矩阵和输出数据的载荷矩阵;h=1,2,…H,H为全部潜在变量的数量。VIP值可以表征每个输入特征对潜结构映射模型的影响,其中第mth个输入特征的VIP值的计算公式如下:其中,M为全部输入特征的数量,H为全部潜在变量的数量,wmh是在第hth个潜在变量中的第mth个输入特征的权重值,即存在如下关系:wh=[w1h,…,wmh,…,wMh](11)依据VIP值从大到小对所有输入特征进行排序,并将排序后的特征依次标记为其中M*表示排序后的最后一个输入特征的编号,其值等于M。依据专家经验设定输入特征选择比率值ρFeSel,依据下式确定所选择的输入特征的数量,Msel=fint(M*·ρFeSel)(12)其中,0<ρFeSel≤1,表示取整函数。取排序后的输入特征的前Msel个作为选择的输入特征,并标...
【专利技术属性】
技术研发人员:汤健,乔俊飞,韩红桂,杜胜利,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。