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

本发明专利技术公开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，首先，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；接着，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；最后，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。该方法可依据工业过程的实际需求预先设定软测量模型的特征选择参数、结构参数及其集成子模型的选择阈值和加权策略，适合于构建基于小样本共线性数据的难以检测参数软测量模型。

A soft sensing method for dioxin emission concentration in solid waste incineration based on latent structure mapping algorithm

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至10000元的费用。显然，大滞后离线化验值不能支撑以降低DXN排放浓度为设定目标的固废焚烧过程的运行优化与反馈控制。数据驱动软测量技术可在线估计需要离线化验或专家凭经验判断等方式才能滞后或非精确确定的难以检测过程参数[8,9]。软测量模型凭借其推理估计能力在这些难以检测参数的在线测量中得到了成功应用[10]。针对本文所研究的固废焚烧过程，炉内温度、烟气压力、风门开度、烟气温度等与DXN排放浓度相关的过程变量以及易检测的SO2、HCL等污染排放气体，在DCS控制系统或烟气在线检测测量系统中以秒为周期进行采集和存储，但DXN排放浓度只能以月或季为周期在实验室内离线化验得到。显然，通过过程变量和易检测排放气体浓度与DXN排放浓度离线化验数据的时序匹配只能获得少量有真值建模样本。另外，固废焚烧全流程的众多过程变量及易检测气体排放浓度间也存在较强的共线性关系。可见，进行DXN排放浓度的软测量需要同时面对特征选择问题及小样本数据非线性建模问题。面向DXN排放浓度建模问题，采用固废焚烧过程的部分关键过程变量和易检测气体浓度，文献[11]针对不同类型的焚烧炉构建了简单的线性回归模型，显然其难以描述DXN排放浓度模型所固有的非线性特性；文献[12]构建了基于遗传编程(GP)的非线性模型，其预测性能强于多元线性回归和BP神经网络建模方法，但其泛化性能仍有待提高；文献[13]提出了采用遗传算法优化BP神经网络模型的DXN排放浓度软测量，但采用小样本数据建模时，该方法所固有随机特性会导致难以获得稳定的预测性能；文献[14]提出通过对小样本数据进行重新抽样和噪声注入处理增加样本数量，进而构建基于最大熵神经网络的DXN排放浓度模型；上述方法均采用单一BP神经网络构建软测量模型，难以克服神经网络建模算法所固有的易陷入局部最小、面对小样本数据建模时预测性能稳定性差等问题。研究表明，潜结构映射算法及其核版本可有效提取与输入输出数据均相关的线性/非线性潜在变量构建软测量模型，能够消除输入特征间的共线性和降低对建模样本数量的要求[15]；但其也存在如下问题：过多的输入特征会降低软测量模型的泛化性能和可解释性，并且适合建模样本自身特性的核参数也难以有效选择[16]。文献[17]提出了组合特征选择与核潜结构映射算法的策略用于近红外谱分析，表明可有效提高软测量模型的性能，但其基于传统单模型构建，难以适用于小样本数据。研究表明，基于选择性集成策略的软测量模型具有更佳的泛化性和鲁棒性[18]。采用“训练样本重采样”集成构造策略的选择性集成算法验证了集成部分可用的候选子模型可获得比集成全部候选子模型更好的泛化性能[19]，但其采用的BP神经网络算法不适合于小样本和复杂分布数据的建模。面向多源小样本高维共线性数据，文献[20]提出了综合考虑多源特征和多工况样本的双层选择性集成潜结构映射建模方法，但所构建的软测量模型存在复杂度高、普适性有限等缺点，同时也未进行输入特征的有效约简，难以适用于小样本低维数据建模。综上可知，将输入特征选择、核参数自适应选择、模型复杂度依据实际需求进行控制等功能整合为一体的选择性集成策略，在DXN排放浓度软测量建模中的研究未见报道。
技术实现思路
针对DXN排放浓度建模数据所固有的小样本、共线性和非线性等问题，本专利技术提出了一种新的基于潜结构映射算法的DXN排放浓度软测量方法。首先，对可在线采集的模型输入变量进行采集与预处理；然后，基于线性潜结构映射模型计算变量投影重要性(VIP)以及结合依据经验确定的输入特征选择比率确定软测量模型的输入特征；最后，基于预先给定训练子集数量、候选子模型的结构参数及某个候选核参数，构建候选子模型并对其进行评价，并基于依据实际需求确定的集成子模型选择阈值以及加权方法进行集成子模型的选择与合并；重复上述过程，得到基于全部候选核参数的选择性集成核潜结构映射模型，最后选择具有最佳预测性能的选择性集成模型作为最终的软测量模型。附图说明图1面向DXN排放浓度的城市固废焚烧过程(MSWI)过程示意图；图2基于潜结构映射算法的DXN排放浓度软测量策略示意图；图3基于训练样本构造策略的选择性集成软测量模型构建过程；图4水冷壁焚化炉DXN排放浓度模型输入特征的VIP值；图5ρFeSel和ρKLV与模型预测性能间的关系的示意图。具体实施方式固废焚烧过程与DXN排放描述MWSI过程包括固废储运、炉内焚烧、蒸汽发电、烟气处理等阶段，其中：焚烧炉是MWSI的核心设备，其将可燃固废转变为灰烬、烟气和热量；焚烧炉底部炉排使得固废在燃烧室内移动并使之更加有效和充分燃烧；余热锅炉产生的蒸汽用于发电；烟气中的部分污染物在排放至大气前被清除。此处进行面向DXN排放浓度软测量的MSWI过程描述。总体而言，DXN排放浓度与炉内燃烧和烟气处理阶段的过程变量，以及烟囱所排放的某些易检测气体相关，如图1所示。图1表明，DXN是在焚烧炉和废热锅炉内的“加热-燃烧-冷却”过程产生的。辅助燃烧器(如以柴油为燃料)用于在某些工况下进行助燃。一次风在炉排底部吹入以保证固废焚烧和炉排自身冷却。二次风通过引入湍流保证燃烧炉内存在过剩的氧气，以保证烟气能更好的混合以便完全燃烧。烟气通过余热锅炉进而产生过热蒸汽以驱动汽轮机发电。通常，为保证有毒有机物的有效分解，焚烧炉内的烟气应该达到至少850℃并保持2秒。在到达这个温度之前，DXN在不同的温度区域以不同的机理产生。在烟气的冷却阶段，炉灰被吸附和收集。同时，一些被分解的DXN会重新生成。可见，焚烧阶段产生的烟气G1是外部可测量的并且具有最大的DXN浓度。在这本文档来自技高网...

【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