CN101802728A - 对气体排放进行基于经验集合的虚拟传感的系统和方法 - Google Patents

对气体排放进行基于经验集合的虚拟传感的系统和方法 Download PDF

Info

Publication number
CN101802728A
CN101802728A CN200880103380A CN200880103380A CN101802728A CN 101802728 A CN101802728 A CN 101802728A CN 200880103380 A CN200880103380 A CN 200880103380A CN 200880103380 A CN200880103380 A CN 200880103380A CN 101802728 A CN101802728 A CN 101802728A
Authority
CN
China
Prior art keywords
virtual
sensor
signal input
model
input value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN200880103380A
Other languages
English (en)
Inventor
D·罗维尔索
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institutt for Energiteknikk IFE
Original Assignee
Institutt for Energiteknikk IFE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institutt for Energiteknikk IFE filed Critical Institutt for Energiteknikk IFE
Publication of CN101802728A publication Critical patent/CN101802728A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00—Electrical control of exhaust gas treating apparatus
    • F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

用于估计燃烧过程(CP)中产生的气体(G)的量的基于经验集合的虚拟传感器系统(VS)包括两个或更多个经验模型(NN1，NN2，...，NNn)。在所述经验模型(NN1，NN2，...，NNn)的每一个中估计所述气体(G)的量，组合功能(f)对来自所述经验模型(NN1，NN2，...，NNn)的结果进行组合以提供所述气体(G)的量的组合估计，这比来自经验模型(y1，y2，...，ym)中的每一个单独经验模型的估计的气体的量更加准确。虚拟传感器系统(VS)的总体性能能够通过增加经验模型(y1，y2，...，ym)的数量而提高。

Description

对气体排放进行基于经验集合的虚拟传感的系统和方法
技术领域
本发明涉及用于进行基于经验集合的虚拟传感(empiricalemsemble-based virtual sensing)的方法和系统，并且更特别地涉及用于测量燃烧过程的排放物(如NOx、CO2等)的虚拟气体传感器的系统和方法。
背景技术
NOx是在燃烧中产生的单氮氧化物(NO和NO2)的总称。NOx可以通过对在燃烧空气中发现的双原子氮进行高温氧化而形成。另外，燃烧含氮燃料(如某些煤炭和石)，导致燃料中的氮转化为NOx。
气体NOx最终形成硝酸，这会导致酸雨。1997年54个国家批准的京都议定书中，将NO2列为温室气体，并呼吁全世界减少其排放，《远距离越境空气污染公约》(Convention on Long-range Transboundary AirPollution)(称为哥德堡议定书)也发出了同样的呼吁。
结果，NOx的排放在许多国家都受到了控制，例如瑞典从1992年开始就对燃烧装置排放的NOx收费，挪威则从2007年开始对所有的NOx排放统一收费。法国和意大利也进行了收费，与此相反，美国却具有NOx预算许可(NOx budget permits)系统。
因此有必要测量从某设备或者燃烧过程排放的NOx的量。但是由于例如高温和烟尘的恶劣的运行环境，开发好的传感器存在问题。需要的灵敏度要高，典型地，NO水平在100-2000ppm左右，NO2在20-200ppm左右，并且还存在多个误差来源，例如气流的冷却。
基于同样的考虑，也有必要测量其他气体，例如碳氧化物和硫氧化物。
一般来说存在许多种情况，在这些情况下可用的设备不足以用于测量，下面列举了最普遍的情况(最初由BioComp Systems，Inc.在他们的网页http://www.biocompsystems.com/technology/virtualsensors/index.htm25.07.2008上提出)：
1.感兴趣的物理量没有在线测量。一种典型的情况是样本周期性地送往实验室进行分析。这些样本可能是空气、水、油或者材料样本，在分析后用来控制环境气体排放、产品质量或者过程条件。
2.可用的物理传感器速度太慢，尤其是用于自动控制中。
3.物理传感器位于太远的下游处，例如，连续监测最终结果来探测生产偏差，但接收到这些信息时已经太迟，无法进行修正操作。
4.物理传感器太贵。
5.没有办法安装物理传感器，例如，没有物理空间。
6.传感器环境太恶劣。
7.物理传感器不准确。可用的物理传感器可能本身不准确或者劣化。文丘里管流量计的刻度就是一个典型的例子。
8.物理传感器的维护太贵。
虚拟传感(visual sensing)技术，也称作软或代理传感(proxy sensing)，是基于软件的技术，用于取代昂贵的或不实用的物理测量装置和传感器系统，是一种经济可行的替代技术。虚拟传感系统使用可从其他在线测量仪器获得的信息和过程参数来计算感兴趣的量的估计。
可以获得很多虚拟传感技术，并且可以分为两个主要类别：
■分析技术
■经验技术
分析技术基于物理定理的逼近来计算测值估计，物理定理揭示了感兴趣的量与其他可获得的测值和参数的关系。
使用基于“第一原则”模型的分析技术的显著优势是当物理上无法测量的量可以得自于相关的物理模型方程时可以进行这些量的计算。
分析技术的主要缺陷在于它要求在数量上准确的数学模型，以使该技术有效。对于大型系统，这样的信息可能是无法获得的，或者过于昂贵和费时从而无法编译。另外，如果设备或过程发生了变化，设计工作需要更新并改变物理模型。虽然可以利用建模工具来支持模型建立和维护工作，但需要过程专家持续更新模型。
经验技术基于可获得的同一量的历史测量数据，并且基于与其他可获得的测值和参数的相关性来计算测值估计。未测量的量的历史数据可能要么得自用临时安装的传感器系统进行的实际测量活动，要么得自实验室分析记录，要么得自采用复杂分析模型进行的详细估计，该模型的运算非常昂贵从而不能在线运行。如果有人想开发一种经验虚拟传感器来估计无法测量的量，后者是唯一可能的选择，因为很显然没有可用的历史数据。
经验虚拟传感是基于可以使用各种统计或机器学习建模方法来实现的函数逼近和回归技术，所述统计或机器学习建模方法例如：
线性回归(参见N.R.Draper and H.Smith，1998.Applied RegressionAnalysis，Wiley Series in Probability and Statistics)
加权最小二乘回归(参见A.1996.Numerical Methods for LeastSquares Problems，Cambridge)
核回归(Kernel regression)(参见J.S.Simonoff,1996.Smoothing Methodsin Statistics，Spinger)
回归树(参见L.Breiman，J.Friedman，R.A.Olshen and C.J.Stone，1984.Classification and regression trees，Wadsworth)
支持向量回归(参见H.Drucker，C.J.C.Burges，L.Kaufman，A.Smolaand V.Vapnik，1997.Support Vector Regression Machines.Advances in NeuralInformation Processing Systems 9，NIPS 1996，155-161，MIT Press.)
神经网络回归(参见J.Hertz，A.Krogh，and R.Palmer，1991.Introductionto the Theory of Neural Computation.Addison-Wesley：Redwood City，California.)
经验建模，也称作数据驱动建模，包括了一套用来分析条件和从操作数据来预测过程演变的技术。它的优势是既不需要对过程进行详细的物理理解，也不需要了解材料属性、几何构造和设备及其组件的其他特性，而这些在实际情况中往往是缺乏的。
通过通常被称作“学习”的过程，将测量的或模拟的设备数据与通用线性或非线性模型进行拟合，来识别基础过程模型(underlying processmodel)。这种学习过程可以是主动的或被动的，包括识别过程变量之间的关系并将其嵌入到模型中。主动的学习过程包括通过基于梯度的参数调整来最小化误差函数的迭代过程。被动的学习过程不要求进行数学迭代，而仅包括将代表性数据向量编译成训练矩阵。
设计经验模型(empirical model)的一个重要考虑是训练数据必须提供条件示例，将针对所述条件查询准确预测。这并不是说在训练数据中必须存在所有可能的条件，而是训练数据应该充分地覆盖这些条件。经验模型将提供内插预测，但是训练数据必须在内插位置上下提供充分覆盖以使得预测足够准确。准确的外插(即对位于训练数据外部的数据提供估计)对大部分经验模型来说，既不可能也不可靠。
经验模型只有当应用在相同或相似的操作条件时才是可靠准确的，在所述操作条件下收集用来开发模型的数据。当设备条件或操作显著改变时，模型被迫在学习空间外部进行外插，而结果将具有低可靠性。这个结论对于非线性经验模型尤为正确，因为不像线性模型是以已知的线性方式进行外插，非线性模型是以未知的方式进行外插。人工神经网络和局部多项式回归模型都是非线性的；而基于变换的技术(例如主成分分析和偏最小二乘法)是线性技术。即使使用线性模型，对于经验模型也不推荐外插，因为不能期望测量的过程变量之间存在纯线性关系。此外，对过程的线性逼近在外插期间是较不有效的，这是因为训练数据的密度在这些极端区域内要么很低要么不存在。
人工神经网络模型(参见J.Hertz，A.Krogh，and R.Palmer，1991.Introduction to the Theory of Neural Computation.Addison-Wesley：RedwoodCity，California)包含简单计算节点的层，所述节点作为非线性求和装置来操作。这些节点用加权连接线高度互连，当训练数据在训练过程期间被呈递给神经网络时，对这些权重进行调整。经成功训练的神经网络能够执行各种任务，最常见的是：输出值预测、分类、函数逼近和模式识别。
神经网络中只有具有相关联的一组连接权重的层才将被识别为合法的处理层。神经网络的输入层不是真正的处理层，因为其不具有相关联的一组权重。另一方面，输出层具有相关联的一组权重。因此，在神经网络中用来描述层数的最有效的术语是利用隐藏层这一术语。隐藏层是除输出层之外的合法层。
神经网络结构由多个隐藏层和一个输出层组成。神经网络的计算能力已经为通用函数逼近定理所证明，该定理认为在给出足够数量的隐藏节点的情况下，具有单个非线性隐藏层的神经网络能够逼近任意非线性函数。
神经网络训练过程始于将其权重初始化为小随机数。然后向该网络呈递由一组输入向量组成的训练数据和通常被称为目标的相应期望输出。给定指定的一组输入向量/目标对，神经网络训练过程是对内部权重进行迭代调整以使得网络的输出更加接近期望值的过程。调整权重以增加网络将计算出期望输出的可能性。训练过程尝试将网络的输出值和期望输出值之间的均方差(MSE)最小化。尽管MSE函数的最小化是迄今为止最普遍的方法，但是其他误差函数也是可用的。
神经网络是可以应用于模式识别问题的强大工具，其用来监测来自工业设备的过程数据。它们很好地适用于检测非线性系统和识别复杂数据集中的故障模式。由于迭代训练过程，开发神经网络模型所需要的计算工作量大于其他类型的经验模型的计算工作量。因此，该计算需求导致对于模型大小的上限通常比其他经验模型类型更具有限定性。
集合建模(参见T.G.Dietterich(Ed.)，2000.Ensemble Methods in MachineLearning，Lecture Notes in Computer Science；Vol.1857.Springer-Verlag，London，UK)也被称作委员会建模(committee modelling)，是一种这样的技术，通过该技术，并不是建立单个预测模型，而是开发一组组件模型，它们的独立预测组合起来产生单个总体预测。得到的复合模型(被称作集合)通常比单个的组件模型更加准确，有对过度拟合现象更鲁棒的趋势，方差大为减小，并且避免了有时与次优模型训练过程有关的不稳定问题。
在一个集合中，每个模型通常是单独训练的，然后每个组件模型的预测输出被组合以产生该集合的输出。然而，只有数个模型的预测间存在某种形式的“不一致”，组合它们的输出才是有用的(参见M.P.Perrone and L.N.Cooper.1992.When networks disagree：ensemble methods for hybrid neuralnetworks，National Science Fundation，USA)。显然，相同的模型的组合不会产生性能增益。普遍采用的一种方法是所谓的bagging法(参见L.Breiman，1996.Bagging Predictors，Machine Learning，24(2)，pp.123-140)，该方法试图通过改变每个模型在训练期间看到的训练集，来在模型间产生不一致。Bagging是一种集合方法，它通过在训练集的随机采样上训练每个模型来创建其集合的个体，并且在形成最终预测中赋予每个组件模型相同的权重。存在用于集合生成和组件模型聚合的其他更精细的方案，并且可以设计新的方案。
使用集合来减小整体模型方差和正则化方法具有密切的关系(参见A.V.Gribok，J.W.Hines，A.Urmanov，and R.E.Uhrig.2002.Heuristic，Systematic，and Informational Regularization for Process Monitoring.International JournalofIntelligent Systems，17(8)，pp 723-750，Wiley)，这对神经网络模型的训练和它们的架构进行约束，以避免病态问题(ill-conditioned problems)，并对过大的模型方差实现类似的控制。
US5386373″Virtual continuous emission monitoring system with sensorvalidation″教导了基于神经网络将针对排放物的虚拟传感器用来控制设备的工作。
US6882929″NOx emission-control system using a virtual sensor″教导了基于神经网络将针对排放物的虚拟传感器用来控制引擎的工作。
US7280987″Genetic algorithm based selection of neural networkensemble for processing well logging data″教导了一种生成神经网络集合来处理地球物理数据的方法，其中使用具有多目标适应度函数的算法来选择具有期望的适应度函数值的集合。
对于测量NOx和其他气体来说，虚拟传感是一种具有吸引力的解决方案，但是需要用于虚拟传感的系统，该系统比上文提到的系统更易于实现、更加准确、更鲁棒并且更加稳定。
发明内容
本发明通过经验建模和集合建模的组合，解决了适于气体传感的虚拟传感器的准确度、鲁棒性、稳定性和简易性问题。
在一个实施例中，本发明是基于集合的虚拟传感器系统，用于估计燃烧过程中产生的气体的量，所述虚拟传感器系统包括；
-两个或更多个经验模型，其中，每个经验模型被安排来使用来自所述过程的经验数据被进行训练，并且还被安排来接收所述过程的来自一个或多个传感器的一个或多个信号输入值，并基于所述信号输入值来计算信号输出值，其中，所述信号输出值表示气体的量，
-组合功能，所述组合功能被安排来接收所述信号输出值，并根据所述信号输出值来连续计算虚拟传感器输出值，其中，所述虚拟传感器输出值表示气体的量；
在一个实施例中，本发明是用于根据来自一个或多个传感器的一个或多个信号输入值来估计燃烧过程中产生的气体的量的方法，所述方法包括如下步骤：
-使用来自所述过程的经验数据来训练经验模型的集合；
-为所训练的经验模型馈送所述过程的来自一个或多个传感器的一个或多个信号输入值；
-基于所述信号输入值执行所述经验模型中的信号输出值的计算；
-连续组合所述信号输出值，并根据所述信号输出值来计算虚拟传感器输出值，其中，所述虚拟传感器输出值表示气体的量。
在本发明的一个实施例中，组合功能(f)被安排来连续计算作为信号输出值(y1，y2，...，ym)的平均值的虚拟传感器输出值(yR)。该平均值可以是信号输出值(y1，y2，...，ym)的几何或算术平均值，或是中值。
平均值计算表明，除了易于实现外，其还能够达到用单节点虚拟传感器不可能达到的要求的准确度。
在本发明的一个实施例中，所有的经验模型或内节点可以具有相同的结构。这种设置的优点在于，可以基于模板节点在虚拟传感器系统中简单地实例化需要的多个内节点。此外，这些节点可以全都被安排来接收燃烧过程的来自传感器的同一组信号输入值。来自传感器的信号被分布到所有的节点，这样就避免了处理专门情况的额外工作。
在一个实施例中，可以通过实例化大量经验模型来提高根据本发明的虚拟传感器系统的准确度。因此，不必增加系统的复杂性来提高准确度。简单地通过增加集合大小来达到更好结果的这种方式不同于例如重点在于集合选择的其他方法。
附图说明
图1示出了根据本发明的虚拟传感器系统的实施例的框图。
图2示出了50个个体估计(细线)、实际值(粗虚线)和集合输出(粗实线)之间的比较图。
图3示出了根据本发明用于测量NOx的虚拟传感器系统的实施例的用ppm表示的性能，其中集合大小向右增加。
图4示出了设备校准。
图5示出了根据本发明实施例的NOx测量的输入参数和值。
图6示出了在10个输入的情况下对于测试数据的PEMS(预测排放监测系统)性能。
图7示出了在8个输入的情况下对于测试数据的PEMS性能。
图8示出了728个个体输出(红)、实际值(绿)和集合输出(蓝)之间的比较。
图9示出了根据本发明的虚拟传感器系统的实施例中的集合的平均绝对误差(MAE)。
图10示出了根据本发明的实施例可以如何连接虚拟传感器系统。
具体实施方式
图1是根据本发明用来测量燃烧过程(CP)中产生的气体(G)的量的虚拟传感器系统的实施例的框图。
在本发明的实施例中，用于估计燃烧过程(CP)中产生的气体的量的基于集合的虚拟传感器系统(VS)包括：两个或更多个经验模型(NN1，NN2，...，NNn)，其中经验模型(NN1，NN2，...，NNn)中的每一个被安排来估计气体(G)的量；以及组合功能(f)，所述组合功能(f)被安排来组合经验模型(NN1，NN2，...，NNn)的结果以提供对气体(G)的量的估计，该估计比来自经验模型(NN1，NN2，...，NNn)中的每一个单独经验模型的信号输出值(y1，y2，...，ym)更加准确。气体(G)的量可以被给出为本领域技术人员应当理解的浓度或质量排放。例如，在燃烧过程中产生的要测量的气体的示例是NOx，CO2，O2等。然而，如本领域技术人员将理解的，本发明也可以用来测量来自其他过程的其他气体的量。
更具体来说，在本发明的这个实施例中，使用来自燃烧过程(CP)的经验数据(ED)来训练经验模型(NN1，NN2，...，NNn)中的每一个。在本发明的实施例中，经验数据是来自燃烧过程(CP)的历史测量数据，在所述燃烧过程中布置有虚拟传感器系统(VS)。未测量的量的经验数据(ED)可以要么得自于采用临时安装的具有传感器值(IA和IB)的传感器系统(SA和SB)以及相组合的固定传感器(S1，S2，...，Sm)进行的实际测量活动，如图1所示，要么得自于实验室分析记录，要么得自于采用在计算上昂贵从而不能在线运行的复杂分析模型进行的详细估计。然而，如本领域技术人员可以理解的，训练数据也可以来自其他类似过程。训练数据对于所有的经验模型(NN1，NN2，...，NNn)来说可以是相同的，或是不同的，其中例如，对于经验模型(NN1，NN2，...，NNn)中的每一个的训练数据，不包括所有过程测值。这是提供经验模型(NN1，NN2，...，NNn)中多样性的一种方式。如本领域技术人员可以理解的，还可以通过设置不同的初始化参数来对它们进行不同的初始化。
每个经验模型还被安排来接收过程(CP)的来自一个或多个传感器(S1，S2，...，Sm)的一个或多个信号输入值(I1，I2，...，Im)，并基于信号输入值(I1，I2，...，Im)来计算信号输出值(y1，y2，...，ym)，其中，来自经验模型(NN1，NN2，...，NNn)中的每一个的信号输出值(y1，y2，...，ym)表示所述气体(G)的量。另外，虚拟传感器系统(VS)包含组合功能(f)，所述组合功能(f)被安排来从每个经验模型接收信号输出值(y1，y2，...，ym)，并根据信号输出值(y1，y2，...，ym)来连续计算虚拟传感器输出值(yR)，其中，虚拟传感器输出值(yR)表示气体(G)的量。
在一个实施例中，本发明是用于根据来自一个或多个传感器(S1，S2，...，Sm)的一个或多个信号输入值(I1，I2，...，Im)来估计燃烧过程(CP)中产生的气体(G)的量的方法。该方法包括如下步骤：
-使用来自过程(CP)的经验数据来训练经验模型(NN1，NN2，...，NNn)的集合；
-为所训练的经验模型(NN1，NN2，...，NNn)馈送过程(CP)的来自一个或多个传感器(S1，S2，...，Sm)的一个或多个信号输入值(I1，I2，...，Im)；
-基于信号输入值(I1，I2，...，Im)执行经验模型(NN1，NN2，...，NNn)中信号输出值(y1，y2，...，ym)的计算，其中，信号输出值(y1，y2，...，ym)表示气体(G)的量；
-连续组合信号输出值(y1，y2，...，ym)，并根据信号输出值(y1，y2，...，ym)来计算虚拟传感器输出值(yR)，其中，虚拟传感器输出值(yR)表示气体(G)的量。
在本发明的实施例中，所有经验模型(NN1，NN2，...，NNn)或内节点可以具有相同的结构。这种设置的优点在于可以基于模板节点在虚拟传感器系统中简单地实例化需要的多个内节点。在该实施例中，经验模型的对应输入和输出的格式也可以是相同的，即，经验模型NN1上的输入1的格式和经验模型NN2至NNn等上的输入1的格式相同。
这些节点可以全都被安排来接收燃烧过程的来自传感器(S1，S2，...，Sm)的同一组信号输入值(I1，I2，...，Im)。来自传感器的信号被分布到所有的节点，这样就避免了处理专门情况的额外工作。
本文前面已经描述了经验建模，并且可以使用不同的技术来实现经验建模。在本发明的实施例中，经验模型是神经网络。
虚拟传感器系统的组合功能(f)可以被安排来基于不同准则来计算输出值(yR)。在本发明的一个实施例中，组合功能(f)被安排来连续计算作为信号输出值(y1，y2，...，ym)的平均值的虚拟传感器输出值(yR)。该平均值可以被计算为：信号输出值(y1，y2，...，ym)的几何或算术平均值；中值；或者平均值和中值的组合，例如两个中值的平均值。可以看到，在大多数情况下，根据本发明的虚拟传感器系统在采用中值计算时的性能要优于采用平均值计算时的性能，这是因为当使用中值计算时，输出通常不受个体噪音或不规则性的影响。
该途径消除了可以预期的在经验回归模型(例如神经网络)的性能中的固有方差。该方差可能源于不同程度的训练数据过度拟合(即，导致对数据中的噪音建模)，可能源于训练前通常进行的神经网络参数的随机初始化，也可能源于使神经网络模型与数据拟合的非确定梯度下降技术。
图2说明了这些因素的组合可能产生的方差类型，其中开发了一组神经网络虚拟传感器模型来估计从近海石油平台排放的水中的残油浓度。该图示出了50个模型的个体输出、估计的实际期望值，以及50个个体估计的集合组合。
在本发明的实施例中，组合功能(f)被安排来除了从经验模型(NN1，NN2，...，NNn)接收信号输出值(y1，y2，...，ym)外，还直接从过程传感器(S1，S2，...，Sm)接收一个或多个所述信号输入值(I1，I2，...，Im)，并计算虚拟传感器输出值(yR)。在本发明的该实施例中，信号输出值(y1，y2，...，ym)基于一个或多个信号输入值(I1，I2，...，Im)被单独动态地加权。动态加权可以减轻噪音和干扰对虚拟传感器输出值的影响，这些噪音和干扰与一个或多个传感器或者传感器的传输线路有关。在本发明的相关实施例中，组合功能(f)是经验模型(NNR)，其被安排来接收信号输入值(I1，I2，...，Im)，并基于信号输出值(y1，y2，...，ym)、信号输入值(I1，I2，...，Im)和经验模型(NNR)的结构来计算虚拟传感器输出值(yR)。
图3示出了根据本发明的虚拟传感器系统(VS)的实施例的性能或准确度如何随着节点数量而提高。给定应用中对虚拟传感器系统的性能要求可能改变，大量不必要的节点可能使虚拟传感器系统(VS)的初始化过程变慢。在本发明的实施例中，虚拟传感器系统(VS)被安排来能够实例化多个所述经验模型(NN1，NN2，...，NNn)，以适应特定的性能准则。在本发明的实施例中，虚拟传感器系统(VS)被安排来动态分配所需数量的所述经验模型(NN1，NN2，...，NNn)，以达到虚拟传感器输出值(yR)的预先定义的性能要求，所述虚拟传感器输出值(yR)表示气体(G)的量。性能要求可以用例如ppm(百万分率)来给出。
在本发明的实施例中，虚拟传感器系统(VS)可以如从图10中所看到的那样来连接。这里，示出了在根据本发明的虚拟传感器系统的实施例中如何估计来自燃烧过程的O2。O2的浓度是基于燃烧室配置、第8级抽气流量(8th Stage Extraction Flow)、排气阀气流量(Bleed Valve Air Flow)、燃料流量和轴流压缩机气流量来估计的。估计的O2浓度和附加的过程测量值——火焰温度、气压、环境湿度和环境温度——一起用作NOx虚拟传感器系统的输入。虚拟传感器系统的连接可以提高系统的性能，以及简化经验模型的结构和系统的训练。
使用不同的集合大小对本发明进行的测试已经表明：集合性能随着集合大小的增加而提高。简单地通过增加集合大小来达到更好结果的方式不同于例如重点在于集合选择的其他方法。在这些测试中，集合大小从最小为2个组件模型改变到最大为59个组件模型。对于每种集合大小，进行了100次单独试验并计算了由此产生的性能(表达为平均绝对误差)。图3概括了收集到的结果，其示出当集合大小为大概20-30个个体时，值在尖灭(taper out)。图8示出了有多于700个输出的极端情况。
PEMS(参量排放监测系统)技术起初被开发来使得具有CEMS(连续排放监测系统)的更有成本效益的替代方案，所述CEMS用来监测燃气轮机的氮氧化物(NOX)的排放。CEMS是使用物理污染物分析仪测值来确定气体或颗粒物浓度或排放率所需的总设备。和直接测量NOX的排放不同，PEMS根据关键的工作参数(例如燃烧温度、压力和燃料消耗)来计算NOX的排放，因此在各个方面均被视作虚拟传感器。
在本发明的实施例中，在挪威大陆架的近海石油平台上工作的GELM2500DLE燃气轮机被映射来识别使排放最小化的最优参数设置。为了进行映射，安装物理排放监测设备，并以其中识别最优参数设置的一系列负载来驱动轮机。结果可以认为是将轮机负载映射到参数设置的表。
由于在映射过程中要不断调整轮机，所以获得的数据对于PEMS的构建而言不是理想的。推荐的过程是在完成轮机映射后，收集不同轮机负载处的额外数据，但是由于这可能产生额外的停机时间成本，因而是不可能的。
图4示出了获取的数据，所获取的数据包括以1秒间隔采样的％CO2、％O2、ppm CO、ppm THC、ppm NOX以及针对15％O2修正的ppm NOX。
用于PEMS建模的数据是测量设备的两个高亮的校准(calibration)之间约5个小时的数据。
在这个实施例中，来自选择的轮机的过程数据是可从两个不同的轮机控制系统(ABB和Woodward)获得的。该数据只有部分被反映到陆上历史数据系统，也就是说，不是所有关于轮机的测值都在陆上可用。
来自ABB系统的大部分测值被反映在在数据历史中，但来自Woodward系统的测值在不停止控制系统并对控制系统重新编程的情况下不能被反映，因此未被使用。对所讨论的轮机，在陆上处理历史中，最终有40个测值可用。
排放数据是在便携式计算机系统上获取的，其中具有不同时钟并因此具有与控制系统以及陆上数据历史的时间戳不对应的时间戳。为了使排放数据和过程数据同步，通过视觉匹配在过程时间序列和排放时间序列中示出一致性的显著变化，来手动同步调整这两个数据序列，如图4所示的校准点。该过程在这种情况下是可能的，这是因为轮机映射动作在数据中创建了清晰的模式。在其他情况下这种手动同步可能非常难以进行，所以需要对所有数据记录设备的时钟进行修正同步。
给定上文所述的排放数据和过程数据，多个试验PEMS模型被开发来研究替代的PEMS设计和配置。在选择的轮机可用的所有过程测值中，选取10个测值的子集作为PEMS的输入。
选取的输入如下：
■燃气供给压力
■气体发生器压缩机释放压力-PS3
■气体发生器排气温度-T54
■动力轮机排气温度
■燃气调节器位置(内环)
■燃气调节器位置(控制环)(pilot ring)
■燃气调节器位置(外环)
■第8级排气阀位置
■CDP排气阀位置
■气体发生器进气温度
图5示出了这10个测值在感兴趣的5小时内相应的时间序列的概况。
给定这些输入，利用本发明来开发PEMS，其中单独构建多个模型，然后将这多个模型组合成一个聚合的集合模型。在这种情况下，集合PEMS模型是20个单独的PEMS模型的组合。
为了训练和测试这些模型，5小时的过程数据和排放数据的原始数据集被划分成训练集、验证集和测试集，其中，训练集用来建立模型，验证集用来控制建模(即，避免模型与训练数据的过度拟合)，测试集用来评估模型性能。
为了划分原始数据集，随机选择40％的数据用于训练，随机选择30％的数据用于验证，剩下的30％的数据用来测试。
对于测试数据集(即，在训练中未被用来建模的数据)的PEMS性能结果在图6中图示，并且给出平均绝对误差为0.28472ppm，其中
MAE = Σ i = 1 N | y i - y ^ i | N
yi为期望值，
Figure GPA00001138919200142
是模型估计。
为了研究这种PEMS途径对于应用到SAC(non-DLE)轮机的可行性，要进行额外的测试，其中，不考虑所选的测值中的2个(即，在较旧的标准燃烧室SAC轮机上不可用的2个排气阀位置)，而在输入中只取8个测值，如图7所示。
这种情况下对于测试数据集的PEMS性能结果在图9中图示，并给出MAE为0.37453ppm。
具有8个输入的PEMS的平均误差比具有全部10个输入的PEMS的平均误差大约高30％。然而，就绝对项而言，当与低NOx轮机(例如GELM2500DLE)的小于3ppm的当前准确度要求相比较时，8个输入的PEMS的误差仍然是低的。
在这个实施例中，训练数据和测试数据之间存在高度的相似性。虽然训练数据和测试数据是完全不相交的数据集(从原始数据中随机抽取这些数据，没有进行替换)，但它们仍然是从相同的时间序列中获得的，并且测试集中的点在训练集中具有非常相似的点的可能性很高。尽管如此，在该实施例中，获得的0.28ppm和要求的3ppm之间的准确度“余量”足够大，从而具有一定的可信度。
在另一个实施例中，生成了多个模型，并使用一机制来选择特定模型作为集合的一部分。这或者静态地(即，仅在训练阶段之后，在开始时舍弃不想要的模型)进行，或者动态地(即，引入加权方案)进行，给定当前工作状态，所述加权方案优选出在该工作状态中或附近具有已证明的更优性能的组件模型。
在另一个实施例中，使用了混合式集合模型，即，在集合中，组件模型不必是同一类型，而是包括例如神经网络以及其他回归模型或者经验模型和分析模型的组合。

Claims (18)

1.一种基于集合的虚拟传感器系统(VS)，用于估计燃烧过程(CP)中产生的气体(G)的量，所述虚拟传感器系统(VS)包括：
-两个或更多个经验模型(NN1，NN2，...，NNn)，所述经验模型(NN1，NN2，...，NNn)中的每一个被安排来使用来自所述过程(CP)的经验数据(ED)被进行训练，并且还被安排来接收所述过程(CP)的来自一个或多个传感器(S1，S2，...，Sm)的一个或多个信号输入值(I1，I2，...，Im)，并基于所述信号输入值(I1，I2，...，Im)来计算信号输出值(y1，y2，...，ym)，其中，所述信号输出值(y1，y2，...，ym)表示所述气体(G)的量，
-组合功能(f)，所述组合功能(f)被安排来接收所述信号输出值(y1，y2，...，ym)，并根据所述信号输出值(y1，y2，...，ym)连续计算虚拟传感器输出值(yR)，其中，所述虚拟传感器输出值(yR)表示所述气体(G)的量。
2.如权利要求1所述的虚拟传感器系统(VS)，其中，所有所述经验模型(NN1，NN2，...，NNn)具有相同的结构。
3.如权利要求1所述的虚拟传感器系统(VS)，其中，所有所述经验模型(NN1，NN2，...，NNn)被安排来接收同一组信号输入值(I1，I2，...，Im)。
4.如权利要求1所述的虚拟传感器系统(VS)，其中，所述经验模型(NN1，NN2，...，NNn)是神经网络。
5.如权利要求1所述的虚拟传感器系统(VS)，其中，所述组合功能(f)被安排来连续计算作为所述信号输出值(y1，y2，...，ym)的平均值的所述虚拟传感器输出值(yR)。
6.如权利要求1所述的虚拟传感器系统(VS)，其中，所述组合功能(f)被安排来接收一个或多个所述信号输入值(I1，I2，...，Im)，并计算虚拟传感器输出值(yR)，其中，基于所述一个或多个信号输入值(I1，I2，...，Im)对所述信号输出值(y1，y2，...，ym)进行动态加权。
7.如权利要求1所述的虚拟传感器系统(VS)，其中，所述组合功能(f)是经验模型(NNR)，其被安排来接收一个或多个所述信号输入值(I1，I2，...，Im)，并基于所述信号输出值(y1，y2，...，ym)、所述信号输入值(I1，I2，...，Im)和所述经验模型(NNR)的结构来计算虚拟传感器输出值(yR)。
8.如权利要求1所述的虚拟传感器系统(VS)，其中，所述传感器被安排来能够实例化多个所述经验模型(NN1，NN2，...，NNn)，以达到所述虚拟传感器输出值(yR)的预先定义的性能要求。
9.如权利要求1所述的虚拟传感器系统(VS)，其被安排来被连接，其中，一个或多个所述传感器(S1，S2，...，Sm)是用于估计气体(G)的量的基于集合的虚拟传感器系统(VS)。
10.一种用于根据来自一个或多个传感器(S1，S2，...，Sm)的一个或多个信号输入值(I1，I2，...，Im)来估计燃烧过程(CP)中产生的气体(G)的量的方法，所述方法包括如下步骤：
-使用来自所述过程(CP)的经验数据来训练经验模型(NN1，NN2，...，NNn)的集合；
-为所训练的经验模型(NN1，NN2，...，NNn)馈送所述过程(CP)的来自一个或多个传感器(S1，S2，...，Sm)的所述一个或多个信号输入值(I1，I2，...，Im)；
-基于所述信号输入值(I1，I2，...，Im)执行所述经验模型(NN1，NN2，...，NNn)中信号输出值(y1，y2，...，ym)的计算，其中，所述信号输出值(y1，y2，...，ym)表示所述气体(G)的量；
-连续组合所述信号输出值(y1，y2，...，ym)，并根据所述信号输出值(y1，y2，...，ym)来计算虚拟传感器输出值(yR)，其中，所述虚拟传感器输出值(yR)表示所述气体(G)的量。
11.如权利要求10所述的方法，其中，所有所述经验模型(NN1，NN2，...，NNn)具有相同的结构。
12.如权利要求10所述的方法，包括以下步骤：为所有所述经验模型(NN1，NN2，...，NNn)馈送同一组信号输入值(I1，I2，...，Im)。
13.如权利要求10所述的方法，其中，所述经验模型(NN1，NN2，...，NNn)是神经网络。
14.如权利要求10所述的方法，包括以下步骤：连续计算作为所述信号输出值(y1，y2，...，ym)的平均值的所述虚拟传感器输出值(yR)，所述虚拟传感器输出值(yR)表示所述气体(G)的量。
15.如权利要求10所述的方法，包括以下步骤：连续接收一个或多个所述信号输入值(I1，I2，...，Im)并计算虚拟传感器输出值(yR)，其中，基于所述一个或多个信号输入值(I1，I2，...，Im)对所述信号输出值(y1，y2，...，ym)进行动态加权。
16.如权利要求10所述的方法，包括以下步骤：接收一个或多个所述信号输入值(I1，I2，...，Im)，并基于所述信号输出值(y1，y2，...，ym)、所述信号输入值(I1，I2，...，Im)和所述经验模型(NNR)的结构来计算虚拟传感器输出值(yR)。
17.如权利要求10所述的方法，包括以下步骤：基于所述虚拟传感器输出值(yR)的预先定义的性能要求来计算所需的多个所述经验模型(NN1，NN2，...，NNn)。
18.如权利要求10所述的方法，所述方法是递归进行的，其中一个或多个所述信号输入值(I1，I2，...，Im)本身是如权利要求11所述的方法中的虚拟传感器输出值(yR)。
CN200880103380A 2007-08-17 2008-08-15 对气体排放进行基于经验集合的虚拟传感的系统和方法 Pending CN101802728A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US93554807P 2007-08-17 2007-08-17
US60/935,548 2007-08-17
PCT/NO2008/000292 WO2009025560A1 (en) 2007-08-17 2008-08-15 System and method for empirical ensemble-based virtual sensing of gas emission

Publications (1)

Publication Number Publication Date
CN101802728A true CN101802728A (zh) 2010-08-11

Family

ID=40010967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880103380A Pending CN101802728A (zh) 2007-08-17 2008-08-15 对气体排放进行基于经验集合的虚拟传感的系统和方法

Country Status (6)

Country Link
US (2) US20100325071A1 (zh)
EP (2) EP2185981A4 (zh)
JP (1) JP2010537192A (zh)
KR (1) KR20100083765A (zh)
CN (1) CN101802728A (zh)
WO (2) WO2009025561A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111088998A (zh) * 2019-11-13 2020-05-01 神华信息技术有限公司 煤矿中心站监控系统测试方法、装置及分站模拟系统

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120023041A1 (en) * 2007-08-08 2012-01-26 Yoram Kariv System and method for predictive network monitoring
US8812261B2 (en) 2007-08-23 2014-08-19 Applied Materials, Inc. Method and apparatus to automatically create virtual sensors with templates
US20110040611A1 (en) * 2009-08-14 2011-02-17 Simmons Willard L Using competitive algorithms for the prediction and pricing of online advertisement opportunities
WO2015199912A1 (en) 2014-06-23 2015-12-30 Exxonmobil Upstream Research Company Image quality enhancement of a differential image for a multiple detector system
EP3158321A1 (en) 2014-06-23 2017-04-26 Exxonmobil Upstream Research Company Systems for detecting a chemical species and use thereof
WO2015199911A1 (en) 2014-06-23 2015-12-30 Exxonmobil Upstream Research Company Methods and systems for detecting a chemical species
WO2015199914A1 (en) 2014-06-23 2015-12-30 Exxonmobil Upstream Research Company Methods for calibrating a multiple detector system
AT515154A2 (de) * 2015-03-13 2015-06-15 Avl List Gmbh Verfahren zum Erstellen eines Modell-Ensembles
CA2980549A1 (en) * 2015-03-25 2016-09-29 Ge Oil & Gas Esp, Inc. System and method for reservoir management using electrical submersible pumps as virtual sensors
US10260407B2 (en) 2016-02-03 2019-04-16 Cummins Inc. Gas quality virtual sensor for an internal combustion engine
CN106124119B (zh) * 2016-08-01 2019-02-12 中国神华能源股份有限公司 汽机抽汽压力软测量方法
US11940318B2 (en) * 2016-09-27 2024-03-26 Baker Hughes Energy Technology UK Limited Method for detection and isolation of faulty sensors
KR102304331B1 (ko) * 2017-02-24 2021-09-24 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의해 공정 모델들을 결정하는 방법들
JP6797780B2 (ja) 2017-11-07 2020-12-09 株式会社東芝 情報処理装置、情報処理方法及びプログラム
CN108593557B (zh) * 2018-03-13 2020-08-11 杭州电子科技大学 基于te-ann-awf移动污染源遥测误差补偿方法
US20190313164A1 (en) 2018-04-05 2019-10-10 Honeywell International Inc. System and method for connected metering
FR3082035B1 (fr) 2018-06-01 2020-06-05 Continental Automotive France Apprentissage automatique predictif pour la prediction d'une frequence de resonance d'un catalyseur de reduction selective des oxydes d'azote
JP2020067762A (ja) * 2018-10-23 2020-04-30 トヨタ自動車株式会社 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法
KR102284356B1 (ko) * 2019-01-31 2021-08-02 동서대학교 산학협력단 컴퓨터 네트워크 시스템의 생성적 대립 네트워크를 이용한 데이터의 불균형 해결방법
CN110852527B (zh) * 2019-11-20 2022-05-31 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN111324988B (zh) * 2020-03-03 2023-08-08 山西西山煤电股份有限公司 基于机器学习的瓦斯超限预警模型构建方法及预警方法
CN112307670A (zh) * 2020-09-29 2021-02-02 中国原子能科学研究院 基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法
US20220269842A1 (en) * 2021-02-19 2022-08-25 Microsoft Technology Licensing, Llc Estimating emissions with virtual sensor models

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2058255C (en) * 1991-12-20 1997-02-11 Roland P. Leaute Recovery and upgrading of hydrocarbons utilizing in situ combustion and horizontal wells
US5386373A (en) * 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US6236908B1 (en) * 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
US6725208B1 (en) * 1998-10-06 2004-04-20 Pavilion Technologies, Inc. Bayesian neural networks for optimization and control
US6266619B1 (en) * 1999-07-20 2001-07-24 Halliburton Energy Services, Inc. System and method for real time reservoir management
US6758277B2 (en) * 2000-01-24 2004-07-06 Shell Oil Company System and method for fluid flow optimization
US6882929B2 (en) 2002-05-15 2005-04-19 Caterpillar Inc NOx emission-control system using a virtual sensor
US7927703B2 (en) * 2003-04-11 2011-04-19 3M Innovative Properties Company Adhesive blends, articles, and methods
US7280987B2 (en) 2004-03-26 2007-10-09 Halliburton Energy Services, Inc. Genetic algorithm based selection of neural network ensemble for processing well logging data
US7536232B2 (en) * 2004-08-27 2009-05-19 Alstom Technology Ltd Model predictive control of air pollution control processes
NO327866B1 (no) * 2006-03-09 2009-10-12 Abb Research Ltd En fremgangsmåte for styring og/eller overvåking

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111088998A (zh) * 2019-11-13 2020-05-01 神华信息技术有限公司 煤矿中心站监控系统测试方法、装置及分站模拟系统
CN111088998B (zh) * 2019-11-13 2021-09-14 国能信息技术有限公司 煤矿中心站监控系统测试方法、装置及分站模拟系统

Also Published As

Publication number Publication date
US20110010318A1 (en) 2011-01-13
KR20100083765A (ko) 2010-07-22
US20100325071A1 (en) 2010-12-23
EP2185981A4 (en) 2012-03-21
WO2009025560A1 (en) 2009-02-26
EP2188678A1 (en) 2010-05-26
JP2010537192A (ja) 2010-12-02
WO2009025561A1 (en) 2009-02-26
EP2185981A1 (en) 2010-05-19

Similar Documents

Publication Publication Date Title
CN101802728A (zh) 对气体排放进行基于经验集合的虚拟传感的系统和方法
US11436395B2 (en) Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
Zhao et al. Predicting electrical power output of combined cycle power plants using a novel artificial neural network optimized by electrostatic discharge algorithm
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
US7593804B2 (en) Fixed-point virtual sensor control system and method
CN103168278A (zh) 用于分析建筑物操作传感器数据的系统和方法
Diehl et al. Influence diagrams with multiple objectives and tradeoff analysis
Elfaki et al. Prediction of electrical output power of combined cycle power plant using regression ANN model
Hou et al. Coordinated control system modeling of ultra-supercritical unit based on a new fuzzy neural network
CN107919983B (zh) 一种基于数据挖掘的天基信息网络效能评估系统及方法
CN106649919A (zh) 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统
CN111814956A (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
Abbas et al. Computing descent direction of MTL robustness for non-linear systems
Suksri et al. Neural network training model for weather forecasting using fireworks algorithm
Qaisar et al. Energy baseline prediction for buildings: A review
Pachauri et al. Electrical energy prediction of combined cycle power plant using gradient boosted generalized additive model
Loboda et al. Neural networks for gas turbine fault identification: multilayer perceptron or radial basis network?
Tangrand Some new contributions to neural networks and wavelets with applications
Yanhua et al. Adaptive modification of turbofan engine nonlinear model based on LSTM neural networks and hybrid optimization method
Li A genetic algorithm approach to estimate performance status of gas turbines
Putrada et al. Synthetic data with nested markov chain for cima-based smart lighting control deployment simulation
Waghmode et al. A collective study of PCA and neural network based on COCOMO for software cost estimation
Mohaghegh et al. Application of artificial intelligence to computational fluid dynamics
Kaligambe et al. Indoor Room Temperature and Relative Humidity Estimation in a Commercial Building Using the XGBoost Machine Learning Algorithm
XEZONAKIS et al. Modelling and Energy Optimization of a Thermal Power Plant Using a Multi-Layer Perception Regression Method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20100811