WO2024130992A1 - 一种mswi过程二噁英排放浓度在线软测量方法 - Google Patents

一种mswi过程二噁英排放浓度在线软测量方法 Download PDF

Info

Publication number
WO2024130992A1
WO2024130992A1 PCT/CN2023/101309 CN2023101309W WO2024130992A1 WO 2024130992 A1 WO2024130992 A1 WO 2024130992A1 CN 2023101309 W CN2023101309 W CN 2023101309W WO 2024130992 A1 WO2024130992 A1 WO 2024130992A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
online
mswi
drift
model
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.)
Ceased
Application number
PCT/CN2023/101309
Other languages
English (en)
French (fr)
Inventor
汤健
夏恒
张润雨
乔俊飞
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Publication of WO2024130992A1 publication Critical patent/WO2024130992A1/zh
Priority to US19/200,815 priority Critical patent/US20250271139A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the invention relates to the technical field of pollutant monitoring, and in particular to an online soft measurement method for dioxin emission concentration in a MSWI process.
  • Dioxin is a persistent organic pollutant produced during municipal solid waste incineration (MSWI). It is an important environmental indicator that requires optimized control to achieve the lowest emission. However, it is difficult to monitor in real time due to factors such as detection technology, economy and labor costs.
  • soft sensing technology mainly includes two strategies: mechanism model and data-driven model. Since the generation, adsorption and emission mechanism of DXN is not clear, the mechanism model has not yet appeared.
  • the data-driven model based on easy-to-measure process variables is widely used due to its advantages such as high efficiency, low cost and easy implementation. Therefore, this embodiment studies the construction of a soft sensing method for DXN emissions based on MSWI process data.
  • the online soft measurement of DXN emissions needs to solve the following problems:
  • the fluctuation of process variables measured by sensor data such as temperature, pressure and flow is the main basis for characterizing the changes in operating conditions.
  • the object of the present invention is to provide an online soft measurement method for dioxin emission concentration in a MSWI process.
  • the present invention provides the following solutions:
  • An online soft measurement method for dioxin emission concentration in a MSWI process comprising:
  • the process data of the typical sample pool is determined according to the historical process data set of MSWI;
  • the online model includes an online incremental layer;
  • the predicted value of DXN emission concentration is determined according to the offline calculation result and the online calculation result.
  • Ci represents the i-th class; represents the weight vector of process variables, where Where H( ⁇ ) represents the information entropy of the random variable, xm represents the mth eigenvector, y represents the DXN concentration, xn,m represents the mth eigenvalue of the nth sample, p( xn,m )p( yn ) represents the marginal probability distribution, and p( xn,m , yn ) is the joint probability distribution;
  • TSP is established by minimizing cluster similarity, and the formula is:
  • R U M ⁇ M ⁇ M [V M ⁇ M ] T ;
  • U M ⁇ M and V M ⁇ M represent orthogonal matrices, and ⁇ M ⁇ M is an M-dimensional diagonal matrix;
  • FIG12 is a schematic diagram of a three-dimensional curve of a typical sample with redundant samples deleted provided by an embodiment of the present invention.
  • FIG14 is a schematic diagram of an SPE curve provided by an embodiment of the present invention.
  • FIG. 16 is a schematic diagram of online stage prediction results provided by an embodiment of the present invention.
  • MSW is fed into the hopper through a mechanical grab and then transported to the incinerator through a moving grate;
  • MSW forms ash on the grate through drying, pyrolysis, and gasification
  • Flue gas that complies with the pollutant emission control standards (GB18485-2014) is discharged into the atmosphere through an 80-meter-high chimney.
  • DXN emission concentration detection position of the MSWI process is located at the chimney inlet (i.e., the position marked by the dot where the flue gas and the chimney intersect in Figure 1).
  • the first stage is manual sampling by field engineers, which requires the use of a constant-speed sampling device to continuously collect real-time flue gas in the pipeline for two hours to obtain a quartz filter cartridge (solid phase), a resin cartridge (gas phase) and a condensate (liquid phase), which are then packaged and sent to the laboratory for analysis;
  • the second stage is sample analysis.
  • the samples need to be pretreated, extracted and Soxhlet extracted, and then placed in designated reagent bottles, and then analyzed using high-resolution gas chromatography-high-resolution mass spectrometry (HRGC/HRMS) equipment;
  • the third stage is to analyze and calculate the HRGC/HRMS data to obtain a DXN concentration report containing 17 compounds.
  • DXN concentration detection has the disadvantages of being time-consuming, labor-intensive and material-intensive, and cannot continuously and timely reflect the DXN emissions of incinerators.
  • the DXN modeling data obtained based on the above experiments has the characteristics of small sample size and high dimensionality.
  • due to the unclear mechanism of DXN and the large number of human interference factors in the detection process it is difficult for soft measurement technology based on actual DXN data to achieve satisfactory detection accuracy. Therefore, it is a huge challenge to study a soft measurement model for DXN emission concentration with stable and high performance.
  • FIG3 is an online soft measurement method for dioxin emission concentration in a MSWI process provided by this embodiment, including:
  • Step 100 Based on the K-means weighted algorithm, determine the process data of the typical sample pool according to the historical process data set of MSWI;
  • Step 200 performing principal component analysis based on the process data of the typical sample pool to obtain a drift index control limit reflecting whether the MSWI process has changed;
  • Step 300 construct an offline model based on FTBL, and input the process data of the typical sample pool and the historical DXN true value data of MSWI into the offline model for prediction calculation to obtain offline calculation results;
  • the offline model includes a feature mapping layer, an enhancement layer and an incremental layer;
  • Step 400 Perform principal component analysis based on the acquired online data, and determine whether the online data is drift data or normal data based on the drift index control limit. If it is normal data, jump to the step of "constructing an offline model based on FTBL, and inputting the process data of the typical sample pool and the historical DXN true value data of MSWI into the offline model for prediction calculation to obtain calculation results"; if it is drift data, construct an online model based on FTBL, and input the process data of the typical sample pool, the drift data and the output data of the incremental layer of the offline model into the online model for prediction calculation to obtain online calculation results; the online model includes an online incremental layer;
  • Step 500 Determine a predicted value of DXN emission concentration according to the offline calculation result and the online calculation result.
  • the soft sensor structure of DXN emission concentration proposed in this embodiment is shown in FIG4, which includes two stages: offline and online.
  • TSP TSP
  • FTBL algorithm FTBL algorithm
  • PCA analysis are used to obtain the offline model and drift index control limit based on historical process data.
  • the online stage the sliding window recursive PCA adaptive monitoring process is used to realize drift detection, online measurement and FTBL dynamic learning.
  • Table 1 the meanings of different symbols are shown in Table 1 below.
  • This embodiment first constructs a typical sample pool acquisition module based on k-means.
  • historical data collected from complex industrial processes have the characteristics of high dimensionality, strong correlation and high redundancy, which leads to an asymmetry problem between modeling data and valuable information. Therefore, this embodiment proposes a method for constructing a typical sample pool (TSP) using weighted k-means.
  • TSP sample pool
  • a modeling performance with the same (or higher) performance as the original data set can be obtained.
  • Ci represents the i-th class
  • xn represents the n-th sample
  • H( ⁇ ) represents the information entropy of the random variable
  • xm is the mth eigenvector
  • y represents the DXN concentration
  • xn,m represents the mth eigenvalue of the nth sample
  • p( xn,m )p( yn ) represents the marginal probability distribution
  • p( xn,m , yn ) is the joint probability distribution.
  • centroids are cyclically updated using equations (1)-(3), and finally all centroids are obtained through the following conditions, which can be expressed as:
  • ⁇ TS is the threshold of the evaluation index R iter , iter represents the number of iterations, and the calculation of the metric is as follows:
  • TSP is established by minimizing the cluster similarity, which can be expressed as:
  • R DB is the cluster similarity measure (CSM) index.
  • CSM cluster similarity measure
  • Si represents the sum of distances of the i-th category
  • Mij represents the Minkowski metric criterion
  • this embodiment constructs a drift index calculation module based on PCA.
  • PCA principal component analysis
  • N TSP is the number of TSP data D TSP .
  • This embodiment uses the feature cumulative contribution rate ⁇ and PCA contribution threshold ⁇ PCA to perform dimensionality reduction:
  • P PCA is the number of principal components selected, and P PCA is less than M.
  • the drift control limit used to monitor whether the operating conditions have changed is determined through P PCA .
  • This embodiment uses Hotelling's T2 and SPE statistical indicators obtained by TSP calculation as control limits for operating condition drift identification.
  • the above two statistical indicators can be expressed as:
  • F ⁇ (P PCA , N TSP -P PCA ) represents the F distribution with degrees of freedom being P PCA and (N TSP -P PCA );
  • c ⁇ represents the normal deviation not exceeding (1- ⁇ );
  • ⁇ 1 , ⁇ 2 and h 0 are calculated as follows:
  • this embodiment constructs an offline model building module based on FTBL.
  • the FTBL offline modeling method consists of a feature mapping layer, an enhancement layer, and an incremental layer (Figure 5).
  • Figure 5 the basic unit of each layer is replaced by a neuron by an FDT, and the structure of the FDT is shown in Figure 5.
  • FDT is a type of binary tree, and the structure includes non-leaf nodes and leaf nodes, wherein: the former is used for feature selection, and the latter is used for the TS fuzzy reasoning system.
  • a eigenvalue x is randomly selected in the D TSP to define the node splitting function It can be expressed as:
  • rand( ⁇ ) is the random number generation function (n and m do not take the maximum and minimum values).
  • This embodiment can obtain T/2-1 non-leaf nodes (i.e. ) and use formula (20) to construct T/2 leaf nodes of FDT. Since the paths from the root node to the leaf node are different, each leaf node inputs data Therefore, the TS fuzzy inference process based on D Leaf is as follows.
  • c k,m and ⁇ k,m represent Gaussian functions respectively.
  • the center and width of , t leaf represents the t leaf node.
  • f( ⁇ ) is the FDT model
  • g k ( ⁇ ) represent the antecedent and consequent parts of TS fuzzy reasoning, Represents the weight of some features of the consequent.
  • This embodiment uses the gradient descent method to update the parameters of the FDT model f( ⁇ ) during training, including the center c k , width ⁇ k and weight
  • the feature map layer output is represented as follows:
  • the enhancement layer As input, its output can be expressed as:
  • the output of the feature mapping layer and the enhancement layer is Calculate using ridge regression learning algorithm
  • the weight between the predicted output As follows:
  • the FDT model is further added in the incremental layer, and the pseudo-inverse matrix is dynamically updated.
  • the prediction calculation process of the offline model FTBL is as follows:
  • this embodiment also constructs an online drift identification and soft measurement module, which performs real-time monitoring of the MSWI process based on the PCA model and drift index control limit established above, and performs corresponding soft measurement output based on the drift identification result.
  • This embodiment uses a fixed window size to obtain process data, and starts drift identification and soft measurement when the data fills the window.
  • the drift value within the new window is calculated based on the following formula:
  • the samples within the window are defined as drift and normal samples by the following conditions:
  • the FTBL offline model is reused to perform soft measurement of DXN concentration, which can be expressed as:
  • ⁇ Offset is the offset value of the offline FTBL prediction output, as follows:
  • Nt represents the total amount of data arriving at time t, represents all predicted values arriving at time t, Representation vector The mathematical expectation of x IncTem represents the incinerator temperature at time t.
  • this embodiment also constructs an online dynamic update module for the FTBL model.
  • this embodiment adds an online incremental layer In order to quickly learn the characteristics of drift data.
  • the offline FTBL is described as an independent model, which enhances the online measurement accuracy of the model by expanding the concept of the original model width.
  • the input data includes TSP data (X TSP ), drift data (X Dri ) and the output of the incremental layer
  • TSP data X TSP
  • drift data X Dri
  • the predicted value of the new FTBL model is recorded as:
  • this embodiment uses DXN data of a large MSWI power plant in Beijing from 2009 to 2020.
  • the left side of Figures 6 and 7 shows the actual concentration value of DXN.
  • the DXN concentration of the MSWI power plant has not exceeded 0.1TEQ ng/m 3 since it was put into operation, meeting the requirements of the pollutant control emission standard (GB18485-2014).
  • the historical data takes the true value samples from 2009 to 2016, and the test data takes the true value samples from 2016 to 2020.
  • the true value of DXN concentration takes the average emission concentration of the MSWI process within 2 hours.
  • RF random forest
  • BPNN back propagation neural network
  • DFR deep forest regression
  • SVR support vector regression
  • FNN fuzzy neural network
  • BLS breadth learning system
  • RMSE root mean square error
  • EV explained variance
  • the RMSE and EV of BPNN, FNN and FTBL are better than those of RF, DFR, SVR and BLS, which indicates that BPNN, FNN and FTBL have better fitting performance for the training data;
  • This embodiment uses weighted k-means clustering training data and uses CSM indicators to construct TSP data D TSP .
  • the clustering results are shown in FIG10 and FIG11 , taking the first three dimensions x 1 , x 2 , and x 3 of the historical data as an example.
  • Figures 10 and 11 show the effectiveness of weighted k-means clustering in three-dimensional space, and there is a clear spatial distance between clusters.
  • R iter the total distance between clusters
  • Figure 11 the total distance between clusters
  • Figure 12 the results are shown in Figure 12 and Table 4. Comparing the results of Figures 10 and 12, it can be seen that the samples within the class are close to the centroid, and the distance between classes has been expanded. In addition, from the statistical results of the CSM indicator, the clustering similarity of typical samples is lower.
  • the moving window size of online monitoring is fixed to 5. Based on the offline model established in the previous section, the online drift identification and soft measurement results are shown in Figures 13, 14 and Table 5.
  • the RMSE and EV of the historical data are 9.9065E-03 and 8.9321E-01, respectively, and the RMSE and EV of the test data are 2.1595E-02 and 9.5089E-01, respectively.
  • the offline FTBL model uses TSP, and its modeling accuracy is slightly reduced, but the modeling time cost and the computational cost of the online update process are reduced; 2) Compared with the offline modeling part, the test monitoring stage achieves a better fit to the data and higher modeling accuracy. The results show that the offline modeling and online measurement strategies proposed in this embodiment are sufficient.
  • Figure 12(b) and Figure 13(a) respectively represent the online soft measurement system interface based on the semi-physical simulation laboratory platform and the industrial field application.
  • the software interface displays the online predicted DXN emission concentration in real time.
  • the hardware structure of the semi-physical simulation platform is shown above the software interface of Figure 12.
  • Figure 13 mainly shows the MSWI process diagram and control system structure, as well as the one-way physical isolation data acquisition system used to support the online soft measurement of DXN, and the real-time measurement curve of the on-site real-time process data and DXN emission concentration.
  • the results of testing the soft measurement system on the semi-physical simulation platform verified the effectiveness of the software system, indicating that the method proposed in this embodiment can be applied in engineering and provide strong support for actual engineering.
  • this embodiment proposes a soft measurement strategy based on fuzzy tree width learning. Its main contributions are as follows: a new FTBL algorithm is proposed for constructing an offline DXN emission model, online operating condition drift identification and corresponding soft measurement strategies are proposed, and an online dynamic update method of the FTBL model is proposed. After verifying the effectiveness of the proposed strategy on a laboratory simulation experimental platform based on actual process data, the proposed method is verified in an actual industrial process.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种MSWI过程二噁英排放浓度在线软测量方法，包括：根据MSWI的历史过程数据集确定过程数据；根据过程数据进行主成分分析，得到漂移指标控制限；构建基于FTBL的离线模型，并将过程数据和MSWI的历史DXN真值数据输入至离线模型中进行预测计算；根据获取到的在线数据进行主成分分析，并根据漂移指标控制限判断在线数据是否为漂移数据或正常数据，若为正常数据，则跳转至步骤"构建基于FTBL的离线模型"；若为漂移数据，则构建基于FTBL的在线模型，并将典型样本池的过程数据、漂移数据和离线模型的增量层的输出数据输入至在线模型中进行预测计算；根据离线计算结果和在线计算结果确定DXN排放浓度预测值。本发明能够有效地提高DXN排放浓度预测值的准确性。

Description

一种MSWI过程二噁英排放浓度在线软测量方法 技术领域
本发明涉及污染物监测技术领域，特别是涉及一种MSWI过程二噁英排放浓度在线软测量方法。
背景技术
二噁英(Dioxin，DXN)是城市固废焚烧(Municipal solid waste incineration，MSWI)过程中产生的持久性有机污染物，是需要通过优化控制实现最低排放的重要环境指标，但受限于检测技术、经济和人工成本等因素难以实时监测。
城市固废焚烧是实现废物发电的主要技术之一，已在世界范围内得到广泛应用。作为城市固废(Municipal solid waste，MSW)无害化、减量化和资源化处理的典型工业过程，虽然MSWI技术的优点大于缺点，但其排放气体中含的有毒有害物质一直是公众的焦点关注。二噁英是目前已知的对人体和环境毒性最大的持久性有机污染物，已成为制约MSWI技术发展的因素之一。由于DXN包含的化合物种类繁多且分析化验的步骤复杂、测量延迟大以及价格昂贵等原因，使得DXN排放浓度难以实时测量。DXN是MSWI过程智能优化控制的重要环保指标。因此，应用软测量技术解决目前DXN离线检测的高经济和人工成本消耗问题的有效手段，也是实现DXN超低排放的基础。
目前软测量技术主要包括机理模型数据驱动模型两种策略。由于DXN的生成、吸附和排放机理尚不清晰，因此机理模型尚未出现。基于易于测量的过程变量的数据驱动模型因其高效、低成本和易于实现等优点而广泛应用。因此，本实施例研究基于MSWI过程数据构建面向DXN排放的软测量方法。
鉴于焚烧过程机理的复杂性、MSW原料成分的波动性以及领域专家人工控制的随意性等原因，MSWI过程的工况漂移现象频繁出现。此外，针对实际工程应用，建立可靠的DXN排放浓度软测量模型是很困难的。因此，DXN排放的在线软测量需要解决以下问题：在MSWI过程中，温度、压力和流量等传感器数据所测量过程变量的波动是表征运行工况变化的主要依据，在软测量模型的在线应用阶段，如何根据过程数据识别运行状态的漂移变化以辅助实现准确检测和模型更新是当前面临的挑战之一；在线测量DXN排放浓度过程中如何保持对新数据(漂移数据)的持续快速学习能力，是软测量技术实现实际工程应用需要解决的关键问题；充分利用历史数据进行离线建模是实现在线软测量的第一步，如何选择历史数据构建具有低寻来你成本的离线模型并保持其最佳性能是DXN软测量建模需要解决的首要问题。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种MSWI过程二噁英排放浓度在线软测量方法。
为实现上述目的，本发明提供了如下方案：
一种MSWI过程二噁英排放浓度在线软测量方法，包括：
基于K-means加权算法，根据MSWI的历史过程数据集确定典型样本池的过程数据；
根据所述典型样本池的过程数据进行主成分分析，得到反映MSWI过程 是否发生变化的漂移指标控制限；
构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到离线计算结果；所述离线模型包括特征映射层、增强层和增量层；
根据获取到的在线数据进行主成分分析，并根据所述漂移指标控制限判断所述在线数据是否为漂移数据或正常数据，若为所述正常数据，则跳转至步骤“构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到计算结果”；若为所述漂移数据，则构建基于FTBL的在线模型，并将所述典型样本池的过程数据、所述漂移数据和所述离线模型的增量层的输出数据输入至所述在线模型中进行预测计算，得到在线计算结果；所述在线模型包括在线增量层；
根据所述离线计算结果和所述在线计算结果确定DXN排放浓度预测值。
优选地，所述基于K-means加权算法，根据MSWI的历史过程数据集确定典型样本池的过程数据包括：
获取MSWI的历史过程数据集XHis；
根据所述历史过程数据集XHis得到历史数据其中，xn为第n个样本，yn为第n个样本对应的预测值；N为MSWI的历史数据集的样本数，M为MSWI的历史数据集的特征数；
随机选择I个实例作为初始质心
根据样本与质心之间的加权欧氏距离，将所有样本列成I类：
其中，Ci表示第i个类；表示过程变量的权重向量，其中，其中，H(·)表示随机变量的信息熵，xm为第m个特征向量，y表示DXN浓度，xn,m表示第n个样本的第m个特征值，p(xn,m)p(yn)表示边缘概率分布，p(xn,m,yn)为联合概率分布；
利用类间样本更新质心Ci：
其中，表示该第i个聚类中的样本数量；
对质心进行循环更新，并通过预设条件获得全部质心，所述预设条件表示为：其中，δTS为评价指标Riter的阈值，iter表示迭代次数，度量指标的计算公式为：
通过最小化聚类相似度建立TSP，建立公式为：
其中，RDB为聚类相似性度量指数；其中，Mij＝{∑|Ci-Cj|b}1/b；其中，Si表示第i类的距离之和， Mij表示闵可夫斯基度量准则。
优选地，根据所述典型样本池的过程数据进行主成分分析，得到反映MSWI过程是否发生变化的漂移指标控制限，包括：
将TSP数据的相关系数矩阵表示为其中，NTSP为TSP数据DTSP的个数；R为TSP数据的相关系数矩阵；
对R进行奇异值分解，并计算特征值；计算公式为R＝UM×MΣM×M[VM×M]T；其中，UM×M和VM×M表示正交矩阵，ΣM×M是M维对角矩阵；
使用特征累计贡献率η和PCA贡献阈值δPCA进行降维：
其中，PPCA为所选主成分个数，PPCA小于M；
将计算公式重写为：其中，为负载矩阵；
根据得分矩阵T和负载矩阵将XTPS表示为：
其中，表示XTSP在主成分空间上的投影，表示XTSP在残差空间上的投影；所述与满足正交关系；
此外，与满足正交关系，证明如下：


；
将所述漂移指标控制限表示为：

其中，为Hotelling’s T2的控制限，SPECL为SPE的控制限，PPCA为所选主成分个数Fα(PPCA,NTSP-PPCA)表示自由度为PPCA和(NTSP-PPCA)的F分布；cα表示不超过(1-α)的正态偏差；Θ1、Θ2和h0的计算如下所示：

其中，h0、Θ1和Θ2均为SPE控制限计算的中间变量，σm为奇异值分解的特征值。
优选地，所述构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到离线计算结果，包括：
针对给定TSP数据在DTSP中随机选择一个特征值x定义节点分裂函数其表示为：n∈(1,NTSP)and m∈(1,M)；其中，为符号函数，rand(·)为随机数生成函数，n和m不取最大值和最小值；
对TS模糊推理确定K个模糊规则，其第k个规则可表示为：
其中，
其中，Rk为第k条模糊规则，ck,m和σk,m分别表示高斯函数的中心和宽度，tleaf表示第tleaf个叶节点；为高斯函数；
根据上述K个模糊规则，FDT的结果描述为：
其中， 其中，f(·)为FDT模型，和gk(·)表示TS模糊推理的前件和后件部分，表示后件部分特征的权重；
应用梯度下降法更新FDT模型f(·)训练过程中的参数，所述参数包括中心ck、宽度σk和权重所述特征映射层输出表示如下：
其中，其中，是第nFM个FDT模型通过输入XTSP的输出。
增强层以作为输入，所述增强层的输出表示为：
所述特征映射层和所述增强层的输出为
利用岭回归学习算法计算与预测输出之间的权重如下所示：
其中，为伪逆矩阵，λ为正则化系数，I为单位矩阵；
在增量层中增加FDT模型，并动态更新伪逆矩阵，以作为输入，作为输出；增量过程的伪逆矩阵更新过程如下：
其中，D、Hk+1、BT、C均为伪逆矩阵更新过程的中间变量；
新的权重矩阵表示为：
离线模型FTBL的预测计算过程如下：
优选地，所述根据获取到的在线数据进行主成分分析，并根据所述漂移指标控制限判断所述在线数据是否为漂移数据或正常数据，若为所述正常数据，则跳转至步骤“构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到计算结果”；若为所述漂移数据，则构建基于FTBL的在线模型，并将所述典型样本池的过程数据、所述漂移数据和所述离线模型的增量层的输出数据输入至所述在线模型中进行预测计算，得到在线计算结果，包括：
基于下式计算新窗口内的漂移值：
其中，和是第(NTSP+1)个过程数据的统计指标，表示新的负荷矩阵，表示新的对角矩阵；
通过判断公式确定样本为漂移样本或正常样本；所述判断公式为：
针对正常样本，重用所述FTBL的离线模型进行DXN浓度软测量，可表示为：
针对漂移样本，软测量值计算方式为：
其中，εOffset为离线FTBL预测输出的偏移值，如下：
其中，Nt表示到达t时刻的全部数据量，表示到达t时刻的所有预测值，表示向量的数学期望，xIncTem表示t时刻的焚烧炉温度。
当检测真值存在时，将TSP数据、漂移数据和增量层的输出输入至所述在线模型中；所述在线模型的预测值为：
其中，表示权重矩阵，是NFM+NEn+NIn+NOI FDT的输出矩阵。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种MSWI过程二噁英排放浓度在线软测量方法，其特征 在于，包括：基于K-means加权算法，根据MSWI的历史过程数据集确定典型样本池的过程数据；根据所述典型样本池的过程数据进行主成分分析，得到反映MSWI过程是否发生变化的漂移指标控制限；构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到离线计算结果；所述离线模型包括特征映射层、增强层和增量层；根据获取到的在线数据进行主成分分析，并根据所述漂移指标控制限判断所述在线数据是否为漂移数据或正常数据，若为所述正常数据，则跳转至步骤“构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到计算结果”；若为所述漂移数据，则构建基于FTBL的在线模型，并将所述典型样本池的过程数据、所述漂移数据和所述离线模型的增量层的输出数据输入至所述在线模型中进行预测计算，得到在线计算结果；所述在线模型包括在线增量层；根据所述离线计算结果和所述在线计算结果确定DXN排放浓度预测值。本发明能够有效地提高DXN排放浓度预测值的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的MSWI过程和DXN排放示意图；
图2为本发明实施例提供的DXN浓度测量过程示意图；
图3为本发明实施例提供的方法流程图；
图4为本发明实施例提供的DXN浓度软测量策略示意图；
图5为本发明实施例提供的模糊决策树示意图；
图6为本发明实施例提供的DXN数据的第一示意图；
图7为本发明实施例提供的DXN数据的第二示意图；
图8为本发明实施例提供的不同方法的训练数据拟合曲线示意图；
图9为本发明实施例提供的不同方法的测试数据拟合曲线示意图；
图10为本发明实施例提供的典型样本的三维曲线示意图；
图11为本发明实施例提供的典型样本的二维曲线示意图；
图12为本发明实施例提供的删除冗余样本的典型样本的三维曲线示意图；
图13为本发明实施例提供的T2曲线示意图；
图14为本发明实施例提供的SPE曲线示意图；
图15为本发明实施例提供的离线阶段预测结果示意图
图16为本发明实施例提供的在线阶段预测结果示意图
图17为本发明实施例提供的实验室仿真应用测试示意图；
图18为本发明实施例提供的工业现场在线应用测试示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本实施例中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本实施例所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种MSWI过程二噁英排放浓度在线软测量方法，能够有效地提高DXN排放浓度预测值的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例将MSWI过程分为五个阶段，依次为：
(1)MSW通过机械抓斗送入料斗，然后通过移动炉排输送到焚烧炉；
(2)在850℃以上的高温环境中，MSW在炉排上经过干燥、热解和气化等阶段形成灰渣；
(3)高温烟气的热能通过水冷壁、过热器、蒸发器、省煤器、汽包等热交换装置转化为高温高压蒸汽，然后利用蒸汽驱动汽轮发电机，实现废物转化为能源；
(4)采用选择性非催化还原(SNCR)系统脱硝、活性炭吸附、半干脱酸、袋式除尘器等对MSWI过程产生的有毒有害物质(如CO、HCl、SO2、NOx、颗粒物、DXN)进行烟气净化；
(5)符合污染物控制排放标准(GB18485-2014)的烟气，通过80米高的烟囱排放到大气中。
研究表明，原生MSW中含有微量的DXN。DXN在MSW的燃烧和净化过程中依次经过高温分解、低温从头合成、活性炭吸附和布袋除尘后，剩余微量DXN被排放到大气中。此外，由于飞灰在MSWI设备中的累积作用，导致DXN具有显著的“记忆效应”。因此，应用软测量方法检测DXN排放浓度是一项具有挑战性的任务。通常，MSWI过程的DXN排放浓度检测位置位于烟囱入口处(即图1中烟气与烟囱相交处的圆点标记的位置)。
迄今为止，DXN排放浓度的检测主要依靠人工现场采样和实验室分析。检测过程如图2所示。
在图2中，第一阶段是现场工程师手动现场取样，需要使用恒速采样装置两小时连续采集管道中的实时烟气，得到石英滤筒(固相)、树脂筒(气相)和凝析液(液相)，然后将其包装后被送往实验室分析；第二阶段是样品分析，这些 样品需要进行预处理、提取和索氏提取，然后放入指定的试剂瓶中，然后使用高分辨率气相色谱-高分辨率质谱(HRGC/HRMS)设备对样品进行分析；第三阶段为分析计算HRGC/HRMS数据，获得包含17种化合物的DXN浓度报告。
DXN浓度检测存在耗时长、人工和材料成本高的缺点，无法连续、及时地反映焚烧炉的DXN排放情况，同时导致基于上述实验获取的DXN建模数据具有样本量小、维数高的特点。此外，由于DXN机理不清，检测环节人为干扰因素较多，基于实际DXN数据的软测量技术很难达到令人满意的检测精度。因此，研究具有稳定高性能的DXN排放浓度软测量模型是一项巨大的挑战。
图3为本实施例提供的一种MSWI过程二噁英排放浓度在线软测量方法，包括：
步骤100：基于K-means加权算法，根据MSWI的历史过程数据集确定典型样本池的过程数据；
步骤200：根据所述典型样本池的过程数据进行主成分分析，得到反映MSWI过程是否发生变化的漂移指标控制限；
步骤300：构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到离线计算结果；所述离线模型包括特征映射层、增强层和增量层；
步骤400：根据获取到的在线数据进行主成分分析，并根据所述漂移指标控制限判断所述在线数据是否为漂移数据或正常数据，若为所述正常数据，则跳转至步骤“构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到计算结果”；若为所述漂移数据，则构建基于FTBL的在线模型，并将所述典型样本池的过程数据、所述漂移数据和所述离线模型的增量层的输出数据输入至所述在线模型中进行预测计算，得到在线计算结果；所述在线模型包括在线增量层；
步骤500：根据所述离线计算结果和所述在线计算结果确定DXN排放浓度预测值。
本实施例所提DXN排放浓度软测量结构如图4所示，包括离线和在线两个阶段。在离线阶段，采用TSP、FTBL算法和PCA分析获得基于历史过程数据的离线模型和漂移指标控制限。在在线阶段，采用滑动窗口递归PCA自适应监视过程实现漂移检测、在线测量以及FTBL动态学习。图4中，不同符号的含义如下表1所示。
表1



本实施例首先构建基于k-means的典型样品池获取模块，通常，从复杂工业过程采集的历史数据具有高维数、强相关性和高冗余度等特点，导致建模数据和有价值信息之间存在不对称问题。因此，本实施例提出加权k-means构建典型样品池(TSP)的方法。理论上，基于TSP可获得与原始数据集具有相同(或更高)的建模性能。
根据历史数据首先随机选择I个实例作为初始质心然后根据样本与质心之间的加权欧氏距离，将所有样本列成I类：
其中，Ci表示第i个类；xn代表第n个样本；表示过程变量的权重向量，其由过程变量与DXN浓度之间的信息值确定，如下所示：
其中，H(·)表示随机变量的信息熵，xm为第m个特征向量，y表示DXN浓度，xn,m表示第n个样本的第m个特征值，p(xn,m)p(yn)表示边缘概率分布，p(xn,m,yn)为联合概率分布。
利用类间样本更新质心Ci：
其中，表示该第i个聚类中的样本数量。
利用式(1)-(3)对质心进行循环更新，最终通过以下条件获得全部质心，可表示为：
其中，δTS为评价指标Riter的阈值，iter表示迭代次数，度量指标的计算如下：
由上式可知，其表示聚类样本与质心之间的欧氏距离之和。
然后，通过最小化聚类相似度建立TSP，可表示为：
其中，RDB为聚类相似性度量(CSM)指数。

Mij＝{∑|Ci-Cj|b}1/b       (8)
其中，Si表示第i类的距离之和，Mij表示闵可夫斯基度量准则。
其次，本实施例构建有基于PCA的漂移指标计算模块，针对高维过程变量，本实施例采用主成分分析(PCA)模型计算用于确定MSWI过程是否发生变化的漂移指标控制限。
首先，将TSP数据的相关系数矩阵表示如下：
其中，NTSP为TSP数据DTSP的个数。
为了获得能够表征原始高维过程变量的潜在变量即主成分，本实施例对R进行奇异值分解(SVD)，并计算特征值：
R＝UM×MΣM×M[VM×M]T        (10)
其中，UM×M和VM×M表示正交矩阵(VM×M＝[UM×M]T)，ΣM×M是M维对角矩阵(即diag(σ1,σ2,...,σM))，σm是对角线上的特征值。
本实施例使用特征累计贡献率η和PCA贡献阈值δPCA进行降维：
其中，PPCA为所选主成分个数，PPCA小于M。
据此，通过PPCA确定用于监测工况是否发生变化的漂移控制限。
进一步，将式(10)重写为：
根据得分矩阵T和负载矩阵将XTPS表示为：
其中，表示XTSP在主成分空间上的投影，表示XTSP在残差空间上的投影。
此外，与满足正交关系，证明如下：
因此，使用和进行过程监视的优势在于两部分相互独立(即统计信息互不干扰)。
本实施例采用根据TSP计算所得到的Hotelling’s T2和SPE统计指标作为进行工况漂移识别的控制限。上述2个统计指标可表示为：

其中，Fα(PPCA,NTSP-PPCA)表示自由度为PPCA和(NTSP-PPCA)的F分布；cα表示不超过(1-α)的正态偏差；Θ1、Θ2和h0的计算如下所示：

再次，本实施例构建有基于FTBL的离线模型构建模块，FTBL离线建模方法由特征映射层、增强层和增量层组成(图5)。相比于传统DT，其每层的基本单元均由FDT替代神经元，FDT的结构如图5所示。FDT是二叉树的一类，结构包括非叶节点和叶节点，其中：前者用于特征选择，后者用于TS模糊推理系统。
1)特征映射层
针对给定TSP数据本实施例在DTSP中随机选择一个特征值x定义节点分裂函数其可表示为：
其中，为符号函数，rand(·)为随机数生成函数(n和m不取最大值和最小值)。
本实施例可得到T/2-1个非叶节点(即)和采用式(20)构建FDT的T/2个叶节点。由于从根节点到叶节点的路径不一样，每个叶节点输入数据是不同的。因此，基于DLeaf的TS模糊推理过程如下所示。
对TS模糊推理确定K个模糊规则，其第k个规则可表示为：
其中，
其中，ck,m和σk,m分别表示高斯函数的中心和宽度，tleaf表示第tleaf个叶节点。
根据上述K个模糊规则，FDT的结果可描述为：
其中，

其中，f(·)为FDT模型，和gk(·)表示TS模糊推理的前件和后件部分，表示后件部分特征的权重。
本实施例应用梯度下降法更新FDT模型f(·)训练过程中的参数，包括中心ck、宽度σk和权重
因此，特征映射层输出表示如下：
其中，
其中，是第nFM个FDT模型通过输入XTSP的输出。
2)增强层
增强层以作为输入，其输出可表示为：
因此，特征映射层和增强层的输出为利用岭回归学习算法计算与预测输出之间的权重如下所示：
其中，为伪逆矩阵，λ为正则化系数，I为单位矩阵。
3)增量层
为了获得足够好的性能，进一步在增量层中增加FDT模型，并动态更新伪逆矩阵。
以作为输入，作为输出。增量过程的伪逆矩阵更新过程如下：
其中，
因此，新的权重矩阵可表示为：
离线模型FTBL的预测计算过程如下：
再次，本实施例还构建有在线漂移识别与软测量模块，该部分基于上述建立的PCA模型和漂移指标控制限进行MSWI过程的实时监视，并基于漂移识别结果进行相应的软测量输出。本实施例采用固定的窗口尺寸获取过程数据，当数据填满窗时启动漂移识别和软测量。
基于下式计算新窗口内的漂移值：

其中，和是第(NTSP+1)个过程数据的统计指标，表示新的负荷矩阵，表示新的对角矩阵(即)。
窗口内样本被定义为漂移和正常样本，通过以下条件，：
针对正常样本，重用FTBL离线模型进行DXN浓度软测量，可表示为：
针对漂移样本，考虑到实际工程中DXN排放的真值检测耗时长，难以实时获取DXN真值数据，此处除能提示需要进行检测外，给出如下的软测量值计算方式：
其中，εOffset为离线FTBL预测输出的偏移值，如下：
其中，Nt表示到达t时刻的全部数据量，表示到达t时刻的所有预测值，表示向量的数学期望，xIncTem表示t时刻的焚烧炉温度。
此外，当检测真值存在时，采用下述方法进行FTBL的更新。
最后，本实施例还构建有FTBL模型在线动态更新模块，针对漂移数据，本实施例增加在线增量层以快速学习漂移数据的特征。在在线增量过程中，离线FTBL被描述为一个独立的模型，通过扩展原模型宽度的概念以增强模型在线测量精度。此时，输入数据包括TSP数据(XTSP)、漂移数据(XDri)和增量层的输出新FTBL模型的预测值记为：
其中，表示权重矩阵，是NFM+NEn+NIn+NOIFDT的输出矩阵，其动态更新过程与式(29)～(31)一致。
在完成在线学习和预测后，还需要更新TSP及和SPECL控制限，以适应下一个窗口的在线测量。
如图6和图7所示，本实施例采用北京某大型MSWI电厂2009-2020年的DXN数据。图6和图7左侧为DXN的实际浓度值。
由图6和图7可知，MSWI电厂自投产以来DXN浓度未超过0.1TEQ ng/m3，满足污染物控制排放标准(GB18485-2014)要求。考虑到难以获取DXN真值，仅能在历史数据驱动下建立离线模型进行软测量。因此，历史数据取2009-2016年的真值样本，测试数据取2016-2020年的真值样本。DXN浓度真值取MSWI过程在2小时内的平均排放浓度。同时，在离散控制系统(DCS)中，温度、压力、流量等过程变量数秒内生成，需平均采样时间内过程数据获得DXN真值所对应样本。本实施例对DXN数据的划分如表2所示。
表2 DXN数据划分
从图7可看出历史数据与测试数据的分布存在显著差异，这将导致基于经典建模法难以准确检测DXN排放浓度。
采用随机森林(RF)、反向传播神经网络(BPNN)、深度森林回归(DFR)、支持向量回归(SVR)、模糊神经网络(FNN)和宽度学习系统(BLS)等经典和流行的方法，与所提FTBL方法进行比较。
所采用的指标为均方根误差(RMSE)和可解释方差(EV)，计算如下：

实验数据及拟合曲线如表3和图8以及图9所示。
表3不同方法的比较结果
从表3和图8以及图9可知，上述方法的建模性能均良好，具体而言：
(1)在训练数据中，BPNN、FNN和FTBL的RMSE和EV优于RF、DFR、SVR和BLS，这表明BPNN、FNN和FTBL对训练数据具有较好的拟合性能；
(2)在测试数据中，由于数据分布的差异，预测性能存在显著差异，导致所有方法都难以有效拟合测试数据的分布；
(3)SVR的RMSE最低(2.0233E-02)，RF的EV最低(-1.9795E-01)，而SVR、RF和DFR方法的预测曲线趋近于一条直线，这意味着RF、SVR和DFR方法对测试数据的响应能力较差；此外，针对其余方法如BP、FNN、BLS和FTBL，其对在线数据的响应则更为敏感。这表明，这些方法的预测趋势随在线工艺的变化而波动。本实施例提出的FTBL方法在建模精度和模型灵敏度方面均具有较高优势。
上述实验结果表明，所提出的离线建模法比RF和DFR法具有更高的建模精度和灵敏度；此外，与BP、FNN、SVR和BLS方法相比，FTBL具有相同的建模精度和更稳定的敏感度。
本实施例使用加权k-means聚类训练数据，使用CSM指标构建TSP数据DTSP。聚类结果以历史数据的前三个维度x1、x2、x3为例，结果如图10和图11所示。
图10和图11表明加权k-means聚类在三维空间的有效性，聚类之间存在清晰的空间距离。在迭代过程中，聚类间总距离Riter逐渐减小，直至收敛(图11)。然后，根据CSM指标删除冗余样本。结果见图12和表4。对比图10和图12的结果可看出，类内间样本向质心周边靠近，类类间的距离得到了扩大。此外，从CSM指标的统计结果来看，典型样本的聚类相似度更低。
表4典型样本的CSM
本实施例采用贡献阈值δPCA＝0.9确定主成分，由此选择了19个主成分进行统计分析。根据式(15)、(16)和19个主成分，进一步得出历史数据的两条和SPECL控制限，分别为13.2270和19.3475，置信水平为95％。
固定在线监视的移动窗口尺寸为5，基于上一节所建立的离线模型，在线漂移识别和软测量结果如图13、图14以及表5所示。
表5在线测量过程的结果
实验结果表明，在线阶段的过程数据与历史数据存在显著差异。根据数据统计指标控制限可知，所有过程数据均为漂移样本。在线增量更新层中的FDT数量设置为5有效控制了软测量的时间成本。表5中的结果表明，FTBL在线更新过程拟合精度高，更新时间短，其对应的实验结果如图15和图16所示。
如表6所示，历史数据的RMSE和EV分别为9.9065E-03和8.9321E-01，测试数据的RMSE和EV分别为2.1595E-02和9.5089E-01。从以下几个方面考虑：1)离线FTBL模型使用TSP，其建模精度虽略有下降，但建模时间成本和在线更新过程的计算成本有所降低；2)与离线建模部分相比，测试监测阶段实现对数据的较好拟合和较高建模精度。结果表明，本实施例所提离线建模和在线测量策略是充分的。
表6离线、在线阶段预测指标统计
针对工况漂移，此处结合实际工程应用实现所提策略。本实施例基于C#编程语言开发了DXN浓度排放在线检测系统，分别在实验室半实物仿真平台和MSWI工业现场进行了实验测试，相应的硬件结构和软件界面如图17和图18所示。
图12(b)和图13(a)分别表示基于半实物仿真实验室平台和工业现场应用的在线软测量系统界面，通过“启动”按钮启动运行后，软件界面实时显示在线预测的DXN排放浓度。图12的软件界面上方为半实物仿真平台的硬件结构，图13主要为MSWI流程示意和控制系统结构以及用于支撑DXN在线软测量的单向物理隔离数据采集系统和现场实时工艺数据与DXN排放浓度实时测量曲线。通过在半实物仿真平台上对软测量系统进行测试的结果验证了软件系统的有效性，表明本实施例所提方法能够工程应用，为实际工程提供有力支撑。
本发明的有益效果如下：
针对MSWI过程DXN排放浓度的软测量问题，本实施例提出一种基于模糊树宽度学习的软测量策略，主要贡献体现在：提出新的FTBL算法用于构建离线DXN排放模型，提出在线工况漂移识别与相应的软测量策略，提出FTBL模型的在线动态更新方法，基于实际过程数据在实验室仿真实验平台验证所提策略的有效性后，在实际工业过程验证了所提方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本实施例中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

  1. 一种MSWI过程二噁英排放浓度在线软测量方法，其特征在于，包括：
    基于K-means加权算法，根据MSWI的历史过程数据集确定典型样本池的过程数据；
    根据所述典型样本池的过程数据进行主成分分析，得到反映MSWI过程是否发生变化的漂移指标控制限；
    构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到离线计算结果；所述离线模型包括特征映射层、增强层和增量层；
    根据获取到的在线数据进行主成分分析，并根据所述漂移指标控制限判断所述在线数据是否为漂移数据或正常数据，若为所述正常数据，则跳转至步骤“构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到计算结果”；若为所述漂移数据，则构建基于FTBL的在线模型，并将所述典型样本池的过程数据、所述漂移数据和所述离线模型的增量层的输出数据输入至所述在线模型中进行预测计算，得到在线计算结果；所述在线模型包括在线增量层；
    根据所述离线计算结果和所述在线计算结果确定DXN排放浓度预测值。
  2. 根据权利要求1所述的MSWI过程二噁英排放浓度在线软测量方法，其特征在于，所述基于K-means加权算法，根据MSWI的历史过程数据集确定典型样本池的过程数据包括：
    获取MSWI的历史过程数据集XHis；
    根据所述历史过程数据集XHis得到历史数据其中，xn为第n个样本，yn为第n个样本对应的预测值；N为MSWI的历史数据集的样本数，M为MSWI的历史数据集的特征数；
    随机选择I个实例作为初始质心
    根据样本与质心之间的加权欧氏距离，将所有样本列成I类：
    其中，Ci表示第i个类；表示过程变量的权重向量，其中，其中，H(·)表示随机变量的信息熵，xm为第m个特征向量，y表示DXN浓度，xn,m表示第n个样本的第m个特征值，p(xn,m)p(yn)表示边缘概率分布，p(xn,m,yn)为联合概率分布；
    利用类间样本更新质心Ci：
    其中，表示该第i个聚类中的样本数量；
    对质心进行循环更新，并通过预设条件获得全部质心，所述预设条件表示为：其中，δTS为评价指标Riter的阈值，iter表示迭代次数，度量指标的计算公式为：
    通过最小化聚类相似度建立TSP，建立公式为：
    其中，RDB为聚类相似性度量指数；其中，Mij＝{∑|Ci-Cj|b}1/b；其中，Si表示第i类的距离之和， Mij表示闵可夫斯基度量准则。
  3. 根据权利要求2所述的MSWI过程二噁英排放浓度在线软测量方法，其特征在于，根据所述典型样本池的过程数据进行主成分分析，得到反映MSWI过程是否发生变化的漂移指标控制限，包括：
    将TSP数据的相关系数矩阵表示为其中，NTSP为TSP数据DTSP的个数；R为TSP数据的相关系数矩阵；
    对R进行奇异值分解，并计算特征值；计算公式为R＝UM×MΣM×M[VM×M]T；其中，UM×M和VM×M表示正交矩阵，ΣM×M是M维对角矩阵；
    使用特征累计贡献率η和PCA贡献阈值δPCA进行降维：
    其中，PPCA为所选主成分个数，PPCA小于M；
    将计算公式重写为：其中，为负载矩阵；
    根据得分矩阵T和负载矩阵将XTPS表示为：
    其中，表示XTSP在主成分空间上的投影，表示XTSP在残差空间上的投影；所述与满足正交关系；
    此外，与满足正交关系，证明如下：

    将所述漂移指标控制限表示为：

    其中，为Hotelling’s T2的控制限，SPECL为SPE的控制限，PPCA为所选主成分个数Fα(PPCA,NTSP-PPCA)表示自由度为PPCA和(NTSP-PPCA)的F分布；cα表示不超过(1-α)的正态偏差；Θ1、Θ2和h0的计算如下所示：

    其中，h0、Θ1和Θ2均为SPE控制限计算的中间变量，σm为奇异值分解的 特征值。
  4. 根据权利要求3所述的MSWI过程二噁英排放浓度在线软测量方法，其特征在于，所述构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到离线计算结果，包括：
    针对给定TSP数据在DTSP中随机选择一个特征值x定义节点分裂函数其表示为：n∈(1,NTSP)and m∈(1,M)；其中，为符号函数，rand(·)为随机数生成函数，n和m不取最大值和最小值；
    对TS模糊推理确定K个模糊规则，其第k个规则可表示为：其中，
    其中，Rk为第k条模糊规则，ck,m和σk,m分别表示高斯函数的中心和宽度，tleaf表示第tleaf个叶节点；为高斯函数；
    根据上述K个模糊规则，FDT的结果描述为：
    其中， 其中，f(·)为FDT模型，和gk(·)表示TS模糊推理的前件和后件部分，表示后件部分特征的权重；
    应用梯度下降法更新FDT模型f(·)训练过程中的参数，所述参数包括中心ck、宽度σk和权重所述特征映射层输出表示如下：
    其中，其中，是第nFM个FDT模型通过输入XTSP的输出。
    增强层以作为输入，所述增强层的输出表示为：
    所述特征映射层和所述增强层的输出为
    利用岭回归学习算法计算与预测输出之间的权重如下所示：
    其中，为伪逆矩阵，λ为正则化系数，I为单位矩阵；
    在增量层中增加FDT模型，并动态更新伪逆矩阵，以作为输入，作为输出；增量过程的伪逆矩阵更新过程如下：
    其中，D、Hk+1、BT、C均为伪逆矩阵更新过程的中间变量；
    新的权重矩阵表示为：
    离线模型FTBL的预测计算过程如下：
  5. 根据权利要求4所述的MSWI过程二噁英排放浓度在线软测量方法，其特征在于，所述根据获取到的在线数据进行主成分分析，并根据所述漂移指标控制限判断所述在线数据是否为漂移数据或正常数据，若为所述正常数据，则跳转至步骤“构建基于FTBL的离线模型，并将所述典型样本池的过程数据和MSWI的历史DXN真值数据输入至所述离线模型中进行预测计算，得到计算结果”；若为所述漂移数据，则构建基于FTBL的在线模型，并将所述典型样本池的过程数据、所述漂移数据和所述离线模型的增量层的输出数据输入至所述在线模型中进行预测计算，得到在线计算结果，包括：
    基于下式计算新窗口内的漂移值：
    其中，和是第(NTSP+1)个过程数据的统计指标，表示新的负荷矩阵，表示新的对角矩阵；
    通过判断公式确定样本为漂移样本或正常样本；所述判断公式为：
    针对正常样本，重用所述FTBL的离线模型进行DXN浓度软测量，可表示为：
    针对漂移样本，软测量值计算方式为：
    其中，εOffset为离线FTBL预测输出的偏移值，如下：
    其中，Nt表示到达t时刻的全部数据量，表示到达t时刻的所有预测值，表示向量的数学期望，xIncTem表示t时刻的焚烧炉温度。
    当检测真值存在时，将TSP数据、漂移数据和增量层的输出输入至所述在线模型中；所述在线模型的预测值为：
    其中，表示权重矩阵，是NFM+NEn+NIn+NOIFDT的输出矩阵。
PCT/CN2023/101309 2022-12-21 2023-06-20 一种mswi过程二噁英排放浓度在线软测量方法 Ceased WO2024130992A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US19/200,815 US20250271139A1 (en) 2022-12-21 2025-05-07 Online soft measurement method for dioxin emission concentration in mswi process

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211651114.3 2022-12-21
CN202211651114.3A CN116110506B (zh) 2022-12-21 2022-12-21 一种mswi过程二噁英排放浓度在线软测量方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/200,815 Continuation US20250271139A1 (en) 2022-12-21 2025-05-07 Online soft measurement method for dioxin emission concentration in mswi process

Publications (1)

Publication Number Publication Date
WO2024130992A1 true WO2024130992A1 (zh) 2024-06-27

Family

ID=86255327

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/101309 Ceased WO2024130992A1 (zh) 2022-12-21 2023-06-20 一种mswi过程二噁英排放浓度在线软测量方法

Country Status (3)

Country Link
US (1) US20250271139A1 (zh)
CN (1) CN116110506B (zh)
WO (1) WO2024130992A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119357898A (zh) * 2024-10-18 2025-01-24 北京工业大学 一种面向mswi过程的工况漂移检测与量化分析方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110506B (zh) * 2022-12-21 2026-01-16 北京工业大学 一种mswi过程二噁英排放浓度在线软测量方法
CN118604074B (zh) * 2024-08-07 2024-11-15 上海科泽智慧环境科技有限公司 利用电化学生物传感器阵列的污染物监测系统及方法
CN120953281B (zh) * 2025-10-16 2025-12-23 浙江机电职业技术大学 一种orc透平膨胀发电机组监控方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960873A (zh) * 2019-03-24 2019-07-02 北京工业大学 一种城市固废焚烧过程二噁英排放浓度软测量方法
WO2020228215A1 (zh) * 2019-05-14 2020-11-19 北京工业大学 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方法
CN114330845A (zh) * 2021-12-15 2022-04-12 北京工业大学 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法
CN114398836A (zh) * 2022-01-19 2022-04-26 北京工业大学 基于宽度混合森林回归的mswi过程二噁英排放软测量方法
WO2022252960A1 (zh) * 2021-06-01 2022-12-08 京东城市(北京)数字科技有限公司 预测模型的训练方法、装置、计算机设备及存储介质
CN116110506A (zh) * 2022-12-21 2023-05-12 北京工业大学 一种mswi过程二噁英排放浓度在线软测量方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197472B (zh) * 2018-02-26 2023-08-08 四川省人民医院 一种用于超声造影图像稳定定量分析的方法和系统
CN111461355B (zh) * 2020-03-20 2023-10-31 北京工业大学 基于随机森林的二噁英排放浓度迁移学习预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960873A (zh) * 2019-03-24 2019-07-02 北京工业大学 一种城市固废焚烧过程二噁英排放浓度软测量方法
WO2020228215A1 (zh) * 2019-05-14 2020-11-19 北京工业大学 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方法
WO2022252960A1 (zh) * 2021-06-01 2022-12-08 京东城市(北京)数字科技有限公司 预测模型的训练方法、装置、计算机设备及存储介质
CN114330845A (zh) * 2021-12-15 2022-04-12 北京工业大学 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法
CN114398836A (zh) * 2022-01-19 2022-04-26 北京工业大学 基于宽度混合森林回归的mswi过程二噁英排放软测量方法
CN116110506A (zh) * 2022-12-21 2023-05-12 北京工业大学 一种mswi过程二噁英排放浓度在线软测量方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119357898A (zh) * 2024-10-18 2025-01-24 北京工业大学 一种面向mswi过程的工况漂移检测与量化分析方法

Also Published As

Publication number Publication date
US20250271139A1 (en) 2025-08-28
CN116110506B (zh) 2026-01-16
CN116110506A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
WO2024130992A1 (zh) 一种mswi过程二噁英排放浓度在线软测量方法
US12002014B2 (en) Soft measurement method for dioxin emission concentration in municipal solid waste incineration process
Zhou et al. Modeling NOx emissions from coal-fired utility boilers using support vector regression with ant colony optimization
CN114225662B (zh) 一种基于滞后模型的烟气脱硫脱硝优化控制方法
CN108549792A (zh) 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
CN114398836B (zh) 基于宽度混合森林回归的mswi过程二噁英排放软测量方法
Xia et al. Online measurement of dioxin emission in solid waste incineration using fuzzy broad learning
CN115034129B (zh) 一种面向火电厂脱硝装置的NOx排放浓度软测量方法
CN114330845A (zh) 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法
Sainlez et al. Comparison of supervised learning techniques for atmospheric pollutant monitoring in a Kraft pulp mill
CN119357910A (zh) 一种基于变分模态分解和集成学习的烟气二氧化硫浓度预测方法
Ozgen et al. Modeling approaches for data-driven model predictive control of acid gases in waste-to-energy plants
Wang et al. An online operating performance evaluation approach using probabilistic fuzzy theory for chemical processes with uncertainties
Ionescu et al. Air pollutant emissions prediction by process modelling–application in the iron and steel industry in the case of a re-heating furnace
CN118484775B (zh) SAO-集成加权融合的动态预测模型的NOx预测方法
Xu et al. Prediction method of dioxin emission concentration based on PCA and deep forest regression
CN118296821A (zh) 基于粒子群算法优化的ReliefF-BP神经网络垃圾热值预测方法
Li et al. Prediction of typical flue gas pollutants from municipal solid waste incineration plants
CN120198251B (zh) 一种可燃废气热量衡算方法、装置、电子设备及存储介质
CN115389714A (zh) 垃圾焚烧产生so2和hcl的原始排放浓度预测方法、系统设备
CN114896860A (zh) 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法
He et al. A novel soft sensor model based on stacking ensemble learning framework
Cheng et al. A modeling method based on artificial neural network with monotonicity knowledge as constraints
Pathmanathan et al. CO 2 emission model development employing particle swarm optimized—Least squared SVR (PSO-LSSVR) hybrid algorithm
CN120821990B (zh) 一种基于rf-pso集成算法的二噁英排放预测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23905178

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 29/10/2025)