[发明专利]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

说明书

本发明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。

技术领域

本发明属于固废排放技术领域，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。

背景技术

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。