基于機器學習的垃圾熱解氣化爐軟測量進展與展望

袁蜀翔　王寶輝　馬文源　歐陽澤　羅姚

摘要：目前，軟測量技術廣泛應用在各種復雜工業環境下，是對當前傳感器不足的一個重要補充，所以對于垃圾焚燒的應用具有重要意義。本文首先介紹了垃圾熱解氣化爐中復雜的運行環境，然后通過使用主成分分析選擇輔助變量，使用歸一化來對數據進行預處理，以防止單位的不統一帶來的結果誤差。采用SVM支持向量機對垃圾熱值進行預處理。最后對垃圾熱解氣化過程中軟測量的發展進行了總結和展望。

關鍵詞：軟測量? 主成分分析? 預處理? 回歸分析? 垃圾熱解氣化

1引言

在當今社會，生態環境的建設對社會發展中起了越來越重要的作用，因此對垃圾焚燒后產生較小污染氣體的處理也有了更多要求，垃圾焚燒處理技術目前作為一種成熟的技術在我國得到大規模的使用。垃圾焚燒爐與垃圾填埋由于對技術和經費投入要求高，只適合在大城市，焚燒技術的推廣應用受到一定限制，而小型熱解氣化工藝因其處理規模小、投資低、運行維護簡單、污染物排放總量遠低于大型焚燒設施，設施較為分散，對環境影響相對較小等特點，受到了廣泛關注。

小型垃圾熱解氣化爐由于垃圾成分、濕度、熱值、入料的非連續與突變性，導致對垃圾熱解氣化的穩定性造成很大影響，造成垃圾堆層熱解不充分甚至熄火，熱解溫度、可燃氣體濃度及含量的不穩定性，同時也對二燃室的燃燒造成很大影響，而二燃室燃燒溫度要求控制在850-900℃，才能燃燒充分，實現二噁英的完全分解，如果溫度過低甚至熄火，造成煙氣排放不達標，在極端情況下出現熄火造成二燃室發生爆炸的危險。因此，對垃圾熱值成分的檢測顯得尤為重要。

但在垃圾熱解氣化過程中，由于熱解環境的高溫性、熱值與氣體成分測量的復雜性、小型垃圾處理企業設備投資與運行成本的限制，垃圾熱值與熱解氣化氣體成分的測量、垃圾熱解溫度場的監測與控制都是不現實的。因此，對氣化燃燒過程變量采用軟測量技術具有重要意義。

2垃圾熱值軟測量建?；A

入爐垃圾熱值的動態變化會對垃圾熱解氣化爐的穩定運行造成影響，垃圾熱值與熱解氣化爐的運行參數屬于高度非線性耦合關系。垃圾成分的不穩定很容易導致熱值不能進行在線檢測，所以通過建立軟測量模型來實現對垃圾熱值的在線測量。

2.1變量篩選

熱解氣化過程中的運行參數變量較多，如果采用過多的變量進行建模則會導致軟測量模型過于復雜，使模型準確性較差。而較少的變量又會導致模型過于簡單，而不能很好的描述變量與熱值的特征關系。所以需要通過主成分分析法（PCA）來使數據進行降維處理。

將大量的變量進行主成分分析，進行篩選的變量有：給料量、主蒸汽量、主蒸汽壓力、主蒸汽溫度、爐膛煙氣溫度，煙氣空氣預熱器旁路風壓，一次風流量、二次風流量等。在正常情況下，垃圾焚燒爐內的運行工況是與垃圾熱值存在一定的統計規律的。

將數據視為m個樣本，n個變量，構成一個大小為m*n的樣本矩陣x：

2.2數據預處理

在熱解氣化爐中各個參數之間關系復雜，測量儀表也存在一定的測量誤差，導致數據有偏差，如果將這些數據用于軟測量模型則會導致模型不夠準確，不能達到準確預測熱值的效果。在建立軟測量模型之前就需要對變量進行預處理。預測處理過程包括數據的標準化和誤差處理。

零-均值規范化也稱標準差標準化，經過處理的數據的均值為0，標準差為1。轉化公式為：

其中xi為原始數據的均值，δ為原始數據的標準差。

數據誤差包括以下幾種情況：

① 測量環境的影響

② 采集數據時的隨機誤差或過失誤差

③ 傳感器檢測不準確

所以這些數據誤差不能直接用于軟測量模型的建立，不能將它們作為訓練集、驗證集來建立數學模型。

3 基于支持向量機的垃圾熱值預測

面對垃圾熱值預測可以構建SVM模型，SVM算法在面對小樣本數據具有很大的優勢。由于垃圾熱解氣化過程中各個變量非線性、高度耦合、滯后性的特點，所以采用SVM算法可以很好的對垃圾熱值進行預測，實現在線檢測。

由于垃圾熱解氣化過程中各個變量之間是非線性的，特征復雜，所以采用非線性回歸來進行建模。

因為垃圾熱值是一個不可直接測得的量，而通過成分分析法來建立模型又需要花費很多時間，于是我們通過SVM模型便可以輸入樣本數據（給料量、主蒸汽量、主蒸汽壓力、主蒸汽溫度、爐膛煙氣溫度，煙氣空氣預熱器旁路風壓，一次風流量、二次風流量），預測出垃圾的熱值。

4 軟測量研究進展

軟傳感技術最早是由Brosilow推理控制理論提出的。軟傳感技術通過選擇其他一些易于測量的變量并基于這些易于測量的變量結合計算機運用到實際生產中。通過在難以測量或暫時無條件測量的主變量之間建立一定的數據關系來建立關系模型，最后，通過推導和處理該關系模型來獲得要測量的主變量。近年來，軟測量技術已被大規模使用和開發。1996年，Villar和Thibault使用人工神經網絡對工業磨削圓進行軟傳感建模。他們的模型具有更好的預測精度，并有效減少了工業磨削控制過程中采樣延遲的問題。2009年，基于人工神經前饋網絡（ANN）的軟測量模型被提出，以實現PET粘度在線實時測量。該模型可用于實時過程控制。 2015年，賀彥林等人提出引入主成分分析（PCA）和改進的極限學習機混合軟傳感建模方法（IELM），該方法使用PCA通過輸入變量中的線性關系來處理復雜的高維輸入數據。一個新模型純化對苯二甲酸和乙酸的含量已經成功地以高精度和良好的穩定性進行了預測。

謝承利等關于燃燒過程參數的軟測量技術，對于廢熱值預測問題采用了小腦神經網絡模型，來測量垃圾焚燒過程中的廢熱值，用于實現廢物熱值在線預測的參數; 2011年，李慧等在模糊聚類設計的基礎上，以電廠鍋爐的煤質特征數據和爐內燃燒條件數據為輸入參數，通過軟改進了超封閉球體的CMAC神經算法，該測量實現了大型電廠鍋爐中燃燒混合煤時產生的硫和氮污染物濃度的精確估算和在線測量; 2013年，田沛和他的團隊通過主成分分析篩選出了一些不必要的變量，只留下一些對結果影響十分大的變量，大大減小了計算量。這種模型可以解決諸如鍋爐燃燒條件特征的煙氣中的氧氣含量等參數; 2017年，尤海輝等人根據專家的經驗重點評估了循環流化床生活垃圾焚燒爐的工藝特性，通過這些特性就能大致的預測出垃圾的熱值;蔡杰進等人采用來遺傳算法對BP神經網絡進行來優化，并且過程中使用主成分分析來對數據進行篩選和降維，這種改進之后的模型可以對垃圾的熱值進行預測和在線檢測，通過輸入變量（給料量、主蒸汽量、主蒸汽壓力、主蒸汽溫度、爐膛煙氣溫度，煙氣空氣預熱器旁路風壓，一次風流量、二次風流量）來大致預測垃圾的熱值。

對于開發軟傳感器技術而言，復雜的工業過程對象創建具有良好泛化性能和估計精度的軟傳感器模型是一個難題。將機器學習理論應用于軟傳感器的數據驅動建?？山鉀Q此問題。自2006年以來，Hinton等人提出了一種新的深度神經網絡模型-深度信任網絡DBN。隨著模式識別和機器學習領域的最新研究，深度學習理論激發了神經網絡的快速發展，強大的建模和表征功能可帶來出色的結果。平行驅動利用數據驅動的自適應控制，結合模型驅動協同控制，提高軟測量準確性。2018年王飛躍等針對工程復雜性與社會復雜性互相耦合的復雜系統控制問題，闡述了基于平行控制的學習與優化方法求解思路，分析其在求解復雜系統優化控制問題方面的優勢;2019年喬景慧等研究了基于數據與模型驅動的水泥生料分解率軟測量模型。

5 結束語

隨著當今社會智能化的發展趨勢，軟測量技術越來越多的用于各個領域，如過程控制領域、檢測領域等。由于垃圾成分、濕度、熱值、入料的非連續與突變性，導致對垃圾熱解氣化的穩定性造成很大影響，造成垃圾堆層熱解不充分甚至熄火，熱解溫度、可燃氣體濃度及含量的不穩定性，同時也對二燃室的燃燒造成很大影響，而二燃室燃燒溫度要求控制在850-900℃，才能燃燒充分，實現二噁英的完全分解，如果溫度過低甚至熄火，造成煙氣排放不達標，在極端情況下出現熄火造成二燃室發生爆炸的危險，所以軟測量技術急需用于實踐當中。雖然軟測量技術在用于工程方面具有很強的檢測控制能力，但仍然具有一些缺點。在Macvoy看來，軟測量的發展才剛剛起步，它急需將這種技術用于生活中的各種領域，現在對于控制系統融合方面依然缺乏一定的經驗和系統的方法。軟測量對于已經取得的成就方面，不斷的使理論體系越來越完善。但是在軟測量模型之中，數據中出現過失誤差對模型的影響十分的大，并且軟測量的在線校正方面也存在一定的局限性，縱使先如今的理論體系十分完善，但在實踐中的運用卻經常達不到預期的效果，所以需要進一步的研究才能使軟測量技術往更好的方向發展。

參考文獻：

[1]楊超.熱解氣化技術在農村生活垃圾處理中的優勢[J].節能與環保，2019（07）：61-62.

[2]袁國安.生活垃圾熱解氣化技術應用現狀與展望[J].環境與可持續發展，2019，44（04）：66-69.

[3]謝承利，陸繼東，沈凱，曾勇.基于焚燒運行參數的垃圾熱值軟測量模型[J].燃燒科學與技術，2007（01）：81-85.

[4]湯健，喬俊飛.基于選擇性集成核學習算法的固廢焚燒過程二噁英排放濃度軟測量[J].化工學報，2019，70（02）：696-706.

[5]Brosilow C，Tong M.Inferential control of processes：Part II.The structure and dynamics of inferential control systems[J].Aiche Journal，1978，24（3）：492–500.

[6]Villar R G D，Thibault J，Villar R D. Development of a soft sensor for particle size monitoring[J]. Minerals Engineering，1996，9（1）：55-72.

[7]Gonzaga J C B，Meleiro L A C，Kiang C，et al. ANN-based soft-sensor for real-time process monitoring and control of an industrial polymerization process[J].Computers & Chemical Engineering，2009，33（1）：43-49.

[8]賀彥林，王曉，朱群雄.基于主成分分析-改進的極限學習機方法的精對苯二甲酸醋酸含量軟測量[J].控制理論與應用，2015，32（1）：80-85.

[9]謝承利，陸繼東，沈凱，等. 基于焚燒運行參數的垃圾熱值軟測量模型[J]. 燃燒科學與技術，2007（01）：85-89.

[10]李慧，段培永，王桂榮，魏建平.基于聚類的超閉球CMAC混煤燃燒污染物析出軟測量模型[J].儀器儀表學報，2011，32（05）：1119-1125.

[11]田沛，游欣佩.基于神經網絡的鍋爐燃燒過程多參數軟測量[J].計算機仿真，2013，30（10）：162-166.

[12]尤海輝，馬增益，唐義軍，王月蘭，鄭林，俞鐘，吉澄軍.循環流化床入爐垃圾熱值軟測量[J].浙江大學學報（工學版），2017，51（06）：1163-1172.

[13]蔡杰進，馬曉茜. 基于遺傳算法的火電機組運行優化[J]. 華南理工大學學報 （自然科學版），2006，34（004）：101-105.

[14]Hinton G E，Osindero S，The Y W. A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18（7）：1527-1554.

[15]王飛躍，魏慶來.智能控制：從學習控制到平行控制[J].控制理論與應用，2018，35（07）：939-948.

[16]喬景慧，柴天佑.數據與模型驅動的水泥生料分解率軟測量模型[J].自動化學報，2019，45（08）：1564-1578.

[17]Macvoy T J. Contemplative Stance for Chemical Process [J].Automatic，1992，28（2）：441-442.

基金項目：重慶科技學院科技創新項目（YKJCX2020314）

作者簡介：袁蜀翔，1997.10.，男，漢，重慶，研究生在讀，研究方向：故障診斷。