申请/专利权人：北京工业大学

申请日：2022-08-18

公开（公告）日：2022-11-01

公开（公告）号：CN115271245A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06K9/62;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.11.18#实质审查的生效;2022.11.01#公开

摘要：一种基于动态模块化神经网络的MSWI过程NOx排放预测方法属于智能建模领域。首先，对输入变量，并进行平滑处理和归一化；然后，设计了一种基于主成分分析PCA的工况特征提取方法，实现了复杂工况的动态划分，从而将待处理的预测任务分解为不同工况下的子任务；此外，针对不同的子任务，构建基于长短期记忆Longshort‑termmemory，LSTM神经网络的子模型，实现对各工况下NOx排放的精准预测；最后，采用协同合作策略对子模型的输出进行整合，进一步提高了预测模型的精度。基于工业基准测试和实际运行数据评估了基于DMNN的预测模型的有效性，本发明有效解决了受传感器限制，MSWI过程NOx排放浓度难以准确预测的问题。

主权项：1.一种基于动态模块化神经网络的MSWI过程NOx排放智能预测方法，NOx排放浓度预测相关设备包含热电偶温度传感器，风量传感器，液体流量传感器，烟气排放连续监测系统，集散控制系统以及上位机；其中烟气排放连续监测系统中包含氮氧化物浓度检测仪；氮氧化物浓度检测仪、热电偶温度传感器，风量传感器和液体流量传感器这些检测仪器通过现场总线与集散控制系统相连，并将传感器采集到的数据传输至集散控制系统中的IO通信模板，通过通信模板中的开关选通，放大器和AD转换器将模拟电压信号转换成计算机能够识别的数字信号并通过工业以太网与上位机进行通信，上位机实时获取MSWI过程的数据，并将采集的数据存储在结构化查询语言服务器数据库中；其特征在于，包括如下步骤：步骤1：基于PCA的工况特征提取方法；采用固定大小的滑动窗口检测工况特征变化情况并实现工况的动态划分，基于PCA的工况特征提取方法是通过检测滑动窗口内的关键特征来反应当前数据的运行工况；算法描述如下：设定滑动窗口大小为win-1，假设第一个滑动窗口内的观测样本矩阵用表示，记作 其中m表示样本中过程变量个数，n1表示大小为win-1的窗口内所包含的样本的个数，x1x2…xm分别表示样本矩阵中的m个过程向量，即作为预测模型的m个输入；当采用脱丁烷塔数据建立预测模型时，x1x2…xm分别表示t时刻的塔顶温度、塔顶压力、塔顶回流量、下一级流量和灵敏板温度，t-1时刻灵敏板温度，t-2时刻灵敏板温度，t-3时刻的灵敏板温度，t时刻塔底温度A和t时刻塔底温度B的平均值，以及t-1、t-2、t-3和t-4共四个时刻的丁烷浓度，总共13个过程变量，在脱丁烷塔数据中m＝13；当采用MSWI过程实际工业数据集建立预测模型时，x1x2…xm分别表示即代表与MSWI过程NOx排放相关的过程变量，即t时刻燃烧段炉排左1-1段空气流量，t时刻燃烧段炉排右1-1段空气流量，t时刻干燥段炉排左1空气流量，t时刻一次燃烧室温度，t时刻一次燃烧室左侧温度，t时刻一次燃烧室右侧温度，t时刻一次风量累计，t时刻二次风量累计，t时刻尿素溶液量累计、t时刻尿素溶剂供应流量累积和t-1时刻NOx排放浓度，总共11个过程变量，在MSWI过程实际工业数据集中m＝11；给定样本矩阵样本均值向量μ表示为： 其中表示对样本矩阵按行取平均，得到每一维特征向量的平均值，如式3所示，表示向量μ中的第i个值，i＝1,2,...,m，m表示过程变量个数，xij表示第j个样本中第i个过程变量的值，j＝1,2,...,n1，n1表示大小为win-1的窗口内所包含的样本的个数；矩阵中所有样本减去均值即去中心化后为 其中，表示去中心化后的矩阵，表示第j个样本中第i维特征去中心化后的值，i＝1,2,...,m，j＝1,2,...,n1，m和n1分别表示过程变量个数和尺寸为win-1的窗口内包含的样本的个数；计算样本矩阵的协方差矩阵 其中表示的转置矩阵；求解协方差矩阵的特征根和对应的单位特征向量，的特征根λ满足 其中Ι为单位阵，根据式6得到的特征值λ1≥λ2≥…≥λQ8其中，Q为特征值的个数，将式8中的特征根分别代入下式中，求每个特征根对应的特征向量α； 其中为协方差矩阵，λk表示特征值中的任意一个取值，Ι为单位阵，Ι的表示如式7所示，αk表示特征向量中的任意一个向量取值，αk＝[α1k,α2k,...,αmk]T，k＝1,2,...,Q0；设定累积方差贡献率阈值θ，若满足 则选择前Q0个主成分作进一步分析，Q0为满足式10时所确定的主成分的个数，主成分个数与特征值的个数相等，所以此时特征值得个数也为Q0，λk表示特征值中的任意一个取值，阈值θ确定为0.85；以Q0个特征值对应的单位特征向量α为系数进行线性变换，求出Q0个主成分： 其中αk＝[α1k,α2k,...,αmk]Tk＝1,2,...,Q0；将样本矩阵代入主成分式11，得到n1个样本的主成分值，第j个样本xj＝[x1j,x2j,...,xmj]Tj＝1,2,...,n1的第k主成分值zkj为： 其中α1k,α2k,...,αmk分别表示第k个单位特征向量中的第1,2,…,m个值，x1j,x2j,...,xmj分别表示第j个样本中的第1,2,…,m个过程变量，j＝1,2,...,n1，i＝1,2,...,m，k＝1,2,...,Q0；依据式12，将第k个主成分zk表示为然后计算第k个主成分zk与变量xi的因子负荷量ρzk,xi，它表示第k个主成分zk与变量xi的相关系数 其中，αik为单位特征向量,表示第k个特征向量αk中的第i维，σii是变量xi的方差，即协方差矩阵的对角线元素，k＝1,2,...,Q0，i＝1,2,...,m；因子负荷量矩阵表示为 则Q0个主成分对原始变量xii＝1,2,...,m的贡献率υi 其中贡献率υi表示Q0个主成分与变量xi的相关系数的平方和，则Q0个主成分对各个变量的贡献率υ表示为υ＝[υ1,υ2,...,υm]16其中m表示样本矩阵中包含的过程变量个数；随着MSWI炉膛内复杂工况的变化，变量重要性会发生改变，即主成分对各个变量的贡献率υi也会随之变化，因此按照降序方式对贡献率υ进行重新排序sortυ＝[υmax,...,υmin]17其中sort·函数的作用是实现数据的降序排序，υmax表示贡献率最大的值，υmin表示贡献率最小的值，设定一个阈值ψ，如果满足 ψ的取值与累计方差贡献率θ保持一致，ψ＝0.85，依据ψ值确定F，F表示满足式17时得到的贡献率值的个数；式16和17表明当前窗口内，前F个变量与主成分的相关性最大，选择前F个关键特征作为该窗口内工况识别参考向量，如式19所示，并以此构建相应的运行工况； 其中，分别代表样本矩阵中相关性最强的F个变量，按照设定步长step移动窗口，依次检测窗口内的关键特征，并将关键特征作为工况识别参考向量储存到历史工况库中，则历史工况库表示为condition_library＝[con_1,con_2,...,con_W]20其中con_1,con-2,...,con-W分别表示不同工况对应的工况识别参考向量，W表示工况个数；依据特定的数据集选取不同的滑动窗口大小和移动步长；实验验证阶段包含两个数据集，分别是脱丁烷塔数据集和MSWI过程实际工业数据集；脱丁烷塔数据集中，滑动窗口大小为600，将移动步长设置为300；MSWI过程实际工业数据集中，滑动窗口大小为600，将移动步长设置为100；步骤2：基于LSTM的子网络构建；选择LSTM神经网络作为NOx排放预测方法；LSTM神经网络由输入门，遗忘门，输出门和记忆单元门组成；每个门的计算过程如下所示：遗忘门：ft＝σWf·[ht-1,xt]+bf21输入门：it＝σWi·[ht-1,xt]+bt22单元状态门： 输出门：ot＝σWo[ht-1,xt]+bo25综合式21-25，LSTM神经网络的最终输出为 其中xt表示t时刻LSTM神经网络的输入变量，即在t时刻一系列风量，温度和尿素溶液量等过程变量，ht-1表示t-1时刻LSTM神经网络的输出；Wf，Wi，Wc和Wo分别为遗忘门、输入门、单元状态门和输出门的权重矩阵；bf，bi，bc和bo分别为遗忘门、输入门、单元状态门和输出门的偏置；ft，it，Ct和ot分别为遗忘门、输入门、单元状态门和输出门的输出；表示LSTM的输出结果；σ·和tanh·代表激活函数，其计算公式为： 其中，U表示每个门中激活函数的输入，即遗忘门：Uf＝Wf·[ht-1,xt]+bf29输入门：Ui＝Wi·[ht-1,xt]+bi30单元状态们：Uc＝Wc·[ht-1,xt]+bc31输出门：Uo＝Wo·[ht-1,xt]+bo32步骤3：协同合作策略；在测试阶段，采用欧式距离衡量测试样本和历史数据的相似度： 其中表示测试集中的第g个样本，和分别表示测试及中第g个样本的第1个过程变量和第m个过程变量，和分别表示训练集中第j个样本的第1个过程变量和第m个过程变量，表示测试集中第g个样本与训练集中各个样本的距离大小，g＝1,2,...,G，j＝1,2,...,N，G和N分别表示测试集和训练集样本个数；依据式35，选择与测试样本距离最近的训练样本则该样本对应的工况即为测试样本的工况类别；确定测试样本的工况类别后，激活相应的子网络，采用协同合作策略对MNN的输出层进行整合： 其中表示NOx排放预测结果，表示子网络的预测输出，r＝1,2,...,R，R表示被激活子网络的个数；步骤4：基于DMNN的MSWI过程NOx排放预测模型；基于DMNN的MSWI过程NOx排放预测模型包括数据预处理，基于PCA的工况特征提取及动态划分，子网络构建和协同合作策略四部分；Xori∈RL×m表示原始数据集，L表示数据集大小，m表示过程变量个数，表示NOx浓度；首先，针对原始数据集进行数据预处理，经过平滑去噪和归一化预处理之后得到的数据集表示为N表示样本个数；接着，在训练集上执行滑窗操作，采用基于PCA的工况特征提取方法对窗口内的数据进行动态特征选择，从而构建工况识别参考向量，实现复杂工况的动态划分；其次，针对不同运行工况下的子任务，建立基于LSTM神经网络的子模型；然后，在测试阶段，利用欧式距离计算测试样本和历史工况的相似性，根据工况类别激活相应子模型；最后，在输出集成阶段，利用协同合作策略整合各个激活的子网络，得到最终预测结果；在MSWI过程中，数据采集设备工作在高温、高灰尘环境下，传输到分散控制系统中的原始数据往往伴有噪声，为了降低噪声对数据分析带来的干扰，文中采用Rajda准则对原始数据进行平滑，如式36所示：|xori-μori|≥3σori37其中，xori表示原始数据，μori和σori分别表示变量的均值和标准差；将满足式37的原始数据xori视为异常值并从原始数据中剔除，经过平滑去噪后的数据集表示为Xsmo，则Xsmo∈RN×m，N表示数据集样本大小，m表示样本中过程变量个数；采用Z-score标准化方法，如式38所示： 其中，xi表示第i维变量标准化后的向量，和分别表示变量i的均值和标准差，i＝1,2,...,m；归一化的数据集表示为XN×mT，N表示数据集样本大小，m表示样本中过程变量个数；基于DMNN的MSWI过程NOx排放预测方法具体实现步骤如下：训练阶段1根据式37，38对原始数据集ori_data＝[XoriYori]进行预处理，预处理后的数据集表示为dataset＝[XY]；2采用基于PCA的工况特征提取方法对训练集进行工况划分，设定大小为win的滑动窗口，窗口内的子集表示为Xwin-1，根据式1-20构建子集Xwin-1的关键特征，按照固定步长移动滑动窗口，依次对子集进行工况检测，并将关键特征作为工况识别参考向量存储到历史工况库中；3采用LSTM神经网络建立基于工况驱动的子网络模型，根据试凑法对网络参数进行寻优；4按照设定步长移动滑动窗口，并重复步骤2—步骤3；测试阶段5依据式33-35计算测试样本与训练样本的相似性，基于最小距离原则确定测试样本的工况类别，并依次激活对应的子网络；6根据式36，采用协同合作策略对子网络的输出进行集成，得到测试样本的最终预测结果。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于动态模块化神经网络的MSWI过程NOx排放预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD