[發明專利]一種基于潛結構映射算法的固廢焚燒過程二噁英排放濃度軟測量方法

有效

• 申請號: 201810675124.8
• 申請日: 2018-06-27
• 公開（公告）號: CN108549792B
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 湯健;喬俊飛;韓紅桂;杜勝利
• 申請（專利權）人: 北京工業大學
• 主分類號: G16C20/10
• 分類號: G16C20/10;G16C20/70
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種基于潛結構映射算法的固廢焚燒過程DXN排放濃度軟測量方法，其特征在于，

步驟1、進行固廢焚燒全流程過程變量和易檢測排放氣體濃度的采集和預處理；

步驟2、基于線性潛結構映射算法的變量投影重要性和依據經驗設定的輸入特征選擇比率，確定軟測量模型的輸入特征；

步驟3、構建基于操縱訓練樣本集成構造策略的自適應選擇核參數的選擇性集成核潛結構映射模型；

步驟1為：采集固廢焚燒全流程與DXN排放濃度相關的過程變量和易檢測排放氣體濃度作為軟測量模型的輸入特征，并進行剔除離群點、處理缺失值，以及匹配DXN排放濃度離線化驗值的處理；

步驟2為：構建基于全部輸入特征的線性潛結構映射模型，計算這些輸入特征的VIP值并對其進行排序，基于依據經驗設定的輸入特征選擇比率值選擇輸入特征變量；

步驟3為：采用操縱訓練樣本策略產生J個訓練樣本子集，并基于給定的候選核參數和結構參數值構建候選子模型，對候選子模型進行評價后基于選擇閾值獲得集成子模型，并對集成子模型進行加權合并以獲得軟測量模型的輸出；針對全部候選核參數重復上述過程獲得選擇性集成模型集合，在其中選擇預測性能最佳的作為最終軟測量模型，同時確定最佳模型參數；

步驟1具體為：

從MSWI工業過程采集的原始輸入數據按DXN排放濃度的產生流程分為三個部分，

其中，M^Generation，M^Absorption和M^Stackgas表示在DXN產生階段、吸收階段和排放階段在線采集的與DXN排放濃度相關的過程變量或易檢測排放氣體濃度的數量；

依據經驗和機理初步選擇不同階段的關鍵過程變量和易檢測排放氣體濃度作為DXN排放濃度軟測量模型的原始輸入特征，上述過程表示為：

其中，x_m表示第mth個輸入特征，m＝1,2,…,M；M表示全部輸入特征的數量，其滿足條件：M≤M^Generation+M^Absorption+M^Stackgas；

在確定輸入特征后，結合DXN排放濃度的離線化驗值確定建模樣本，并進行離群點和缺失值的處理，其樣本數量記為N，則全部輸入輸出樣本表示為：

其中，X^∈N×M和y^∈N×1分別表示構建DXN排放濃度模型的輸入和輸出數據；

步驟2具體為：線性潛結構映射算法的外部模型用于提取和輸入輸出數據均相關潛在變量，內部模型則通過這些潛在變量構建回歸模型，最終的回歸模型用下式表示：

其中，G是未建模動態；

進一步，將基于DXN排放濃度建模的輸入和輸出數據{X,y}構建的線性潛結構映射模型表示為{T,W,P,B,Q}，如下所示：

{X,y}→{T,W,P,B,Q} (9)

其中，T＝[t₁,…,t_h,…,t_H]、W＝[w₁,…,w_h,…,w_H]、P＝[p₁,…,p_h,…,p_H]、B＝diag[b₁,…,b_h,…,b_H]和Q＝[q₁,…,q_h,…,q_H]分別表示輸入數據的得分矩陣、輸入數據的權重矩陣、輸入數據的載荷矩陣、回歸系數矩陣和輸出數據的載荷矩陣；h＝1,2,…H，H為全部潛在變量的數量；

VIP值表征每個輸入特征對潛結構映射模型的影響，其中第mth個輸入特征的VIP值的計算公式如下：

其中，M為全部輸入特征的數量，H為全部潛在變量的數量，w_mh是在第hth個潛在變量中的第mth個輸入特征的權重值，即存在如下關系：

w_h＝[w_1h,…,w_mh,…,w_Mh] (11)

依據VIP值從大到小對所有輸入特征進行排序，并將排序后的特征依次標記為其中M^*表示排序后的最后一個輸入特征的編號，其值等于M；

依據專家經驗設定輸入特征選擇比率值ρ_FeSel，依據下式確定所選擇的輸入特征的數量，M_sel＝f_int(M^*·ρ_FeSel) (12)

其中，0ρ_FeSel≤1，表示取整函數；

取排序后的輸入特征的前M_sel個作為選擇的輸入特征，并標記為

用于輸入特征選擇的模型最終表示為f_FeSel(·)

其中，

此處，將經特征選擇后的建模樣本記為

步驟3、基于訓練樣本構造策略的選擇性集成軟測量模型

(1)訓練子集構造

基于“訓練樣本采樣”的方式從原始訓練樣本中產生數量為預設定值J的訓練樣本子集，該過程表示為：

其中表示第jth個訓練樣本子集；j＝1,…,J，J表示預設定的全部訓練子集的數量，同時也是候選子模型的數量；

(2)候選子模型構建

針對DXN的“生成-吸收-排放”過程所固有的非線性特性，此處采用核潛結構映射算法構建基于訓練樣本子集的DXN排放濃度候選子模型；核潛結構映射算法首先將輸入矩陣非線性映射到高維特征空間，然后在該特征空間上執行線性潛結構映射算法，最后獲得原始輸入空間的非線性模型；

由于核參數難以自適應選擇，此處給定依據先驗知識選擇的L個候選核參數，并將其記為為控制軟測量模型的復雜度，此處將候選子模型的結構參數基于經驗進行選擇并將其標記為H_KLV；此處以第jth個訓練樣本子集為例描述子模型的構建過程；首先將輸入數據基于第核參數映射至高維空間，將得到的核函數標記為并按照如下公式進行標定：

其中I是N維的單位矩陣；1_N是值為1長度為N的向量，上標T表示轉置；

基于核參數構建全部候選子模型的過程表示為：

其中，表示基于核參數構建的第jth個候選子模型，表示基于核參數構建的J個候選子模型的集合；

原始訓練樣本基于候選子模型的預測輸出為

其中，和表示和y^j對應的得分矩陣；表示基于下式標定的基于核參數的原始訓練樣本核矩陣，

其中，為基于核參數的原始訓練樣本的核矩陣；

(3)候選子模型評價

集成上述基于核參數的全部J個候選子模型作為集成模型，其對應的第nth個訓練樣本的輸出表示為：

其中,是基于核參數的第jth個集成子模型的理想權重系數；

候選子模型和集成模型的學習誤差采用下式計算：

定義候選子模型的輸出偏離真值yⁿ的偏差為偏差函數，記均方誤差寫為因此，公式(20)重新改寫為:

定義集成子模型誤差函數之間的對稱相關系數矩陣其中s＝1,...,J；通過最小化目標函數求得即,

通過簡化約束后采用拉格朗日乘子法求解上式，并將得到的理想權重向量中的第j^*th個理想權重值記為上述解析方法的缺點是需要求解誤差函數相關系數矩陣的逆；由于不同候選子模型之間存在相關性，為避免求逆過程的不穩定，本發明中采用智能優化算法求解并獲得面向每個候選子模型的優化理想權重向量；

(4)集成子模型選擇

為簡化模型結構，針對基于核參數的全部候選子模型，選擇優化理想權重值大于ρ_SubSel的候選子模型作為集成子模型，其數量記為即集成模型尺寸為其中，第個集成子模型的輸出為：

其中，為采用核參數時所選擇的集成子模型數量，同時也是基于核參數的選擇性集成模型的集成尺寸；

進一步，將全部集成子模型的輸出表示為：

同時，將全部集成子模型的集合表示為：

可知，集成子模型和候選子模型間的關系表示為

(5)集成子模型合并

基于核參數的選擇性集成模型的輸出采用如下公式計算：

其中，為采用核參數時第個集成子模型的加權系數；

進一步，基于變量m_SubCom確定基于核參數的集成子模型的加權方法，具體如下：

當m_SubCom＝1時，采用自適應加權融合方法：加權系數采用如下公式計算，

其中，是基于核參數的集成子模型的預測輸出的標準差；

當m_SubCom＝2時，采用預測誤差信息墑加權方法：加權系數采用如下公式計算，

其中，

其中，表示基于第個集成子模型對第nth個樣本的預測輸出；表示預處理后的第nth個樣本的預測誤差相對值；表示針對第個集成子模型預測誤差信息熵的值；

當m_SubCom＝3時，采用線性、非線性回歸方法計算加權系數

其中，f_weight(·)表示用于計算全部加權系數的函數，在本發明中也同時表示基于核參數的集成子模型預測輸出與真值y之間的映射關系；

(6)軟測量模型選擇

重復上述過程，構建基于全部候選核參數的全部選擇性集成模型，并記作為采用如下公式自適應的選擇具有最優泛化性能的選擇性集成模型作為最終的軟測量模型，即

其中，表示基于核參數的選擇性集成模型預測輸出的均方根誤差，表示基于核參數的選擇性集成模型對第nth個樣本的預測輸出。