基于机器学习的垃圾热解气化炉软测量进展与展望

袁蜀翔　王宝辉　马文源　欧阳泽　罗姚

摘要：目前，软测量技术广泛应用在各种复杂工业环境下，是对当前传感器不足的一个重要补充，所以对于垃圾焚烧的应用具有重要意义。本文首先介绍了垃圾热解气化炉中复杂的运行环境，然后通过使用主成分分析选择辅助变量，使用归一化来对数据进行预处理，以防止单位的不统一带来的结果误差。采用SVM支持向量机对垃圾热值进行预处理。最后对垃圾热解气化过程中软测量的发展进行了总结和展望。

关键词：软测量  主成分分析  预处理  回归分析  垃圾热解气化

1引言

在当今社会，生态环境的建设对社会发展中起了越来越重要的作用，因此对垃圾焚烧后产生较小污染气体的处理也有了更多要求，垃圾焚烧处理技术目前作为一种成熟的技术在我国得到大规模的使用。垃圾焚烧炉与垃圾填埋由于对技术和经费投入要求高，只适合在大城市，焚烧技术的推广应用受到一定限制，而小型热解气化工艺因其处理规模小、投资低、运行维护简单、污染物排放总量远低于大型焚烧设施，设施较为分散，对环境影响相对较小等特点，受到了广泛关注。

小型垃圾热解气化炉由于垃圾成分、湿度、热值、入料的非连续与突变性，导致对垃圾热解气化的稳定性造成很大影响，造成垃圾堆层热解不充分甚至熄火，热解温度、可燃气体浓度及含量的不稳定性，同时也对二燃室的燃烧造成很大影响，而二燃室燃烧温度要求控制在850-900℃，才能燃烧充分，实现二噁英的完全分解，如果温度过低甚至熄火，造成烟气排放不达标，在极端情况下出现熄火造成二燃室发生爆炸的危险。因此，对垃圾热值成分的检测显得尤为重要。

但在垃圾热解气化过程中，由于热解环境的高温性、热值与气体成分测量的复杂性、小型垃圾处理企业设备投资与运行成本的限制，垃圾热值与热解气化气体成分的测量、垃圾热解温度场的监测与控制都是不现实的。因此，对气化燃烧过程变量采用软测量技术具有重要意义。

2垃圾热值软测量建模基础

入炉垃圾热值的动态变化会对垃圾热解气化炉的稳定运行造成影响，垃圾热值与热解气化炉的运行参数属于高度非线性耦合关系。垃圾成分的不稳定很容易导致热值不能进行在线检测，所以通过建立软测量模型来实现对垃圾热值的在线测量。

2.1变量筛选

热解气化过程中的运行参数变量较多，如果采用过多的变量进行建模则会导致软测量模型过于复杂，使模型准确性较差。而较少的变量又会导致模型过于简单，而不能很好的描述变量与热值的特征关系。所以需要通过主成分分析法（PCA）来使数据进行降维处理。

将大量的变量进行主成分分析，进行筛选的变量有：给料量、主蒸汽量、主蒸汽压力、主蒸汽温度、炉膛烟气温度，烟气空气预热器旁路风压，一次风流量、二次风流量等。在正常情况下，垃圾焚烧炉内的运行工况是与垃圾热值存在一定的统计规律的。

将数据视为m个样本，n个变量，构成一个大小为m*n的样本矩阵x：

2.2数据预处理

在热解气化炉中各个参数之间关系复杂，测量仪表也存在一定的测量误差，导致数据有偏差，如果将这些数据用于软测量模型则会导致模型不够准确，不能达到准确预测热值的效果。在建立软测量模型之前就需要对变量进行预处理。预测处理过程包括数据的标准化和误差处理。

零-均值规范化也称标准差标准化，经过处理的数据的均值为0，标准差为1。转化公式为：

其中xi为原始数据的均值，δ为原始数据的标准差。

数据误差包括以下几种情况：

① 测量环境的影响

② 采集数据时的随机误差或过失误差

③ 传感器检测不准确

所以这些数据误差不能直接用于软测量模型的建立，不能将它们作为训练集、验证集来建立数学模型。

3 基于支持向量机的垃圾热值预测

面对垃圾热值预测可以构建SVM模型，SVM算法在面对小样本数据具有很大的优势。由于垃圾热解气化过程中各个变量非线性、高度耦合、滞后性的特点，所以采用SVM算法可以很好的对垃圾热值进行预测，实现在线检测。

由于垃圾热解气化过程中各个变量之间是非线性的，特征复杂，所以采用非線性回归来进行建模。

因为垃圾热值是一个不可直接测得的量，而通过成分分析法来建立模型又需要花费很多时间，于是我们通过SVM模型便可以输入样本数据（给料量、主蒸汽量、主蒸汽压力、主蒸汽温度、炉膛烟气温度，烟气空气预热器旁路风压，一次风流量、二次风流量），预测出垃圾的热值。

4 软测量研究进展

软传感技术最早是由Brosilow推理控制理论提出的。软传感技术通过选择其他一些易于测量的变量并基于这些易于测量的变量结合计算机运用到实际生产中。通过在难以测量或暂时无条件测量的主变量之间建立一定的数据关系来建立关系模型，最后，通过推导和处理该关系模型来获得要测量的主变量。近年来，软测量技术已被大规模使用和开发。1996年，Villar和Thibault使用人工神经网络对工业磨削圆进行软传感建模。他们的模型具有更好的预测精度，并有效减少了工业磨削控制过程中采样延迟的问题。2009年，基于人工神经前馈网络（ANN）的软测量模型被提出，以实现PET粘度在线实时测量。该模型可用于实时过程控制。 2015年，贺彦林等人提出引入主成分分析（PCA）和改进的极限学习机混合软传感建模方法（IELM），该方法使用PCA通过输入变量中的线性关系来处理复杂的高维输入数据。一个新模型纯化对苯二甲酸和乙酸的含量已经成功地以高精度和良好的稳定性进行了预测。

谢承利等关于燃烧过程参数的软测量技术，对于废热值预测问题采用了小脑神经网络模型，来测量垃圾焚烧过程中的废热值，用于实现废物热值在线预测的参数; 2011年，李慧等在模糊聚类设计的基础上，以电厂锅炉的煤质特征数据和炉内燃烧条件数据为输入参数，通过软改进了超封闭球体的CMAC神经算法，该测量实现了大型电厂锅炉中燃烧混合煤时产生的硫和氮污染物浓度的精确估算和在线测量; 2013年，田沛和他的团队通过主成分分析筛选出了一些不必要的变量，只留下一些对结果影响十分大的变量，大大减小了计算量。这种模型可以解决诸如锅炉燃烧条件特征的烟气中的氧气含量等参数; 2017年，尤海辉等人根据专家的经验重点评估了循环流化床生活垃圾焚烧炉的工艺特性，通过这些特性就能大致的预测出垃圾的热值;蔡杰进等人采用来遗传算法对BP神经网络进行来优化，并且过程中使用主成分分析来对数据进行筛选和降维，这种改进之后的模型可以对垃圾的热值进行预测和在线检测，通过输入变量（给料量、主蒸汽量、主蒸汽壓力、主蒸汽温度、炉膛烟气温度，烟气空气预热器旁路风压，一次风流量、二次风流量）来大致预测垃圾的热值。

对于开发软传感器技术而言，复杂的工业过程对象创建具有良好泛化性能和估计精度的软传感器模型是一个难题。将机器学习理论应用于软传感器的数据驱动建模可解决此问题。自2006年以来，Hinton等人提出了一种新的深度神经网络模型-深度信任网络DBN。随着模式识别和机器学习领域的最新研究，深度学习理论激发了神经网络的快速发展，强大的建模和表征功能可带来出色的结果。平行驱动利用数据驱动的自适应控制，结合模型驱动协同控制，提高软测量准确性。2018年王飞跃等针对工程复杂性与社会复杂性互相耦合的复杂系统控制问题，阐述了基于平行控制的学习与优化方法求解思路，分析其在求解复杂系统优化控制问题方面的优势;2019年乔景慧等研究了基于数据与模型驱动的水泥生料分解率软测量模型。

5 结束语

随着当今社会智能化的发展趋势，软测量技术越来越多的用于各个领域，如过程控制领域、检测领域等。由于垃圾成分、湿度、热值、入料的非连续与突变性，导致对垃圾热解气化的稳定性造成很大影响，造成垃圾堆层热解不充分甚至熄火，热解温度、可燃气体浓度及含量的不稳定性，同时也对二燃室的燃烧造成很大影响，而二燃室燃烧温度要求控制在850-900℃，才能燃烧充分，实现二噁英的完全分解，如果温度过低甚至熄火，造成烟气排放不达标，在极端情况下出现熄火造成二燃室发生爆炸的危险，所以软测量技术急需用于实践当中。虽然软测量技术在用于工程方面具有很强的检测控制能力，但仍然具有一些缺点。在Macvoy看来，软测量的发展才刚刚起步，它急需将这种技术用于生活中的各种领域，现在对于控制系统融合方面依然缺乏一定的经验和系统的方法。软测量对于已经取得的成就方面，不断的使理论体系越来越完善。但是在软测量模型之中，数据中出现过失误差对模型的影响十分的大，并且软测量的在线校正方面也存在一定的局限性，纵使先如今的理论体系十分完善，但在实践中的运用却经常达不到预期的效果，所以需要进一步的研究才能使软测量技术往更好的方向发展。

参考文献：

[1]杨超.热解气化技术在农村生活垃圾处理中的优势[J].节能与环保，2019（07）：61-62.

[2]袁国安.生活垃圾热解气化技术应用现状与展望[J].环境与可持续发展，2019，44（04）：66-69.

[3]谢承利，陆继东，沈凯，曾勇.基于焚烧运行参数的垃圾热值软测量模型[J].燃烧科学与技术，2007（01）：81-85.

[4]汤健，乔俊飞.基于选择性集成核学习算法的固废焚烧过程二噁英排放浓度软测量[J].化工学报，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]贺彦林，王晓，朱群雄.基于主成分分析-改进的极限学习机方法的精对苯二甲酸醋酸含量软测量[J].控制理论与应用，2015，32（1）：80-85.

[9]谢承利，陆继东，沈凯，等. 基于焚烧运行参数的垃圾热值软测量模型[J]. 燃烧科学与技术，2007（01）：85-89.

[10]李慧，段培永，王桂荣，魏建平.基于聚类的超闭球CMAC混煤燃烧污染物析出软测量模型[J].仪器仪表学报，2011，32（05）：1119-1125.

[11]田沛，游欣佩.基于神经网络的锅炉燃烧过程多参数软测量[J].计算机仿真，2013，30（10）：162-166.

[12]尤海辉，马增益，唐义军，王月兰，郑林，俞钟，吉澄军.循环流化床入炉垃圾热值软测量[J].浙江大学学报（工学版），2017，51（06）：1163-1172.

[13]蔡杰进，马晓茜. 基于遗传算法的火电机组运行优化[J]. 华南理工大学学报 （自然科学版），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]王飞跃，魏庆来.智能控制：从学习控制到平行控制[J].控制理论与应用，2018，35（07）：939-948.

[16]乔景慧，柴天佑.数据与模型驱动的水泥生料分解率软测量模型[J].自动化学报，2019，45（08）：1564-1578.

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

基金项目：重庆科技学院科技创新项目（YKJCX2020314）

作者简介：袁蜀翔，1997.10.，男，汉，重庆，研究生在读，研究方向：故障诊断。