引用本文

郭京承, 严爱军, 汤健. 城市固体废物焚烧过程炉温的鲁棒加权异构特征集成预测模型. 自动化学报, 2024, 50(1): 121−131 doi: 10.16383/j.aas.c230042

Guo Jing-Cheng, Yan Ai-Jun, Tang Jian. Robust weighted heterogeneous feature ensemble prediction model of temperature in municipal solid waste incineration process. Acta Automatica Sinica, 2024, 50(1): 121−131 doi: 10.16383/j.aas.c230042

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230042

关键词

城市固体废物焚烧，炉温预测，异构特征集成，鲁棒建模，随机配置网络 

摘要

针对城市固体废物(Municipal solid waste, MSW)焚烧过程, 数据具有异常值和特征变量维度高时, 炉温预测模型的准确性和泛化能力欠缺的挑战性问题, 提出一种鲁棒加权异构特征集成建模方法, 用于建立城市固体废物焚烧过程炉温预测模型. 首先, 依据焚烧过程机理将高维特征变量划分为异构特征集合, 并采用互信息和相关系数综合评估每组异构特征集合的贡献度; 其次, 采用基于混合t分布的鲁棒随机配置网络(Stochastic configuration network, SCN)构建基模型, 同时确定训练样本的惩罚权重; 最后, 设计一种鲁棒加权负相关学习(Negative correlation learning, NCL)策略, 实现基模型的鲁棒同步训练. 使用国内某城市固体废物焚烧厂的炉温历史数据, 对该方法进行测试. 测试结果表明, 该方法建立的炉温预测模型在准确性和泛化能力方面具有优势.

文章导读

焚烧可以实现城市固体废物(Municipal solid waste, MSW)的减量化、无害化和资源化, 是MSW处理的主要方式之一[1-2]. 在MSW焚烧过程中, 炉温是评估焚烧过程运行合格与否的关键指标之一. 为了保证焚烧过程中二噁英气体被完全分解, 炉温需要持续控制在850 ℃以上[3]. 然而, 在焚烧炉内的高温环境下, 炉内热电偶存在易损坏和精度低等问题, 并且由于焚烧过程具有滞后性, 操作人员难以及时判断炉温变化情况. 因此, 构建炉温预测模型, 对指导与优化MSW焚烧过程稳定运行, 具有现实意义.

目前, 炉温预测模型主要包括机理模型和数据驱动模型两类. 机理模型是根据焚烧过程中固、气相反应的物理化学变化以及能量、动量守恒等先验知识, 确定炉排速度、一次和二次风机风量等操作变量与炉温的映射关系[4-5]. 虽然这类模型在可靠性和解释性方面具有优势, 但焚烧过程机理的复杂性和MSW热值的不确定性导致机理模型的预测精度无法保证. 而以人工神经网络为代表的数据驱动模型, 无需获取焚烧过程中的复杂机理和先验知识, 通过运行数据, 学习输入变量与炉温之间的映射关系[6-7]. 这类模型的训练算法普遍采用误差反向传播算法, 存在收敛速度慢和容易陷入局部最优等问题. 随机学习技术通过随机分配隐含层输入权重和偏置, 将神经网络模型训练问题转化为求解线性优化问题[8], 可以实现神经网络的快速训练. Wang等[9]引入一种依赖于数据的监督机制, 递增式地快速构建神经网络模型, 从而获得了具有万能逼近性质的随机配置网络(Stochastic configuration network, SCN)模型. 该模型在参数建模领域的成功应用, 为构建焚烧过程炉温预测模型提供了技术支持[10-12]. 然而, 焚烧过程数据存在异常值和特征变量维度高的现象, 使得SCN模型的准确性和泛化能力仍有待提升.

在提升SCN模型对异常值的鲁棒性方面, 文献[13]将核密度估计方法与M估计相结合, 并采用加权最小二乘法计算模型输出权重, 提升了SCN模型对异常值的鲁棒性. 文献[14]使用最大相关熵准则度量训练样本的惩罚权重, 在提升SCN模型鲁棒性方面, 有不错的效果. 此外, 工业过程的复杂性和不确定性导致单一分布难以恰当描述样本中异常值的分布情况, 文献[15]和文献[16]分别采用将高斯分布与若干个拉普拉斯分布的混合分布以及混合t分布, 作为训练样本的异常值分布, 均在不同程度上缓解了异常值对建模性能的影响. 但随着特征变量维度的增加, 单个SCN模型的泛化能力难以保证.

在具有高维特征变量情况下, 虽然特征选择与特征提取技术通过选择部分重要特征或提取高维数据中的主成分来构建数据驱动模型[17-18], 但可能损失高维特征数据中蕴含的部分信息, 从而影响模型准确性. 文献[19]提出一种异构特征神经网络集成的框架, 该框架以SCN为基模型, 并通过负相关学习(Negative correlation learning, NCL)策略[20], 实现了基模型之间的同步训练, 在高维特征数据建模方面, 具有不错的应用前景. 但该方法未考虑各组异构特征对输出变量的重要性以及异常值对模型准确性的影响.

基于上述分析, 本文综合考虑MSW焚烧过程数据中同时存在异常值和高维特征变量两种情况, 提出一种用于构建MSW焚烧过程炉温预测模型的鲁棒加权异构特征集成建模方法. 本文主要贡献如下: 1)综合焚烧过程运行机理以及焚烧炉排构造, 将高维特征变量划分为异构特征集合, 应用后续集成建模; 2)在异构特征集成框架的基础上, 采用互信息和皮尔逊相关系数(后续简称“相关系数”),确定每组异构特征对输出变量的贡献度, 从而明确每个基模型的重要性; 3)采用文献[16]的鲁棒SCN构建基模型, 并综合各个基模型的训练过程确定样本惩罚权重; 4)设计一种鲁棒加权NCL策略, 实现基模型之间的鲁棒同步训练. 采用焚烧过程的炉温历史数据, 验证了本文方法的有效性和优越性.

图 1  MSW焚烧过程工艺流程图

图 2  建模策略图

图 3  炉排上方热电偶分布情况

为了提升MSW焚烧过程炉温预测模型的准确性和泛化能力, 本文提出一种鲁棒加权异构特征集成建模方法, 并采用焚烧过程历史运行数据验证了该方法的有效性. 本文的主要贡献如下:

1)针对焚烧过程数据具有高维特征变量的特点, 依据MSW焚烧过程的机理和炉排结构, 将高维特征划分为异构特征集合, 并采用互信息与相关系数, 综合确定每组异构特征对炉温的贡献度;

2)针对焚烧过程数据具有异常值的特点, 采用基于混合t分布的鲁棒SCN构建基模型, 并综合基模型的训练过程确定样本惩罚权重, 从而保证了基模型对数据中异常值的鲁棒性;

3)设计一种鲁棒加权NCL策略, 实现了基模型之间的鲁棒同步训练, 从而提升了炉温预测模型的准确性和泛化能力.

实验结果表明, 与典型集成建模方法相比, 本文构建的MSW焚烧过程炉温预测模型在准确性和泛化能力方面具有优势, 说明该方法在工业过程参数建模领域具有应用价值. 值得注意的是, 该方法的训练模式为离线批量训练, 这导致模型的训练效率会随训练样本数量的增加而降低. 因此, 针对提升模型训练效率或模型在线自适应学习能力的研究, 是未来研究的主要方向.

作者简介

郭京承

北京工业大学信息学部博士研究生. 主要研究方向为复杂过程建模, 智能优化控制方法. E-mail: guojingcheng@ncut.edu.cn

严爱军

北京工业大学信息学部教授. 主要研究方向为复杂过程建模, 智能优化控制方法. 本文通信作者. E-mail: yanaijun@bjut.edu.cn

汤健

北京工业大学信息学部教授. 主要研究方向为小样本数据建模, 城市固体废物处理过程智能控制. E-mail: freeflytang@bjut.edu.cn