引用本文

郭海涛, 汤健, 丁海旭, 乔俊飞. 基于混合数据增强的MSWI过程燃烧状态识别. 自动化学报, 2024, 50(3): 560−575 doi: 10.16383/j.aas.c210843

Guo Hai-Tao, Tang Jian, Ding Hai-Xu, Qiao Jun-Fei. Combustion states recognition method of MSWI process based on mixed data enhancement. Acta Automatica Sinica, 2024, 50(3): 560−575 doi: 10.16383/j.aas.c210843

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210843

关键词

城市固废焚烧，深度卷积生成对抗网络，燃烧状态识别，非生成式数据增强，混合数据增强 

摘要

国内城市固废焚烧(Municipal solid waste incineration, MSWI)过程通常依靠运行专家观察炉内火焰识别燃烧状态后再结合自身经验修正控制策略以维持稳定燃烧, 存在智能化水平低、识别结果具有主观性与随意性等问题. 由于MSWI过程的火焰图像具有强污染、多噪声等特性, 并且存在异常工况数据较为稀缺等问题, 导致传统目标识别方法难以适用. 对此, 提出一种基于混合数据增强的MSWI过程燃烧状态识别方法. 首先, 结合领域专家经验与焚烧炉排结构对燃烧状态进行标定; 接着, 设计由粗调和精调两级组成的深度卷积生成对抗网络(Deep convolutional generative adversarial network, DCGAN)以获取多工况火焰图像; 然后, 采用弗雷歇距离(Fréchet inception distance, FID)对生成式样本进行自适应选择; 最后, 通过非生成式数据增强对样本进行再次扩充, 获得混合增强数据构建卷积神经网络以识别燃烧状态. 基于某MSWI电厂实际运行数据实验, 表明该方法有效地提高了识别网络的泛化性与鲁棒性, 具有良好的识别精度.

文章导读

城市固废(Municipal solid waste, MSW)受居民生活习惯、季节气候、分类程度等因素的影响, 具有杂质多、含水率高、热值波动大等特点[1]. 城市固废焚烧(Municipal solid waste incineration, MSWI)作为一种世界范围内广泛运用的MSW典型处理方式, 具有减小体量、降低二次污染以及通过产热发电实现资源回收利用等优势[2−3]. 目前, 发展中国家的MSWI技术仍处于落后局面, 存在诸多问题有待解决, 其中最突出的是燃烧状态不稳定造成的污染物排放不达标问题[4-6]. 此外, MSWI燃烧状态的不稳定易造成炉膛内结焦、积灰、腐蚀等问题, 严重时甚至会引起炉膛爆炸[7]. 因此, 维持稳定燃烧状态是保障MSWI过程运行高效、污染物排放达标的关键之一. 如图1所示, 针对国内MSWI过程[8], 运行专家通过观察火焰图像识别燃烧状态进而修正控制策略[9]. 然而, 依据运行专家经验的燃烧状态识别方法存在主观性与随意性的缺点, 并且智能化程度较低, 难以满足当前MSWI过程的优化运行需求. 针对复杂多变的MSWI环境, 如何构造鲁棒性强的MSWI过程燃烧状态识别模型仍是一个开放性难题.

图 1  MSWI过程工艺图

MSWI过程的炉内燃烧火焰具有亮度差异、遮挡、类内形变、运动模糊等特征, 进而导致不同状态下的燃烧图像像素差异较大, 使得基于硬编码的燃烧状态识别方法难以适用[10]. 近年来, 基于数据驱动的研究方法在尝试解决语义鸿沟问题等方面取得重大进展[11-14], 这为MSWI过程的燃烧状态识别奠定了基础.

目前, 基于数据驱动的识别模型包括近邻分类器[15]、贝叶斯分类器[16]、线性分类器、支持向量机(Support vector machine, SVM)[17]、神经网络分类器[18]、随机森林[19]以及多算法融合识别模型[20]等, 其策略可分为两类: 一类是基于特征提取与分类器相组合的方法, 又称为特征工程; 一类是基于深度学习的端到端方法, 后者以卷积神经网络(Convolutional neural network, CNN)[21]为代表.

相比于深度学习算法, 特征工程对大样本数据依赖性相对较弱, 已应用于许多需进行燃烧状态识别的工业过程. 文献[9]针对MSWI过程的燃烧状态识别问题, 采用颜色模型(Hue, saturation, value, HSV)和主成分分析(Principal component analysis, PCA)算法对火焰进行特征提取和降维, 并结合最小二乘支持向量机(Least squares support vector machine, LSSVM)进行分类. 文献[22]针对电站煤粉锅炉的燃烧状态识别问题, 提取7种火焰图像特征用于SVM分类. 文献[23]指出火焰图像色调、饱和度和强度是燃烧状态识别的关键特征, 并在重油装置上进行验证. 然而, MSWI过程是具有强不确定性特征的工业过程, 其燃烧火焰图像易受环境干扰. 现有的火焰特征选择方法通常依赖于专家先验知识, 导致基于特征工程的识别算法的鲁棒性较弱且泛化性较差.

基于CNN的识别模型因具有良好的特征提取能力和泛化性能, 已在诸多领域得到广泛应用[24]. 然而, 以CNN为代表的监督学习网络模型的准确率取决于标签样本的规模与质量, 而MSWI过程的图像采集设备长期处于强干扰环境中, 导致样本标定存在困难. 因此, 如何基于现有技术获得高质量样本是提升燃烧状态识别模型性能所面临的难点之一.

常用的图像数据增强方法包含几何变换、颜色抖动、随机噪声等[25], 其本质是对原始数据进行非生成式变换以实现样本的增加, 从而缓解识别模型的过拟合现象. 然而, 以上方法并未增加新样本的信息, 因此缓解过拟合的效果有限. 2014年, Goodfellow等[26]提出基于零和博弈思想的生成式对抗网络(Generative adversarial network, GAN), 其能够拟合真实数据的概率密度分布, 有效地提升了机器的创造能力. 随着GAN的发展[27-29], 其“创造”出的数据不仅能够节省大量人力标定成本, 而且能够有效地解决数据稀缺问题. 在近两年的研究中, 文献[30]针对焊接自动检测问题, 提出基于GAN的数据增强算法; 文献[31]针对自动表面缺陷检测研究, 利用GAN生成非常规缺陷图像, 扩充有限的缺陷检测样本集; 文献[32]针对工业站点缺陷图像不足和标定成本高的问题, 提出一种生成缺陷图像的方法; 文献[33]提出ResMaskGAN, 解决表面缺陷自动检测中异常工况数据集稀缺的问题.

本文针对MSWI过程的燃烧状态识别问题的研究表明, 基于GAN的数据增强策略博弈最终将达到纳什均衡状态[34]. 此时, 生成器虽然能够生成符合小样本数据的概率分布的数据, 却难以“创造”出新特征. 因此, 基于GAN的数据增强识别模型的鲁棒性难以得到实质性的提升; 非生成式数据增强操作在本质上未改变图像内容, 模型的泛化性能提升有限, 但通过平移、旋转、填充火焰图像等方式却能够获得新的特征. 因此, 本文混合生成式和非生成式两种增强方式, 在生成式数据增强的数据集基础上, 再次对其进行非生成式变换.

本文主要工作包括:

1) 针对目前燃烧状态识别方法存在的局限性, 归纳总结研究中存在的问题, 首次将GAN用于MSWI过程燃烧状态识别;

2) 分析生成式数据增强的缺陷, 并提出一种混合式数据增强的方法, 弥补生成对抗式数据增强的不足;

3) 设计一种切实可行的实验策略, 通过弗雷歇距离(Fréchet inception distance, FID)[35-36]对不同生成模型生成的图像质量进行评估, 为生成样本筛选提供评价指标;

4) 通过与其他识别模型对比, 表明本文所构建的燃烧状态识别模型泛化性能好、识别率高且鲁棒性强.

图 2  基于DCGAN数据增强的燃烧状态识别策略

图 3  炉排等比例结构示意图

本文提出一种基于混合数据增强的MSWI过程燃烧状态识别模型, 其创新性表现在: 1) 指出基于对抗生成式数据增强的不足, 并针对生成式和非生成式数据增强的缺陷, 提出混合数据增强策略; 2) 构建基于DCGAN的生成式数据增强模块, 设计面向燃烧图像的多层次生成网络结构; 3) 针对火焰燃烧图像, 设计非生成式数据增强的方法. 实验结果表明, 本文方法能够有效结合生成式数据增强与非生成式数据增强的优点, 能够有效生成优质的虚拟样本, 从而使得MSWI状态识别模型具有较好的泛化性能与鲁棒性.

需要指出的是, 工业现场并非缺少数据, 而是标记困难. 如何充分利用海量数据实现自动标记以及通过半监督或无监督学习、提高模型的泛化性和鲁棒性是下一步研究方向.

作者简介

郭海涛

北京工业大学信息学部硕士研究生. 主要研究方向为面向城市固废焚烧过程的图像处理研究. E-mail: guoht@emails.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, 城市固废处理过程智能控制. 本文通信作者. E-mail: freeflytang@bjut.edu.cn

丁海旭

北京工业大学信息学部博士研究生. 主要研究方向为城市固废焚烧过程特征建模与智能控制. E-mail: dinghaixu@emails.bjut.edu.cn

乔俊飞

北京工业大学信息学部教授. 主要研究方向为污水处理过程智能控制, 神经网络结构设计与优化. E-mail: junfeiq@bjut.edu.cn