引用本文

夏恒, 汤健, 余文, 乔俊飞. 基于仿真机理和改进回归决策树的二噁英排放建模. 自动化学报, 2024, 50(8): 1601−1619 doi: 10.16383/j.aas.c230625

Xia Heng, Tang Jian, Yu Wen, Qiao Jun-Fei. Dioxin emission concentration modeling based on simulation mechanism and improved linear regression decision tree. Acta Automatica Sinica, 2024, 50(8): 1601−1619 doi: 10.16383/j.aas.c230625

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230625

关键词

城市固废焚烧，二噁英，燃烧状态，数值仿真机理，线性回归决策树，半监督迁移学习 

摘要

城市固废焚烧(Municipal solid waste incineration, MSWI)过程是“世纪之毒”二噁英(Dioxin, DXN)的重要排放源之一. 截止目前为止, DXN的演化机理和实时检测仍是尚未解决的难题. 现有研究主要基于离线化验数据构建数据驱动模型, DXN的检测未有效结合燃烧过程机理. 针对该问题, 本文提出基于仿真机理和改进线性回归决策树(Linear regression decision tree, LRDT)的DXN排放建模. 首先, 采用基于床层固废燃烧模拟软件FLIC (Fluid dynamic incinerator code)和过程工程先进系统软件(Advanced system for process engineering Plus, Aspen Plus)耦合的数值仿真模型, 获取蕴含多运行工况的虚拟机理数据; 接着, 利用虚拟机理数据构建基于改进LRDT的CO2、CO和O2燃烧状态表征变量模型; 然后, 以真实CO2、CO、O2作为输入和以DXN真值作为输出, 构建多入单出LRDT的过程映射模型(Process mapping model, PMM), 再利用该模型进行半监督学习和结构迁移得到机理映射模型1 (Mechanism mapping models1, MMM1); 最后, 通过结构增量学习获得基于半监督迁移学习的MMM2模型. 在实验室的半实物平台和北京某MSWI厂的边侧验证平台对所提方法进行了工业应用验证. 实验结果证明了所提方法与研发的软测量系统可有效实现二噁英排放浓度在线检测.

文章导读

二噁英(Dioxin, DXN)是一类对生态系统具有负效应且不可逆转的持久性有机污染物[1]. 在城市固废焚烧(Municipal solid waste incineration, MSWI)过程中, DXN是废气排放中不可避免的副产品之一[2]. 随着焚烧技术的迅速发展和日益普及, MSWI过程已成为DXN排放源之一[3]. 由于现有检测技术的限制, 在工业现场进行DXN排放浓度的实时检测是有待解决的挑战性难题[4]. 工业大数据的出现促使包括机器学习和深度学习等人工智能建模技术的迅速发展[5−6]. 因此, 采用人工智能技术检测MSWI过程的DXN排放浓度已成为一种可行的解决方案, 已有研究主要包括基于统计学习的模型[7]、基于经典机器学习的模型[8]以及基于深度和宽度学习的模型[9−11]等. 上述数据驱动(Data-driven, DD)模型在本质上是构建表征自变量和因变量之间映射关系的黑盒模型. 然而, DD模型的性能容易受到建模数据样本不足或覆盖范围不完整等因素的影响[12]. 相对而言, 被称为白盒模型的机理驱动(Mechanism-driven, MD)模型依赖于工业过程的动量、热量、质量和反应动力学等知识与原理[13−14], 但受限于实际过程所涉及的反应机理的复杂性和可变性, 构建面向DXN检测的MD模型依旧是一项难以解决的挑战[15]. 

为解决单一模型建模存在的局限性, 已有研究采用的策略是利用MD和DD模型进行相互补偿, 进而构建具有更高性能的模型[16]. 从模型结构的视角而言, MD和DD模型的混合方法可分为级联、并联和级联−并联融合3种[17]. 级联结构模型可进一步分为MD模型前和MD模型后两大类, 其中前者是MD模型的输出, 作为DD模型的输入[18], 后者是利用历史数据构建DD模型[19]. 通常, 当过程机理能够被很好的理解时, 首选是构建MD模型; 但在实际情况下, 由于原料成分波动、运行工况频繁变化和设备磨损等因素, MD模型的精度往往较低. 一般而言, 并联结构模型中的DD模型能够补偿MD模型的误差, 采用该结构的已有研究包括增稠剂下流浓度的多变量预测[20]和丹酚酸A含量的监测[21]. 然而, 这些并联结构模型受到历史数据范围有限的限制, 难以为强不确定性的实际生产过程提供可靠输出, 导致模型的泛化效果较差. 为解决该问题, 已有研究者提出强化并联结构的建模策略, 如Ren等[16, 22]将级联并行集成建模策略应用于Czochralski过程建模. 此外, 还有研究关注于基于卡尔曼滤波的线性融合[23]和基于相关矩阵的线性融合[24]等方法. 最近, 张梦轩等[25]的研究表明, 融合集成MD和DD模型的策略, 在性能上优于级联和并行结构模型. 然而, 将MD模型与DD模型相集成的融合策略, 并未获得足够重视, 该方面的相关研究很少. 显而易见, MD和DD融合模型的实现, 应根据被检测目标所在工业过程的具体特征进行设计. 

由上可知, 针对MSWI过程的DXN检测而言, 现有工作仍存在如下未解决的问题: 1)如何设计具有可解释性的MD和DD混合驱动建模策略; 2)如何获得能够表征多运行工况的机理建模数据; 3)如何结合燃烧过程机理知识构建DXN模型; 4)如何充分利用已有知识和有限真实数据. 

综上, 本文提出了基于仿真机理和改进线性回归决策树(Linear regression decision tree, LRDT)的DXN排放浓度检测策略, 主要贡献如下: 1)基于工艺流程和建模机理视角, 提出了具有可解释性的MD 和DD融合建模策略; 2)利用床层固废燃烧模拟软件FLIC (Fluid dynamic incinerator code)和过程工程先进系统(Advanced system for process engineering Plus, Aspen Plus)耦合方法, 获得蕴含多运行工况信息的能够表征燃烧状态变量CO2CO2、CO和O2O2的虚拟机理数据; 3)提出了基于多工况机理数据的多入多出(Multiple-in multiple-out, MIMO)改进LRDT燃烧状态表征变量模型; 4)建立了虚拟与真实混合数据驱动的半监督迁移学习DXN排放检测模型. 在实验室的半实物平台和MSWI厂的边侧验证平台对所提方法进行了工业应用验证. 

图 1  MSWI过程流程图

图 2  虚实数据驱动的建模策略

图 3  Aspen Plus 模型示意图

基于虚实数据混合驱动的建模理念, 本文提出了采用数值仿真模型获取虚拟机理数据和改进线性回归决策树的MSWI过程DXN排放建模方法, 其主要贡献包括: 通过耦合FLIC和Aspen Plus构建数值仿真模型, 结合双重正交实验获取多运行工况下的虚拟机理数据; 基于改进LRDT算法, 构建基于虚拟机理数据的多入多出燃烧状态表征变量模型; 基于真实数据构建过程映射模型并结合燃烧状态表征变量模型的输出, 采用半监督和迁移学习机制获得DXN检测模型; 基于所提出的建模策略开发软测量系统, 在实验室半实物仿真平台和北京某MSWI厂边侧端验证平台验证了所提方法的有效性. 在后续研究中, 将探索全流程多阶段DXN检测和在线软测量系统用于MSWI过程的DXN减排控制. 

作者简介

夏恒

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二噁英排放预测与控制, 树结构深/宽度学习结构设计与优化. E-mail: xiaheng@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和城市固废处理过程智能控制.本文通信作者. E-mail: freeflytang@bjut.edu.cn

余文

墨西哥国立理工大学高级研究中心教授. 主要研究方向为复杂工业过程建模与控制, 机器学习. E-mail: yuw@ctrl.cinvestav.mx

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和神经网络结构设计与优化. E-mail: junfeiq@bjut.edu.cn