新進展，如何進行二噁英軟測量？

　　二噁英(Dioxin，DXN)是導致城市固廢焚燒(Municipal solid waste incineration, MSWI)建廠存在“鄰避現象”的主要原因之一. 工業現場多采用離線化驗手段檢測DXN濃度, 難以滿足污染物減排控制的需求. 針對上述問題, 本文提出了基于潛在特征選擇性集成(Selective ensemble, SEN)建模的DXN排放濃度軟測量方法. 首先, 采用主元分析(Principal component analysis, PCA)分別提取依據工藝階段子系統及全流程系統過程變量的潛在特征, 并依據預設貢獻率閾值進行特征初選； 接著, 采用互信息(Mutual information, MI)度量初選特征與DXN間的相關性, 并自適應確定再選的上下限及閾值； 最后, 采用具有超參數自適應選擇機制的最小二乘?支持向量機(Least squares — support vector machine, LS-SVM)算法建立多源特征的候選子模型, 基于分支定界(Branch and bound, BB)優化和預測誤差信息熵加權算法進行集成子模型的優化選擇和加權組合, 進而得到軟測量模型. 基于某MSWI焚燒廠DXN檢測數據仿真驗證了所提方法的有效性.

　　引 言

　　如何基于運行優化控制策略降低復雜工業過程的能源消耗和污染排放, 是國內外流程工業企業所面臨的急需解決難題. 焚燒是進行城市固廢(Municipal solid waste, MSW)處理的主要技術手段. 對于發展中國家的MSW焚燒(MSW incineration, MSWI)企業, 最為緊迫的問題是如何降低焚燒造成的污染排放, 其中急需在線監視和優化控制的是造成焚燒建廠“鄰避現象(Not in my backyard, NIMBY)” (指居民或單位因擔心垃圾場、核電廠、殯儀館類的建設項目對身體健康、環境質量和資產價值等帶來負面影響而激發的嫌惡情結, 滋生“不要建在我家后院”的心理, 并采取強烈、堅決, 甚至高度情緒化的集體反對和抗爭行為)主要原因之一的劇毒物質二噁英(Dioxin, DXN)的排放濃度. MSWI企業當前主要關注如何基于優化的運行參數實現DXN排放的最小化. 目前, 除配套先進的尾氣處理裝置外, 普遍采用“3T1E”準則間接控制DXN排放, 即: 焚燒爐內高于850 ℃的溫度(Temperature, T)、超過2 秒(Time, T)的煙氣停留時間、較大的湍流程度(Turbulence, T)和合適的過量空氣系數(Excess oxygen, E). 當前MSWI企業難以進行以降低DXN排放為直接目標的運行優化和反饋控制, 其主要原因是: 1) DXN排放濃度的機理模型難以構建； 2) 以月或季為周期的離線直接檢測焚燒尾氣方式不能提供實時反饋的DXN排放濃度值. 近年來的研究熱點是基于指示物/關聯物對DXN排放進行在線間接檢測, 但這些方法固有的設備復雜、造價昂貴、檢測滯后等原因導致其難以用于MSWI過程的運行優化和反饋控制.

　　數據驅動軟測量技術可用于需要離線化驗的難以檢測參數(如本文中的二噁英)的在線估計. MSWI過程包括固廢焚燒、蒸汽發電、煙氣處理及尾氣排放等多個階段, 其所包含的數百維過程變量間具有較大的冗余性與互補性； 顯然, 這些不同階段與DXN的產生、燃燒、吸收、再合成等過程相關, 有必要結合工藝過程劃分為不同階段子系統以便于能夠量化表征對DXN排放濃度軟測量的貢獻度, 同時能夠保留全部過程變量, 進而避免有用過程變量的缺失. 因此, 依據MSWI過程的特點, 可將DXN排放濃度軟測量歸結為一類面向小樣本高維數據的建模問題. 文獻[18]指出, 模型輸入維數和低價值訓練樣本的增加使得獲取完備訓練樣本的難度增大. 文獻[19]定義了維數約簡后的建模樣本與約簡特征之比, 指出該值應滿足構建魯棒學習模型的需求. 因此, 針對MSWI過程具有小樣本高維特性的DXN排放建模數據進行維數約簡是必要的.

　　目前較為常用的方法是基于機理或經驗通過特征選擇實現維數約簡. 以依據經驗選擇的部分過程變量為輸入, 文獻[20-21]通過采用多年前歐美研究機構所收集的少量樣本, 基于線性回歸、人工神經網絡(Artificial neural network, ANN)等算法構建DXN排放濃度軟測量模型. 近年來, 我國臺灣地區針對實際焚燒過程, 首先初選部分過程變量, 再結合相關性分析和主元分析(Principal component analysis, PCA)進行特征選擇, 最后基于BP神經網絡(Back propagation neural network, BPNN)進行DXN排放濃度建模； 但BPNN具有易陷入局部最小、易過擬合和面向小樣本數據建模泛化性能差等缺點. 理論上, 基于結構風險最小化準則的支持向量機(Support vector machine, SVM)算法能夠有效建模小樣本數據, 但其需求解二次規劃(Quadratic programming, QP)問題且超參數難以自適應選擇. 最小二乘?支持向量機(Least squares SVM, LS-SVM)通過求解線性等式克服QP問題, 其超參數可通過優化算法得到, 但耗時且只能得到次優解. 上述方法均以部分過程變量為輸入構建傳統單模型, 其泛化性有待于提高, 并且難以表征MSWI不同工藝階段對DXN模型的貢獻率. 此外, 上述研究也缺少對LS-SVM超參數的自適應選擇機制.

　　針對工業過程機理復雜性難以有效地進行特征選擇以及變量間具有的強共線性, 能夠提取高維數據蘊含變化的主元分析(PCA)是工業過程難以檢測參數軟測量中較為常用的潛在特征提取方法, 但貢獻率低的主元建模會降低預測穩定性. 此外, 基于上述非監督方法所提取的蘊含原始過程變量主要變化的潛在特征與難測參數間的相關性卻可能較弱. 因此, 有必要對貢獻率滿足要求的潛在變量進行再次選擇.

　　此外, 針對MSWI過程的不同階段子系統和全流程系統所提取的潛在特征可視為表征不同局部和全局特性的多源信息. 理論和經驗分析表明, 面向多源信息采用選擇性集成(Selective ensemble, SEN)機制構建的軟測量模型具有更佳的穩定性和魯棒性. 文獻[31]綜述了集成子模型多樣性的構造策略, 指出訓練樣本重采樣包括劃分訓練樣本(樣本空間)、劃分或變換特征變量(特征空間)等, 基于特征空間的集成構造策略在模型預測性能上較優. 針對小樣本多源高維譜數據, Tang等提出基于選擇性融合多源特征和多工況樣本的SEN潛結構映射模型. 文獻[32-33]提出了基于隨機采樣樣本空間的SEN神經網絡模型和潛結構映射模型. 文獻[34]提出基于子空間的集成學習通用框架. 文獻[35]提出了在特征子空間內隨機采樣樣本空間的面向多尺度機械信號的雙層SEN潛結構映射模型. 文獻[36]提出的SEN神經網絡模型分別構建候選子模型和選擇集成子模型及計算其權重. 但上述方法均未進行模型參數自適應機制的研究. 采用與文獻[20]相同的建模數據, 文獻[37]提出了基于候選超參數的SEN建模方法, 但該方法難以描述當前實際MSWI過程的真實特性, 并且難以有效表征DXN生成、燃燒、吸附和排放過程的多階段特性.

　　綜上可知, 依據MSWI過程的多階段特性對不同階段子系統進行非監督潛在特征的提取與度量, 構建具有自適應超參數選擇和SEN機制的DXN排放濃度軟測量模型的研究還未見報道. 因此, 本文所提的基于潛在特征SEN的DXN排放濃度軟測量方法的創新點表現在:

　　1)采用PCA提取依工藝流程劃分階段子系統和MSWI全流程系統的潛在特征, 并依據預設的主元貢獻率閾值進行多源潛在特征初選, 保證預測穩定性和避免特征選擇不當造成的信息損失；

　　2)采用互信息(Mutual information, MI)度量初選潛在特征并進行選擇以保證再選潛在特征與DXN間的相關性, 自適應確定多源潛在特征再選的上下限及閾值；

　　3)采用具有超參數自適應選擇機制的LS-SVM算法和自適應確定集成子模型尺寸、集成子模型及其加權系數的SEN機制構建DXN排放濃度軟測量模型, 確保具有互補特性的最佳子系統能夠選擇性融合。