多模态数据驱动的城市固废焚烧过程验证平台设计与实现EI北大核心CSCD

鉴于城市固废焚烧(municipal solid waste incineration,MSWI)过程控制系统的封闭特性与工业现场的安全性要求,如何实现离线多模态数据的时间同步发布和如何搭建数据驱动预测模型的类工业现场验证环境,是实现智能建模算法落地应用需首要解决的关键问题。该文开发多模态数据驱动的MSWI过程验证平台,由多模态历史数据同步子系统和多模态历史数据驱动建模子系统组成。首先,结合现场领域专家预测关键工艺参数过程的抽象化描述,设计验证平台的结构;然后,建立以炉膛温度、烟气含氧量和锅炉蒸汽流量为输出的多模态数据驱动预测模型;最后,搭建硬件环境并开发相应的软件系统,实现子系统间的协同运行。利用实际过程数据与火焰视频验证该平台能够解决多模态数据驱动预测模型构建中存在的采样难、同步难、匹配难等问题,能够提供可靠的工程化验证环境。     

变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

面向城市固废焚烧过程的缺失数据填充及应用

针对城市固废焚烧(municipal solid waste incineration, MSWI)过程中存在的随机和连续数据缺失问题，提出了一种基于专家经验和约简特征集成模型的填充方法.首先，将过程数据缺失情况识别为随机分布、时间维度和特征维度缺失3种类型.接着，基于专家经验对前2种类型进行缺失填充后，面向第3种类型基于分布相似性和互信息相关性为缺失特征预测模型选择建模数据集和约简特征，建立具有互补特性的随机森林、梯度提升决策树和反向传播神经网络子模型对缺失值进行初步预测，利用贝叶斯线性回归(Bayesian linear regression, BLR)构建集成模型以获得最终填充值.最后，利用填充后的MSWI数据建立基于跨层全连接深度森林回归的二噁英排放浓度软测量模型.实验结果表明所提方法提高了MSWI过程数据的质量.     

城市固废炉排炉焚烧过程二英排放浓度数值仿真

城市固废焚烧（MSWI）过程产生的二英（DXN）是至今机理仍复杂不清的剧毒污染物，获悉DXN在炉排炉内的生成、燃烧和再生成等过程的边界条件对降低污染排放极为重要。对此，本文提出了城市固废炉排炉焚烧过程DXN排放浓度数值仿真方法。首先，依据面向DXN的典型炉排炉MSWI工艺流程，描述焚烧炉内固相燃烧、气相燃烧、高温换热和低温换热等与DXN相关反应的机理。接着，依据上述所划分区域，结合实际MSWI过程相关参数构建DXN数值仿真模型。最后，基于烟气分流分率所表征的反应物浓度和不同区域的反应温度进行单因素分析，以获取G1处DXN浓度的边界条件，并基于正交实验分析分流分率和反应温度对G1处DXN浓度的影响，进而获得最优参数组合。基于北京某MSWI电厂实际数据的数值仿真分析与验证，表明了该数值仿真模型的有效性，为后续优化控制G1处的DXN排放浓度提供了支撑。