文摘
二氧化硫,最常见的一种空气污染物气体,带来数量可观的对人类健康和环境的危害。为了减少它带来的不利影响,是迫切需要控制电厂排放的烟气,因为大部分大气中二氧化硫源于在整个生产过程中产生的烟气发电。然而,环境的复杂性和不确定性增加出现的异常在实际烟气脱硫系统。在工业脱硫系统异常会引起严重的后果,对高性能控制与传统控制策略构成挑战。在本文中,基于过程数据采样1000 MW机组燃煤电厂烟气脱硫系统,与多层平行multimodel控制策略动态神经网络(MPDNN)是用于解决控制问题在不同的异常。此外,仿真结果表明提出的控制方法的适用性和有效性通过比较不同的情况。
1。介绍
朦胧的增加出现天气在过去的几年中,在中国环境恶化引起了极大关注。二氧化硫,担任的主要贡献者之一导致大气污染,对人体健康有负面影响以及环境(<一个href="#B1">1一个>- - - - - -<一个href="#B3">3一个>]。此外,化石燃料的燃烧,尤其是煤炭、电厂的主要原因是大气中二氧化硫的存在(<一个href="#B4">4一个>]。因此,去除二氧化硫的烟气从燃煤电厂具有重要意义,已逐渐成为最重要的公众关注。在各种各样的烟气脱硫方法,石灰石-石膏湿法烟气脱硫(WLFGD)大多数电厂的首要任务是由于它的特点是低运营成本和相对高的吸收利用试剂(<一个href="#B5">5一个>,<一个href="#B6">6一个>]。为了抑制二氧化硫带来的污染,出口烟气的浓度以及泥浆pH值作为控制变量选择在我们的案例研究,和前这是一个直接反映脱硫性能的指标。同时,通过验证,浆槽中的pH值对脱硫效率有重大的影响(<一个href="#B7">7一个>]。
异常检测(或异常值检测)是识别意想不到的观察或事件的过程中,大部分数据差别很大的<一个href="#B8">8一个>]。由于异常检测领域应用价值高,它已经扩展到各个领域,尤其是在这个行业。在这项工作中,我们关注的情况下烟气脱硫中异常条件。完善,工业过程和设施在过去几年不断增加的复杂性,从而导致更大的机会出现明显的缺点。此外,鉴于烟气脱硫是一种化学工程过程中,存在一些独特的缺点,从而诱导异常比传统工业的其他条件,如催化剂失活,阀堵塞,或压缩机故障(<一个href="#B9">9一个>]。因此,关于化学系统,特别注意必须放在系统的可靠性和稳定性在整个操作,这需要检测异常条件和对系统进行有效的控制。在过去的几十年中,有相当多的出版物包括异常检测的主题。然而,很少有出版物包括脱硫系统中的异常检测,更不用说应用控制技术在异常条件下。我们所知,几乎所有的贡献涉及故障检测和诊断问题。在文献[<一个href="#B10">10一个>,<一个href="#B11">11一个>),主成分分析(PCA)与监测指标霍特林的T2和平方预测误差是用来找到确切的故障出现在指定的时间内烟气脱硫系统。内核的不同应用PCA在后者的工作,和混合预测模型,其中包含自回归综合移动平均模型和最小二乘支持向量机模型,建议在<一个href="#B12">12一个>),使泥浆pH值的预测,然后设计了故障诊断系统定位pH传感器的缺点。另外,燃烧模型基于物理特性介绍了烟气脱硫(<一个href="#B13">13一个>]。在这种方法中,烟气评估模型构建和用于识别过程异常和传感器故障。
至于出版物上面所提到的,存在一个共性,提出故障检测或诊断方法的实现是由标记的情况下,也就是说,包含各种异常的显式标签使用的所有实例。然而,从实用的角度来看,它是具有挑战性的向多个类别(即组异常。,f一个ults of different types) accurately in WLFGD system, as the malfunction of certain part in system may trigger successive faults in other components. Accordingly, the classification results depend critically upon individual experience in practice. In this case, the usage of exploring and grouping method is more advantageous for the extraction of underlying anomalous conditions in practical applications. Therefore, in this article, the integration of isolation forest and adaptive mean shift clustering are employed to determine types of anomalous conditions existing in our system. Another issue that has to be taken into account is what kind of control strategy should we apply in this context. Here, multimodel control is utilized in our case study due to complicacy and diversity of operating environments in the whole desulphurization process. More specifically, as a fair number of devices and plants are employed on-site, there are many possibilities for occurrences of anomalies, which are actually one of the major reasons for variations in the environment. Moreover, since many subprocesses in flue gas desulphurization are interactive, the presence of unknown and discontinuous anomalous conditions in any subprocess, even caused by some unnoticeable devices, may bring about parameter changes in controlled actual system. Given that multimodel control is particularly suited to cope with a class of control problems, which caused by parameter uncertainties due to changes of operating environments, it is selected as the control strategy in our case study.
这个工作的主要贡献可以概括如下:(1)一种新的探索和提出了成组技术在异常环境中提供一个详细的分析在工业领域。(2)MPDNN-based提出了自适应控制和扩展multimodel首次。(3)控制方式的不同组合对MPDNN初始化自适应模型进行比较和讨论。
本文的其余部分组织如下:部分<一个href="#sec2">2一个>描述了湿法烟气脱硫的原理和过程。然后,综合异常检测技术基于隔离和介绍了聚类算法<一个href="#sec3">第三节一个>。<一个href="#sec4">第四节一个>讨论了理论知识与MPDNN multimodel系统识别和控制过程。在<一个href="#sec5">第五节一个>,仿真研究表明,提出的控制策略的有效性对数值进行比较。最后,<一个href="#sec6">第六节一个>本文总结并给出我们的未来的工作。
2。烟气脱硫系统的引入
事实上,整个过程的二氧化硫减排WLFGD系统很复杂,虽然化学方程式是看似简单的形式。WLFGD可以表达的整体反应的化学方程式如下:
基本反应原理可以从上面的总反应方程式。即石灰石泥浆作为吸收剂的反应在烟气二氧化硫,和有限公司2随着石膏(卡索4·H2O)终于产生。在下面,列出的湿法烟气脱硫过程。为了清晰、WLFGD系统的一般结构呈现在图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig1/" target="_blank">1一个>,它提供了一个例子在脱硫过程。石灰石泥浆作为吸收剂被用来喂养浆槽的吸收器。在这个过程中,泥浆的密度和流量可以通过密度计测量和流量计安装在管。同时,循环泵利用起来浆,以便它可以从吸收器的顶部掉下来。相反,烟气经过加热换热器从进气导管进入吸收器之前为了降低气体的温度。随着进气导管位于低吸收器的一部分,它将导致逆流接触烟气和石灰石泥浆。接下来,两个组件之间的重要的化学反应去除烟气二氧化硫含量。最后,使脱硫烟气排放从堆栈和石膏,坚实的副产品,在吸收剂浆了,可以应用在墙板和水泥等领域<一个href="#B14">14一个>,<一个href="#B15">15一个>]。
3所示。提取WLFGD系统中的异常情况
在WLFGD的操作系统,操作数据与测量变量的数组收集从一个1000 MW火力发电厂机组每一分钟。在本节中,执行一些相关变量的初步分析首先,这对异常条件提取奠定了基础之后在这一节中。然后,相关技术利用的过程中寻找异常详细。
3.1。预赛
在这里,四个输出变量在系统中选择对异常进行分析。他们是出口啊2二氧化硫浓度,浓度,出口出口烟气温度、泥浆pH值。之前寻找异常情况下,变量之间的皮尔逊相关系数计算,并可视化相关矩阵的形式(图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig2/" target="_blank">2一个>)。
相关矩阵是对称、单位对角,semidefiniteness [<一个href="#B16">16一个>),矩阵中的每个条目表示两个变量之间的相关系数。上述矩阵显式表示的程度每一对变量之间的关系。每个变量的符号简单,上面提到的用部分相关矩阵获得的全名。因为它是图所示<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig2/" target="_blank">2一个>,关于四个变量的皮尔森相关系数的绝对值都超过0.50,其中一些甚至超过0.92,反映出高水平的相关性在WLFGD四个输出变量系统。由(<一个href="#B17">17一个>),变量有高相关规定限制异常检测的性能,从正常的轻微异常相关变量的范围可能产生相对更大的异常。此外,高维数据会带来问题的维数的诅咒(<一个href="#B18">18一个>,<一个href="#B19">19一个>]。PCA,作为一种最常用的特征提取技术,降低维度通过生成更少的主成分(pc)代替原来的变量。相反,个人电脑是彼此不相关的<一个href="#B20">20.一个>]。从这个意义上讲,高维数据和相关变量出现的问题在异常条件下可以解决通过PCA提取。此外,组件保留的数量是另一个需要考虑的问题降维。确定电脑的数量可以参考标准如下(<一个href="#B21">21一个>):(1)每个电脑应该大于1的特征值;每个组件(2)解释了至少5%的方差;和(3)解释方差累计达到70%。特征值的总结,解释方差的比例,累积解释方差对个人电脑不同的数字计算了以上四个输出变量列在下表中<一个href="//www.newsama.com/journals/complexity/2020/6046729/tab1/" target="_blank">1一个>。
如表所示<一个href="//www.newsama.com/journals/complexity/2020/6046729/tab1/" target="_blank">1一个>个人电脑,前两个特征值为3.068和1.247,然而第三个人电脑的特征值只有0.465。同时,方差解释为前两个电脑是62.3%和25.3%,分别解释方差累计达到87.6%。在上述标准的基础上,保留两个电脑是更可取的。因此,上述四个输出变量简化为两个原则组件进行进一步分析下面的异常情况。
3.2。异常条件的提取
在WLFGD减少维数的实际测量数据系统,异常条件将检测并提取之后,可以进行必要的准备建设multimodel控制系统在下一节。在本节中,集成isolation-based和clustering-based异常条件的方法来执行任务的上下文中提取WLFGD。
从实用的角度,计算效率异常检测至关重要,尤其是在工业场景中,由于初始的需求促使行动维护系统稳定。隔离森林(如果)是一种ensemble-based刘等人提出的异常检测方法(<一个href="#B22">22一个>],它的特点是精度高、成本低内存和计算复杂性(<一个href="#B23">23一个>),从而能保证及时性寻找异常的系统。此外,隔离森林算法,在训练过程中异常情况下不需要(<一个href="#B24">24一个>]。因此,适合在工业环境中实现。使用如果检测异常的基本原理的基础上,异常的固有属性,也就是说,倾斜的数据的数量很小,正常细胞形成鲜明对比。在此基础上,利用树结构来描述数据的递归过程空间分区,异常数据更容易被分离在树的上方位置与正常点。更具体地说,让 感兴趣的点,在那里<我>N我>和<我>d我>分别表示实例的数量和属性;形成一个隔离森林的过程总结如下:(1)建立通过选择一个子集<我>k我>(<我>k我><<我>N我>随机从)实例<我>N我>情况下,和一个<我>iTree我>递归地将由分区这个子集。(2)首先,任意选择的属性子集。然后,分割点是选为内任意点选择的属性子集。(3)空间构成的数据子集划分为两个子空间,这对应于左和右子树,选择的分割点。数据将被分配到相应的子树之后,比较他们的价值观和分割点在指定的属性,和更小的和更大的对应左和右子树,分别。(4)重复第二个和第三个步骤为每个新子空间,直到只有一个单点的子空间,或高度限制<我>h我>的<我>iTree我>满足了。<我>h我>是一个参数的大小取决于子集的形式 。通过这种方式,一个<我>iTree我>建立了。(5)构建<我>n iTree我>根据上面说的步骤,这样隔离森林{<我>T我>1、…<我>T我>n我>可以形成}。
至于任何点<我>x我>点的,分区隔离<我>我我>th<我>iTree我>可以称为路径长度<我>l我>(<我>x我>我我>为判断),它提供了参考<我>x我>是一个异常。在这种情况下,<我>n我>路径长度可以被收购,每一种都对应于一个<我>iTree我>在{<我>T我>1、…<我>T我>n我>}。然后,路径长度<我>x我>在一个隔离森林通过的平均值计算<我>n我>路径的长度,也就是说,
措施的outlierness的异常分数<我>x我>定义在[<一个href="#B17">17一个>),作为 在哪里<我>k我>实例的数量在子集,<我>c我>(<我>k我>)用于规范化<我>l我>(<我>x我>),可以书面形式 与<我>H我>(<我>x我>)表示谐波数,可以估计由欧拉常数<我>H我>(<我>x我>)= ln (<我>x我>)+ 0.5772156649。考虑到两种极端情况下,最小和最大距离的地方<我>x我>每一个成年的根源<我>iTree我>分别实现。在这一点上,<我>E我>(<我>l我>(<我>x我>)到达最小值0,最大值<我>n我>−1。用两个极端值<我>E我>(<我>l我>(<我>x我>))(<一个href="#EEq3">3一个>),它可以断定的异常分数<我>x我>在[0,1]的经营范围内。一旦异常分数计算每个样本,异常可以寻找基于阈值的异常分数,而且接近1,<我>x我>更有可能是一个异常。作为一个经验法则,阈值的异常分数为0.6分。在我们的案例中,实例中包含的子集和树的数量设置为256年和100年,分别已被证明是最优参数,产生最佳的性能异常检测(<一个href="#B22">22一个>]。在此基础上,异常点搜索缩小操作数据。为了简化表示,一段时间的结果是给定的图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig3/" target="_blank">3一个>。
如图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig3/" target="_blank">3一个>,部分检测到异常的红点和剩余的点被认为是正常的。同样,异常点在不同的时间可以收集和汇聚在一起。尽管所有的异常被发现在这个阶段,需要确定类型的异常状况进行进一步的研究。然而,由于操作条件在实际WLFGD场景的复杂性,很难知道特定数量的异常情况,并合理分区也是一个棘手的问题。这里,适应性转变是应用于解决遇到的问题。
意味着转变(MS)是一种非参数模式寻求算法基于核密度估计,这是能够找到集群与任何形状的数据(<一个href="#B25">25一个>]。女士的主要缺点是它的高计算复杂度高维度[<一个href="#B26">26一个>]。然而,在我们的案例研究中,特征空间的维数减少,避免它带来的计算问题。与此同时,模式的数量(即。,clustering numbers) can be automatically determined by the algorithm; therefore, MS is of practical significance for determining the type of anomaly in our case study. The principle of MS clustering is outlined as the process of moving each point towards the direction of maximum local density, and the direction is determined via kernel density estimate. The movements of each point are repeated until the point converges to another point with local maxima of density (i.e., mode). Lastly, points with the same mode are classified as the identical cluster. The bandwidth of a kernel function is the unique and key parameter in MS which affects the clustering result of the MS significantly [<一个href="#B27">27一个>,<一个href="#B28">28一个>]。基于带宽是否变量在点的转移,女士可以分为两组,即。、常数和自适应意味着转变。至于恒带宽,太小或太大带宽可能会导致不适当的聚类。相比之下,自适应意味着转变(AMS)可以为集群产生更好的结果。假设 的数据点<我>d我>维特征空间,每个分配带宽嗨。样本点的密度估计与内核配置文件<我>k我>被定义为 使用高斯核;对应的配置文件是一个函数的形式
让函数 ,所示的梯度核密度估计(<一个href="#EEq5">5一个>)是写成 在最右边的部分(7)被称为均值移位向量,收益率最大密度增加的方向。特征空间中的每个点移动到当地密度最大值逐渐与梯度的方向,即意味着转变的方向向量。现在,出现的问题是如何确定自适应带宽<我>h我>我我>。在这里,<我>k我>最近邻居法(<一个href="#B26">26一个>采用。的带宽<我>x我>我我>依赖于其<我>k我>th遥远的点<我>x我>我我>,<我>k我>,<我>h我>我我>的形式
它遵循从(<一个href="#EEq8">8一个>)的价值<我>k我>极大地影响聚类的结果通过改变每个点的带宽。的基础上发现异常点,集群是由自适应的意思是不同的<我>k我>。同时,介绍了轮廓系数作为衡量聚类的性能来选择最优<我>k我>价值。至于集群轮廓系数,值的范围(−1,1)和聚类结果的合理性是其价值的比例。如果收集的异常,轮廓系数计算和绘制<我>k我>的间隔50;结果呈现在图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig4/" target="_blank">4一个>。
图中所示<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig4/" target="_blank">4一个>,很明显,集群轮廓系数达到最大值时<我>k我>等于100。在这个意义上,可以实现最优聚类效果<我>k我>= 100。因此,异常条件的细分WLFGD系统是由AMS在这个上下文。提高聚类的准确性,两个维度得到异常比例在聚类前(−1、2),结果显示在图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig5/" target="_blank">5一个>。
如图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig5/" target="_blank">5一个>,异常分为三个类别,每个由点构成的某种颜色。与此同时,每个类别的模式是,一个坚实的圆,分别。在这个阶段,各种异常条件的数据可以通过上述聚类结果中提取。然后,数据集对应于每种类型的异常条件随机分为两部分,其中70%为模型训练和30%控制测试、培训和控制过程将明确表示,在接下来的部分。
4所示。在异常条件下识别和Multimodel自适应控制
实际上,异常提取条件为控制自适应multimodel提供做过使本节介绍。整个控制过程可以简要地概括为两个步骤。首先,模型建立了描述不同类型的异常提取的条件。然后,multimodel控制策略应用于连接与模型。上述两个步骤分别对应于以下两个部分。此外,在这项工作的第一部分指出,在石灰石泥浆pH值和出口二氧化硫浓度(即选为控制变量。系统的输出变量)。第二,石灰石浆液的流量和密度,这很容易可以通过传感器对系统输出,同时产生相当大的影响(即被选中作为控制变量。系统的输入变量)。
4.1。系统识别
动态神经网络吸引了越来越多的关注和被利用在许多领域,由于它的更好的能力表示非线性系统与静态。此外,动态神经网络用于非线性系统识别可以进一步分为串并联模型和并行模型(<一个href="#B29">29日一个>]。鉴于这一事实的反应发生在吸收高水平的复杂性,因此存在很大的障碍与化学机理模型系统。与此同时,高非线性和延迟现有的泥浆pH值变化的过程中进一步添加系统识别的困难WLFGD的上下文。由于上述优点的动态神经网络,在这里,并行形式它用于标识系统在我们的案例研究。这种类型的神经网络的优势可以概括如下:(1)实际系统的输出不受偏见产生的噪声(<一个href="#B30">30.一个>),(2)识别模型特别适合使用离线。随着并行动态神经网络没有隐层(详细描述<一个href="#B31">31日一个>- - - - - -<一个href="#B33">33一个>),接下来,MPDNN是我们主要关注的描述。
给出了考虑非线性系统识别 的状态 和输入 ,和以下表格的动态神经网络用于识别系统: 与 被估计的状态。 是一个对角赫维茨矩阵。假设控制输入函数有界和作为 。让<我>l我>隐层的节点数,表示和是<我>l我>——- - - - - -<我>n我>权重矩阵和和是<我>n我>——- - - - - -<我>l我>权重矩阵。 是一个s形向量函数, 是一个对角矩阵由s形向量函数的元素,可以表示成 ,和组件的s形向量函数的形式
在现实中,非线性系统(<一个href="#EEq9">9一个>不能用)(<一个href="#EEq10">10一个>正是由于存在未建模动态 ,可以制定为哪一个 与 , , ,和任何固定权数矩阵。由于矩阵<我>一个我>在(<一个href="#EEq10">10一个>)是稳定的,对(<我>一个我>,<我>R我>1/2)是可控的,两人(<我>问我>1/2,<我>一个我>)是可观察的,当地所表达的频率状态(<一个href="#EEq13">13一个>)(<一个href="#B34">34一个>]
然后,矩阵的黎卡提微分方程形式, 有一个对称正解<我>P我>。然后,它遵循从[<一个href="#B35">35一个>],权重矩阵法可以给出如下更新: 识别错误表示为 。增益矩阵 是用来确定神经网络的学习速率。这两个和正定矩阵,<我>P我>代表黎卡提微分方程的解决方案(<一个href="#EEq14">14一个>)。此外, (<我>我我>= 1,2),当<我>t我>= 0, 。在我们的案例研究中,通量<我>F我>t我>和密度<我>D我>t我>的石灰石泥浆被认为是神经网络的输入。相反,出口二氧化硫浓度<我>x我>1<我>t我>和泥浆pH值<我>x我>2<我>t我>数量是估计的。因此,可以作为输入输出映射关系 在哪里<我>f我>是一个非线性的向量值函数。旨在提高收敛速度,所有测量值都为零均值和单位方差比例前的在线识别。在以下,系统识别是有或没有进行神经网络中隐层的存在。此外,隐藏层的情况下,使用两个和三个节点,分别,为了找到与最优识别精度。这里,由于空间限制,只有一个类型的提取异常条件选择。至于没有隐层神经网络,和重量矩阵 , 在(<一个href="#EEq10">10一个>)设置为单位矩阵。在所有这三种情况下,给出了s形函数
给出了初始权重矩阵
此外, , ,和 。因此,解决方案<我>P我>(<一个href="#EEq14">14一个>)可以很容易地计算 。自适应选择收益<我>K我>1=<我>K我>2= 15和初始状态设置为 。应该注意的是,选择的<我>一个我>,<我>R,我>和<我>问我>应该更好地确保解决方案吗<我>P我>是一个真正的矩阵,在识别过程中可以减少计算时间。此外,自适应获得可适当增加加快识别过程。在这个基础,识别异常条件的选择训练集得到这个no-hidden-layer动态神经网络权重更新法律在[<一个href="#B32">32一个>]。同时给出了估计和实际输出图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig6/" target="_blank">6一个>比较的目的。
(一)
(b)
至于MPDNN与一个隐藏层,输出权值是一样的和集以上,体重和输入矩阵的隐层初始化
在这种情况下,该系统是由MPDNN (<一个href="#EEq10">10一个>)两个隐层节点,基于(权重更新<一个href="#EEq15a">15一个>),<我>K我>我我>= 15 (<我>我我>= 1,2,3,4), ,而设置的参数保持不变。图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig7/" target="_blank">7一个>提出了两种状态的识别结果。
(一)
(b)
同样,如果三个隐层节点,给出初始权重矩阵如下:
剩余的参数选择相同在前两种情况;识别结果如图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig8/" target="_blank">8一个>。应该提到重量参数矩阵的过多可能造成限制识别速度。因此,上述权重矩阵的某些元素设置为零,在识别过程中保持不变。
(一)
(b)
接下来,识别是进行测试设置相同的参数。由于空间限制,结果并没有显示出来。相反,三种神经网络的识别性能测量的均方误差(MSE)标准,在训练集和测试集和相应的结果展示在表<一个href="//www.newsama.com/journals/complexity/2020/6046729/tab2/" target="_blank">2一个>。
从表<一个href="//www.newsama.com/journals/complexity/2020/6046729/tab2/" target="_blank">2一个>,它可以很容易地得出结论,MPDNN优于no-hidden-layer的训练集和测试集。更具体地说,有三个节点在隐藏层具有最佳的识别性能。因为以下部分的控制方案的设计是基于确定性等价的原则,因此,控制性能主要取决于识别模型的准确性。在这个基地,MPDNN选择隐层的三个节点模型其他两种类型的异常条件基于各自的训练集,他们会提供下面的控制目的。
4.2。控制设计
正如在导论部分所讨论的,真的很难施加有效的控制整个脱硫过程;这可以归因于这样一个事实:实际操作环境WLFGD系统是复杂的和多方面的。上述所有因素表明,自适应multimodel控制策略特别适合应对这样的问题,在大型的非线性系统参数不确定性时变环境下需要被控制。然而,也存在一些问题阻碍了multimodel控制的应用程序在实际场景中,我们将在下面进行讨论。
为了简化博览会,一些数学符号引入问题的声明。让<我>p我>的参数向量植物在某一个瞬间,表示的参数<我>我我>模型在同一时刻多个模型。假设<我>p我>和躺在<我>d我>维紧致集<我>U我>在参数空间。我们的目标是通过多个模型估计每一个瞬间。至于<我>我我>th固定模型,参数向量位于相同的位置。相反,一个自适应模型近似<我>p我>逐步由初始值参数调整,因此自适应模型参数时变之前达到收敛。到目前为止,进行了大量的研究,但都在线性和非线性情况下,找到最优的实现multimodel控制,和不同的组合模型进行了研究,其中包括(1)固定模型;(2)自适应模型;(3)固定模型和自由奔跑自适应模型;和(4)固定模型,和自由奔跑自适应模型初始化时。它已经证明过去的控制体系结构,这是这项工作的兴趣,可以产生最佳的性能,读者可以参考(<一个href="#B36">36一个>,<一个href="#B37">37一个>为更多的细节。使用这样的结构,只要其中一个固定的模型选择、参数自适应模型将重置为初始化时的选择模型,然后适应参数从初始化的。前提是<我>p我>坐落在<我>U我>在某个瞬间,附近的可以被视为一个类分布在<我>U我>。在这种情况下,固定模型作为提供初始参数估计<我>p我>,使其包含在一定<我>U我>我我>。然后,优化基础上进行 ,也就是说,一个点<我>U我>我我>渐近收敛于真实的参数<我>p我>。这一过程的两个阶段可以消除瞬态和稳态误差,分别。显然,这样的控制体系结构是否可以有效地应用在很大程度上取决于参数之间的亲密关系(即固定模型。,在我t我一个lp一个rameters of the adaptive model at switching instant) and<我>p我>真正的植物在某一个瞬间。事实上,大型初始参数自适应模型的误差会导致贫穷的瞬态响应,并可能需要长时间适应和解决,限制使用multimodel自适应控制实际上在很大程度上。因此,适当的选择对于不同的固定模式,有效优化的先决条件在随后的阶段,是最重要的。
除了初始参数的定性问题的决心,一个定量的问题关于固定模型的数量也是强大的。后者的问题强加限制这种控制策略的实际应用,计算开销和效率,处理的数量模型必须考虑。从实用的角度,通常情况下,植物只有几个子集之间切换<我>U我>。因此,是没有意义的建筑固定模型与参数不当。处理两个,上面提到的问题,足够的知识<我>U我>应该获得这样的参数固定模型得到;此外,每个子集<我>U我>我我>(即。,thecorresponding area in which adaptation of parameters takes place) could be determined. To this end, as indicated earlier, anomalous conditions were analyzed and extracted in turn and then subdivided into varied types. In this sense, information regarding anomalous conditions on-site can be obtained thoroughly, based on which the number of fixed models is therefore determined. Our idea is illustrated intuitively in the form of a flow diagram (Figure<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig9/" target="_blank">9一个>)。
从图中我们可以很清楚地看到<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig9/" target="_blank">9一个>multimodel控制在我们的工作过程划分为两个部分,在左中场部分详细分析了不同类型的异常条件数据探索和挖掘。通过这种方式,获得的定性和定量信息异常,可以进一步利用提供指导模型组建筑右半边图的一部分<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig9/" target="_blank">9一个>。控制设计阶段,设计相应的控制器为每个构造模型和控制器建立了。事实上,模型在模型组和控制器是成对。也就是说,一对选择在每个瞬间基于切换方案介绍。
如上所述在介绍性的部分,这两个控制变量,泥浆pH值,出口烟气浓度是重要的指标,可以测量脱硫的效果。在我们的案例中,监管问题会解决,即。,multimodel adaptive control was carried out to track the reference values we set. The set point of slurry pH value should make trade-off between desulphurization efficiency and safety problems caused by corrosiveness. It has been verified in [<一个href="#B38">38一个>],pH值为5.5的合理价值在正常操作条件。此外,所需的出口烟气浓度设置为3.6毫克/米3根据实际条件和排放标准。此后,所需的状态表示为 和控制误差向量是写成 。区分<我>e我>关于<我>t我>这样可以派生动力学的控制误差,表示为 然后(<一个href="#EEq10">10一个>)调用重写(<一个href="#EEq21">21一个>)以下形式:
如果我们选择的控制输入表单 在右边第一项(<一个href="#EEq23">23一个>)表示Moore-Penrose逆矩阵 。
假设1。我>节点的数量<我>l我>在隐藏层和州的数量<我>n我>满足
。此外,<我>n我>——- - - - - -<我>l我>矩阵已经全部行排名,也就是说,
,这样的产品及其Moore-Penrose逆等于单位矩阵。特别是,是一个方阵什么时候<我>l我>=<我>n我>,然后成为矩阵的非奇异性条件(<一个href="#B39">39一个>,<一个href="#B40">40一个>]。
假设,用(<一个href="#EEq23">23一个>)(<一个href="#EEq22">22一个>),获得的闭环动态误差:
显然,作为<我>一个我>是一个赫维茨矩阵,控制误差是我们实现渐近稳定的控制输入。此外,开关时间和顺序的多个模型是完全依赖于交换计划。切换方案设计的基础上,每个模型的性能指标。保证切换的准确性、瞬时和累计识别错误都是需要考虑的性能指标
。性能指标的选择在我们的研究形式:
与和瞬时和累计识别错误的重量。<我>e我>我我>(<我>t我>)表示在即时识别错误<我>t我>和指数加权方法应用于累积误差计算,其中表明遗忘因子。切换方案的基本原理是搜索在每一个实例。较小的性能指标<我>J我>我我>识别的准确性越高吗<我>我我>模型。在这个基础,相应的控制器选择,这样是最好的控制性能可以产生相应的瞬间。
5。模拟研究
在本节中,不同multimodel控制模式的设计和分析的基础上,提取异常条件在以前的部分。此外,MPDNN隐藏层的三个节点(没有进一步规范,MPDNN表示这种结构在本节中)用于在下列情况下模型和控制器的设计。
5.1。准备工作
在之前的章节中,提取不同类型的异常条件,其中一个对其训练集模型通过MPDNN。神经网络的收敛重量记录在这种情况下。同样,其他两种类型的条件可以确定各自的训练集,在相同的技术(包括数据的预处理)和需要选择合适的参数用于MPDNN。通过这种方式,预期的识别精度(MSE为两国在两种情况下小于2<我>e我>−4),三套参数向量。 和每个<我>一个我>来<我>h我>在是由中相应的一对元素和(<我>我我>= 1,2)如下: 在哪里
上述结果权重矩阵用于建立固定模型,分别。测试和验证了该方法的有效性在实际WFLGD系统,仿真平台的异常条件设置在我们的案例研究。在这个平台中,每个类型的异常环境模拟通过MPDNN在上面的形式在各自的测试数据。没有普遍性,正常状态被拟合MPDNN考虑剩余的部分正常运行数据。MPDNN保证模拟的准确性,参数在每个情况下测定试验和错误,这样能够达到最优的识别性能。这样,这两个州的最后均方识别错误在所有四个条件低于1.042<我>e我>−3。在这个阶段,固定模型和仿真环境WLFGD系统已经建立了。
上面的平台建设将模拟三种类型的异常条件和正常操作条件下每30单位的时候,它可以表示为
备注1。我>初始权重的模型主要影响multimodel自适应控制的控制性能,尤其是在实际应用。感兴趣的问题本文主要关心的是在异常条件下初始权重的设置;正常操作条件的讨论和分析的范围。因此,我们不安排测试设置和构建模型只有一个正常的状态。
所有MPDNN仿真平台的初始状态设置为
。此外,如下为不同情况下进行适当的组合
,和被选中的性能指标(<一个href="#EEq21">21一个>)。在下面,模拟在不同的情况下会进行序列,与客观的测试的有效性MPDNN multimodel不同组合的固定模型的自适应控制。
5.2。实验
如前所述,通过验证,固定的模式模型与自适应模型初始化时在multimodel控制最优控制效果。此外,这项工作更侧重于讨论的主题选择的固定模型在实际multimodel控制。因此,组合不同的模型将不会参与下面的情况下。相反,不同的施工方法的固定模型模拟来测试本文中提出的方法的有效性。为了简化符号,在以下情况下,<我>我我>th MPDNN固定模型来标示<我>如果我>我我>和传统MPDNN初始化自适应模型表示<我>IA我>1和<我>IA我>2,分别。案例1我>。单身自由奔跑自适应模型:单一识别模型自适应控制的最基本形式。模型的参数调整与变化的环境。这类自适应控制可以有效减缓环境发生变化,而大型过度会出现在即时意料之外的环境。的初始值<我>IA我>1在这种情况下设置 。图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig10/" target="_blank">10 ()一个>显示在不同条件下的反应工厂,和图<一个href="//www.newsama.com/journals/complexity/2020/6046729/fig10/" target="_blank">10 (b)一个>控制误差的绝对值。很明显,存在很大的瞬态错误条件变化时30,60岁,90单位的时间。更糟的是,90年代后,强烈的振荡起来,工厂已经失控,这表明,单一的自适应模型在实际WLFGD场景中不是一个合适的选择。
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(c)
(一)
(b)
(c)
6。结论
本文关注于解决实际控制问题WLFGD系统通过使用MPDNN multimodel控制策略。multimodel控制应用程序的困难在现实世界中规定<一个href="#sec4">第四节一个>。的目标实现multimodel控制在异常条件下的背景下,一连串的技术已经采用的搜索和提取不同类型的异常。MPDNN,有一个很好的近似能力不确定的环境中,用于标识这些异常条件,建立相应的模型。表示在<一个href="#sec5">第五节一个>相比,在其他情况下,控制性能的MPDNN multimodel控制系统,它是建立在过程中,我们提出了工作,为模拟WLFGD系统能产生满意的控制性能。基于这个方向,在我们未来的工作将主要关注组合数据分析技术和自适应控制的上下文中multimodel控制。
数据可用性
使用的实验数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作得到了国家自然科学基金(61873006和61873006)和国家重点研究和开发项目(2018 yfc1602704和2018 yfb1702704)。
引用
-
t . Hlincik和p . Buryan”评价的石灰石脱硫的目的在棕色的液体燃烧煤炭,”<我>燃料我>卷,104年,第215 - 208页,2013年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
p .方c .岑,z, p .钟,d . Chen和z陈”,同时删除2也没有x我>通过使用尿素溶液湿擦洗,“<我>化学工程杂志我>,卷168,不。1,52-59,2011页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
b . r . Deshwal s h·李,j·h·荣格,b . h .示范和h·k·李,”研究的x我>使用酸性NaClO从模拟烟气2解决方案。”<我>环境科学学报我>,20卷,不。1,33-38,2008页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
t .局域网x张,问:Yu和l . Lei“吸收之间的关系研究(IV)和pH值在海水烟气脱硫过程中,“<我>工业化学与工程化学研究我>,51卷,不。12日,第4484 - 4478页,2012年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
t . Neveux和y Le Moullec“湿工业烟气脱硫单元:工业数据,模型开发和验证”<我>工业化学与工程化学研究我>,50卷,不。12日,第7592 - 7579页,2011年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
s . Kiil m . l . Michelsen,和k . Dam-Johansen“湿法烟气脱硫的试验研究和建模试验工厂,”<我>工业化学与工程化学研究我>,37卷,不。7,2792 - 2806年,1998页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
m . Gtomba”技术的描述参数影响悬架pH值的吸收剂用于烟气脱硫系统,”<我>空气与废物管理协会杂志》上我>,60卷,不。8,1009 - 1016年,2010页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
Severson k, p . Chaiwatanodom和r·d·Braatz讲”观点在过程监控的工业系统中,“<我>年度审核控制我>,42卷,第200 - 190页,2016年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
R.-P。Nikula,大肠Juuso, k . Leiviska“脱硫装置监测和故障检测使用主成分分析,”<我>学报2013年8日EUROSIM国会建模和仿真我>卡迪夫,页490 - 495年,英国,2013年9月。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
Y.-p。郑,L.-p。张,“湿法烟气脱硫系统的故障诊断基于KPCA,”<我>《19工业工程与工程管理国际会议我>,页279 - 288年,曼谷,泰国,2013年12月。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
z乔、周j . f . Si z . Xu和l .张“泥浆pH值数据的故障诊断基于自回归综合移动平均和最小二乘支持向量机,”<我>学报》2013年第九自然计算国际会议(ICNC)我>沈阳,页141 - 145年,中国,2013年7月。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
t . Korpela t . Bjorkqvist y Majanne, p . Lautala”电厂烟气排放在线监测有多个燃料,”<我>IFAC诉讼卷我>卷,47号3、1355 - 1360年,2014页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
·科尔多瓦”地位的烟气脱硫(FGD)系统从燃煤电厂石灰石湿法脱硫的物化控制过程的概述,“<我>燃料我>卷,144年,第286 - 274页,2015年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
g·h·高,c . Li曾et al .,“基于与一种新型湿式石灰石-石膏烟气脱硫PCF设备,“<我>分离与纯化技术我>,卷76,不。3、253 - 260年,2011页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
r . Borsdorf、n·j·海厄姆和m . Raydan”计算相关矩阵的因子结构,“<我>暹罗《矩阵分析和应用程序我>没有,卷。31日。5,2603 - 2622年,2010页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
l . Puggini和s McLoone”一个增强的变量选择和隔离森林基础与标准数据异常检测方法,”<我>人工智能技术的工程应用我>卷,67年,第135 - 126页,2018年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
Theodoridis和k . Koutroumbas<我>模式识别我>、学术出版社,Inc .,剑桥,妈,美国,2009年。
-
j . Handl和j·诺尔斯,”特征子集选择无监督学习通过多目标优化,“<我>计算智能研究的国际期刊我>,卷2,不。3、217 - 238年,2006页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
美国戴安娜,<我>主成分分析与探索性因素分析我>北科罗拉多大学格里利市,有限公司,1999年美国。
-
f·t·刘,k . m . Ting, Z.-H。周,“隔离森林”<我>学报》2008年第八IEEE国际会议数据挖掘我>,页413 - 422,比萨,意大利,2008年12月。
视图: 谷歌学术搜索一个> -
f . x, y Peng赵,p .赵和y王,”一个平行的网络流量异常检测算法基于隔离森林,”<我>国际期刊的分布式传感器网络我>,14卷,不。11日文章ID 1550147718814471, 2018。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
l .太阳,s . Versteeg s Boztas, a . Rao”检测异常用户行为使用延长隔离森林算法:一个企业案例研究,”2016年,<一个t一个rget="_blank" href="http://arxiv.org/abs/1609.06676">http://arxiv.org/abs/1609.06676一个>。
视图: 谷歌学术搜索一个> -
Anand,米塔尔,o . Tuzel p·米尔,“Semi-supervised内核意味着集群转变,”<我>IEEE模式分析与机器智能我>,36卷,不。6,1201 - 1215年,2013页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
b . Georgescu i尼吉夫和p·米尔,“意味着转变基于集群在高维度:一个纹理分类的例子,”<我>《第九IEEE计算机视觉国际会议(ICCV)我>不错,页456 - 463年,法国,2003年10月。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
d . Comaniciu p·米尔,“意味着转变:一个健壮的方法对特征空间分析,“<我>IEEE模式分析与机器智能我>,24卷,不。5,603 - 619年,2002页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
d, t . Ci h . Cai l . Li c·乔和j .杜”Semivariogram-based空间带宽选择遥感图像分割与均值漂移算法,”<我>IEEE地球科学和遥感信我>,9卷,不。5,813 - 817年,2012页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
X.-L。和j·c·贾,k . Wang Wang“非线性系统的轨迹跟踪使用多个串并联动态神经网络,”<我>Neurocomputing我>卷,168年,页1 - 12,2015。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
b . Widrow和s . d .陶罐,<我>自适应信号处理我>新世纪,恩格尔伍德悬崖,新泽西,美国,1985年。
-
a . s . Poznyak w .文玉,e·n·桑切斯“不明的识别和控制混沌系统通过动态神经网络,”<我>我:IEEE电路和系统基本理论和应用程序我>,46卷,不。12日,第1495 - 1491页,1999年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
a . s . Poznyak w .文玉,e·n·桑切斯和j·p·佩雷斯,“非线性自适应轨迹跟踪使用动态神经网络,”<我>IEEE神经网络我>,10卷,不。6,1402 - 1411年,1999页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
w . Yu和a . s . Poznyak“间接通过并行动态神经网络自适应控制,”<我>IEE Proceedings-Control理论和应用程序我>,卷146,不。1、25 - 30,1999页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
a . s . w . Yu Poznyak, e·n·桑切斯”动态多层神经网络对非线性系统在线识别,”<我>学报2000年IEEE智能控制国际研讨会。与第八届IEEE地中海举行联合会议上控制和自动化(猫。00 ch37147)我>,25 - 30页,力拓佩特雷,希腊,2000年7月。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
k·s·j··, m . k . Ciliz“适应和学习使用多个模型、开关和调优,“<我>IEEE控制系统杂志我>,15卷,不。3,37-51,1995页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
k·s·o·a·Driollet m·费勒和k·乔治,“使用多个模型自适应控制,开关和调优,“<我>国际期刊的自适应控制和信号处理我>,17卷,不。2、87 - 102年,2003页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
窦,w·潘,金,w . Wang和李y”,这样的预测2湿烟气脱硫,去除效率”<我>能量转换和管理我>,50卷,不。10日,2547 - 2553年,2009页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
j .李郭x、z李和w·陈,“随机使用神经网络自适应最优控制数学模型的机器人,”<我>Neurocomputing我>卷,142年,第200 - 190页,2014年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
r . Piziak和p . l . Odell“矩阵理论。从广义逆约旦形式。”<我>《美国数学学会我>,30卷,第453 - 417页,2007年。
视图: 谷歌学术搜索一个>