基于数据消噪和双向长期短期记忆神经网络的废物焚烧过程中NOx排放的软传感
Zhenghui Li1, Zhuliang Yu1, Da Chen2
1School of Automation Science and Engineering, South China University of Technology, Guangzhou, Guangdong, China.
概括
这项研究引入了一种新的软传感器模型,用于预测城市固体废物焚烧 (MSWI) 过程中的氧化 (NOx) 排放. 先进的CEEMDAN-WT-BiLSTM模型克服了硬件限制,提供了准确和稳定的NOx排放监测.
科学领域:
- 环境工程 环境工程
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
背景情况:
- 在城市固体废物焚烧 (MSWI) 中对NOx的持续排放监测系统面临维护和测量滞后的挑战.
- 这些限制阻碍了NOx排放的准确和稳定的控制,需要替代监测解决方案.
- 开发软传感器为硬件监控提供了一个补充方法,以改善NOx排放管理.
研究的目的:
- 开发和验证软传感器模型,用于预测MSWI过程中的NOx排放.
- 解决MSWI过程中固有的数据噪声,非线性和波动性,以实现可靠的排放预测.
- 与传统方法相比,为NOx排放监测提供一种更准确,更稳定的方法.
主要方法:
- 使用完整的集体实证模式分解与适应噪声 (CEEMDAN) 来将NOx排放信号分解为内在模式函数 (IMF).
- 应用波段值 (WT) 称之为高频IMF,有效降低噪声主导地位.
- 重建了denoised信号,并使用双向长期短期记忆 (Bi-LSTM) 神经网络进行NOx排放预测.
主要成果:
- 拟议的CEEMDAN-WT-BiLSTM软传感器模型显示出卓越的预测性能.
- 在测试组件上获得了极好的准确性,平均绝对百分比误差为3.75%,根平均平方误差为5.34 mg/m3,平均绝对误差为4.34 mg/m3.
- 在预测NOx排放方面表现优于传统的建模方法.
结论:
- 开发的软传感器模型为MSWI的实时NOx排放传感提供了一种新且有效的方法.
- 该模型的高精度和稳定性为精确的环境监测提供了重要的实际价值.
- 为未来的研究提供了宝贵的参考资料,用于模拟工业应用的关键过程参数.
