机器学习分类器用于检测连续排放监测系统的数据模式变化:典型的化学工业园区作为一个例子
Zhefeng Xu1, Xiahong Shi1, Wei Shu2
1School of Environmental Science and Engineering, Shanghai Jiao Tong University, Shanghai 200240, China.
机器学习分类器,特别是随机森林,有效地检测持续排放监测系统 (CEMS) 数据中的异常. 这种方法有助于识别潜在的数据编造和工业排放监测中的运营转移.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 工业化学 工业化学 工业化学
背景情况:
- 持续排放监测系统 (CEMS) 对于实时的工业排放监测和监管合规性至关重要.
- CEMS数据容易被伪造,这阻碍了检测环境违法行为.
- 排放模式的变化是识别不合规性的关键指标.
研究的目的:
- 评估用于分析CEMS数据的机器学习分类器,以检测排放模式异常和潜在的数据伪造.
- 评估各种机器学习模型在识别工业出口的特定排放配置文件方面的性能.
- 将排放变化的算法检测与传统的监管监督方法进行比较.
主要方法:
- 分析了来自中国化学工业园区31家公司的107个废物排放点的CEMS数据.
- 根据监测参数,将销售点分为12个数据集.
- 评估了17个机器学习模型,重点是随机森林分类器 (RFC) 和梯度提升方法.
- 时间发射模式分析和与矢量距离和等号相似性相关联.
主要成果:
- 随机森林分类器实现了高精度,在某些数据集中高达100%,优于其他模型.
- 在334个实例中检测到显著的时间排放模式变化,但只有24个与监管记录相关.
- 矢量距离和等号相似性显示与错误预测概率的相关性,但不到60%的模式变化与极限值保持一致.
结论:
- RFCs有效地区分独特的排放配置文件,并检测CEMS数据中的异常.
- 算法检测突出了与传统合规性检查的差异,表明有可能发现微妙的数据操纵.
- 需要综合数据框架来弥合算法发现和记录的环境违法行为之间的差距,以加强监督.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
09:34Implementation of Portable Emissions Measurement Systems PEMS for the Real-driving Emissions RDE Regulation in Europe
Published on: December 4, 2016
相关概念视频
Gas Chromatography: Types of Detectors-II
Gas Chromatography: Types of Detectors-I
TCD is the earliest and most widely used detector that operates by measuring the changes in the thermal conductivity of the carrier gas. When a sample compound enters the detector,...
High-Performance Liquid Chromatography: Types of Detectors
Gas Chromatography: Overview of Detectors
A non-destructive detector allows a sample to be analyzed without altering or consuming it, meaning the sample can be collected after detection for further analysis. Examples include thermal conductivity detectors and...
Atomic Emission Spectroscopy: Instrumentation
Atomic Emission Spectroscopy: Lab
