對氣體排放進行基於經驗集合的虛擬傳感的系統和方法

2023-10-23 16:38:52 1

專利名稱：對氣體排放進行基於經驗集合的虛擬傳感的系統和方法
技術領域：
本發明涉及用於進行基於經驗集合的虛擬傳感(empiricalemsemble-based virtual sensing)的方法和系統，並且更特別地涉及用於測量燃燒過程的排放物(如NOx、 C02等)的虛擬氣體傳感器的系統和方法。
背景技術：
NOx是在燃燒中產生的單氮氧化物(NO和N02)的總稱。NOx可以通過對在燃燒空 氣中發現的雙原子氮進行高溫氧化而形成。另外，燃燒含氮燃料(如某些煤炭和石)，導致 燃料中的氮轉化為NOx。氣體NOx最終形成硝酸，這會導致酸雨。1997年54個國家批准的京都議定書中， 將NO2列為溫室氣體，並呼籲全世界減少其排放，《遠距離越境空氣汙染公約》(Convention on Long-range Transboundary AirPollution)(稱為哥德堡議定書)也發出了同樣的呼籲。結果，NOx的排放在許多國家都受到了控制，例如瑞典從1992年開始就對燃燒裝 置排放的NOx收費，挪威則從2007年開始對所有的NOx排放統一收費。法國和義大利也進 行了收費，與此相反，美國卻具有NOx預算許可(NOx budget permits)系統。因此有必要測量從某設備或者燃燒過程排放的NOx的量。但是由於例如高溫和 煙塵的惡劣的運行環境，開發好的傳感器存在問題。需要的靈敏度要高，典型地，NO水平在 100-2000ppm左右，NO2在20-200ppm左右，並且還存在多個誤差來源，例如氣流的冷卻。基於同樣的考慮，也有必要測量其他氣體，例如碳氧化物和硫氧化物。—般來說存在許多種情況，在這些情況下可用的設備不足以用於測量，下面 列舉了最普遍的情況(最初由BioComp Systems, Inc.在他們的網頁http //www. biocompsystems. com/technology/virtualsensors/index. htm25. 07. 2008 上提出)1.感興趣的物理量沒有在線測量。一種典型的情況是樣本周期性地送往實驗室進 行分析。這些樣本可能是空氣、水、油或者材料樣本，在分析後用來控制環境氣體排放、產品 質量或者過程條件。2.可用的物理傳感器速度太慢，尤其是用於自動控制中。3.物理傳感器位於太遠的下遊處，例如，連續監測最終結果來探測生產偏差，但接 收到這些信息時已經太遲，無法進行修正操作。4.物理傳感器太貴。5.沒有辦法安裝物理傳感器，例如，沒有物理空間。6.傳感器環境太惡劣。7.物理傳感器不準確。可用的物理傳感器可能本身不準確或者劣化。文丘裡管流 量計的刻度就是一個典型的例子。8.物理傳感器的維護太貴。虛擬傳感(visual sensing)技術，也稱作軟或代理傳感(proxy sensing)，是基於軟體的技術，用於取代昂貴的或不實用的物理測量裝置和傳感器系統，是一種經濟可行的替代技術。虛擬傳感系統使用可從其他在線測量儀器獲得的信息和過程參數來計算感興趣 的量的估計。可以獲得很多虛擬傳感技術，並且可以分為兩個主要類別■分析技術■經驗技術分析技術基於物理定理的逼近來計算測值估計，物理定理揭示了感興趣的量與其他可獲得的測值和參數的關係。使用基於「第一原則」模型的分析技術的顯著優勢是當物理上無法測量的量可以得自於相關的物理模型方程時可以進行這些量的計算。分析技術的主要缺陷在於它要求在數量上準確的數學模型，以使該技術有效。對於大型系統，這樣的信息可能是無法獲得的，或者過於昂貴和費時從而無法編譯。另外，如 果設備或過程發生了變化，設計工作需要更新並改變物理模型。雖然可以利用建模工具來 支持模型建立和維護工作，但需要過程專家持續更新模型。經驗技術基於可獲得的同一量的歷史測量數據，並且基於與其他可獲得的測值和 參數的相關性來計算測值估計。未測量的量的歷史數據可能要麼得自用臨時安裝的傳感器 系統進行的實際測量活動，要麼得自實驗室分析記錄，要麼得自採用複雜分析模型進行的 詳細估計，該模型的運算非常昂貴從而不能在線運行。如果有人想開發一種經驗虛擬傳感 器來估計無法測量的量，後者是唯一可能的選擇，因為很顯然沒有可用的歷史數據。經驗虛擬傳感是基於可以使用各種統計或機器學習建模方法來實現的函數逼近 和回歸技術，所述統計或機器學習建模方法例如線性回歸(參見 N. R. Draper and H. Smith, 1998. Applied RegressionAnalysis, Wiley Series in Probability and Statistics)加權最小二乘回歸(參見A. Bjorck, 1996. Numerical Methods for LeastSquares Problems, Cambridge)(Kernel regression) ( #JAL J. S. Simonoff, 1996. Smoothing Methodsin Statistics, Spinger)回歸樹(參見 L.Breiman，J. Friedman，R. A. Olshen and C. J. Stone, 1984. Classification and regression trees, ffadsworth)支持向量回歸(參見 H. Drucker，C. J. C. Burges，L. Kaufman, A. Smolaand V. Vapnik,1997. Support Vector Regression Machines. Advances in NeuralInformation Processing Systems 9，NIPS 1996，155-161，MIT Press.)神經網絡回歸(參見 J. Hertz,A. Krogh,and R. Palmer, 1991. Introductionto the Theory of Neural Computation. Addison-ffesley :Redwood City, California.)經驗建模，也稱作數據驅動建模，包括了一套用來分析條件和從操作數據來預測 過程演變的技術。它的優勢是既不需要對過程進行詳細的物理理解，也不需要了解材料屬 性、幾何構造和設備及其組件的其他特性，而這些在實際情況中往往是缺乏的。通過通常被稱作「學習」的過程，將測量的或模擬的設備數據與通用線性或非線性 模型進行擬合，來識別基礎過程模型(underlying processmodel)。這種學習過程可以是主動的或被動的，包括識別過程變量之間的關係並將其嵌入到模型中。主動的學習過程包括 通過基於梯度的參數調整來最小化誤差函數的迭代過程。被動的學習過程不要求進行數學 迭代，而僅包括將代表性數據向量編譯成訓練矩陣。設計經驗模型(empirical model)的一個重要考慮是訓練數據必須提供條件示 例，將針對所述條件查詢準確預測。這並不是說在訓練數據中必須存在所有可能的條件，而 是訓練數據應該充分地覆蓋這些條件。經驗模型將提供內插預測，但是訓練數據必須在內 插位置上下提供充分覆蓋以使得預測足夠準確。準確的外插(即對位於訓練數據外部的數 據提供估計)對大部分經驗模型來說，既不可能也不可靠。經驗模型只有當應用在相同或相似的操作條件時才是可靠準確的，在所述操作條 件下收集用來開發模型的數據。當設備條件或操作顯著改變時，模型被迫在學習空間外部 進行外插，而結果將具有低可靠性。這個結論對於非線性經驗模型尤為正確，因為不像線性 模型是以已知的線性方式進行外插，非線性模型是以未知的方式進行外插。人工神經網絡 和局部多項式回歸模型都是非線性的；而基於變換的技術(例如主成分分析和偏最小二乘 法)是線性技術。即使使用線性模型，對於經驗模型也不推薦外插，因為不能期望測量的過 程變量之間存在純線性關係。此外，對過程的線性逼近在外插期間是較不有效的，這是因為 訓練數據的密度在這些極端區域內要麼很低要麼不存在。
人工神經網絡模型(參見 J. Hertz, A. Krogh, and R. Palmer, 1991. Introduction to the Theory of Neural Computation. Addison-ffesley :RedwoodCity, California)包 含簡單計算節點的層，所述節點作為非線性求和裝置來操作。這些節點用加權連接線高度 互連，當訓練數據在訓練過程期間被呈遞給神經網絡時，對這些權重進行調整。經成功訓練 的神經網絡能夠執行各種任務，最常見的是輸出值預測、分類、函數逼近和模式識別。神經網絡中只有具有相關聯的一組連接權重的層才將被識別為合法的處理層。神 經網絡的輸入層不是真正的處理層，因為其不具有相關聯的一組權重。另一方面，輸出層具 有相關聯的一組權重。因此，在神經網絡中用來描述層數的最有效的術語是利用隱藏層這 一術語。隱藏層是除輸出層之外的合法層。神經網絡結構由多個隱藏層和一個輸出層組成。神經網絡的計算能力已經為通用 函數逼近定理所證明，該定理認為在給出足夠數量的隱藏節點的情況下，具有單個非線性 隱藏層的神經網絡能夠逼近任意非線性函數。神經網絡訓練過程始於將其權重初始化為小隨機數。然後向該網絡呈遞由一組輸 入向量組成的訓練數據和通常被稱為目標的相應期望輸出。給定指定的一組輸入向量/目 標對，神經網絡訓練過程是對內部權重進行迭代調整以使得網絡的輸出更加接近期望值的 過程。調整權重以增加網絡將計算出期望輸出的可能性。訓練過程嘗試將網絡的輸出值和 期望輸出值之間的均方差(MSE)最小化。儘管MSE函數的最小化是迄今為止最普遍的方法， 但是其他誤差函數也是可用的。神經網絡是可以應用於模式識別問題的強大工具，其用來監測來自工業設備的過 程數據。它們很好地適用於檢測非線性系統和識別複雜數據集中的故障模式。由於迭代訓 練過程，開發神經網絡模型所需要的計算工作量大於其他類型的經驗模型的計算工作量。 因此，該計算需求導致對於模型大小的上限通常比其他經驗模型類型更具有限定性。集合建模(參見 T. G. Dietterich (Ed.)，2000. Ensemble Methods inMachineLearning, Lecture Notes in Computer Science ；Vol. 1857.Springer-Verlag, London, UK)也被稱作委員會建模(committee modelling)，是一種這樣的技術，通過該技 術，並不是建立單個預測模型，而是開發一組組件模型，它們的獨立預測組合起來產生單個 總體預測。得到的複合模型(被稱作集合)通常比單個的組件模型更加準確，有對過度擬 合現象更魯棒的趨勢，方差大為減小，並且避免了有時與次優模型訓練過程有關的不穩定 問題。在一個集合中，每個模型通常是單獨訓練的，然後每個組件模型的預測輸出被組合以產生該集合的輸出。然而，只有數個模型的預測間存在某種形式的「不一致」，組合它們 的輸出才是有用的(參見 M. P. Perrone and L. N. Cooper. 1992. When networks disagree ensemble methods for hybrid neuralnetworks,National Science Fundation,USA)。顯 然，相同的模型的組合不會產生性能增益。普遍採用的一種方法是所謂的bagging法(參 見 L Breiman，1996· Bagging Predictors，Machine Learning，24 (2)，pp. 123-140)，該方法 試圖通過改變每個模型在訓練期間看到的訓練集，來在模型間產生不一致。Bagging是一種 集合方法，它通過在訓練集的隨機採樣上訓練每個模型來創建其集合的個體，並且在形成 最終預測中賦予每個組件模型相同的權重。存在用於集合生成和組件模型聚合的其他更精 細的方案，並且可以設計新的方案。使用集合來減小整體模型方差和正則化方法具有密切的關係(參見Α. V. Gribok, J. W. Hines, A. Urmanov, and R.Ε.Uhrig. 2002. Heuristic, Systematic, and Informational Regularization for Process Monitoring. International JournalofIntelligent Systems, 17(8)，pp 723-750，Wiley)，這對神經網絡模型的訓練和它們的架構進行約束，以 避免病態問題(ill-conditioned problems)，並對過大的模型方差實現類似的控制。US5386373 「 Virtual continuous emission monitoring system with sensorvalidation"教導了基於神經網絡將針對排放物的虛擬傳感器用來控制設備的工 作。US6882929" NOx emission-control system using a virtual sensor"教導了 基於神經網絡將針對排放物的虛擬傳感器用來控制引擎的工作。US7280987「 Genetic algorithm based selection of neural networkensemble for processing well logging data"教導了一種生成神經網絡集合來處理地球物理數據 的方法，其中使用具有多目標適應度函數的算法來選擇具有期望的適應度函數值的集合。對於測量NOx和其他氣體來說，虛擬傳感是一種具有吸引力的解決方案，但是需 要用於虛擬傳感的系統，該系統比上文提到的系統更易於實現、更加準確、更魯棒並且更加 穩定。

發明內容
本發明通過經驗建模和集合建模的組合，解決了適於氣體傳感的虛擬傳感器的準 確度、魯棒性、穩定性和簡易性問題。在一個實施例中，本發明是基於集合的虛擬傳感器系統，用於估計燃燒過程中產 生的氣體的量，所述虛擬傳感器系統包括；-兩個或更多個經驗模型，其中，每個經驗模型被安排來使用來自所述過程的經驗數據被進行訓練，並且還被安排來接收所述過程的來自一個或多個傳感器的一個或多個 信號輸入值，並基於所述信號輸入值來計算信號輸出值，其中，所述信號輸出值表示氣體的 量，-組合功能，所述組合功能被安排來接收所述信號輸出值，並根據所述信號輸出值 來連續計算虛擬傳感器輸出值，其中，所述虛擬傳感器輸出值表示氣體的量；在一個實施例中，本發明是用於根據來自一個或多個傳感器的一個或多個信號輸 入值來估計燃燒過程中產生的氣體的量的方法，所述方法包括如下步驟-使用來自所述過程的經驗數據來訓練經驗模型的集合；-為所訓練的經驗模型饋送所述過程的來自一個或多個傳感器的一個或多個信號 輸入值；-基於所述信號輸入值執行所述經驗模型中的信號輸出值的計算；-連續組合所述信號輸出值，並根據所述信號輸出值來計算虛擬傳感器輸出值，其 中，所述虛擬傳感器輸出值表示氣體的量。在本發明的一個實施例中，組合功能(f)被安排來連續計算作為信號輸出值(y1; I2,…，ym)的平均值的虛擬傳感器輸出值(yK)。該平均值可以是信號輸出值(yi，y2，...， ym)的幾何或算術平均值，或是中值。平均值計算表明，除了易於實現外，其還能夠達到用單節點虛擬傳感器不可能達 到的要求的準確度。在本發明的一個實施例中，所有的經驗模型或內節點可以具有相同的結構。這種 設置的優點在於，可以基於模板節點在虛擬傳感器系統中簡單地實例化需要的多個內節 點。此外，這些節點可以全都被安排來接收燃燒過程的來自傳感器的同一組信號輸入值。來 自傳感器的信號被分布到所有的節點，這樣就避免了處理專門情況的額外工作。在一個實施例中，可以通過實例化大量經驗模型來提高根據本發明的虛擬傳感器 系統的準確度。因此，不必增加系統的複雜性來提高準確度。簡單地通過增加集合大小來 達到更好結果的這種方式不同於例如重點在於集合選擇的其他方法。


圖1示出了根據本發明的虛擬傳感器系統的實施例的框圖。圖2示出了 50個個體估計(細線)、實際值(粗虛線)和集合輸出(粗實線)之 間的比較圖。圖3示出了根據本發明用於測量NOx的虛擬傳感器系統的實施例的用ppm表示的 性能，其中集合大小向右增加。圖4示出了設備校準。圖5示出了根據本發明實施例的NOx測量的輸入參數和值。圖6示出了在10個輸入的情況下對於測試數據的PEMS(預測排放監測系統)性 能。圖7示出了在8個輸入的情況下對於測試數據的PEMS性能。圖8示出了 728個個體輸出(紅)、實際值(綠)和集合輸出(藍)之間的比較。 圖9示出了根據本發明的虛擬傳感器系統的實施例中的集合的平均絕對誤差(MAE)。圖10示出了根據本發明的實施例可以如何連接虛擬傳感器系統。
具體實施例方式圖1是根據本發明用來測量燃燒過程(CP)中產生的氣體(G)的量的虛擬傳感器 系統的實施例的框圖。在本發明的實施例中，用於估計燃燒過程(CP)中產生的氣體的量的基於集合的 虛擬傳感器系統(VS)包括兩個或更多個經驗模型(NN1, NN2, ... , NNn)，其中經驗模型 (NN1, NN2, NNn)中的每一個被安排來估計氣體(G)的量；以及組合功能(f)，所述組合 功能⑴被安排來組合經驗模型(NN1;NN2，. . .，NNn)的結果以提供對氣體(G)的量的估計， 該估計比來自經驗模型(NN1, NN2, NNn)中的每一個單獨經驗模型的信號輸出值(y1; y2，...，ym)更加準確。氣體(G)的量可以被給出為本領域技術人員應當理解的濃度或質量 排放。例如，在燃燒過程中產生的要測量的氣體的示例是N0x，C02，02等。然而，如本領域 技術人員將理解的，本發明也可以用來測量來自其他過程的其他氣體的量。更具體來說，在本發明的這個實施例中，使用來自燃燒過程(CP)的經驗數據(ED) 來訓練經驗模型(NN1, NN2, ...，NNn)中的每一個。在本發明的實施例中，經驗數據是來自 燃燒過程(CP)的歷史測量數據，在所述燃燒過程中布置有虛擬傳感器系統(VS)。未測量 的量的經驗數據(ED)可以要麼得自於採用臨時安裝的具有傳感器值(14和Ib)的傳感器系 統(Sa和Sb)以及相組合的固定傳感器(S1, S2,...，Sffl)進行的實際測量活動，如圖1所示， 要麼得自於實驗室分析記錄，要麼得自於採用在計算上昂貴從而不能在線運行的複雜分析 模型進行的詳細估計。然而，如本領域技術人員可以理解的，訓練數據也可以來自其他類似 過程。訓練數據對於所有的經驗模型(NN1, NN2, NNn)來說可以是相同的，或是不同的， 其中例如，對於經驗模型(NN1;NN2，. . .，NNn)中的每一個的訓練數據，不包括所有過程測值。 這是提供經驗模型(NN1, NN2, NNn)中多樣性的一種方式。如本領域技術人員可以理解 的，還可以通過設置不同的初始化參數來對它們進行不同的初始化。每個經驗模型還被安排來接收過程(CP)的來自一個或多個傳感器(S1, S2,..., Sffl)的一個或多個信號輸入值(I1, I2,..., Iffl)，並基於信號輸入值(I1, I2,..., Iffl)來計算 信號輸出值(y1; I2,..., ym)，其中，來自經驗模型(NN1, NN2, ...，NNn)中的每一個的信號輸 出值(y1; y2，...，ym)表示所述氣體(G)的量。另外，虛擬傳感器系統(VS)包含組合功能 (f)，所述組合功能(f)被安排來從每個經驗模型接收信號輸出值(y」 y2，...，ym)，並根據 信號輸出值(y1; y2，...，ym)來連續計算虛擬傳感器輸出值(yK)，其中，虛擬傳感器輸出值 (yE)表示氣體(G)的量。在一個實施例中，本發明是用於根據來自一個或多個傳感器(S1, S2, ... , Sffl)的一 個或多個信號輸入值(IpI2,. . .,Iffl)來估計燃燒過程(CP)中產生的氣體(G)的量的方法。 該方法包括如下步驟-使用來自過程(CP)的經驗數據來訓練經驗模型(NNnNN2,...，NNn)的集合；-為所訓練的經驗模型(NNnNN2,...，NNn)饋送過程(CP)的來自一個或多個傳感 器(S1, S2, ... , Sm)的一個或多個信號輸入值(I1, I2, ... , Im)；-基於信號輸入值(I1,I2,..., Iffl)執行經驗模型(NN1, NN2, ... , NNn)中信號輸出值(y1; y2，...，ym)的計算，其中，信號輸出值(y1; y2，...，ym)表示氣體(G)的量；-連續組合信號輸出值(y1;J2,..., ym)，並根據信號輸出值(y1; J2,..., ym)來計 算虛擬傳感器輸出值(yK)，其中，虛擬傳感器輸出值(yK)表示氣體(G)的量。在本發明的實施例中，所有經驗模型(NN1;NN2，. . .，NNn)或內節點可以具有相同的 結構。這種設置的優點在於可以基於模板節點在虛擬傳感器系統中簡單地實例化需要的多 個內節點。在該實施例中，經驗模型的對應輸入和輸出的格式也可以是相同的，即，經驗模 型NN1上的輸入1的格式和經驗模型NN2至NNn等上的輸入1的格式相同。這些節點可以全都被安排來接收燃燒過程的來自傳感器(S1;S2，. . .，Sm)的同一組 信號輸入值(I1,12,..., Iffl)。來自傳感器的信號被分布到所有的節點，這樣就避免了處理 專門情況的額外工作。本文前面已經描述了經驗建模，並且可以使用不同的技術來實現經驗建模。在本 發明的實施例中，經驗模型是神經網絡。虛擬傳感器系統的組合功能(f)可以被安排來基於不同準則來計算輸出值(yK)。 在本發明的一個實施例中，組合功能(f)被安排來連續計算作為信號輸出值(y」 y2，...， ym)的平均值的虛擬傳感器輸出值(yK)。該平均值可以被計算為信號輸出值(y」 I2,..., ym)的幾何或算術平均值；中值；或者平均值和中值的組合，例如兩個中值的平均值。可以 看到，在大多數情況下，根據本發明的虛擬傳感器系統在採用中值計算時的性能要優於採 用平均值計算時的性能，這是因為當使用中值計算時，輸出通常不受個體噪音或不規則性 的影響。該途徑消除了可以預期的在經驗回歸模型(例如神經網絡)的性能中的固有方 差。該方差可能源於不同程度的訓練數據過度擬合(即，導致對數據中的噪音建模)，可能 源於訓練前通常進行的神經網絡參數的隨機初始化，也可能源於使神經網絡模型與數據擬 合的非確定梯度下降技術。圖2說明了這些因素的組合可能產生的方差類型，其中開發了一組神經網絡虛擬傳感器模型來估計從近海石油平臺排放的水中的殘油濃度。該圖示出了 50個模型的個體 輸出、估計的實際期望值，以及50個個體估計的集合組合。在本發明的實施例中，組合功能(f)被安排來除了從經驗模型(NN1;NN2，. . .，NNn) 接收信號輸出值(y1; Y2,..., ym)外，還直接從過程傳感器(S1, s2，...，Sffl)接收一個或多個 所述信號輸入值(IpI2,...，Im)，並計算虛擬傳感器輸出值(yK)。在本發明的該實施例中， 信號輸出值(yi，I2,..., ym)基於一個或多個信號輸入值(I1, I2,..., Iffl)被單獨動態地加 權。動態加權可以減輕噪音和幹擾對虛擬傳感器輸出值的影響，這些噪音和幹擾與一個或 多個傳感器或者傳感器的傳輸線路有關。在本發明的相關實施例中，組合功能(f)是經驗 模型(NNk)，其被安排來接收信號輸入值(I1, 12，...，Im)，並基於信號輸出值(yi，y2，...， ym)、信號輸入值(I1, I2,..., Iffl)和經驗模型(NNk)的結構來計算虛擬傳感器輸出值(yK)。圖3示出了根據本發明的虛擬傳感器系統(VS)的實施例的性能或準確度如何隨 著節點數量而提高。給定應用中對虛擬傳感器系統的性能要求可能改變，大量不必要的節 點可能使虛擬傳感器系統(VS)的初始化過程變慢。在本發明的實施例中，虛擬傳感器系統 (VS)被安排來能夠實例化多個所述經驗模型(NN1, NN2, ...，NNn)，以適應特定的性能準則。 在本發明的實施例中，虛擬傳感器系統(VS)被安排來動態分配所需數量的所述經驗模型(NN1, NN2, ...，NNn)，以達到虛擬傳感器輸出值(yK)的預先定義的性能要求，所述虛擬傳感 器輸出值(yK)表示氣體(G)的量。性能要求可以用例如ppm(百萬分率)來給出。在本發明的實施例中，虛擬傳感器系統(VS)可以如從圖10中所看到的那樣來連接。這裡，示出了在根據本發明的虛擬傳感器系統的實施例中如何估計來自燃燒過程的02。 O2的濃度是基於燃燒室配置、第8級抽氣流量(8th Stage Extraction Flow)、排氣閥氣流 量(Bleed Valve Air Flow)、燃料流量和軸流壓縮機氣流量來估計的。估計的O2濃度和附 加的過程測量值——火焰溫度、氣壓、環境溼度和環境溫度——一起用作NOx虛擬傳感器系 統的輸入。虛擬傳感器系統的連接可以提高系統的性能，以及簡化經驗模型的結構和系統 的訓練。使用不同的集合大小對本發明進行的測試已經表明集合性能隨著集合大小的增 加而提高。簡單地通過增加集合大小來達到更好結果的方式不同於例如重點在於集合選擇 的其他方法。在這些測試中，集合大小從最小為2個組件模型改變到最大為59個組件模 型。對於每種集合大小，進行了 100次單獨試驗並計算了由此產生的性能(表達為平均絕 對誤差)。圖3概括了收集到的結果，其示出當集合大小為大概20-30個個體時，值在尖滅 (taper out)。圖8示出了有多於700個輸出的極端情況。PEMS (參量排放監測系統)技術起初被開發來使得具有CEMS (連續排放監測系 統)的更有成本效益的替代方案，所述CEMS用來監測燃氣輪機的氮氧化物(NOX)的排放。 CEMS是使用物理汙染物分析儀測值來確定氣體或顆粒物濃度或排放率所需的總設備。和直 接測量NOX的排放不同，PEMS根據關鍵的工作參數(例如燃燒溫度、壓力和燃料消耗)來 計算NOX的排放，因此在各個方面均被視作虛擬傳感器。在本發明的實施例中，在挪威大陸架的近海石油平臺上工作的GELM2500DLE燃氣 輪機被映射來識別使排放最小化的最優參數設置。為了進行映射，安裝物理排放監測設備， 並以其中識別最優參數設置的一系列負載來驅動輪機。結果可以認為是將輪機負載映射到 參數設置的表。由於在映射過程中要不斷調整輪機，所以獲得的數據對於PEMS的構建而言不是 理想的。推薦的過程是在完成輪機映射後，收集不同輪機負載處的額外數據，但是由於這可 能產生額外的停機時間成本，因而是不可能的。圖4示出了獲取的數據，所獲取的數據包括以1秒間隔採樣的％ C02、% 02、ppm CO、ppm THC, ppm NOX 以及針對 15% 02 修正的 ppm Ν0Χ。用於PEMS建模的數據是測量設備的兩個高亮的校準(calibration)之間約5個 小時的數據。在這個實施例中，來自選擇的輪機的過程數據是可從兩個不同的輪機控制系統 (ABB和Woodward)獲得的。該數據只有部分被反映到陸上歷史數據系統，也就是說，不是所 有關於輪機的測值都在陸上可用。來自ABB系統的大部分測值被反映在在數據歷史中，但來自Woodward系統的測值 在不停止控制系統並對控制系統重新編程的情況下不能被反映，因此未被使用。對所討論 的輪機，在陸上處理歷史中，最終有40個測值可用。排放數據是在可攜式計算機系統上獲取的，其中具有不同時鐘並因此具有與控制 系統以及陸上數據歷史的時間戳不對應的時間戳。為了使排放數據和過程數據同步，通過視覺匹配在過程時間序列和排放時間序列中示出一致性的顯著變化，來手動同步調整這兩 個數據序列，如圖4所示的校準點。該過程在這種情況下是可能的，這是因為輪機映射動作 在數據中創建了清晰的模式。在其他情況下這種手動同步可能非常難以進行，所以需要對 所有數據記錄設備的時鐘進行修正同步。給定上文所述的排放數據和過程數據，多個試驗PEMS模型被開發來研究替代的 PEMS設計和配置。在選擇的輪機可用的所有過程測值中，選取10個測值的子集作為PEMS 的輸入。選取的輸入如下■燃氣供給壓力■氣體發生器壓縮機釋放壓力-PS3■氣體發生器排氣溫度-T54■動力輪機排氣溫度■燃氣調節器位置(內環)■燃氣調節器位置(控制環)(pilot ring)■燃氣調節器位置(外環)■第8級排氣閥位置■ CDP排氣閥位置■氣體發生器進氣溫度圖5示出了這10個測值在感興趣的5小時內相應的時間序列的概況。給定這些輸入，利用本發明來開發PEMS，其中單獨構建多個模型，然後將這多個模 型組合成一個聚合的集合模型。在這種情況下，集合PEMS模型是20個單獨的PEMS模型的組合。為了訓練和測試這些模型，5小時的過程數據和排放數據的原始數據集被劃分成 訓練集、驗證集和測試集，其中，訓練集用來建立模型，驗證集用來控制建模(即，避免模型 與訓練數據的過度擬合)，測試集用來評估模型性能。為了劃分原始數據集，隨機選擇40%的數據用於訓練，隨機選擇30%的數據用於 驗證，剩下的30%的數據用來測試。對於測試數據集(即，在訓練中未被用來建模的數據)的PEMS性能結果在圖6中 圖示，並且給出平均絕對誤差為0. 28472ppm，其中formula see original document page 12Yi為期望值，λ是模型估計。為了研究這種PEMS途徑對於應用到SAC (non-DLE)輪機的可行性，要進行額外的 測試，其中，不考慮所選的測值中的2個(即，在較舊的標準燃燒室SAC輪機上不可用的2 個排氣閥位置)，而在輸入中只取8個測值，如圖7所示。這種情況下對於測試數據集的PEMS性能結果在圖9中圖示，並給出MAE為 0. 37453ppm。 具有8個輸入的PEMS的平均誤差比具有全部10個輸入的PEMS的平均誤差大約 高30%。然而，就絕對項而言，當與低NOx輪機(例如GELM2500DLE)的小於3ppm的當前準確度要求相比較時，8個輸入的PEMS的誤差仍然是低的。在這個實施例中，訓練數據和測試數據之間存在高度的相似性。雖然訓練數據和 測試數據是完全不相交的數據集(從原始數據中隨機抽取這些數據，沒有進行替換)，但它 們仍然是從相同的時間序列中獲得的，並且測試集中的點在訓練集中具有非常相似的點的 可能性很高。儘管如此，在該實施例中，獲得的0. 28ppm和要求的3ppm之間的準確度「餘 量」足夠大，從而具有一定的可信度。在另一個實施例中，生成了多個模型，並使用一機制來選擇特定模型作為集合的 一部分。這或者靜態地(即，僅在訓練階段之後，在開始時捨棄不想要的模型)進行，或者 動態地(即，引入加權方案)進行，給定當前工作狀態，所述加權方案優選出在該工作狀態 中或附近具有已證明的更優性能的組件模型。
在另一個實施例中，使用了混合式集合模型，S卩，在集合中，組件模型不必是同一 類型，而是包括例如神經網絡以及其他回歸模型或者經驗模型和分析模型的組合。
權利要求
一種基於集合的虛擬傳感器系統(VS)，用於估計燃燒過程(CP)中產生的氣體(G)的量，所述虛擬傳感器系統(VS)包括-兩個或更多個經驗模型(NN1，NN2，...，NNn)，所述經驗模型(NN1，NN2，...，NNn)中的每一個被安排來使用來自所述過程(CP)的經驗數據(ED)被進行訓練，並且還被安排來接收所述過程(CP)的來自一個或多個傳感器(S1，S2，...，Sm)的一個或多個信號輸入值(I1，I2，...，Im)，並基於所述信號輸入值(I1，I2，...，Im)來計算信號輸出值(y1，y2，...，ym)，其中，所述信號輸出值(y1，y2，...，ym)表示所述氣體(G)的量，-組合功能(f)，所述組合功能(f)被安排來接收所述信號輸出值(y1，y2，...，ym)，並根據所述信號輸出值(y1，y2，...，ym)連續計算虛擬傳感器輸出值(yR)，其中，所述虛擬傳感器輸出值(yR)表示所述氣體(G)的量。
2.如權利要求1所述的虛擬傳感器系統(VS)，其中，所有所述經驗模型(NN1;NN2，...， NNn)具有相同的結構。
3.如權利要求1所述的虛擬傳感器系統(VS)，其中，所有所述經驗模型(NN1;NN2，...， NNn)被安排來接收同一組信號輸入值(I1, I2,..., Iffl)。
4.如權利要求1所述的虛擬傳感器系統(VS)，其中，所述經驗模型(NN1;NN2，...，NNn) 是神經網絡。
5.如權利要求1所述的虛擬傳感器系統(VS)，其中，所述組合功能(f)被安排來連續 計算作為所述信號輸出值(y1; Y2,..., ym)的平均值的所述虛擬傳感器輸出值(yK)。
6.如權利要求1所述的虛擬傳感器系統(VS)，其中，所述組合功能(f)被安排來接收 一個或多個所述信號輸入值(I」 I2，...，Im)，並計算虛擬傳感器輸出值(yR)，其中，基於所 述一個或多個信號輸入值(I1, I2,..., Iffl)對所述信號輸出值(y1; I2,..., ym)進行動態加 權。
7.如權利要求1所述的虛擬傳感器系統(VS)，其中，所述組合功能(f)是經驗模型 (NNk)，其被安排來接收一個或多個所述信號輸入值(I1, 12，...，Im)，並基於所述信號輸出 值(y1; y2，...，ym)、所述信號輸入值(I1, I2,..., Iffl)和所述經驗模型(NNk)的結構來計算 虛擬傳感器輸出值(yR)。
8.如權利要求1所述的虛擬傳感器系統(VS)，其中，所述傳感器被安排來能夠實例化 多個所述經驗模型(NN1, NN2, ...，NNn)，以達到所述虛擬傳感器輸出值(yK)的預先定義的 性能要求。
9.如權利要求1所述的虛擬傳感器系統(VS)，其被安排來被連接，其中，一個或多個所 述傳感器(S1, S2, ... , Sffl)是用於估計氣體(G)的量的基於集合的虛擬傳感器系統(VS)。
10.一種用於根據來自一個或多個傳感器(S1, S2, ... , Sffl)的一個或多個信號輸入值 (I1,12,..., Iffl)來估計燃燒過程(CP)中產生的氣體(G)的量的方法，所述方法包括如下步 驟-使用來自所述過程(CP)的經驗數據來訓練經驗模型(NN1, NN2, NNn)的集合；_為所訓練的經驗模型(NN1;NN2，...，NNn)饋送所述過程(CP)的來自一個或多個傳感 器(S1, S2, ... , Sffl)的所述一個或多個信號輸入值(I1, I2,..., Iffl)；-基於所述信號輸入值(I1, I2,..., Iffl)執行所述經驗模型(NN1, NN2, . . .，NNn)中信號 輸出值(y1; I2,..., ym)的計算，其中，所述信號輸出值(y1; I2,..., ym)表示所述氣體(G)的量；-連續組合所述信號輸出值(y1; y2，...，ym)，並根據所述信號輸出值(y1; I2，…，ym) 來計算虛擬傳感器輸出值(yK)，其中，所述虛擬傳感器輸出值(yK)表示所述氣體(G)的量。
11.如權利要求10所述的方法，其中，所有所述經驗模型(NN」NN2，...，NNn)具有相同 的結構。
12.如權利要求10所述的方法，包括以下步驟為所有所述經驗模型(NN1,NN2, NNn)饋送同一組信號輸入值(I1, I2,..., Iffl)。
13.如權利要求10所述的方法，其中，所述經驗模型(NN1,NN2, ... , NNn)是神經網絡。
14.如權利要求10所述的方法，包括以下步驟連續計算作為所述信號輸出值(y1; y2，...，ym)的平均值的所述虛擬傳感器輸出值(yK)，所述虛擬傳感器輸出值(yK)表示所述 氣體(G)的量。
15.如權利要求10所述的方法，包括以下步驟連續接收一個或多個所述信號輸入值 (11;12，...，Im)並計算虛擬傳感器輸出值(yK)，其中，基於所述一個或多個信號輸入值(I1, I2,..., Iffl)對所述信號輸出值(y1; I2,..., ym)進行動態加權。
16.如權利要求10所述的方法，包括以下步驟接收一個或多個所述信號輸入值(I1, I2,..., Iffl)，並基於所述信號輸出值(y1; I2，…，ym)、所述信號輸入值(I1,12，...，Iffl)和所 述經驗模型(NNk)的結構來計算虛擬傳感器輸出值(yR)。
17.如權利要求10所述的方法，包括以下步驟基於所述虛擬傳感器輸出值(yK)的預 先定義的性能要求來計算所需的多個所述經驗模型(NN1, NN2, ...，NNn)。
18.如權利要求10所述的方法，所述方法是遞歸進行的，其中一個或多個所述信號輸 入值(I1, I2,..., Iffl)本身是如權利要求11所述的方法中的虛擬傳感器輸出值(yK)。
全文摘要
用於估計燃燒過程(CP)中產生的氣體(G)的量的基於經驗集合的虛擬傳感器系統(VS)包括兩個或更多個經驗模型(NN1，NN2，...，NNn)。在所述經驗模型(NN1，NN2，...，NNn)的每一個中估計所述氣體(G)的量，組合功能(f)對來自所述經驗模型(NN1，NN2，...，NNn)的結果進行組合以提供所述氣體(G)的量的組合估計，這比來自經驗模型(y1，y2，...，ym)中的每一個單獨經驗模型的估計的氣體的量更加準確。虛擬傳感器系統(VS)的總體性能能夠通過增加經驗模型(y1，y2，...，ym)的數量而提高。
文檔編號G05B13/04GK101802728SQ200880103380
公開日2010年8月11日 申請日期2008年8月15日 優先權日2007年8月17日
發明者D·羅維爾索 申請人:能源技術研究所