[发明专利]基于FIR-NMA模型的硫回收软测量建模方法

说明书

本发明公开了基于FIR‑NMA模型的硫回收软测量建模方法，包括：采集硫回收数据，并对其进行数据预处理；将FIR滤波层和NMA模型互补，搭建动态模型；以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型；将预处理过的数据输入至优化后的动态模型，输出预测结果；本发明可以滤除数据噪声，并消除由于传感器老化造成的零漂噪声，识别出过程的时间滞后，能够稳定工作在带有大滞后、强测量噪声的硫回收工业过程，可提高软测量预测的精确性与可靠性。

技术领域

本发明涉及软测量建模的技术领域，尤其涉及一种基于FIR-NMA模型的硫回收软测量建模方法。

背景技术

质量变量的实时采样是硫回收过程闭环控制系统不可缺少的组成部分。但由于测量技术、环境和成本因素，其中一些质量变量即主导变量难以直接测量。软测量是解决上述问题的可行技术，使用可测量的工业变量即辅助变量和预测模型实时估计主导变量。目前，对软测量的研究大多集中在静态建模上。然而，工业过程往往具有很强的动态特性，这些因素将影响静态模型的准确性。为了解决这一问题，动态建模在软测量领域得到了广泛研究。

NMA模型是目前常用的一种动态软测量模型。而受限于模型复杂度，NMA模型的输入时序边界相对较窄，难以适应带有大滞后、强测量噪声的硫回收工业过程。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案，包括：采集硫回收数据，并对其进行数据预处理；将FIR滤波层和NMA模型互补，搭建动态模型；以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型；将预处理过的数据输入至优化后的动态模型，输出预测结果。

作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述采集硫回收数据包括：利用传感器以固定采样频率对尾气进行实时测量，采集硫回收过程的变量序列；所述传感器包括固体金属氧化物半导体传感器和气体流量传感器，通过所述固体金属氧化物半导体传感器对尾气H₂S和SO₂浓度进行实时测量采集，通过所述气体流量传感器对MEA_GAS气体流、AIR_MEA空气流、AIR_MEA_2二次空气流、SWS区域气体流和SWS区域空气流的流量进行采集；所述变量序列包括辅助变量和主导变量。

作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述数据预处理包括：

对辅助变量进行标准化，使其均值为零：

其中，为归一化后辅助变量u在t时刻的取值，u_t和u_τ分别为辅助变量u在t时刻和τ时刻的取值；

近似估计辅助变量的自相关序列

其中，u为辅助变量，n为数据数量，t为时刻，τ为变量在时间上的滞后量，l为FIR滤波层的输入片段长度，k为NMA模型的输入片段长度，为经过归一化后辅助变量u在t+|τ|时刻的取值。

作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述FIR滤波层包括：

FIR滤波层输入变量为标准化后的辅助变量序列滤波结果序列h为：

其中，*表示卷积，定义如下：