基于MI-CNN-LSTM模型的垃圾热解气参数波动智能抑制策略研究

为解决小型热解-燃烧耦合反应器(PCCR)因热容量小导致热解气参数波动大、动态监测困难的问题，研究人员提出基于互信息(MI)特征筛选和CNN-LSTM混合神经网络的软测量方法，结合模糊径向基函数(FRBF)补偿模型，实现了对出口热解气温度、热值和流量的精准预测与动态调控。该研究将热解气参数标准偏差降低9.58%-24.3%，为垃圾焚烧过程的稳定性优化提供了智能解决方案。

　　

随着城市化进程加速，生活垃圾处理面临严峻挑战。传统集中焚烧模式存在运输成本高、邻避效应等问题，而分散式小型焚烧技术虽能缓解这些矛盾，却因反应器热容量小导致热解气参数（温度、热值、流量）剧烈波动，严重影响二次燃烧稳定性与污染物排放控制。目前主要依赖人工调节一次风参数，存在主观性强、响应滞后等缺陷。如何实现热解气参数的实时预测与智能调控，成为提升小型垃圾焚烧系统效能的关键瓶颈。

针对这一难题，北京某研究团队在《Results in Engineering》发表研究，创新性地将互信息(MI)特征筛选与卷积神经网络-长短期记忆网络(CNN-LSTM)相结合，构建了热解气参数预测模型，并开发基于模糊径向基函数(FRBF)的智能补偿系统。研究采集北京某垃圾焚烧厂300组运行数据，通过MI算法筛选出9个关键特征变量（如一次风温度T₁、流量Q_v1,z等），利用CNN提取局部特征，LSTM捕捉时序规律，最终通过FRBF动态补偿一次风参数。实验表明，该方法使热解气温度、热值、流量的标准偏差分别降低1.42°C(9.58%)、11.05 MJ/kg(14.36%)和9.99 Nm³/h(24.3%)，显著优于人工调节。

关键技术包括：1) 基于互信息熵的特征筛选，通过公式I₁^1sti计算变量相关性；2) CNN-LSTM混合架构，CNN卷积层采用ReLU激活函数，LSTM设置遗忘门/输入门/输出门结构；3) FRBF补偿模型，以高斯函数为隶属度函数，构建27条模糊规则。

主要研究发现：

1. 特征筛选效果验证：MI-CNN-LSTM模型R²达0.9621，较未筛选模型提升13.19%，证明反应器壁温T_t,1等6个低相关性变量的剔除有效提升预测精度。
2. 混合模型优势：在5组子数据集测试中，MI-CNN-LSTM的平均RMSE为6.8427，较MI-LSTM降低0.84%，显示CNN空间特征提取与LSTM时序处理的协同效应。
3. 智能补偿效能：一次风流量标准差从16.36 Nm³/h降至9.03 Nm³/h，实现44.8%的波动抑制，验证FRBF对非线性关系的自适应调节能力。

该研究创新点在于：首次将MI-CNN-LSTM应用于小型PCCR系统，通过"预测-补偿"闭环控制破解参数波动难题；工程价值体现在为分布式垃圾处理设施提供低成本智能调控方案。未来研究可结合注意力机制优化特征权重，并拓展至焚烧-污染物协同控制领域。论文由Shuhui Wang、Jianxiong Zhang等学者共同完成，其方法体系为工业过程参数优化提供了普适性框架。