生物质气化中焦油在线监测的数据驱动模型

《ENERGY CONVERSION AND MANAGEMENT》：Data driven models for online tar monitoring in biomass gasification

　　

摘要翻译
可靠的焦油浓度实时监测仍是过程控制与下游合成气利用的主要障碍。尽管在线焦油测量常受制于高系统复杂性和相关成本，但数据驱动的软传感器提供了一种可行且高效的替代方案。现有方法通常以原始形式处理焦油浓度，尽管其分布高度偏斜，这可能损害模型的稳定性、泛化能力以及软传感器预测的物理可靠性。本研究提出了一种用于焦油浓度在线估计的数据驱动软传感器流程，结合了领域特定的特征工程、目标变量变换以及面向部署的延迟评估，涵盖11种机器学习算法、1种深度学习模型和1种堆叠回归集成模型，使用了包含221条文献实验记录的数据集。所提出的流程系统评估了四种目标变量变换（对数变换、Box-Cox变换、Yeo-Johnson变换和未变换的原始数据）的影响。结果表明，目标变量变换对于模型稳定性和泛化能力至关重要。在独立测试集上，耦合梯度提升回归器与分类提升回归器的堆叠回归模型取得了最佳预测性能（R² = 0.85，RMSE = 4.06 g/Nm³）。同样，结合Box-Cox变换的单一分类提升回归器被证明是一种稳健的替代方案（R² = 0.83）。此外，所有表现最佳的模型均满足1 Hz实时监测约束，表明所提出的流程在生物质气化系统中部署软传感器具有可行性。总体而言，研究结果表明，提升算法和集成非线性模型结合适当的目标变量变换，比更复杂的架构在准确性、泛化能力和计算可行性之间提供了更好的平衡，突显了其作为生物质气化系统中实时焦油监测软传感器的应用潜力。

论文解读文章

研究背景与问题

随着大气CO₂浓度升至425.7 ppm（较工业化前水平增加52%），可再生能源的开发利用成为减缓气候变化的重要路径。生物质作为碳中性燃料，通过气化过程可转化为以H₂、CO、CH₄和CO₂为主要成分的合成气，进而用于发电、制氢及下游化工过程。然而，气化过程副产的焦油是制约合成气净化与利用的关键障碍。焦油为冷凝性有机物的复杂混合物，其浓度受气化炉类型、反应温度、当量比及原料性质等多因素影响。传统焦油测量方法分为在线与离线两类：在线方法（光学诊断、电离检测、质谱等）可实现近实时监测，但系统复杂且成本高昂；离线方法（如“焦油协议”等标准化采样）虽精确但分析周期长，无法用于动态过程控制。为此，利用常规可测过程变量（如永久气体组分）与焦油浓度建立相关性，进而实现软测量，成为一种可行的替代方案。已有研究表明H₂、CH₄、C₂H₄等气体组分与焦油存在相关关系，但传统线性回归模型在不同原料、气化炉构型和操作窗口下的鲁棒性有限。基于数据驱动的软传感器（soft sensor）可从未知机理的复杂过程数据中学习映射关系，在生物质气化领域已用于合成气组分和产率预测，但专门针对焦油浓度的研究仍较少。已有模型多采用原始焦油浓度（分布高度偏斜）作为目标变量，忽略其异方差性；训练数据常来自单一反应器或窄原料范围，泛化能力不足；且评估指标多限于离线预测精度，缺乏面向实际部署的推理延迟验证。因此，亟需一种能够处理异质数据、具备物理可解释性且满足实时监测约束的通用化软传感器方法。

研究内容与意义

该研究发表于《ENERGY CONVERSION AND MANAGEMENT》，构建了一个完整的焦油浓度在线估计软传感器流程，通过三个核心支柱解决上述问题：其一，目标变量变换，系统评估对数（LOG）、Box-Cox（BC）、Yeo-Johnson（YJ）变换对偏斜分布的校正效果；其二，领域特定特征工程，基于气化热力学合成新的预测因子（如log(CH₄)、温度与当量比交互项等），增强预测性能与化学可解释性；其三，面向部署的延迟评估，测量暖启动和冷启动推理在第95和第99百分位数的尾延迟，验证模型是否满足1 Hz（1000 ms）实时工业过程控制的时间预算。该流程在包含221条文献实验记录的数据集上，对11种机器学习算法、1种深度学习模型和1种堆叠回归集成进行了系统评估，并与原始数据对照。该研究填补了现有文献在焦油浓度预测中偏态分布处理、异质数据泛化和部署可行性验证方面的空白，为焦油软传感器从理论算法走向工业应用提供了方法学框架。

主要技术方法

研究人员从Web of Science和Scopus检索2015至2025年文献，经筛选获得221条完整实验记录（覆盖多种气化炉类型、气化剂、测量方法及生物质原料），数据集包含17个连续变量和3个分类变量，未使用算法插补以保证数据真实性。建模流程包括：数据归一化（N₂-free基准、干燥基）、k-means聚类（k=4并子聚类，最终7个生物质类别）以表征原料多样性、Pearson相关过滤（阈值0.85）消除多重共线性；特征工程合成4个新预测因子（log(CH₄)、T_red*ER交互项、ER²、CO₂/CO与H₂/CO比值）；分别对目标变量应用LOG、BC、YJ变换及不变换（RAW）；采用Z-score标准化和one-hot编码；使用Optuna框架进行超参数优化与特征选择的联合自动化搜索，基于5折分层交叉验证（分层依据生物质聚类标签）优化调整后R²；构建由GBR-RAW、CBR-LOG和CBR-BC三个基学习器及Ridge元学习器组成的堆叠回归（SR）集成；最后测量推理延迟（冷启动与暖启动的p50、p95、p99百分位）评估软传感器实时性。源数据来自文献实验记录，无特定临床或队列来源。

研究结果

3.1 统计与预处理结果
探索性数据分析显示，原料工业分析（挥发分、灰分等）、元素组成及操作参数分布表现出高偏斜和多模态特性，焦油浓度目标变量呈明显低值偏斜。k-means聚类（k=4加子聚类）将生物质多样性映射为7个类别，轮廓系数表明聚类结构可接受。Pearson相关矩阵确认FC与VM、GF与BF等存在强相关（阈值±0.85），去除VM、ASH、O和BF以降低冗余。目标变量变换后，LOG、BC、YJ均将偏度校正至接近零，但Shapiro-Wilk检验仅BC变换成功使焦油浓度分布通过正态性检验（p>0.05）。

3.2 多元线性回归与特征工程
以多元线性回归（MLR）为基线，加入工程特征和聚类类别后，YJ变换获得最高平均调整后交叉验证R²（0.666），BC变换次之（0.653）；RMSE和MAE显示BC变换整体精度更优（RMSE=8.015，MAE=4.498 g/Nm³）。置换特征重要性分析（基于随机森林）表明，气化温度（T_red）和当量比（ER）是预测焦油最重要的变量，其次是CH₄、H₂、CO等气体组分，以及聚类生成的生物质类别特征，这与热裂解和焦油重整的热力学机制一致。BC和YJ变换产生更均衡的重要性分布，而原始数据下H₂的重要性不显著，与已知物理规律矛盾。

3.3 机器学习与深度学习模型比较
基于调整后R²测试值排序，表现最佳的是堆叠回归（SR）模型（R²_test=0.85，RMSE_test=4.06 g/Nm³），其ΔR²（训练与测试R²之差）为0.132，显示出较好的泛化能力。紧随其后的是CBR-BC（R²_test=0.835）和CBR-RAW（R²_test=0.811）。XGBR-RAW、RFR-RAW、SVR-RAW等模型R²_test介于0.80–0.81。多层感知机（MLP）模型出现明显过拟合，例如MLP-BC训练R²=1但测试R²仅0.751；较浅的MLP-RAW（单隐层，126神经元）表现稍好（R²_test=0.789）。决策树集成（RFR、GBR、HGBR）和线性模型在部分变换下表现较差，表明焦油生成具有强非线性。SHAP分析进一步验证了模型学到物理一致的关系：ER值升高使预测焦油浓度降低，CH₄水平高则预测焦油增加，H₂浓度高则预测焦油降低，而原料元素组成和聚类类别决定焦油生成基线水平。

3.4 在线测量的延迟评估
在1 Hz（1000 ms）参考时间预算下，所有机器学习模型的暖启动平均推理延迟为10.52 ms，p95均值13.31 ms；冷启动延迟范围13.21–272.11 ms。最优模型SR和CBR-BC的p95分别为29.30 ms和10.11 ms。深度学习模型的暖启动p95低于14 ms，冷启动初始化为22.61–29.18 ms。即使最慢的p95也仅消耗4.37%的时间预算，所有模型均满足实时约束，且无需工业GPU，可在标准工业PC或边缘设备上运行。

3.5 与其他研究比较
与文献中报道的模型相比，本研究使用的221样本异质数据集涵盖多种气化炉类型和操作条件，避免了以往模型局限于特定反应器（如单一鼓泡流化床、下吸式气化炉）或单一模型（如仅针对萘作为焦油替代物）的局限。同时，本研究严格使用完整实验记录，未采用KNN插补等数据填充技术，因此模型性能反映了真实物理方差。与Qi等人报道的GBR模型（R²_test仅0.20–0.45）相比，本研究通过热力学特征工程和目标变换显著提高了训练与测试的一致性。

3.6 研究局限性
数据集规模（221条）是机器学习应用的主要瓶颈，且样本来自51项实验研究，标准数据划分可能将同一研究的样本同时放入训练集和测试集，导致研究级独立性不足。研究未采用留一研究法交叉验证或嵌套交叉验证，尽管采取了严格的数据隔离和分层策略，模型面对完全新型气化装置或实验室时的泛化能力仍需在更大的独立数据集上验证。

讨论与结论

讨论部分强调，推理延迟并非工业部署的约束，所有模型均远低于1 Hz时间预算。软传感器的纯数学推理低于1毫秒，系统总延迟由现有工业硬件和网络决定，因此模型选择应优先考虑预测性能（R²、RMSE、MAE）和鲁棒性。然而，该研究仅评估了离线推理延迟，尚未在实际运行工厂中直接部署验证。结论指出，焦油浓度预测性能强烈依赖于模型捕捉复杂非线性关系的能力以及严格的数据预处理。MLR基线验证了特征工程的价值，但焦油生成本质上是非线性的。集成架构在精度与稳定性之间提供了较好折衷；BC变换虽可改善正态性，但在特定模型族（如提升模型）中反而导致较差的整体性能，说明统计正态化并非总能转化为更好的泛化。该软传感器流程基于目标变换、领域特征工程和延迟评估，可直接从常规可测操作输入估计焦油浓度，支持未来前馈控制策略。模型在真实工业环境中的部署仍需通过更大规模连续运行数据及严格的独立验证加以确认。