异质噪声与多尺度动态条件下CFB锅炉NOx排放的机理引导软测量

《Fuel》：Mechanism-guided soft sensing of NOx emissions in CFB boilers under heterogeneous noise and multiscale dynamics

　　

摘要 燃煤锅炉中NOx排放浓度的准确软测量对清洁燃烧控制至关重要。然而，实际CFB运行数据包含异质性噪声、多尺度动态响应以及随阶段变化的主导变量，这些干扰阻碍了NOx生成动态信息的提取，降低了软测量精度。为解决这些问题，提出了一种NOx排放软测量方法。首先，基于过程变量统计分布的差异构建与实际扰动一致的训练样本。随后，在潜在空间中约束含噪数据与原始数据之间的表示一致性，以减少异常扰动对基础特征的影响。在获得基础表示之后，利用数据特性和CFB燃烧机理设计变量尺度先验权重矩阵。该矩阵与数据驱动的尺度权重相结合，以融合多尺度特征，更好地提取与实际燃烧过程相匹配的动态信息。为捕捉变量效应的动态变化，采用可学习代理向量聚合NOx相关的关键片段，降低序列交互成本。然后通过变量门控从代理时序表示中生成变量权重，动态识别各运行阶段的主导过程变量。在350 MW CFB机组实际运行数据上的实验表明，所提方法在测试集上达到0.953的R2值。在包含随机、异常和漂移噪声的复合扰动条件下，R2仍保持0.896，表明具有较强的噪声鲁棒性。SHAP分析和内部权重可视化表明，识别出的关键变量及其时变效应与CFB燃烧机理总体一致。总体而言，所提方法提高了NOx排放软测量的精度、鲁棒性和可解释性，为CFB锅炉NOx排放监测提供了实用辅助工具。

引言 燃煤电厂在全球能源供应体系中仍占有重要地位，特别是在发电、工业生产和区域供热领域[1],[2],[3]。然而，煤炭燃烧过程中产生的氮氧化物（NOx）会导致酸雨等环境问题，并对呼吸健康构成严重威胁[4]。随着全球能源转型和碳减排政策的推进，中国对燃煤电厂的NOx排放控制要求日益严格[5]。在燃煤锅炉运行中，NOx排放浓度通常由在线烟气监测设备测量，数据采集与监控由分布式控制系统（DCS）完成。然而，由于分析仪响应延迟、维护成本高以及复杂的工业扰动，NOx排放数据往往难以实时、稳定获取[6]。此外，NOx的生成受多种运行参数共同影响，实时准确的机理建模十分困难。因此，利用易于获取的过程变量构建NOx软传感器，已成为锅炉燃烧优化和排放控制的关键技术途径。

早期的机理模型利用热力学原理和计算流体力学（CFD）来复现燃烧过程[7]。然而，其计算成本高且对模型参数依赖性强，限制了工业应用。近年来，数据驱动方法通过历史运行数据建立了NOx排放与过程变量之间的直接映射关系。这些方法具有灵活部署的优势，引起了广泛关注[8]。研究表明，传统机器学习方法和混合建模策略可以提高NOx软测量的精度和鲁棒性[9],[10],[11],[12]。融合卷积结构、特征选择或注意力机制的混合模型进一步增强了复杂序列的拟合能力[13],[14],[15],[16]。最近，多模态mGBDT模型[17]和集成KAN的深度学习模型[18]被应用于复杂工况下的NOx预测，在稳定性和准确性方面显示出优势。

然而，在实际CFB机组运行数据中，过程变量的噪声强度和分布特征存在显著差异，导致明显的噪声异质性。这种异质性噪声干扰了过程变量真实变化模式的提取，导致模型在特征提取过程中引入无关扰动信息，降低软测量性能。针对含噪工业数据，现有研究主要采用数据平滑和滤波等预处理方法[19]。这些方法实现简单，但无法充分利用多变量之间的相关性。相比之下，卡尔曼滤波[20]等多变量去噪方法利用了信号间的相关结构，但其性能往往依赖于先验参数估计。另一类方法是变换域去噪，这些方法将信号映射到时间-频率域，通过变换系数抑制噪声并重建信号[21]。例如，DWT-CNN[22]和NAF-MSNN[23]。然而，它们的性能取决于参数选择。随着数据驱动方法的发展，去噪自编码器因其能从含噪输入中学习对噪声更鲁棒的特征表示，在工业软测量中得到广泛应用[24],[25]。在此基础上，研究者提出了多种改进变体。例如，结合GRU的混合去噪模型被引入以增强动态建模能力[26]，特征解耦自编码器通过分离趋势和周期成分提高噪声鲁棒性[27]，以及引入质量驱动正则化的自编码器用于抑制与目标变量无关信息的干扰[28]。总体而言，这些方法在一定程度上提高了特征表示的噪声鲁棒性。然而，它们通常依赖于统一的滤波规则或一般性随机噪声假设，因此未能充分考虑过程变量间的噪声异质性。在CFB机组复杂的工业噪声条件下，这一局限性进一步导致噪声信息残留在深层特征表示中，从而损害模型的鲁棒性。因此，在异质性噪声条件下学习更鲁棒的特征表示是NOx软测量中的优先任务。

此外，由于CFB机组燃烧过程具有复杂的动态特性，NOx的生成受多种过程共同影响，包括燃料供给和分级配风燃烧，因而表现出明显的多尺度动态特征。氧浓度或烟气温度的变化通常在短时间尺度上影响燃烧反应，而煤量或床温的变化则通过较慢的热过程更渐进地影响NOx排放。因此，NOx软测量的挑战不仅在于噪声干扰，还要求模型能够准确提取多尺度特征。早期方法主要依赖统计模型[29]，但其非线性表征能力有限。近年来，多尺度序列建模方法在复杂软测量任务中表现出强劲性能。其核心思想是在不同时间感受域下提取和融合动态特征，实现多尺度信息的同时捕捉[30],[31]。然而，DCS采集的数据通常是高维、强相关且具有复杂动态的多变量时间序列[32]，变量耦合容易降低模型性能。此外，如果模型仅依赖数据驱动学习，其学习到的表示可能与实际燃烧机理不一致。这种不一致在复杂工业时间序列数据中可能被进一步放大。

即便模型学到了鲁棒且信息丰富的多尺度表示，NOx软测量仍面临一个工程实践中的根本性挑战：关键变量的效应随运行阶段而变化。在某些时段，氧浓度的变化可能主导NOx生成，而在其他阶段，煤量或炉温的变化可能起更关键的作用。近年来，针对多变量时间序列软测量提出了多种跨变量交互建模方法。例如，xLSTM通过扩展记忆机制与多尺度卷积结合来捕捉时序特征[33]，但其对复杂变量间依赖关系的建模能力仍然有限。xLSTM-Mixer通过引入交互模块进一步增强变量间信息混合[34]，尽管这种改进增加了结构复杂度和计算开销。此外，Crossformer、Pathformer和iTransformer在一定程度上建模了跨维度依赖关系[35],[34],[36],[37]，而TSLANet等轻量架构则尝试在表征能力和效率之间取得平衡[38]。然而，这些方法更适合学习变量间的整体相关结构，对于在不同运行阶段识别哪些关键变量更为重要仍显不足。同时，NOx软测量通常依赖于相对长时间段的历史运行数据，模型计算复杂度显著增加。因此，在CFB机组中，模型不仅需要反映关键变量效应随时间变化的动态关系，还需要在计算效率和可解释性之间取得平衡。

上述观察表明，NOx生成是一个受扰动、燃烧状态演化和多变量耦合共同影响的复杂动态过程。因此，从复杂运行数据中提取与NOx生成相关的动态信息是提高软测量精度的关键。然而，变量间噪声强度和分布的差异干扰了基础特征的提取，导致异常扰动被嵌入特征表示中，使多尺度时序表示产生偏差。这种偏差可能进一步误导跨运行阶段关键变量效应的识别，并导致与实际燃烧机理偏离。为应对这一挑战，本文抑制基础特征中的异质性噪声以减少异常扰动对软测量输出的影响；然后提取变量的多尺度动态特征，并识别各运行阶段的主导变量，从而实现更准确地利用与NOx相关的动态信息，提高复杂工况下NOx浓度软测量的性能。主要贡献如下：

•针对CFB锅炉过程数据中的噪声异质性，提出了一种面向异质性噪声的鲁棒表示机制。利用过程变量的统计特征自适应描述扰动，并通过潜在空间对抗约束抑制残余噪声，为后续动态建模提供可靠的基础表示。

•针对过程变量对NOx排放响应时间尺度的差异，提出了一种机理引导的多尺度建模方法。通过多膨胀率卷积提取不同尺度的动态特征，并基于数据特性和燃烧机理构建变量尺度先验权重矩阵。结合数据自适应权重对多尺度特征进行自适应加权，从而利用与CFB燃烧机理更一致的动态信息。

•针对CFB锅炉长序列中关键变量效应随运行阶段动态变化的问题，开发了时序代理变量门控模块。可学习代理向量与多尺度时序特征交互，以较低的计算成本聚合与NOx相关的关键历史片段。随后通过变量门控从生成的代理时序表示中产生变量权重，从而动态识别各时间片段中的主导过程变量。

第2节介绍CFB锅炉工艺流程、NOx生成机理和数据特性。第3节提出模型各模块。第4节利用真实工业数据验证模型性能。第5节总结全文。

小节片段 CFB锅炉工艺描述 本研究考虑了一台350 MW循环流化床机组，其工艺流程如图1所示。CFB锅炉主要由炉膛、旋风分离器、返料装置、尾部烟道和风预热器系统（APH）组成。煤进入炉膛后，在一次风和二次风的驱动下形成气固两相流化，使燃料颗粒与空气充分混合并燃烧。燃烧产生的高温烟气携带大量固体颗粒

方法论 图4展示了所提NOx软测量模型SLAPT的整体框架。首先，模型通过统计引导的噪声生成机制和潜在空间对抗去噪结构学习鲁棒表示，以减少噪声在后续软测量中的干扰。然后，进行机理引导的多尺度特征提取，并结合时序代理注意力与变量门控选择来建模变量间时变关系

实验设置 为验证所提模型的有效性，采用均方根误差（RMSE）、决定系数（R2）和平均绝对误差（MAE）作为评估指标，并在测试集上评估模型性能。实验使用了来自同一台350 MW CFB锅炉的两个实际运行数据集。数据集1由1月24日采集的24小时连续运行数据组成，采样间隔为10秒。数据集2由5小时连续运行数据组成

结论 针对CFB锅炉NOx浓度预测，提出了一种集成统计引导去噪、机理引导多尺度建模和时序代理变量选择的软测量模型。该方法通过构建与工业噪声一致的扰动、学习鲁棒的潜在表示以及提取与机理一致的动态特征，解决了异质性噪声、多尺度动态和关键变量效应时变的问题。

在两个真实CFB机组上的实验结果

CRediT作者贡献声明 Huixin Tian：写作——审阅与编辑，监督，方法论，调研。Wansu Chen：写作——原始草案，验证，方法论，形式化分析。Yi Cheng：监督，调研。Kun Li：监督，调研。

Dong Lv（陆东）：监督、调查。利益冲突声明：作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。致谢：本工作得到了国家自然科学基金（编号：62473283）和天津市自然科学基金（编号：25JCZDJC00100）的资助。Tian Huixin（田慧鑫）| Chen Wansu（陈万苏）| Cheng Yi（程毅）| Li Kun（李坤）| Lv Dong（陆东）天津工业大学控制科学与工程学院，中国天津 300387