[发明专利]一种基于有监督型SAE的尾气硫化氢浓度实时监测方法

说明书

本发明公开一种基于有监督型SAE的尾气硫化氢浓度实时监测方法，旨在使用有监督型SAE模型解决对硫回收装置尾气Hsubgt;2/subgt;S浓度的在线实时监测问题。本发明方法通过在SAE训练的过程，将输出数据设定成浓度数据，而输入数据是常规可实时测量的流量数据。利用SAE深度特征挖掘的能力，不断提取对软测量输出有用的关键潜在特征，从而实现对Hsubgt;2/subgt;S浓度的在线实时监测。与传统方法相比，本发明方法通过设定SAE的输出为硫化氢的浓度，而输出为常规可实时测量的流量数据，巧妙地将SAE拓展成了有监督型的SAE模型。此外，本发明方法还使用最小二乘回归进一步提升软测量的精度。最后，通过具体实施案例中对实验结果的对比验证了本发明方法的优越性。

技术领域

本发明涉及一种软测量技术，特别涉及一种基于有监督型SAE的尾气硫化氢浓度实时监测方法。

背景技术

在现代化工工业生产中，尾气的排放对环境会造成很大的负面影响。为了降低对大气的影响，通常石化企业在尾气排放前安装有一个硫回收装置，在降低尾气中二氧化硫和硫化氢含量的同时，回收以硫为主的工业副产品。硫回收装置主要涉及如下所示的两个化学反应来实现对硫的回收：

2H₂S+3O₂→2SO₂+2H₂O

2H₂S+SO₂→3S+2H₂O

通过上式可以发现，硫化氢(化学式为H₂S)是主要的反应物，H₂S浓度会直接影响二氧化硫(化学式为SO₂)的浓度以及硫的回收。因此，实时监测H₂S的浓度对于石化企业尾气排放具有重要的意义。一方面，相比于温度、压力、流量、液位等常规传感器而言，在线实时测量化学成分的浓度数据的仪表价格高昂，且须定期进行维护。另一方面，使用离线测量H₂S浓度的技术手段无法做到监测的实时性。在这个背景下，软测量技术是可以解决H₂S浓度在线实时监测的问题。

然后，使用何种软测量建模技术成为了H₂S浓度实时监测是否能成功的关键。从保证软测量精度层面上讲，使用深度学习方法需要海量的样本数据。由于H₂S浓度数据无法像温度流量那般实时测量，可用的浓度样本数据无法满足深度学习的要求。从硫回收装置的运行特点而言，其动态变化性特点强。利用流量数据信息来软测量H₂S浓度还得考虑数据动态变化性强的问题。因此，充分的挖掘与H₂S浓度相关的输入数据潜在特征，是非常有必要的。可幸的是，栈式自编码器提供了一种特征提取的方法技术。通过深度挖掘数据中潜藏的特征，栈式自编码器可以较好的重构原始数据。

值得注意的是，栈式自编码器是一类无监督型的建模技术。换句话说，只需要输入数据即可，因为输出数据就是输入数据。相比之下，软测量建模需要有监督型的建模技术。也就是说，软测量建模同时需要输入与输出数据。因此，如何将栈式自编码器(StackedAuto-Encoders，缩写：SAE)转变成有监督型，并将之应用于尾气H₂S浓度的在线软测量是值得进一步研究的技术难题。

发明内容

本发明所要解决的主要技术问题是：如何使用有监督型SAE模型实现对硫回收装置尾气H₂S浓度的在线实时监测。具体来讲，本发明方法通过在SAE训练的过程，将输出数据设定成浓度数据，而输入数据是常规可实时测量的流量数据。利用SAE深度特征挖掘的能力，不断提取对软测量输出有用的关键潜在特征，从而实现对H₂S浓度的在线实时监测。

本发明方法解决上述问题所采用的技术方案为：一种基于有监督型SAE的尾气硫化氢浓度实时监测方法，包括以下步骤：