Research Status and Prospects of Intelligent Optimization Control for Municipal Solid Waste Incineration Process
-
摘要: 针对全球城市固废(Municipal solid waste, MSW)的高增长率导致城市环境持续恶化以至于“垃圾围城”现象日益增多等问题, MSW焚烧(MSW incineration, MSWI)技术能够通过发酵、燃烧、换热和净化等工艺实现废物变能源(Waste-to-energy, WTE). 在当前“双碳战略”和“蓝天净土”的新环保背景下, 作为未来长时期内MSW处理主流方式和生态文明建设与循环经济体系托底工业的MSWI过程正面临着重大机遇. 如何融合人工智能、大数据、云计算等技术实现MSWI的智慧化、低碳化和绿色化可持续性发展是目前具有挑战性的难题. 对此, 本文首先描述MSWI工艺机理, 分析其运行控制特性和实现其智能优化控制存在的难点; 然后, 从燃烧特性分析与建模、燃烧过程控制、指标建模与预测、运行监控与故障识别、操作(控制)变量优化、算法仿真验证平台等6个方面进行综述; 接着, 分析MSWI过程智能优化控制研究的必要性; 最后, 结合工业人工智能的本质给出未来研究方向. 在此基础上, 展望基于数字孪生平台的MSWI智能优化控制系统的框架和愿景, 并总结未来挑战.Abstract: The urban environment has deteriorated and garbage-surrounded has emerged because municipal solid waste (MSW) has a high annual growth rate of the whole earth. MSW incineration (MSWI) technology, which contains fermentation, combustion, heat exchange, and purification, can achieve the goal of waste-to-energy (WTE). The MSWI process, which is the essential way of dealing with MSW in the future for a long time and the supporting industry of ecological civilization construction and the circular economy system, has faced a major opportunity in the context of the “Double Carbon Strategy” and the “Blue Sky Pure Land” environmental policy. Incorporating artificial intelligence, big data, cloud computing, and other technologies to conduct smart, low-carbon, and green sustainable development of MSWI is a challenging problem. Aiming at this problem, the operational control characteristic and difficulty in realizing the intelligent optimal control are analyzed based on the typical MSWI process mechanism. Further, the status of operation control is investigated from 6 viewpoints, i.e., combustion characteristic analysis and modeling, combustion process control, indices modeling and prediction, operation monitoring and fault identification, manipulate (control) value optimization, and algorithm simulation verification platform. Then, the necessity for making research intelligent optimization control is analyzed. Finally, the future research direction is given based on the nature of industrial artificial intelligence. In addition, the framework and future of MSWI＇s intelligent optimal control system based on the digital twin platform have been prospected and future challenges are summarized.
-
表面肌电信号(Surface electromyography, sEMG)是由运动关联肌肉的运动单元动作电位(Motor unit action potential, MUAP)沿着肌纤维方向传播, 在人体皮肤表面形成的叠加电信号. 该信号直接反映了引起肢体运动的肌肉收缩状态, 可从中解码出运动直接关联意图, 其中蕴含丰富的肌肉收缩力、关节力矩等信息, 广泛应用于识别数十种肢体状态或预测关节连续信息[1]; sEMG相对于刺入式肌电信号(Intramuscular EMG, iEMG)而言, 采集方式简单, 易于构建集成系统和开发可穿戴设备.
因此, sEMG广泛应用于助力机器人、康复机器人与智能假肢等系统中, 在人机协作型机器人中也逐渐成为研究热点[2-3]. 与传统的程式控制机器人交互方式相比, 基于sEMG的人机交互方式赋予了机器人智能性与认知能力, 具有主动感知人行为意图的能力, 有利于实现人机的自然、直觉与准确交互. 尤其对残疾人而言, 肌电假肢自然直觉的控制方式, 能够极大地提高他们的生活质量.
为了满足不同场景下的人机交互需求, 基于sEMG的人体意图识别方法, 从起初基于幅值的阈值判别法, 慢慢发展为基于模式识别和机器学习的研究思路, 其主要遵从有监督学习的基本范式, 如图1所示. 其处理流程一般包含: 离线的模型训练和在线的意图识别. 第1阶段如该图的虚线箭头所示, 首先要求用户根据实验场景需求, 获取已知动作标签对应的肌电信号数据, 经数据预处理和特征提取等环节, 肌电信号特征与动作标签共同完成模型的训练. 而在第2阶段的在线意图识别中, 已经训练完成的识别模型对在线的肌电信号进行同样数据预处理和特征提取等环节, 最后对输入的肌电信号输出识别结果.
图 1 基于监督学习的sEMG识别模型训练与测试框架Fig. 1 The training and testing framework of sEMG recognition model based on supervised learning依据识别模型的输出类型可分为两类问题: 离散动作分类和连续运动估计. 在离散动作分类识别方面, 由起初的张手和闭合的二分类问题, 逐渐发展成对几十种手部/腕部动作识别[4-5]; 针对其中10种左右的常见手势识别, 其基本识别精度高达90%. 在连续运动估计方面, 对人体上/下肢多关节的角度估计误差约为5° 或更低[6-7].
采用阈值判别法或模式识别方法的一个基本假设, 即训练集与测试集符合相同的分布. 然而在实际日常生活的肌电交互过程中, 往往会存在多种差异或干扰, 造成肌电信号的训练集与测试集的分布明显不同, 最终导致肌电识别准确性低、交互效果差[8]. 目前大部分比较好的识别结果往往来自于无干扰情况或实验室理想环境, 未充分考虑肌电交互系统在日常使用中的潜在差异或干扰. 相对于实验室的理想环境, 本文将肌电系统在实际中可能涉及到的差异或干扰统称为“非理想因素”, 存在“非理想因素”的日常环境即为“非理想条件”. 这些非理想因素包括: 电极偏移、个体性差异、肌肉疲劳、姿态干扰、其他干扰或多种因素的综合干扰.
前期已有学者总结了sEMG的一般处理方法或应用场景, 多侧重在理想场景或无干扰的情况下如何识别更多类别, 通过对比分析不同特征处理、降维方法和识别模型等环节, 以提高肌电识别的精度和准确性[1]; 对目前大量克服单个干扰的研究, 鲜有文献总结肌电系统鲁棒性方面的研究现状和进展, 更缺乏对实际应用中存在的诸多干扰因素给出应对方案的归纳和建设性的技术展望.
因此, 本文首先综述了在各种非理想条件中非理想因素干扰的影响程度或性质, 并总结归纳了目前研究针对各个干扰的消除与克服方法; 然后整体性讨论了各个非理想因素之间的耦合性和过渡性, 以及目前研究中存在的主要问题; 最后本文从构建统一的数据集测试平台等作为切入点, 对未来该领域的研究内容提出了一些展望, 为进一步推广肌电交互系统提供切实可行的技术方案.
1. 非理想条件下的干扰因素
本节主要针对肌电识别系统的准确性和鲁棒性问题, 分别从肌电采集技术的差异性和源于人的差异性两方面综述了相关干扰因素. 前者主要表现为电极偏移的干扰, 后者包括人与人之间的个体性差异, 以及源自人体内部的肌肉疲劳、肢体姿态等干扰.
1.1 电极偏移
诸多非理想场景下, 电极偏移是其中较为普遍出现的干扰因素之一, 主要源于电极或肌电假肢接受腔多次粘贴、固定后的位置不完全一致. 对使用者而言, 一方面严格要求与之前相同的粘贴位置, 既不现实且增加使用难度; 另一方面, 每次重新粘贴肌电电极或再次穿戴肌电假肢后, 重新获取大量有监督标签下的训练数据, 重新训练分类模型, 也比较费时费力. 这些方式都对用户不友好, 造成使用门槛过高, 或因训练时间过长而增加学习负担, 最终放弃使用肌电交互系统或假肢.
电极偏移最根本性的影响, 即偏移前后同一电极测量的肌肉位置不同, 导致特征分布明显不同. 由于各通道肌电信号变化而引起的特征空间分布变化, 传统基于模式识别方法的固定模型表现较差, 大大降低了肌电识别系统的准确性.
Hudgins等[9]最早利用单通道的差分电极用于识别4类动作, 针对电极偏移的精度影响开展了实验性探究, 实验结果表明在假肢固定接受腔小范围内的偏移(小于1 cm)时, 电极偏移对精度影响不大, 而当偏移距离变大时会明显降低肌电识别精度. Stango等[10]利用高密度表面肌电传感器(High-density sEMG, HD-sEMG), 研究了不同位置下的肌电信号空间相关性和受电极干扰的影响程度, 表示为
$$ 2\gamma \left(x,h\right)={\rm{E}}\left\{{\left[Z\left(x\right)-Z\left(x+h\right)\right]}^{2}\right\} $$ (1) 其中, E(·)表示数学期望,
$ Z\left(x\right) $ 和$ Z\left(x+h\right) $ 表示两个随机位置处的采集结果,$ h $ 表示两个位置之间的空间距离,$ \gamma (·) $ 定义为一种空间分布结果的变异函数(Variogram).大量相关研究更加细致地对比了在肌纤维横向、纵向、旋转等方向或距离维度上的干扰程度, 主要研究结果表明: 1)在电极布局上, 平行于肌纤维方向的差分电极更容易捕获准确的肌电信号, 而非垂直于肌纤维方向(即, 沿着肌肉方向固定电极, 目前已成为该领域的一般做法); 2)平行方向上的电极偏移干扰效应小于垂直方向偏移干扰; 3)电极与肌肉的接触面积越大, 越有利于提高肌电识别准确率和保证系统鲁棒性[11–14].
尽管假肢的接受腔在一定程度上能通过穿戴方式保证小范围的电极偏移, 但在实验室和日常条件下, 涉及的电极类型或偏移形式多种多样, 如离散稀疏单通道肌电电极, 类似于Myo肌电手环类的环形多通道电极和高密度表面肌电电极HD-sEMG[13–15] (如图2所示). 因此, 在诸多实际使用场景中, 肌电电极偏移现象是一个易出现且影响较大的干扰因素.
因此, 为了克服电极偏移引起的识别精度下降和系统鲁棒性降低问题, 按照如图1所示肌电识别框架内的关键环节, 分别探讨在数据、特征和模型等不同环节内用于消除或解决电极偏移干扰问题的方法.
1) 融合不同偏移位置下的多模数据. 在有监督学习的模型训练中, 一方面可以增加训练数据的数量, 通过引入更多电极测量更多或更精细的肌肉位置, 这种方式通过丰富训练数据集或包含更多电极场景, 来拓展模型的覆盖能力或泛化性能. Hargrove等[13, 16]提出一种模型训练策略, 采集所有电极偏移位置上的数据用于模型训练, 相对于一般模型训练方式提高了10%的识别精度. He等[12]利用HD-sEMG采集系统, 实验表明多通道相对于少通道而言, 更有利于提高干扰下的肌电识别精度, 32通道的肌电信号在电极偏移情况下(最大偏移1 cm)获得比少通道肌电更好的识别精度. 另一方面, 将肌电信号与其他类型传感器融合, 如惯导(Inertial measurement unit, IMU)等, 也能提高模型在电极偏移干扰的鲁棒性[17-18].
2) 提取电极偏移不敏感的特征. 在特征提取环节, 如果能构造具有电极偏移无关的特征空间, 将极大地提高系统的鲁棒性; 同时, 也能够降低因为数据量或数据类型扩增而引起的数据采集阶段和模型训练阶段的耗时. 研究表明, 自回归系数特征(Autoregressive features, AR)、时域与自回归系数结合的特征(Combination of time-domain and AR feature, TDAR), 比TD (Time-domain)特征对电极偏移干扰具有更好的鲁棒性, 在10类常见的手部或腕部动作中, 识别误差由30%下降为10%左右[16, 19]; Tkach等[20]提出了EMG 的自回归系数特征和倒频谱系数(cepstrum coefficients)特征, Stango等[10]提出了Variogram特征, Boschmann等[21]利用结构相似性特征(Structural similarity index); Pan等[22]提出了共空间模式(Common spatial patterns, CSP)特征, 并与传统的TDAR和Variogram等特征进行了对比, 取得了更高的识别精度, 表明该特征具有更好的电极偏移等干扰的不敏感性. 更进一步, He等[14]借鉴了图像处理领域的纹理信息——灰度共生矩阵, 提取二维肌电信号中所构成肌肉活跃图的纹理信息, 并将阵列式电极首尾连接, 进一步改进了纹理特征, 表现出明显的电极位置无关优势. 另一方面, Huang等[23]利用非负矩阵分解(Nonnegative matrix factorization, NMF)技术, 提出了一种半监督方式, 将原特征空间映射到隐变量新空间, 表现出对通道数目和偏移位置不敏感的优点.
3) 更新模型适应不同偏移位置. 迁移学习(Transfer learning)或领域自适应(Domain adaptation)技术常常被引入以解决这类干扰变化, 使得模型具有更新能力, 以适应不同的信号特征. Amsuss等[24-25]在识别模型的结果上进行后处理作为模型自修正, 降低模型因为电极干扰引起的误分类, 或采用协方差偏移适应(Covariate shift adaptation)等迁移学习方法适应电极偏移等干扰. Prahm等[15, 26]和Paaβen等[27]针对Myo的旋转偏移干扰问题, 采用期望最大化的迁移学习(Expectation maximization transfer learning)估计因电极偏移前后肌电信号在特征空间中分布的关系(假设为一种线性映射), 仅利用少量训练数据将预训练模型适用于不同干扰下的肌电识别场景. 丁其川等[28-29]提出一种自适应增量式混合分类器(Adaptive incremental hybrid classifier, AIHC)用于应对因重复穿戴后引起的电极偏移干扰. 李自由等[30]针对环形Myo肌电传感器, 提出一种基于极坐标系内的活跃极角概念, 用于估计不同旋转位置之间的偏移程度, 并基于该偏移程度提出了自适应校正方法, 无需识别模型的再次训练, 仅利用少量单类别数据, 实现了常见手部8动作识别. Amma等[31]基于HD-sEMG构建了CSL-HDEMG数据集, 并针对会话间的电极偏移问题, 提出了两种偏移估计方法: 利用少量校正数据估计小臂尺骨位置和肌肉活跃中心位置, 并以此进行偏移干扰的sEMG校正, 将识别精度由未校正的59%提升至75%. Ameri等[32]通过卷积神经网络和迁移学习的方法, 仅利用少量肌电更新数据, 同时克服了个体性差异与电极偏移的综合干扰.
1.2 个体性差异
尽管人体的骨骼和肌肉分布大致相同, 但个体间在诸多方面的差异性(既包括个体的身高、体重、身体质量指数(Body mass index, BMI)、肌肉表层的脂肪含量等差异, 也包括不同个体在执行动作时的肌肉收缩方式和肌肉收缩力大小等方面的差异, 以及截肢患者的残肢肌肉功能或通过目标肌肉神经分布重建方法(Target muscle rehabilitation, TMR)的肌电信号差异[33]), 尤其是健康者与肢体残疾者之间的肌电特征差异[34], 都极大地限制了传统固定识别模型在不同用户之间的通用性. 大量的实验和研究表明, 传统基于有监督学习的固定识别模型, 在处理新用户的肌电信号识别问题上表现不佳, 因此个体差异问题逐渐成为阻碍肌电交互系统推广应用的主要问题之一, 引起研究者们的广泛关注[35]. 而为了应对这种个体性差异导致的模型识别率下降问题, 本节总结当前文献的主要研究工作, 分别在数据、特征和模型等不同环节, 归纳用于消除或解决个体差异性问题的方法.
1)融合不同个体的多模数据. 即增加有监督学习模型中训练数据的数量或类型. Guo等[36]将多人的数据融合后训练一个通用识别模型, 在新用户上的识别准确率可达85%, 其主要的优点是新用户无需采集数据重新训练或校正的过程, 方便即时使用. Stival等[37]在回归问题研究方面引入IMU信息, 利用惯导所补充的个体特点降低识别模型在个体差异性方面的约束. Phinyomark等[38]将个体相关的12个形态参数(如BMI等)用于更新模型权重因子或特征归一化, 提高了识别模型在不同用户上的适用性.
2)提取肌电分解与协同特征. 即通过肌电分解、多特征融合等方式构建统一化的共同特征空间. Xiong等[39]利用肌电信号的逆向分解原理, 将不同个体的肌电信号分解到运动单元动作电位的信号空间. 通过MUAP的无监督聚类, 找到用于个体无关的表征方式, 降低个体之间的差异性. Ison等[40]提出了基于多分辨率肌肉协同特征(Multire-solution muscle synergy)提取技术, 以构建个体适应的鲁棒特征. Chattopadhyay等[41]探究了个体之间的相似性, 利用领域适应方法尽可能保持个体肌电信号的分布特征, 通过映射到共同空间, 以提高模型适应性.
3)采用少量数据更新通用模型. Tommasi等[42-43]在基于迁移学习的个体模型适应性研究方面做出了一系列研究成果, 主要是在一般模型的基础上, 通过利用新用户的少量数据, 更新已知多用户的支持向量机(Support vector machine, SVM)识别模型的权重因子, 设计了一种低代价的权重更新方法
$$W = \mathop \sum \limits_{k = 1}^K {\beta ^k}{\hat W^k} + \mathop \sum \limits_{i = 1}^N {a_i}{\varnothing _i}\left( {{x_i}} \right) $$ (2) 其中,
$\hat{W}$ 分别表示原有用户的SVM权重矩阵,$ \beta $ 为各个矩阵的加权系数,$ \mathrm{\varnothing }\left({x}_{i}\right) $ 为SVM中的核函数,$ {x}_{i} $ 表示新用户的少量样本,$ a $ 表示损失函数与约束构成的拉格朗日系数.Khushaba[44]利用典型相关分析(Canonical correlation analysis, CCA)方法, 将不同个体的肌电特征映射到一个低维的同一空间(unifiedstyle space)训练初始模型; 并对新用户的少量肌电信号与预训练模型的专家特征(Expert features)做典型相关分析, 将测试集数据更新至预训练模型高相关性空间, 提高了模型的适用性和泛化能力. Matsubara等[45]采用形式和内容分离(Style and content spearation)的思想, 基于用户依赖因子(User-dependent factor)和动作依赖因子(Motion-dependent factor)构建用户无关特征(User-independent feature)的双线性模型(如图3所示), 针对新用户时仅需单类别的更新数据, 完成模型对新用户的多类别动作识别. Pan等[46]仅利用个体的最大收缩力信息将个体模型拓展为通用模型, 其更新方式代价较低. 而Cote-Allard等[47]利用深度学习中的卷积神经网络(Convolutional neural network, CNN)将模型迁移适用不同个体.
1.3 肌肉疲劳
从生理机制而言, 一方面肌肉在长期进行超负荷或持续收缩过程中, 即产生肌肉疲劳. 如图4所示, 其中最主要的表现就是肌肉所能够产生的最大输出力降低[48-49]; 另一方面, 研究表明功能性电刺激(Functional electrical stimulation, FES)也能够诱发肌肉疲劳[50]. 在有监督学习的肌电信号动作识别的一般框架下, 基于sEMG的意图识别与智能系统交互控制中, 研究者往往通过一定的实验条件或交互约束, 尽量避免在假肢等控制交互过程中的使用者产生肌肉疲劳[51]. 然而在实际日常生活或临床应用中, 长时间佩戴肌电假肢、使用肌电助力或康复系统不可避免地导致使用者产生肌肉疲劳. 因此, 肌肉疲劳是在长时间使用中不可避免的重要问题之一[52].
研究表明, 肌肉疲劳在肌电信号的潜在表现主要包括但不限于: 1)幅值特征增加; 2)频谱能量下降; 3)传导速度下降[48, 53-54]; 由于肌电幅值往往与肌肉收缩力正相关, 容易受使用者发力影响, 因此肌肉疲劳评估或监测更为关注频谱能量变化. De Luca[52]通过要求被试者的第一骨间背肌持续收缩进行肌肉疲劳实验, 在该实验范式下, 该肌肉的肌电信号反映出频谱分析中值频率(Median frequency, MDF)在疲劳前后下降超过50%. 研究表明, 肌肉疲劳的肌电信号中包含了频谱能量、传导速度的下降趋势和幅值特征的上升趋势以及传导速度正比于肌电信号中值频率[51].
sEMG的MNF和MDF的计算式为
$$ {f_{{\rm{MNF}}}} = \frac{{\mathop \sum\limits_{j = 1}^M {f_j}{P_j}}}{{\mathop \sum \limits_{j = 1}^M {P_j}}}$$ (3) $$\mathop \sum \limits_{j = 1}^{MDF} {P_j} = \mathop \sum \limits_{j = MDF}^M {P_j} = \frac{1}{2}\mathop \sum \limits_{j = 1}^M {P_j}$$ (4) 其中, P表示信号的功率谱密度, MNF表示均值频率, MDF表示中值频率.
然而, 频谱分析的方法主要采用快速傅里叶变换(Fast Fourier transform, FFT), 其假设时间序列具有平稳特性, 在先前的大多数研究中也主要是等长收缩的实验范式. 这种实验范式及分析方法具有一定的局限性, 因此基于短时傅里叶变换(Short-time Fourier transform, STFT)和基于小波变换(Wavelet transform, WT)等时频域的特征, 改进的中值频率或均值频率也逐渐引入到肌肉疲劳监测中, 尤其适用于被试者的动态收缩过程[55]. 综述当前的研究, 为处理非理想场景下的肌肉疲劳干扰, 主要从频域等疲劳特征与疲劳分类两方面提出解决方案.
1)频域等疲劳特征. 为应对肌肉在周期性、动态收缩下的肌肉疲劳监测, Bonato等[56]在大拇指周期性动态收缩力下提出基于时频域变换的瞬时中值频域(Instantaneous MDF, iMDF)和瞬时均值频率(Instantaneous MNF, iMNF); Cao等[57]提出循环平稳性特征作为疲劳因子; Thongpanja等[58]提出了一种改进的频域特征(Time dependence of MNF, TD-MNF), 在肘关节不同负载下进行了多组重复性疲劳实验, 结果表明, 相对于MNF、MDF特征而言, TD-MNF可作为一种更为全局准确的肌肉疲劳评估方法, 并且与肌肉负载力之间具有线性关而非基于传统MNF、MDF非线性耦合关系. 肌肉疲劳源自比较复杂的生理过程, 并依赖于实验范式等, 因此有关肌肉疲劳评估的研究也不仅仅局限于上述几个方面的时域或频域特征. 除此之外, Al-Mulla等[59]提出一维频谱—标准差(1D specto std)特征, Xu等[60]在疲劳时的肌肉力估计中通过NMF分解技术提取疲劳因子; Sheng等[61]提出多模态生理信号融合的方法克服肌肉疲劳.
2)疲劳分类. 研究人员将疲劳监测或克服疲劳问题作为一个“分类”问题研究. 如Al-Mulla等[59, 62]在选用更多特征的基础上, 进一步与分类器相结合以区分非疲劳(Non-fatigue)、过渡疲劳(Transition-to-fatigue)和疲劳(Fatigue)等三类阶段; Wu等[63-64]提出混合细菌觅食—粒子群优化方法(Bacterial foraging and particle swarm optimization, BF-PSO)和模糊SVM (Fuzzy SVM)等方法监测疲劳状态.
因此, 为克服肌肉疲劳所带来的的不良影响, 一般是在特征提取过程时对特征进行预处理, 如基于MNF或MDF的特征归一化处理[65], 或采用概率模型和基于疲劳监测因子查表方式, 对多种识别模型进行切换控制[66-67]; 此外, Mainardi等[68]通过自主设计改善电极等配置, 避免商业采集系统的过多滤波环节, 保留更多肌肉疲劳有关频带信息; 而Peternel等[69]则更加关注在人机协作场景中, 通过调整协作机械臂的不同刚度, 以适应人体的不同疲劳状态, 开拓了肌电识别与协作交互的新应用.
1.4 肢体姿态
在智能假肢的实际场景中, 肢体的姿态干扰一般可归纳为两种类型: 1)不同静态姿势下, 同一个末端(如手部)动作的差异; 2)静态、动态或不同肌肉收缩力对同一动作产生的差异[70]. 传统基于有监督学习范式的sEMG识别系统, 仅将少部分姿态下的肌电信号作为训练集, 得到的分类模型往往容易受到多种姿态干扰. 如Liu等[71]揭示了静态—动态手臂姿势对手部分类动作的影响; Jiang等[72]在研究肌电连续估计时也发现手臂位置对识别精度的负面影响. 研究表明, 在针对不同姿态下的手部/手指动作分类时, 其中腕部和大臂的姿态均对手部动作识别产生较大的影响[73-74]. 目前, 针对肢体姿态不同而引起的干扰问题, 大量研究工作与解决方法主要集中在数据和特征两方面:
1)融合不同姿态下的多模数据. 即增加训练数据集的数量或类型. 一方面可以通过采集更多场景下的数据作为模型的训练集, 使得模型能够覆盖更多的肌电识别场景. 大量的研究表明, 与仅利用单一位置下的数据作为训练集相比, 将更多(或所有)位置下的肌电数据引入到模型的训练集中, 能够取得比单一位置更好的识别准确率[75–77]. 然而这种方式要求覆盖尽可能多的姿态场景, 当训练后的模型应用于从未出现的姿态数据时, 模型的泛化能力依然较弱[78]. 并且这种通过丰富训练数据集以覆盖更多姿态的方法, 很明显将要求受试者在使用肌电交互系统时, 花费更多的时间用于训练集数据采集. 这种要求增加了用户学习和使用负担, 是导致用户弃用肌电假肢等设备的主要原因之一. 而在这种通过多姿态场景丰富训练数据集的数据采集范式下, Scheme等[70]和Radmand等[78]将多个静态姿态位置组合成动态的日常生活动作(如图5), 提出了“动态训练” (Dynamic training)方法. 训练数据采集时间由原来超过10分钟下降为1~2分钟. 另一方面, 通过增加其他类型传感器, 补充更多有关肢体姿态的信息, 增强系统判别能力, 如引入肢体的加速度信息[17]. 肌电信息和加速度信息的融合方式包括两种类型: 串联和并联方式. 1)串联方式. 包含两阶段的层级结构. 即首先利用加速度信息训练分类器并用于识别肢体姿态或位置信息; 在判别了不同位置或姿态的基础上, 利用各自的肌电识别模型, 进一步确定手部动作类型[75-76, 79]. 2)并联形式. 即使用加速度信息和肌电信息, 或其相关特征, 共同拓展模型的输入维度. 通过扩维的数据融合方式提升识别系统对姿态干扰的鲁棒性[75].
2)提取肢体姿态不敏感特征. 不同于丰富训练集数量和类型的方式, 对肢体姿态不敏感的肌电信号鲁棒性特征方式由于降低对用户的学习和使用门槛, 将适用于更多交互场景. Khushaba等[80-82]提出了频域的多个特征, 如谱矩(Spectral moments)、谱稀疏性(Spectral sparsity)、谱通量(Spectral flux)、不规则因子(Irregularity factor)、信号功率谱相关性(Signals power spectrum correlation)等, 以及用于量化位姿角度的特征等, 探究了这些特征对姿态干扰的鲁棒性. 而Betthauser等[83-84]提出了肌电信号的稀疏表达特征与基于稀疏特点的自适应校正方法, 在新姿态下进行了离线和在线测试, 显著提高了新姿态下的识别精度和识别鲁棒性. 另外值得一提的是, 肢体姿态对识别结果的干扰影响, 正常人与截肢患者有明显不同, 对正常人的干扰性更为明显一些[72, 79]. 因此, 在进行实验设计与方法验证时, 应尽可能包含更多用户数据, 使结果具有更强的说服力.
1.5 其他干扰或综合干扰
在日常复杂的实际人机交互应用中, 针对sEMG识别的非理想因素, 不仅仅局限于前述多个常见且影响严重的干扰, 还包括电极脱落导致的数据丢失问题[85-86]、皮肤表面的汗液或温度变化导致的电极阻抗变化问题[87]、工频干扰[88-89]等, 以及实际应用中对新动作的需求等因素或多种因素的综合干扰, 依然制约着sEMG识别系统的应用与推广.
2. 研究现状中的主要问题
综上所述, 基于sEMG的识别方法在实际应用场景中面临着诸多的非理想干扰因素, 研究者们针对各个干扰因素, 提出了丰富的干扰估计和干扰克服方法, 在很大程度上提高了肌电识别系统的鲁棒性.
然而, 在前述的诸多文献中, 多数研究内容主要集中在克服单个干扰因素的影响; 且通过特定的实验范式, 控制单变量地仅引入单个干扰因素, 与实际肌电交互场景有明显差异. 因此, 针对实际肌电交互场景的诸多干扰因素, 现有研究弱化或忽略了各个干扰因素之间不同组合而带来的耦合性, 以及由场景变化或肌电信号的时变特点而引起的过渡性.
2.1 非理想因素之间的耦合性与过渡性
1)耦合性. 指同一肌电交互场景中存在多种干扰因素, 且无法判断各类干扰的影响程度. 如当预训练识别模型应用于新用户时, 其中显而易见会引入个体性差异的干扰; 不同人在完成动作时的姿态信息、肌肉收缩方式和收缩力大小也存在差异; 而在穿戴过程中由于粘贴位置的不同, 也会耦合电极偏移的问题. 并且, 这些实际日常生活中耦合的诸多干扰之间, 较难判断究竟是由哪一种干扰因素在起主导作用.
2)过渡性. 指长时间肌电交互场景中, 某些因素的干扰程度在不断变化, 或不同场景中对肌电识别模型的目标变化. 在长时间的肌电意图识别与交互控制中, 一方面主要由于肌肉的长时间反复收缩容易引入不同程度的肌肉疲劳问题; 另一方面用户在使用过程中, 尤其是通过视觉等方式不断接收实际交互效果的反馈后, 大脑或中枢神经在刺激肌肉收缩时也会逐渐适应这种交互方式, 不自主地改变肌肉发力方式或大小[90]. 因此, 传统有监督模型, 受限于一经训练完成模型固定的特点, 将无法适用于实际应用中这类变化因素. 这一点在前述诸多干扰的应对方法中已有所体现, 部分研究者在传统有监督模型中引入自适应变量或引入迁移学习, 以增强模型的适应性, 但距离克服实际应用中的诸多干扰因素过渡性仍有较大差距.
2.2 抗干扰方法中的主要问题
如前文对诸多非理想因素的本质分析, 以及相关克服方法的综述, 如表1所示, 为克服实际应用中的诸多非理想因素, 相关研究方法可以归纳为三种基本内容: 数据扩增、鲁棒特征与模型更新.
表 1 非理想因素及解决方案Table 1 Non-ideal factors and solutions非理想因素 数据扩增 鲁棒特征 模型更新 电极偏移 1) 多位置数据扩增[13, 16]
2) 多通道数据扩增[12]
3) 惯导等数据融合[17-18]1) AR、TDAR特征[16, 19]
2) 倒频谱特征[20]
3) Variogram 特征[10]
4) 结构相似性特征[21]
5) 共空间模式特征[22]
6) 灰度共生矩阵特征[14]1) 模型修正与协方差偏移适应[24-25]
2) 期望最大化迁移学习[15, 26-27]
3) 自适应增量式混合分类器[28-29]
4) 偏移估计与模型更新[30]
5) 骨骼位置估计与校正[31]个体性差异 1) 多人数据扩增[36]
2) 惯导等数据融合[37]
3) 个体形态参数归一化[38]1) 肌电分解特征[39]
2) 多分辨率肌肉协同特征[40]
3) 共同空间映射[41]1) SVM权重更新策略[42-43, 91]
2) 典型相关分析低维共空间映射[44]
3) 用户、动作依赖的双线性模型[45]
4) 基于最大收缩力的模型泛化[46]
5) 基于卷积神经网络的模型迁移[47]肢体姿态 1) 多姿态下的数据扩增[75-77]
2) “动态训练”数据采集[70, 78]
3) 惯导等数据融合[17, 75-76, 79]1) 谱矩等频域特征[80-82]
2) 稀疏表达特征[83-84]— 肌肉疲劳 1) 频域特征归一化 (MDF, MNF[52, 92],
STFT, WT[93-94], iMDF, iMNF[56], 一维
频谱—标准差[59]等)
2) 疲劳状态的分类识别[59, 62–64]1)数据扩增. 主要是扩增更多场景下的肌电数据量, 或与其他模态传感器数据相融合; 其中扩增数据量, 一定程度上花费大量时间, 需要综合考虑个体用户的学习成本与使用负担. 而多传感器数据融合, 提供了更多人体意图的冗余和互补信息, 代表着人机交互的未来趋势之一.
2)鲁棒特征. 虽然在某些单一非理想场景中, 精心设计的鲁棒特征表现良好, 但是其推广性较差, 且在新的场景中探寻鲁棒特征较为困难. 因此, 应当结合特征工程或特征学习等方法, 为提高系统的鲁棒性提供通用的理论指导.
3)模型更新. 该方面的研究成果较为丰富, 是肌电识别研究的重要环节与主要内容. 但模型更新的代价问题, 如所需的新样本量或模型更新时间等, 则是其不得不考虑的重要因素; 另外, 多数研究中的模型更新策略通用性较差, 仅适用于特定的分类模型, 如SVM等.
最后, 即使针对同一类非理想干扰因素, 由于采用了各自的实验设备、实验范式和实验数据等, 所提方法之间未进行充分的对比. 大部分研究仅相对于未采取任何措施的方法进行对比, 验证了算法的可行性和有效性. 以往方法鲜有在当前实验中进行复现, 方法之间缺乏直接对比.
3. 非理想肌电识别的关键技术展望
因此, 本文在综述了非理想肌电的诸多干扰因素与现有文献方法的基础上, 将当前研究所面临的关键问题总结为: 1)缺乏统一的算法比较平台, 2)忽略了干扰之间的耦合性和过渡性.
本节将针对上述问题, 进一步总结分析并提出了“一个平台 + 两种方法”的关键技术展望(见图6), 包括:
1)构建统一开放的肌电等多传感器数据集作为基准平台, 使得不同研究方法之间能够进行统一比较;
2)探索基于“机器学习”和“机理建模”的肌电识别方法, 分别从特征层面与机理层面, 研究肌电信号在非理想场景下的过渡变化与多干扰之间的耦合关系.
3.1 构建统一开放的肌电等多传感器数据集
大规模有标签数据集作为主要的推动力之一, 促进了以深度学习为核心的机器学习技术, 在语音识别、图像处理与识别、自然语言处理等领域的飞速发展. 该技术主要利用了大规模有监督数据集与深层神经网络, 突破了传统机器学习算法中依赖于手工特征的局限性.
而在肌电信号识别领域, 虽然基于机器学习和模式识别的方法已经非常普遍, 但是统一开放的肌电识别数据集仍然非常鲜见. 究其原因, 一方面受限于肌电信号采集设备, 目前实验室用高精度肌电传感器普遍非常昂贵, 且采集设备在电极配置、调理电路和采样率等方面存在较大差异; 另一方面, 有别于常见的语音信号、图像、视频、文本等信息, 原始肌电信号的可理解性较差, 无法直接验证数据的真实性和可靠性, 仅能通过合理的实验范式保证数据的有效性与准确性; 并且囿于不同的应用场景和识别目标, 数据采集范式也有一定的差异.
表 2 sEMG数据集Table 2 Surface EMG signal datasets数据集 传感器 参与人数 动作类别 NinaPro[4] DB1 1) Otto Bock MyoBock 13E200 电极,
(10 通道, 肌电 RMS 特征)
2) 数据手套 Cyberglove (22 通道)27 名健康人 52 类手部动作重复 10 次 DB2/3 1) Delsys Trigno Wireless 肌电系统,
(12 通道双差分 EMG, 36 通道 ACC)
2) 数据手套 Cyberglove (22 通道)
3) 手指力传感器 (6 通道)
4) 腕部倾角传感器 (2 通道)40 名健康人 49 个手部动作重复 6 次 DB4 1) Cometa 单差分无线肌电电极 (12
通道单差分)10 名健康人 52 类手部动作重复 6 次 DB5 1) Thalmic Myo 肌电臂环 (2 套, 共计
2×8 通道单差分)
2) 数据手套 Cyberglove (22 通道)10 名健康人 52 类手部动作重复 6 次 DB6 1) Delsys Trigno Wireless 肌电系统
(14 通道, 42 通道 ACC)
2) Tobii Pro Glasses II (追踪眼动和视野)10 名健康人 7 个抓握动作重复 12 次
重复 5 天DB7 1) Delsys Trigno Wireless 肌电系统
(12 通道 EMG, 9 轴 IMU)
2) 数据手套 Cyberglove (22 通道)20 名健康人
2 名截肢者40 个手部动作重复 6 次 DB8 1) Delsys Trigno Wireless 肌电系统
(16通道 EMG, 9 轴 IMU, 采样至 2 kHz)
2) 数据手套 Cyberglove (22 通道)10 名健康人
2 名截肢者9 个手部动作 CSL-HDEMG[31] 1) HD-EMG (8×24 = 192通道) 5 名健康人 27 个手部/手指动作 CapgMyo[95] DB-a 1) HD-EMG (8×16 = 128 通道) 18 名健康人 8 个手指动作
8 个手指动作 (同上)
不同时间段重复两次
12 个手指动作DB-b 10 名健康人 DB-c 10 名健康人 UCI 等 Myo[96] 1) Thalmic Myo 肌电臂环 (8 通道) 36 名健康人 8 个抓握动作 Christos-Delsys[97] 1) Delsys Trigno Wireless (2 通道) 6 名健康人 6 个抓握动作 如同语音识别或图像处理等领域, 肌电信号识别领域亟需统一开放的数据集. 经调研, 在该领域仅存在少量公开的肌电信号相关数据集, 如NinaPro[4], CSL-HDEMG[31], CapgMyo[95]等, 其简要介绍如表2所示. 其中以NinaPro的数据集最为系统、丰富和完整, 涉及正常人和不同截肢患者的数十种手部常见动作(高达52类离散动作), 数据采集过程采用了多种常见肌电采集系统(如Delsys, Myo等), 同时引进了数据手套、力矩传感器等其他类型传感器采集, 更丰富而全面的获取手部运动信息. 目前, 已有部分研究利用该数据集进行方法测试与比较. 而CSL-HDEMG和CapgMyo等数据集, 参考了NinaPro类似的实验数据采集范式, 但更侧重在新型高密度阵列式表面肌电信号传感器, 如CSL-HDEMG重点采集了更精细手指运动范式下的肌电信号.
然而, 现有的大部分公开数据集目前仍然局限于研究理想场景下的准确性方面, 对非理想场景下的鲁棒性研究借鉴意义有限, 仅对个体性差异等干扰可以直接测试比较. 面对更多如电极偏移、肌肉疲劳、姿态干扰等非理想因素, 则无法直接处理. 因此, 针对非理想干扰的统一开放肌电数据集仍然非常重要和迫在眉睫, 需要通过系统的实验范式有目的地引入更多的干扰, 覆盖更多实际应用场景. 同时, 由前面综述的诸多非理想干扰应对方法可知, 通过融合IMU等其他类型数据是克服诸如电极偏移和姿态干扰等因素的重要途径之一. 尤其是大多数的商用sEMG传感器一般都内置IMU等传感器, 因此通常无需增加肌电交互系统的硬件成本, 可通过多传感器融合技术的方式提高人机交互的鲁棒性和稳定性. 因此, 以肌电信号为核心, 尽可能地融合更多其他类型传感器数据, 如脑电信号、眼电信号和视觉信息等, 构建统一开放的肌电等多传感器数据集, 越来越成为肌电识别与人机交互的基础研究内容之一.
3.2 探索基于机器学习的肌电识别方法
借助于机器学习的识别技术(如深度学习和迁移学习等), 研究人员逐渐克服了语音识别中的个体差异问题, 图像领域中的目标检测与分割问题, 和自然语言处理中的上下文问题等, 然而类似的科学问题在基于sEMG的人体意图识别中同样存在, 尤其存在于非理想场景下的sEMG识别中. 因此, 探索基于机器学习的肌电识别方法, 以解决非理想肌电的诸多干扰问题, 具有重要研究价值与实用意义.
3.2.1 基于深度学习的特征表示与特征学习
深度学习在图像处理等领域近期的诸多研究进展和文献综述表明, 深度学习方法之所以有效地解决了其中许多关键问题, 其最核心在于摒弃了传统机器学习方法中的手工特征等环节. 深度学习方法采用多层次的神经网络结构, 能够自主地进行特征学习和层级特征表示. 而归纳肌电识别领域的研究进展, 目前大多数的研究者, 仍然依赖于传统的机器学习范式, 尤其是依赖于大量的手工设计特征, 如时域特征、频域特征与时频域特征[1]. 目前已有部分研究开始借鉴其他领域的深度学习方法进行特征学习方面研究, 如采用时序卷积网络(Temporal-convolutional networks, TCN)提取肌电信号时序、层级特征, 提高肌电识别的准确度[98] (如图7所示); 针对多通道肌电时间序列构造二维输入, 或对单通道肌电序列提取小波变换转换成二维时频域特征表示, 进而采用类图像处理方法中的CNN网络结构, 进行特征学习[99]; 更进一步, 将传统特征与学习特征进行比较, 以实现更准确、更本质的肌电特征描述[100]. 因此采用深度学习方法, 聚焦在肌电信号的特征学习与层级特征表示方面, 是未来提高肌电识别准确性和保证非理想场景下肌电识别鲁棒性的重要研究内容之一.
但目前受限于肌电信号有限的数据集, 无法有效地在大规模的肌电数据集中通过深度神经网络进行特征学习和特征表示. 退而求其次, 更系统全面的特征提取方法研究, 对基于深度学习的肌电识别仍然具有铺垫与递进意义. 一方面传统特征提取方法具有明确的生理和物理意义. 尽管目前已有部分文献对特征提取及其他环节等进行了讨论, 但涉及的特征数量较少(一般不超过20个), 未来仍然需要更加全面和系统的特征对比、讨论和探究. 如采用TSFRESH (Time series feature extraction based on scalable hypothesis tests)等开源库进行大量的特征提取、假设性检验和特征选择等[101-102]. 另一方面, 在现有有限的数据集上, 利用已知的大量有效肌电特征作为深度神经网络的输入, 提高肌电信号的表征能力, 拓展深度神经网络的输入类型, 并降低深度神经网络的特征学习压力, 也是非常有意义的未来研究内容之一.
3.2.2 基于迁移学习的模型更新
相对于非理想因素引起的样本分布差异问题, 非理想场景下训练集与测试集之间仍然潜在着较强的关联关系或不变特征, 同样具有重要的研究意义. 如迁移学习基本框架(如图8所示), 即利用源域的相关知识或特征, 来提高模型在目标域上的识别性能(目标域虽然与源域不同但是包含相关的信息)[103]. 如前文综述, 在解决电极偏移和个体性差异等问题上, 已有部分研究者沿着这类子空间对齐[104]的迁移学习方法开展了相关的研究工作. 其原理如式(5)和式(6)所示, 以优化的思路求解特征空间的映射关系.
$$ F\left( M \right) = \left\| {{X_s}M - {X_t}} \right\|_{\rm{F}}^2$$ (5) $${M^*} = {\rm{arg}}\mathop {\min }\nolimits_M \left( {F\left( M \right)} \right)$$ (6) 其中,
$ {X}_{s} $ 表示源域的特征,$ {X}_{t} $ 表示目标域的特征,$ F(\cdot) $ 为损失函数,$ M $ 即在特征空间中源域与目标域之间的线性变换矩阵.
图 8 基于迁移学习的理想场景与非理想场景之间肌电识别模型的更新与适应Fig. 8 Update and adaptation of sEMG-based recognition model between ideal and non-ideal scenarios based on transfer learning因此, 基于迁移学习的肌电识别研究, 尤其是结合深度神经网络的特征表示方法, 为肌电识别的准确性与鲁棒性研究提供了新的研究思路.
采用迁移学习解决非理想因素的干扰问题时, 目前主要挑战之一是迁移学习或模型更新的代价, 其常常需要大量额外的样本数据用于求解源域与目标域之间的映射, 如式(5)和式(6)中的线性变换矩阵. 而主动学习(Active learning)可用于挑选最具有信息量和判别性的样本, 在未来的研究工作中, 将有利于采用最少的有监督样本与最低标注成本, 完成理想模型在非理想场景下的迁移或更新[105–107].
3.3 探索基于机理建模的肌电识别方法
前述的多种研究思路或方法, 主要从机器学习或模式识别角度展开, 但肌电信号的形成机理与肌肉收缩机制仍然具有重要的启发意义, 可用于开展基于机理建模的肌电识别研究.
图9展示了肌电信号分解的生理机制: 位于皮肤表面的肌电信号传感器所采集到的电信号, 实际上是由来自多个运动单元动作电位序列(MUAP trains), 在皮肤表面叠加而成的综合信号. 因此, 肌电分解正是将传感器采集到的sEMG还原成多个MUAP, 是肌电信号形成的逆过程. 基于肌电分解的精细建模方法将基于对运动单元的刺激收缩作为研究切入点, 在更精细和微观的层次进行肌肉收缩建模研究, 从而在生理本质上保证识别模型的可解释性和准确性, 开拓了肌电识别在机理建模方面的重要研究方向[108].
基于肌电分解等生理机制的研究思路, 由因导果(按照机体的意图产生和作用的因果关系, 逐步推导或建立肢体受刺激的动力学模型); 相对而言, 基于机器学习或模式识别的研究思路, 则是由果索因(利用已知或标定的动作标签或更高精度传感器数据作为“参考真值”, 通过识别模型的参数训练等方式, 反向建立以肌电信号为输入、运动信息为输出的模型). 两者的侧重点不同, 但对于肌电识别研究均具有重要的研究意义和实用价值. 尤其是以生理机制为基础的研究方法, 在解决非理想场景中各类干扰问题时, 更易于在机理上探索出解释性合理与鲁棒性强的肌电识别方法.
但目前而言, 基于机理建模的肌电识别方法, 除了在肌肉疲劳等方面有部分相关研究外, 在克服其他干扰方面的研究比较鲜见. 因此, 在肌电分解与肌肉机理建模的研究方面, 仍有大量的未知研究内容, 这类机理方面的研究不仅仅直接有助于更准确与更稳定的肌电识别结果; 对深度学习模型的网络设计与迁移学习的映射求解, 也将具有十分显著的启发意义.
4. 结论
随着智能假肢、可穿戴外骨骼与助力设备等康复机器人系统在本体机械结构设计与控制系统方面的不断完善, 以及高精度肌电信号硬件采集系统的性能提升, 如何实现人—机的准确、自然与稳定交互, 越来越成为人机共融系统中的瓶颈环节, 也已经逐渐成为研究热点问题. 目前, 大量基于机器学习和模式识别的肌电意图解码方法不断推陈出新, 将意图识别的准确率或精度不断提升.
然而当基于肌电信号的诸多康复机器人系统从实验室环境推广到实际日常使用时, 却面临着大量的非理想因素干扰. 本文主要聚焦在电极偏移、个体性差异、肌肉疲劳、肢体姿态和其他综合性干扰方面, 详细归纳了当前研究的干扰及其应对方法; 接着总结并讨论了研究现状中的关键问题; 最后, 提出了“一个平台+两个方法”的未来关键技术展望, 包括构建统一开放的多传感器融合数据集、探索深度学习的特征学习和基于迁移学习的模型更新与适应, 以及肌电分解研究等技术内容, 旨在为后续深入研究提供潜在的研究思路.
-
A1 MSWI过程的研究成果总结与对比
A1 Summary and comparison of research results for MSWI process
方向 子方向 侧重点 研究内容 贡献与不足 年代与文献编号 燃烧过程建模与特性分析
研究机理驱动
的燃烧过
程建模
研究MSW 床层
燃烧过程借鉴煤和焦炭的传热和传质机理构建 MSW 床层燃烧机理模型 贡献: 利用有限体积法求解机理模型, 实现机理模型仿真
不足: 未全面考虑 MSW 的化学成分和物理性质1994 [59] 将燃烧分解为干燥、热解和气化反应阶段, 建立床层燃烧基础理论模型 贡献: 分解 MSW 燃烧机理过程为 3 部分, 奠定机理分析基础
不足: 缺少燃烬区域机理1998 [60] 假设 MSW 为球形、圆柱形和平板形的均质几何体颗粒后研究燃烧模型 贡献: 能够分析颗粒尺寸对燃烧时间的影响
不足: 未考虑真实 MSW 的化学成分和物理性质1998 [61] 焚烧炉分为加热干燥区、热解区、残炭燃烧区、挥发分燃烧区、辐射传热区后建立热力学模型 贡献: 划分多个区域构建模型, 细化燃烧过程机理
不足: 未充分仿真验证所构建模型2000 [329] 研究升温、水分蒸发、高温分解、气相燃烧、焦炭氧化等过程, 分析风量与燃烧过程的关系 贡献: 构建床层燃烧一维数学模型, 给出风量与燃烧火焰面积间的关系
不足: 将 MSW 等效的几何体颗粒设置为均质化材料, 不符合实际2000 [65],
2000 [66]研究水分析出、挥发分析出、焦炭燃烧、气相燃烧和对流辐射传热区域的燃烧特性 贡献: 采用分区策略和分层计算模拟燃烧
不足: 计算量大2006 [330] 分析一维床层数学模型的热传导、反应速率和挥发分组成等参数对燃烧的影响 贡献: 能够分析一维模型参数的敏感性
不足: 分析结果仅适用于一维模型, 有待推广2007 [67] 研究挥发分燃烧中存在的反应受限模式、非充分燃烧模式和充分燃烧模式 贡献: 描述挥发分燃烧的反应物和产物沿炉排方向的分布规律
不足: 仅考虑一次风量对挥发分燃烧的影响2010 [62] 研究 MSW 水分干燥过程的机理 贡献: 分析不同因素影响, 根据 MSW 中水分质量的变化, 提出水线概念
不足: 仅考虑一次风量和风温的影响, 有待推广2011 [63] 基于 MSW 水分蒸发、挥发分析出燃烧和焦炭燃烧等模型研究炉膛温度分布和燃烧状态 贡献: 采用机理模型模拟实际 MSW 燃烧
不足: 仅考虑风量变化对燃烧过程的影响, 有待推广2015 [64] 构建移动式炉排炉的动态动力学模型 贡献: 划分料层为 N 个不等高的同质模块, 沿运动方向构建动态机理模型
不足: 模型的动态定量性能还有待验证2020 [68] 数值仿真驱
动的燃烧特
性分析固相仿真
模拟分析燃烧参数对燃烧特性的影响 贡献: 基于 2 维机理模型模拟燃烧, 开发 FLIC 软件为后续研究提供工具
不足: 软件输入参数设置较为复杂2003 [73],
2004 [74]基于离散元模型仿真燃烧过程 贡献: 提出耦合 DEM 与 ANSYS-CFX 的框架
不足: 计算消耗大, 难以直接应用于智能优化控制研究2009 [75] 气相燃烧
仿真FLUENT 仿真气相燃烧过程, 分析 SNCR 脱硝技术与 NOx 排放浓度间的映射关系 贡献: 为 SNCR 系统的设计与改造提供理论依据
不足: 难以直接应用于智能优化控制研究2010 [76],
2013 [77],
2013 [78]利用 FLUENT 仿真常规空气焚烧、富氧焚烧无烟气再循环、富氧焚烧有烟气再循环燃烧过程, 分析不同注氧装置时的速度、温度和浓度场等 贡献: 为工艺参数优化和洞悉燃烧机理提供支撑
不足: 未考虑固相燃烧, 难以直接应用于智能优化控制研究2015 [79] 固−气相耦合
仿真模拟分析 MSW 水分含量和预热空气温度对燃烧过程的影响 贡献: MSW 水分含量与燃烧效率相关性较大, 能够为工厂运行提供指导
不足: 考虑因素单一, 有待推广2007 [81] 研究 MSW 颗粒混合系数与燃烧过程生成 CO 浓度间的映射关系 贡献: 混合系数变化导致燃烧线位置变化和 CO 浓度变高, 为运行提供指导
不足: 考虑因素单一, 有待推广2008 [80] 分析一次风量分配和初始料层厚度对 MSW 减重率和炉膛出口 CO 浓度的影响 贡献: 获得风量和炉排速度的优化设计参数, 为工厂运行提供指导
不足: 考虑因素单一, 有待推广2010 [82] 研究操作量与被控量炉膛温度和工艺参数烟气停留时间之间的关系 贡献: 获得优化 NOx 和 DXN 排放浓度的工艺参数, 为工厂运行提供指导
不足: 所建模型难以应用于后续智能优化控制研究2015 [83] 分析炉排速度和堆料厚度、折焰角等炉体结构对燃烧的影响, 预测炉膛温度分布 贡献: 合适的炉排速度和二次风量角度可改善燃烧效率, 为运行提供指导
不足: 考虑因素单一, 有待推广2019 [331] FLIC 获得组分温度、速度和浓度后, 耦合 FLUENT 仿真燃烧特性和流动特性的相关信息 贡献: 描述质量、动量和传热的控制方程, 给出水分蒸发、颗粒脱挥发分、挥发分燃烧和焦炭燃烧过程的数学描述, 为洞悉机理提供支撑
不足: 难以直接应用于智能优化控制研究2002 [35] 耦合 DEM 与 FLUENT 进行燃烧过程仿真和可视化 贡献: 基于粒子模拟燃烧, 有利于分析固相、气相之间的相互作用
不足: 计算消耗大, 难以直接应用于智能优化控制研究2017 [332] 数据驱动的
燃烧过程建
模研究关键被控
变量建模基于多模型智能组合算法的炉膛温度模型 贡献: 在不同工况下进行模型的智能选择, 提高预测精度
不足: 模型训练时间过长, 仅考虑单被控变量2019 [92] 面向控制的模糊神经网络炉膛温度模型 贡献: 能够表征燃烧过程的不确定性
不足: 模型需在线训练, 仅考虑单个被控变量2004 [93],
2020 [94]基于 LS-SVR 的炉膛温度模型 贡献: 具有高于 BPNN 和 RBF 的泛化性能
不足: 仅适用单一工况建模, 仅考虑单被控变量2022 [95] 基于权重 PCA 和改进 LSTM 的烟气含氧量模型 贡献: 改进 PCA 算法, 简化了模型结构
不足: 建模时间过长, 仅适用单一工况建模, 仅考虑单被控变量2021 [97] 基于时域输入的主蒸汽温度神经网络预测模型 贡献: 考虑输入输出间的延时特性, 预测精度更高
不足: 非主要被控变量, 对智能优化控制研究的意义有限2021 [98] 基于自适应卡尔曼滤波参数更新机制的 RBF 蒸汽流量预测模型 贡献: 具有简洁的网络拓扑性
不足: 非面向控制, 仅适用于单一工况, 算法须在线应用2011 [90] 基于平均影响值算法选择特征的 RBF 蒸汽流量预测模型 贡献: 解决变量间存在的冗余性
不足: 非面向控制, 仅适用于单一工况2022 [99] 基于 LSTM 的蒸汽流量预测模型 贡献: 能够动态更新和进行准确预测
不足: 非面向控制, 仅适用于单一工况2021 [100] 烟气含氧量和锅炉蒸汽流量的ARX模型 贡献: 线性模型, 速度快
不足: 未考虑全部主要被控变量, 线性模型难以描述实际映射关系2002 [101] 基于权重自适应 PSO 的被控变量级联传递函数模型 贡献: 符合实际燃烧过程被控变量间的递进关系
不足: 未考虑多个输入变量之间的耦合2021 [102] 基于 RF 和 GBDT 的被控变量混合集成模型 贡献: 约简特征后分别对 3 个被控变量进行拟合, 精度提升
不足: 训练时间长, 未考虑被控变量间的耦合关系2021 [103] 基于 T-S 模糊神经网络的被控变量模型 贡献: 同时对多个被控变量进行建模, 考虑不确定性和相互耦合性
不足: 仅适用于单一工况, 适应性差, 模型需在线更新2022 [44] 基于过程数据和火焰图像的燃烧线量化 贡献: 综合考虑火焰图像和过程数据信息量化燃烧状态
不足: 未建立燃烧线与操作变量间的映射关系, 图像处理技术有待提升1996 [104] 辅助变量
建模基于热平衡机理视角实时估算 MSW 热值 贡献: 为燃烧过程提供实时指导并应用
不足: 难以适应复杂工况, 实用性有待提升2017 [109],
2019 [102]建立检测 MSW 热值的软仪表模型 贡献: 根据热值测量结果可实时修订控制策略, 提高燃烧效率
不足: 适用特定对象, 普适性有待提升2002 [111] 基于人工神经网络的 MSW 热值模型 贡献: 具有一定程度的工程应用价值, 为现场提供操作指导
不足: 约简了 MSW 组成成分, 造成实际热值与计算热值间存在偏差2016 [112],
2002 [113],
2003 [114],
2010 [115],
2012 [116],
2010 [117],
2021 [118],基于先验知识、专家经验和数据挖掘技术建立 MSW 热值模型 贡献: 快速、经济的 MSW 热值在线检测方法
不足: 模型适应特定对象, 可移植性差2017 [119] 基于风压、风量、负压和炉排面积等计算料层厚度 贡献: 为燃烧过程炉排速度的调节提供指导
不足: 估计值的准确性难以有效验证2019 [110],
2022 [122],
2021 [123]基于多尺度颜色矩特征和 RF 的燃烧状态识别模型 贡献: 解决固定滑动窗口只能提取固定大小特征的问题
不足: 仅识别燃烧线的位置, 不能完全表征燃烧状态, 模型精度低2019 [126] 基于生成对抗网络混合增强的燃烧状态识别模型 贡献: 克服生成式和非生成式数据增强各自存在的缺陷
不足: 仅识别燃烧线位置, 不能完全表征燃烧状态2021 [127] 基于半监督策略的状态模型识别未知火焰燃烧状态 贡献: 可识别新的未知燃烧状态, 节省计算成本
不足: 仅实现火焰状态的识别, 未涉及燃烧线位置2021 [128] 采用声波发射温度检测方法重建火焰各区域温度场 贡献: 解决热电偶测温的不准确、稳定性差等问题, 实现可视化和数字化
不足: 成本高、经济性较差, 有待推广2019 [129] 基于牛顿迭代法和 Hottel 发射率的多光谱火焰图像与火焰温度间的映射模型 贡献: 采用多波长测温法监测 MSWI 过程, 为新视角与新手段
不足: 成本高、经济性较差, 有待验证和推广2022 [130] 构建光谱仪检测火焰特征与火焰中碱性金属浓度 (钠、钾、铷) 间的映射模型 贡献: 证明碱性金属浓度与炉膛温度间的相关关系
不足: 成本高、经济性较差, 用途不明晰2017 [131],
2019 [132]基于蒙特卡罗和多个成像角度进行火焰温度三维可视化建模 贡献: 可视化三维单峰和双峰温度分布, 清晰地再现温度分布特征
不足: 仅对温度场进行建模与展示, 如何应用有待深入2002 [133] 燃烧过程
控制研究现场控制
研究进展ACC 系统 在 ACC 系统上增加控制风量和风温的模糊控制器 贡献: 面对特定对象的 ACC 系统, 提升鲁棒性和控制效果
不足: 不能脱离 ACC 系统, 仅起辅助作用, 难以推广1993 [140],
1991 [141]采用红外热像仪检测炉膛温度及其波动信息 贡献: 能够改善对 ACC 系统进行微调时的快速响应性
不足: 成本高, 难以推广1994 [142] 将烟气排放指标的控制前移, 改善 ACC 系统控制逻辑 贡献: 组合脱硝、石灰浆、排放因子等数据实现最优控制
不足: 不能脱离 ACC 系统2019 [147] 模糊控制 结合模糊推理与神经网络控制燃烧过程 贡献: 基于神经网络的燃烧状态识别模型提供反馈信息, 降低 CO 排放浓度
不足: 神经网络易过拟合, 对数据要求高1998 [143],
1996 [104]提出模糊规则控制并用于日本某 MSWI电厂 贡献: 解决燃烧过程出现的“反向响应”
不足: 适合特定对象, 在国内的推广性不强1989 [148] 总结领域工程师经验为模糊控制规则 贡献: 解决传统 PID 存在的温度波动剧烈、炉渣含量高、燃尽率差等问题
不足: 对热值低、含水量大的 MSW 控制效果较差2003 [149] 基于专家规则的燃烧控制系统 贡献: 通过专用领域知识库实现系统模块化
不足: 适用于特定场景, 系统可移植性差2006 [150] 其他改进
措施基于红外摄像机图像在线检测 MSW 、烟气和火焰等温度信息 贡献: 能够辅助进行燃烧控制
不足: 成本高, 有待推广2006 [144] 基于滤波算法控制炉膛负压与炉膛温度的稳定 贡献: 克服炉排翻动时造成的炉膛负压波动问题
不足: 未考虑对其他主要被控变量的影响2004 [145] 设计基于蒸汽流量校正的闭环控制策略 贡献: 适应 MSW 特性复杂与不稳定的问题, 有利于实现长期连续稳定运行
不足: 未考虑对其他主要被控变量的影响, 适用工况有限2017 [146] 非现场控制
研究进展单回路单
变量控制构建基于 BPNN 的 MSW 含水量估计模型, 补偿控制炉膛温度的模糊规则推料器 贡献: 解决 ACC 系统中含水量估计信息缺失导致控制精度降低的问题
不足: 未考虑对其他主要被控变量的影响1993 [140] 分析模糊规则控制器应用局限性, 构建面向炉膛温度的神经网络模糊控制器 贡献: 提高燃烧效率的同时能够降低污染物排放
不足: 未仿真测试效果1994 [151] 构建具有自调整因子的面向炉膛温度的模糊规则控制器 贡献: 依据运行状态采用修正算法调整自适应因子, 提高系统自适应性
不足: 未考虑对其他主要被控变量的影响2005 [152],
2004 [153]构建具有加权自适应因子的面向炉膛温度的模糊规则控制器 贡献: 解决相同控制策略在不同工况下导致的炉膛温度波动大的问题
不足: 未考虑对其他主要被控变量的影响2004 [154] 构建控制参数及控制规则在线整定与优化的面向炉膛温度的分层模糊规则控制器 贡献: 可依据工况选择修正因子
不足: 未考虑对其他主要被控变量的影响2004 [155] 构建基于比例因子的面向炉膛温度的 T-S 模糊神经网络控制器 贡献: 在线修正比例因子, 改善控制器性能
不足: 未考虑对其他主要被控变量的影响2011 [156] 构建面向炉膛温度的模糊自适应 PID 控制器 贡献: 自动调整 PID 控制参数, 提高系统的适应性
不足: 未考虑对其他主要被控变量的影响2008 [157] 构建基于事件触发的面向炉膛温度的 RBF-PID 控制器 贡献: 降低动态调整 PID 参数更新的次数
不足: 未考虑对其他主要被控变量的影响, 适用工况单一2022 [158] 构建面向炉膛温度的仿人智能控制器 贡献: 融合领域专家的认知经验
不足: 未考虑对其他主要被控变量的影响, 有待验证2014 [159],
2015 [160],
2016 [161]构建基于 PSO 算法改进的面向炉膛温度的仿人智能控制器 贡献: 具有很强的抑制外界脉冲干扰的能力
不足: 未考虑对其他主要被控变量的影响, 有待验证2018 [162] 构建面向烟气含氧量的自适应模型预测控制器 贡献: 采用模型参数自适应调节策略, 提高控制器的动态自适应性
不足: 未考虑对其他主要被控变量的影响, 适用工况单一2021 [163] 构建面向蒸汽流量的模糊规则控制器 贡献: 显著降低因异常工况导致的蒸汽流量波动问题
不足: 未考虑对其他主要被控变量的影响1995 [164],
2000 [165]构建基于固定时间周期窗口反馈的蒸汽流量稳定控制器 贡献: 根据炉排运动特点采取周期性控制措施, 贴合实际
不足: 未考虑对其他主要被控变量的影响, 验证模型简单2003 [166] 构建综合模糊逻辑、神经网络和进化计算的蒸汽流量控制器 贡献: 依据运行过程进行反馈控制并选择最优解
不足: 未考虑对其他主要被控变量的影响, 被控对象模型的精度有待提升2006 [167] 构建基于线性二次型的蒸汽流量控制器 贡献: 闭环运行, 稳定性提高
不足: 未考虑对其他主要被控变量的影响2020 [168] 多回路多
变量控制构建面向蒸汽流量和烟气含氧量的线性模型预测控制器 贡献: 操作变量与被控变量的误差优于传统燃烧控制系统
不足: 仅为线性控制器, 未考虑对其他主要被控变量的影响2005 [169] 构建面向蒸汽流量和烟气含氧量的非线性模型预测控制器 贡献: 通过滚动时域估计下一时刻的最优布风与布料量
不足: 未考虑对其他主要被控变量的影响2005 [170],
2008 [171]构建控制回路部分耦合的蒸汽流量和烟气含氧量 PID 控制器 贡献: 结合实际能有效改善设定点的跟踪特性
不足: 未改善 PID 控制器干扰抑制特性, 未考虑对其他主要被控变量的影响2010 [172] 构建基于神经网络 PID 的温度控制器 贡献: 控制曲线相对平稳, 炉温误差控制在 ±20 ℃ 以内
不足: 未考虑对其他主要被控变量的影响2010 [177] 构建面向炉膛温度、蒸汽流量和过热器温度的遗传算法确定全局最优模糊规则的控制器 贡献: 借助遗传算法改进模糊控制逻辑, 具有全局最优性
不足: 寻优耗时, 未考虑对其他主要被控变量的影响2000 [174] 构建面向炉膛温度、蒸汽流量和过热器温度的改进遗传模糊控制逻辑器 贡献: 基于神经网络调整模糊控制规则及相关参数, 稳定性好
不足: 寻优耗时, 易于过拟合, 未考虑对其他主要被控变量的影响2002 [175] 构建基于准对角递归神经网络的面向炉膛温度、蒸汽流量和烟气含氧量的 PID 控制器 贡献: 控制器参数根据误差信号进行自适应调整
不足: 易于过拟合, 适用工况单一2022 [178] 运行指标建模
与预测研究环保指
标研究可在线监测
环保指标基于系统辨识构建 NOx 排放的软测量模型 贡献: 消除控制系统延迟时间
不足: 辨识精度有待提升1997 [179],
1998 [180]基于连续时间系统辨识构建以烟气含氧量和二次风量为输入的 NOx 排放传函模型 贡献: 分析后给出了降低 NOx 排放的有效措施
不足: 输入有待完善, 精度有待提升2002 [181],
2006 [182]基于人工神经网络构建 NOx 排放预测模型 贡献: 预测精度较高、容错性好、泛化能力较好
不足: 易于过拟合, 对建模样本要求高2004 [183] 基于模块化神经网络构建 NOx 排放预测模型 贡献: 将预测任务分解为多个子任务以实现高效处理
不足: 易于过拟合, 子模型匹配难2020 [184],
2021 [185],
2022 [186]基于 LSTM 的 SO2 两阶段预测模型 贡献: 两阶段模型预测典型烟气污染物, 具有更好的性能
不足: 难以体现特定参数对模型的影响2021 [187] 构建基于流体动力学仿真软件的污染物排放模型, 对流场、温度分布和停留时间进行预测 贡献: 为污染减排提供工艺设计方面的指导
不足: 不能用于实际工业过程, 仅能用于优化设计分析2010 [189],
2022 [190]不可在线监
测环保指标构建烟气温度和 CO 浓度与 DXN 浓度间的映射模型 贡献: 模型简单实用, 能够为现场操作提供指导
不足: 经验公式, 考虑因素欠缺1989 [194] 构建基于多元线性回归分析的 DXN 预测模型 贡献: O2 含量为 7% 时, DXN 浓度与燃烧室温度和 CO 浓度间为线性映射
不足: 限定工况下的预测模型, 考虑因素欠缺, 对现代 MSWI电厂适用性不强1995 [195] 构建 DXN 浓度与烟气流量、炉膛温度等变量以及操作量之间的线性映射模型 贡献: 明确喷雾干燥洗涤器和袋式除尘器可有效去除 DXN
不足: 限定工况下的模型, 考虑因素欠缺, 对现代 MSWI 电厂适用性不强1995 [195] 构建烟气含氧量、一次风量占比和总风量与 DXN 浓度间的线性模型 贡献: 明确降低 DXN 形成的条件, 为操作提供指导
不足: 限定工况下的模型, 考虑因素欠缺, 对现代 MSWI 电厂适用性不强1997 [196] 构建基于遗传规划-BPNN 的 DXN软测量模型 贡献: 非线性模型, 依据数据特性寻优参数
不足: 限定工况下的模型, 考虑因素欠缺, 对现代 MSWI 电厂适用性不强2000 [197] 构建基于 GA-BPNN 的 DXN 软测量模型 贡献: 非线性模型, 依据数据特性寻优参数
不足: 易过拟合, 对建模数据要求高2008 [198] 构建基于特征选择 BPNN 的 DXN软测量模型 贡献: 输入考虑完整, 利用相关性分析和 PCA 选择特征, 量化输入影响程度
不足: 易过拟合, 对建模数据要求高, 线性特征选择方法2013 [89] 构建基于差分进化- RWNN 的 DXN软测量模型 贡献: 利用进化算法对模型参数进行了优化
不足: 存在随机性, 建模样本不足2018 [199] 构建基于虚拟样本优化选择的 DXN 排放软测量模型 贡献: 采用 RWNN 生成虚拟样本, 以泛化性能为目标优化选择虚拟样本
不足: 存在随机性, 样本数量实验确定2021 [200] 构建基于扩展、插值和多目标优化选择的 DXN 排放软测量模型 贡献: 多种方式生成虚拟样本, 优化泛化性能和样本数量以选取合格样本
不足: 存在随机性, 缺乏理论支撑, 缺乏评估准则2022 [201] 构建基于 SVR 的 DXN 排放软测量模型 贡献: 解决线性回归预测模型的泛化能力弱和稳定性差的问题, 适合小样本
不足: 考虑因素不全面, 精度有待提升2017 [202] 构建基于选择性集成核学习的 DXN 排放浓度软测量模型 贡献: 能够自适应地确定 SEN 模型结构和超参数
不足: 国外文献数据, 考虑因素不全面, 精度有待提升2019 [203] 构建基于多层特征选择的 DXN 排放浓度软测量模型 贡献: 分区域考虑相关性选择线性和非线性, 特征后再考虑共线性选择特征
不足: 国内真实数据, 线性模型, 精度有待提升2021 [205] 构建基于特征约简和选择性集成算法的 DXN 排放软测量模型 贡献: 基于线性潜结构映射模型和人工设定阈值选择特征构建非线性模型
不足: 线性特征选择方法, 丢弃部分特征2021 [206] 构建基于 RF 和 GBDT 的 DXN 软测量模型 贡献: 利用 RF 和 GBDT 的互补性提升模型精度
不足: 模型训练时间较长2020 [207] 构建基于 RF 迁移学习的 DXN 软测量模型 贡献: 迁移同工艺不同生产线的样本, 弥补数据不足
不足: 因样本数量有限, 性能有待提升2020 [208] 构建半监督改进深度信任网络的 DXN 软测量模型 贡献: 同时利用少量标记样本和大量未标记样本
不足: 深度信任网络不适合小样本建模, 精度有待提升2020 [210] 构建基于非神经网络模式 DFR 的 DXN 软测量模型 贡献: 提出面向小样本的 DFR 算法
不足: 精度有待提升, 特征传递模式单一2021 [212] 构建跨层全连接 DFR 的 DXN 软测量模型 贡献: 通过信息共享确保最大信息流以提高建模精度
不足: 训练时间长, 需要轻量化2021 [213] 构建基于 PCA-DFR 的 DXN 软测量模型 贡献: 利用 PCA 提取特征以避免原始高维特征淹没层级之间的表征特征
不足: 提取后的特征不具备物理含义, 与 DXN 的相关性未进行分析2021 [214] 构建基于改进 DFR 的 DXN 软测量模型 贡献: 加入特征选择与评估机制以减少模型计算消耗
不足: 放弃部分特征造成信息损失2022 [5] 工艺控制
研究基于计算流体动力学模拟燃烧和 NOx 排放 贡献: 明确抑制 NOx 排放的措施, 为燃烧过程的控制提供宏观指导
不足: 考虑污染物种类欠缺2019 [333] 基于计算流体动力学模拟 SNCR 脱硝过程 贡献: 仿真确定脱硝试剂的最佳喷射位置、速度和比率系数, 为操作提供宏观指导
不足: 考虑污染物种类欠缺2019 [334] 构建数值仿真模型分析供气方式对 NOx 排放的影响 贡献: 明确优化火焰燃烧位置、气体温度和热负荷分布可降低 NOx 排放
不足: 考虑污染物种类欠缺2022 [335] 基于实验室固定床反应器研究气态氨和二氧化硫对飞灰中形成有害物的影响 贡献: 为抑制飞灰中的有害物形成提供技术指导
不足: 考虑污染物种类欠缺2012 [336] 研究碱性物质对飞灰有害物的抑制作用 贡献: 为抑制飞灰中的有害物提供技术指导
不足: 考虑因素不全, 污染物种类欠缺2005 [337] 提出能保证合规性和降低污染排放率的活性碳喷入量规则 贡献: 为烟气净化过程提供宏观指导
不足: 考虑因素不全, 污染物种类欠缺2018 [338],
2020 [339]产品指标
研究飞灰 无害化处理飞灰中的氯化物和硫酸盐含量 贡献: 为无害化处理飞灰提供指导
不足: 考虑因素不全, 污染物种类欠缺2020 [220],
2017 [221]资源化处理飞灰 贡献: 降低了污染, 实现经济循环
不足: 飞灰的潜在危害如何评估未予以考虑2018 [222],
2018 [223],
2021 [224]炉渣热灼减率 研制炉渣热灼减率在线检测设备 贡献: 实现了检测自动化和实时化, 提升了分析效率, 为优化控制提供支撑
不足: 因工作环境恶劣, 难以长时间稳定运行2021 [227] 采用炉渣颜色与外貌特征和炉渣热灼减率进行关联 贡献: 采用标有热灼减率值随炉渣颜色渐变的参考卡为操作提供宏观指导
不足: 未能构建相应的计算模型2022 [228] 描述基于专家经验视角降低炉渣热灼减率的工艺控制策略 贡献: 为提高燃烧效率提供宏观指导
不足: 仅提供宏观指导, 难以应用于实际智能优化控制系统2017 [229],
2012 [230]运行监控与
故障识别
研究定性诊断 构建基于模糊专家推理的固废燃烧和余热交换子系统的故障检测 贡献: 报警限内进行征兆分析和预警, 报警限外进行故障报警、分析和识别
不足: 依赖特定对象, 普适应不强, 不能定量评估1994 [234] 基于聚类分析、神经网络和 Monte Carlo 统计进行尾气排放和蒸汽流量的在线监测及诊断 贡献: 能够监测粉尘排放, 评估蒸汽流量和 NOx 控制状态
不足: 部分尾气排放污染物未予以考虑2008 [235] 基于流程分析和经验总结构建故障树、采用规则推理专家系统诊断料层局部燃烧故障 贡献: 正确率达到 90%, 提高设备运营效率与效益
不足: 存在故障误报, 知识库依赖特定对象, 普适性弱2008 [236] 基于 BPNN 集成模型诊断排渣不畅和炉内结焦故障 贡献: 为燃烧过程控制参数的调节提供指导
不足: BPNN 易过拟合, 对建模样本要求高, 故障不能定量2008 [237] 构建基于 BPNN 的燃烧状态诊断模型 贡献: 正确率达到 99%, 诊断结果比较稳定
不足: BPNN 易过拟合, 对建模样本要求高, 故障不能定量2015 [238] 构建基于 RWNN 相似度检索的案例推理故障检测模型 贡献: 提高故障检测准确性, 降低时间复杂度
不足: RWNN 存在随机性和过拟合, 泛化能力有待提升, 对样本要求高2021 [239] 定量诊断 构建基于 PCA 与规则推理的故障定量检测 贡献: 具有工业上可接受的低错误诊断率, 为稳定运行提供支撑
不足: 线性模型, 性能有待提升2008 [243] 构建基于 PCA/PLS 的故障诊断模型 贡献: 故障检测和隔离性能良好, 两种模型的诊断结果具有一致性
不足: 线性模型, 性能有待提升2011 [244] 操作变量
(控制变量)
优化研究燃烧风量
优化设定基于领域专家知识采用案例推理的一/二次风量设定 贡献: 首次采用智能算法实现了一/二次风量的智能设定
不足: 难以寻找最优设定值2020 [245] 基于案例推理和智能补偿的二次风量优化设定 贡献: 提高了案例推理算法对风量设定的适用性
不足: 难以寻找最优设定值2022 [247] 基于分阶段多目标 PSO 算法的一/二次风量优化设定 贡献: 考虑运行指标的操作量优化设定研究, 为后续研究提供支撑
不足: 易陷入局部最优2021 [248] 进料量的
优化设定基于多目标进化算法的进料量优化设定值 贡献: 首次采用进化算法的操作量优化设定研究, 为后续研究提供支撑
不足: 收敛性难以保证, 迭代过程存在冗余信息2005 [246] 算法验证
平台研究半实物
仿真研究搭建由真实设备层和虚拟对象层组成的监控半实物仿真平台 贡献: 为算法验证提供支撑环境, 验证半实物仿真技术的可行性
不足: 未对多回路控制算法提供验证环境2021 [249] 搭建多回路控制虚拟对象模型和开发多回路控制软件系统 贡献: 具有与现场相同的信号传递方式, 为回路控制算法验证提供环境
不足: 未提供多模态数据驱动模型的研发与验证环境2023 [250] 搭建面向多模态历史数据同步的软硬件平台 贡献: 为过程数据和火焰图像驱动的智能算法验证提供支撑环境
不足: 在结合半实物平台及数字孪生系统等方面有待深入研究2022 [251] 
下载: 导出CSV
-
[1] Gómez-Sanabria A, Kiesewetter G, Klimont Z, Schoepp W, Haberl H. Potential for future reductions of global GHG and air pollutants from circular waste management systems. Nature Communications, 2022, 13(1): Article No. 106 doi: 10.1038/s41467-021-27624-7 [2] 乔俊飞, 郭子豪, 汤健. 面向城市固废焚烧过程的二噁英排放浓度检测方法综述. 自动化学报, 2020, 46(6): 1063-1089Qiao Jun-Fei, Guo Zi-Hao, Tang Jian. Dioxin emission concentration measurement approaches for municipal solid wastes incineration process: A survey. Acta Automatica Sinica, 2020, 46(6): 1063-1089 [3] 陈安, 陈晶睿, 崔晶, 范超, 韩玮. 中国31个直辖市和省会(首府)城市”垃圾围城”风险与对策研究—基于DIIS方法的实证研究. 中国科学院院刊, 2019, 34(7): 797-806Chen An, Chen Jing-Rui, Cui Jing, Fan Chao, Han Wei. Research on risks and countermeasures of “cities besieged by waste” in China-an empirical analysis based on DIIS. Bulletin of Chinese Academy of Sciences, 2019, 34(7): 797-806 [4] Walser T, Limbach L K, Brogioli R, Erismann E, Flamigni L, Hattendorf B, et al. Persistence of engineered nanoparticles in a municipal solid-waste incineration plant. Nature Nanotechnology, 2012, 7(8): 520-524 doi: 10.1038/nnano.2012.64 [5] Xia H, Tang J, Aljerf L. Dioxin emission prediction based on improved deep forest regression for municipal solid waste incineration process. Chemosphere, 2022, 294: Article No. 133716 doi: 10.1016/j.chemosphere.2022.133716 [6] Vilardi G, Verdone N. Exergy analysis of municipal solid waste incineration processes: The use of O2-enriched air and the oxy-combustion process. Energy, 2022, 239: Article No. 122147 doi: 10.1016/j.energy.2021.122147 [7] 何汶峰, 郑宇, 刘蓓蓓, 张炳. 垃圾分类政策对垃圾焚烧大气污染排放的影响. 中国环境科学, 2022, 42(5): 2433-2441He Wen-Feng, Zheng Yu, Liu Bei-Bei, Zhang Bing. Effects of garbage classification on air pollutant emissions from garbage incineration. China Environmental Science, 2022, 42(5): 2433-2441 [8] Bajić B Ž, Siniša S N, Vučurović D G, Dodic J M, Grahovac J A. Waste-to-energy status in Serbia. Renewable and Sustainable Energy Reviews, 2015, 50: 1437-1444 doi: 10.1016/j.rser.2015.05.079 [9] Kalyani K A, Pandey K K. Waste to energy status in India: A short review. Renewable and Sustainable Energy Reviews, 2014, 31: 113-120 doi: 10.1016/j.rser.2013.11.020 [10] Kumar A, Samadder S R. A review on technological options of waste to energy for effective management of municipal solid waste. Waste Management, 2017, 69: 407-422 doi: 10.1016/j.wasman.2017.08.046 [11] Liu Y L, Sun W X, Liu J G. Greenhouse gas emissions from different municipal solid waste management scenarios in China: Based on carbon and energy flow analysis. Waste Management, 2017, 68: 653-661 doi: 10.1016/j.wasman.2017.06.020 [12] Kammen D M, Sunter D A. City-integrated renewable energy for urban sustainability. Science, 2016, 352(6288): 922-928 doi: 10.1126/science.aad9302 [13] Korai M S, Mahar R B, Uqaili M A. The feasibility of municipal solid waste for energy generation and its existing management practices in Pakistan. Renewable and Sustainable Energy Reviews, 2017, 72: 338-353 doi: 10.1016/j.rser.2017.01.051 [14] 国家统计局. 中国统计年鉴. 北京: 中国统计出版社, 2021.National Bureau of Statistics. China Statistical Yearbook. Beijing: China Statistics Press, 2021. [15] Zhuang J B, Tang J, Aljerf L. Comprehensive review on mechanism analysis and numerical simulation of municipal solid waste incineration process based on mechanical grate. Fuel, 2022, 320: Article No. 123826 doi: 10.1016/j.fuel.2022.123826 [16] 生态环境部. 生活垃圾焚烧发电厂自动监测数据公开平台[Online], available: https://ljgk.envsc.cn/, 2022-12-30Ministry of Ecology and Environment. Automatic monitoring data disclosure platform for domestic waste incineration power plants [Online], available: https://ljgk.envsc.cn/, December 30, 2022 [17] Zhang L T, Liu G R, Li S M, Yang L L, Chen S. Model framework to quantify the effectiveness of garbage classification in reducing dioxin emissions. Science of the Total Environment, 2022, 814: Article No. 151941 doi: 10.1016/j.scitotenv.2021.151941 [18] 周守为, 朱军龙. 助力“碳达峰、碳中和”战略的路径探索. 天然气工业, 2021, 41(12): 1-8Zhou Shou-Wei, Zhu Jun-Long. Exploration of ways to helping “carbon peak and neutrality” strategy. Natural Gas Industry, 2021, 41(12): 1-8 [19] He Wen-Feng, Zheng Yu, Liu Bei-Bei, Zhang Bing. Effects of garbage classification on air pollutant emissions from garbage incineration. China Environmental Science, 2022, 42(5): 2433-2441 [20] 国务院. 国务院关于加快建立健全绿色低碳循环发展经济体系的指导意见[Online], available: http://www.gov.cn/zhengce/content/2021-02/22/content_5588274.htm, 2021-02-22The State Council of the People＇s Republic of China. The State Council＇s guiding opinions on accelerating the establishment and improvement of a green and low-carbon circular development economic system [Online], available: http://www.gov.cn/zhengce/content/2021-02/22/content_5588274.htm, February 22, 2021 [21] 李颖, 武学, 孙成双, 耿子洁, 张全红. 基于低碳发展的北京城市生活垃圾处理模式优化. 资源科学, 2021, 43(8): 1574-1588Li Ying, Wu Xue, Sun Cheng-Shuang, Geng Zi-Jie, Zhang Quan-Hong. Optimization of Beijing municipal solid waste treatment model based on low-carbon development. Resources Science, 2021, 43(8): 1574-1588 [22] Chu Z J, Wang W N, Zhou A, Huang W C. Charging for municipal solid waste disposal in Beijing. Waste Management, 2019, 94: 85-94 doi: 10.1016/j.wasman.2019.05.051 [23] Martínez J H, Romero S, Ramasco J J, Estrada E. The world-wide waste web. Nature Communications, 2022, 13(1): Article No. 1615 doi: 10.1038/s41467-022-28810-x [24] 殷国良, 杨凯. 垃圾焚烧发电电价补贴政策的演进及其影响分析. 法制与经济, 2021, 30(8): 115-118Yin Guo-Liang, Yang Kai. Evolution and impact analysis of electricity price subsidy policy for waste incineration power generation. Legal System and Economics, 2021, 30(8): 115-118 [25] Liang X, Kurniawan T A, Goh H H, Zhang D D, Dai W, Liu H, et al. Conversion of landfilled waste-to-electricity (WTE) for energy efficiency improvement in Shenzhen (China): A strategy to contribute to resource recovery of unused methane for generating renewable energy on-site. Journal of Cleaner Production, 2022, 369: Article No. 133078 doi: 10.1016/j.jclepro.2022.133078 [26] 龙吉生, 杜海亮, 邹昕, 黄静颖. 关于城市生活垃圾处理碳减排的系统研究. 中国科学院院刊, 2022, 37(8): 1143-1153Long Ji-Sheng, Du Hai-Liang, Zou Xin, Huang Jing-Ying. Systematic study on carbon emission reduction of municipal solid waste treatment. Bulletin of Chinese Academy of Sciences, 2022, 37(8): 1143-1153 [27] Khandelwal H, Dhar H, Thalla A K, Kumar S. Application of life cycle assessment in municipal solid waste management: A worldwide critical review. Journal of Cleaner Production, 2019, 209: 630-654 doi: 10.1016/j.jclepro.2018.10.233 [28] Kolekar K A, Hazra T, Chakrabarty S N. A review on prediction of municipal solid waste generation models. Procedia Environmental Sciences, 2016, 35: 238-244 doi: 10.1016/j.proenv.2016.07.087 [29] 黄哲程. 垃圾焚烧发电明年执行新规将公开常规污染物排放数据[Online], available: https://baijiahao.baidu.com/s?id=1652943936485626058&wfr=spider&for=pc, 2019-12-15Huang Zhe-Cheng. Waste incineration power generation will implement new regulations next year to disclose conventional pollutant emission data [Online], available: https://baijiahao.baidu.com/s?id=1652943936485626058&wfr=spider&for=pc, December 15, 2019 [30] 李娜, 马晓茜, 赵增立, 李海滨, 陈勇. 生物质气化与废弃物焚烧联合发电技术环境效益分析. 农业机械学报, 2007, 38(6): 121-124, 142Li Na, Ma Xiao-Qian, Zhao Zeng-Li, Li Hai-Bin, Chen Yong. Benefits of biomass gasification and waste incineration combined power technology on CO2 reduction. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(6): 121-124, 142 [31] 中国动力工程学会, 环保技术与装备专委会. 推广城市垃圾发电应用技术、加强行业服务交流”研讨会在天津举行. 动力工程, 2005, (4): 461China Power Engineering Committee, Environmental Protection Technology and Equipment Special Committee. Seminar on “promoting urban waste-to-energy application technology and strengthening industry service exchanges” held in Tianjin. Journal of Chinese Society of Power Engineering, 2005, (4): 461 [32] 柴天佑. 工业过程控制系统研究现状与发展方向. 中国科学: 信息科学, 2016, 46(8): 1003-1015 doi: 10.1360/N112016-00062Chai Tian-You. Industrial process control systems: Research status and development direction. Scientia Sinica Informationis, 2016, 46(8): 1003-1015 doi: 10.1360/N112016-00062 [33] 应雨轩, 林晓青, 吴昂键, 李晓东. 生活垃圾智慧焚烧的研究现状及展望. 化工学报, 2021, 72(2): 886-900Ying Yu-Xuan, Lin Xiao-Qing, Wu Ang-Jian, Li Xiao-Dong. Review and outlook on municipal solid waste smart incineration. CIESC Journal, 2021, 72(2): 886-900 [34] 桂卫华, 岳伟超, 谢永芳, 张红亮, 阳春华. 铝电解生产智能优化制造研究综述. 自动化学报, 2018, 44(11): 1957-1970Gui Wei-Hua, Yue Wei-Chao, Xie Yong-Fang, Zhang Hong-Liang, Yang Chun-Hua. A review of intelligent optimal manufacturing for aluminum reduction production. Acta Automatica Sinica, 2018, 44(11): 1957-1970 [35] Yang Y B, Goh Y R, Zakaria R, Nasserzadeh V, Swithenbank J. Mathematical modelling of MSW incineration on a travelling bed. Waste Management, 2002, 22(4): 369-380 doi: 10.1016/S0956-053X(02)00019-3 [36] Hunsinger H, Jay K, Vehlow J. Formation and destruction of PCDD/F inside a grate furnace. Chemosphere, 2002, 46(9-10): 1263-1272 doi: 10.1016/S0045-6535(01)00256-9 [37] Silpa K, Lisa C Y, Perinaz B T, Frank V W. What a waste 2.0: A global snapshot of solid waste management to 2050 [Online], available: https://openknowledge.worldbank.org/entities/publication/d3f9d45e-115f-559b-b14f-28552410e90a, September 20, 2018 [38] 谷琳, 何坤, 刘海威. 中国生活垃圾焚烧发电项目垃圾热值特性及其影响研究. 见: 中国环境科学学会2022年科学技术年会——环境工程技术创新与应用分会场论文集(三). 南昌, 中国: 《环境工程》编辑部, 2022.Gu Lin, He Kun, Liu Hai-Wei. Study on waste heat value characteristics and its impact on waste incineration power generation project in China. In: Proceedings of Environmental Engineering Technology Innovation and Application (3). Nanchang, China: Environmental Engineering Branch of Chinese Society of Environmental Sciences: Editorial Department of Environmental Engineering, 2022. [39] Yamada T, Asari M, Miura T, Niijima T, Yano J, Sakai S I. Municipal solid waste composition and food loss reduction in Kyoto City. Journal of Material Cycles and Waste Management, 2017, 19(4): 1351-1360 doi: 10.1007/s10163-017-0643-z [40] 柏杰. 垃圾焚烧锅炉的燃烧调整. 中国电力教育, 2008(S1): 277-278 doi: 10.3969/j.issn.1007-0079.2008.z2.110Bai Jie. Combustion adjustment of waste incineration boiler. China Electric Power Education, 2008(S1): 277-278 doi: 10.3969/j.issn.1007-0079.2008.z2.110 [41] 易诚明, 周平, 柴天佑. 基于即时学习的高炉炼铁过程数据驱动自适应预测控制. 控制理论与应用, 2020, 37(2): 295-306 doi: 10.7641/CTA.2019.80689Yi Cheng-Ming, Zhou Ping, Chai Tian-You. Data-driven just-in-time learning based adaptive predictive control for blast furnace Ironmaking. Control Theory & Applications, 2020, 37(2): 295-306 doi: 10.7641/CTA.2019.80689 [42] 陈宁, 周佳琪, 桂卫华, 阳春华, 戴佳阳. 针铁矿法沉铁过程双层结构优化控制. 控制理论与应用, 2020, 37(1): 222-228Chen Ning, Zhou Jia-Qi, Gui Wei-Hua, Yang Chun-Hua, Dai Jia-Yang. Two-layer optimal control for goethite iron precipitation process. Control Theory & Applications, 2020, 37(1): 222-228 [43] 李太福, 侯杰, 姚立忠, 易军, 辜小花, 游勇涛. Gamma Test噪声估计的Kalman神经网络在动态工业过程建模中的应用. 机械工程学报, 2014, 50(18): 29-35 doi: 10.3901/JME.2014.18.029Li Tai-Fu, Hou Jie, Yao Li-Zhong, Yi Jun, Gu Xiao-Hua, You Yong-Tao. Kalman artificial neural network with measurable noise estimation by Gamma Test for dynamic industrial process modeling. Journal of Mechanical Engineering, 2014, 50(18): 29-35 doi: 10.3901/JME.2014.18.029 [44] 丁海旭, 汤健, 夏恒, 乔俊飞. 基于TS-FNN的城市固废焚烧过程MIMO被控对象建模. 控制理论与应用, 2022, 39(8): 1529-1540Ding Hai-Xu, Tang Jian, Xia Heng, Qiao Jun-Fei. Modeling of MIMO controlled object in municipal solid waste incineration process based on TS-FNN. Control Theory & Applications, 2022, 39(8): 1529-1540 [45] 柴天佑. 生产制造全流程优化控制对控制与优化理论方法的挑战. 自动化学报, 2009, 35(6): 641-649 doi: 10.3724/SP.J.1004.2009.00641Chai Tian-You. Challenges of optimal control for plant-wide production processes in terms of control and optimization theories. Acta Automatica Sinica, 2009, 35(6): 641-649 doi: 10.3724/SP.J.1004.2009.00641 [46] 杨翠丽, 武战红, 韩红桂, 乔俊飞. 城市污水处理过程优化设定方法研究进展. 自动化学报, 2020, 46(10): 2092-2108Yang Cui-Li, Wu Zhan-Hong, Han Hong-Gui, Qiao Jun-Fei. Perspectives on optimal setting methods for municipal wastewater treatment processes. Acta Automatica Sinica, 2020, 46(10): 2092-2108 [47] 汤健, 柴天佑, 片锦香, 岳恒. 工业过程智能优化控制半实物仿真实验平台. 东北大学学报(自然科学版), 2009, 30(11): 1530-1533Tang Jian, Chai Tian-You, Pian Jin-Xiang, Yue Heng. A hardware-in-the-loop simulation platform for optimized intelligent control of industrial process. Journal of Northeastern University (Natural Science), 2009, 30(11): 1530-1533 [48] 白良成. 生活垃圾焚烧处理工程技术. 北京: 中国建筑工业出版社, 2009.Bai Liang-Cheng. Domestic Waste Incineration Treatment Engineering Technology. Beijing: China Architecture & Building Press, 2009. [49] 高峰. 垃圾清洁焚烧技术简介. 电站系统工程, 2007, 23(4): 70, 72Gao Feng. Introduction of clean waste incineration technology. Power System Engineering, 2007, 23(4): 70, 72 [50] 欧盟能源局. 西方几大城市的垃圾焚烧处理. 资源与人居环境, 2011(7): 60-62 doi: 10.3969/j.issn.1672-822X.2011.07.031Zhe Lun. Waste incineration in several western cities. Resources and Habitant Environment, 2011(7): 60-62 doi: 10.3969/j.issn.1672-822X.2011.07.031 [51] 赵绪平, 李志波, 李宣. 机械炉排式生活垃圾焚烧炉技术研究. 中国资源综合利用, 2017, 35(9): 135-138Zhao Xu-Ping, Li Zhi-Bo, Li Xuan. Research on technology of mechanical grate waste incinerators. China Resources Comprehensive Utilization, 2017, 35(9): 135-138 [52] 吴秋玲, 辛英杰. 垃圾焚烧炉用耐火材料及发展趋势. 国外耐火材料, 2001, 26(1): 12-17Wu Qiu-Ling, Xin Ying-Jie. Problems, possibilities and trends of refractory lining for waste incineration plants. Refractories & Lime, 2001, 26(1): 12-17 [53] 舟丹. 日本垃圾焚烧厂数量全球第一. 中外能源, 2018, 23(7): 88Zhou Dan. Japan has the largest number of waste incinerators in the world. Sino-Global Energy, 2018, 23(7): 88 [54] 孙玉修. 关于二噁英的环境污染. 环境保护科学, 1988, 14(4): 14-18Sun Yu-Xiu. About the environmental pollution of dioxin. Environmental Protection Science, 1988, 14(4): 14-18 [55] 张震天. 丹麦建造欧洲最先进的垃圾焚烧厂. 中国环保产业, 1996(6): 39Zhang Zhen-Tian. Denmark builds Europe's most advanced waste incinerator. China Environmental Protection Industry, 1996(6): 39 [56] 屠进, 宋黎萍, 池涌. 垃圾焚烧电厂焚烧炉炉型选择. 热力发电, 2003, 32(10): 5-7Tu Jin, Song Li-Ping, Chi Yong. Selection of incinerator type for power plants using MSW as fuel. Thermal Power Generation, 2003, 32(10): 5-7 [57] Wurzenberger J C, Wallner S, Raupenstrauch H, Khinast J G. Thermal conversion of biomass: Comprehensive reactor and particle modeling. AIChE Journal, 2002, 48(10): 2398-2411 doi: 10.1002/aic.690481029 [58] Rahdar M H, Nasiri F, Lee B. A review of numerical modeling and experimental analysis of combustion in moving grate biomass combustors. Energy & Fuels, 2019, 33(10): 9367-9402 [59] Peters B. A Model for Numerical Simulation of Devolatilization and Combustion of Waste Material in Packed Beds, KFK-5385, Inst. Fuer Angewandte Thermo- und Fluiddynamik (IATF), Germany, 1994. [60] Goh Y R, Siddall R G, Nasserzadeh V, Zakaria R, Swithenbank J, Lawrence D, et al. Mathematical modelling of the burning bed of a waste incinerator. Journal of the Institute of Energy, 1998, 71(487): 110-118 [61] 马晓茜, 杨泽亮. 垃圾焚烧时挥发分的析出与燃烧时间的计算. 电站系统工程, 1998, 14(6): 28-32Ma Xiao-Qian, Yang Ze-Liang. Precipitation of volatile matter and calculation of burning time during waste incineration. Power System Engineering, 1998, 14(6): 28-32 [62] 秦宇飞, 白焰, 刘雪中, 钟艳辉. 城市生活垃圾挥发分燃烧过程的建模与仿真. 动力工程学报, 2010, 30(6): 444-449, 455Qin Yu-Fei, Bai Yan, Liu Xue-Zhong, Zhong Yan-Hui. Modeling and simulation of combustion process of MSW volatile. Journal of Chinese Society of Power Engineering, 2010, 30(6): 444-449, 455 [63] 白焰, 秦宇飞, 冯峰, 潘竟斌. 垃圾焚烧炉内水分干燥过程分析及其仿真研究. 中国电机工程学报, 2011, 31(20): 19-26Bai Yan, Qin Yu-Fei, Feng Feng, Pan Jing-Bin. Drying process analysis and simulation of water in municipal solid waste incinerator. Proceedings of the CSEE, 2011, 31(20): 19-26 [64] 王康, 黄伟, 陆娟, 王殿, 许清. 垃圾焚烧炉排炉动态特性建模与仿真. 工业锅炉, 2015(4): 6-9Wang Kang, Huang Wei, Lu Juan, Wang Dian, Xu Qing. Dynamic modeling and simulation of garbage combustion in grate furnaces. Industrial Boilers, 2015(4): 6-9 [65] Shin D, Choi S. The combustion of simulated waste particles in a fixed bed. Combustion and Flame, 2000, 121(1-2): 167-180 doi: 10.1016/S0010-2180(99)00124-8 [66] Saastamoinen J J, Taipale R, Horttanainen M, Sarkomaa P. Propagation of the ignition front in beds of wood particles. Combustion and Flame, 2000, 123(1-2): 214-226 doi: 10.1016/S0010-2180(00)00144-9 [67] Johansson R, Thunman H, Leckner B. Sensitivity analysis of a fixed bed combustion model. Energy & Fuels, 2007, 21(3): 1493-1503 [68] Magnanelli E, Tranås O L, Carlsson P, Mosby J, Becidan M. Dynamic modeling of municipal solid waste incineration. Energy, 2020, 209: Article No. 118426 doi: 10.1016/j.energy.2020.118426 [69] Hoang Q N, Vanierschot M, Blondeau J, Croymans T, Pittoors R, Van Caneghem J. Review of numerical studies on thermal treatment of municipal solid waste in packed bed combustion. Fuel Communications, 2021, 7: Article No. 100013 doi: 10.1016/j.jfueco.2021.100013 [70] Alobaid F, Almohammed N, Farid M M, May J, Rößger P, Richter A, et al. Progress in CFD simulations of fluidized beds for chemical and energy process engineering. Progress in Energy and Combustion Science, 2022, 91: Article No. 100930 doi: 10.1016/j.pecs.2021.100930 [71] Goh Y R, Lim C N, Zakaria R, Chan K H, Reynolds G, Yang Y B, et al. Mixing, modelling and measurements of incinerator bed combustion. Process Safety and Environmental Protection, 2000, 78(1): 21-32 doi: 10.1205/095758200530411 [72] Chen J K, Tang J, Xia H, Yu W, Qiao J F. Modelling the furnace temperature field of a municipal solid waste incinerator using the numerical simulation and the deep forest regression algorithm. Fuel, 2023, 347: 1−20 [73] Yang Y B, Yamauchi H, Nasserzadeh V, Swithenbank J. Effects of fuel devolatilisation on the combustion of wood chips and incineration of simulated municipal solid wastes in a packed bed. Fuel, 2003, 82(18): 2205-2221 doi: 10.1016/S0016-2361(03)00145-5 [74] Yang Y B, Ryu C, Goodfellow J, Sharifi V N, Swithenbank J. Modelling waste combustion in grate furnaces. Process Safety and Environmental Protection, 2004, 82(3): 208-222 doi: 10.1205/095758204323065975 [75] Simsek E, Brosch B, Wirtz S, Scherer V, Krüll F. Numerical simulation of grate firing systems using a coupled CFD/discrete element method (DEM). Powder Technology, 2009, 193(3): 266-273 doi: 10.1016/j.powtec.2009.03.011 [76] 黄昕. 生活垃圾焚烧烟气脱硝技术的优选及优化设计的数值模拟[硕士学位论文], 华南理工大学, 中国, 2010.Huang Xin. The Optimal Selection and Numerical Simulation on Optimal Design of De-NOx Technologies for MSW Incineration flue Gas [Master thesis], South China University of Technology, China, 2010. [77] 李艳丽. 垃圾焚烧烟气脱硝的CFD数值模拟研究[硕士学位论文], 哈尔滨工业大学, 中国, 2013.Li Yan-Li. Numerial Studies on Computational Fluid Dynamic Simulations of Flue Gas DeNOx Process in a Waste Incinerator [Master thesis], Harbin Institute of Technology, China, 2013. [78] 蔡洁聪, 陈镇超. 600t/d垃圾焚烧炉选择性非催化还原脱硝技术研究. 热力发电, 2013, 42(2): 30-35, 53Cai Jie-Cong, Chen Zhen-Chao. SNCR denitrification technology for a 600t/d MSW incinerator. Thermal Power Generation, 2013, 42(2): 30-35, 53 [79] 王克. 基于CFD的垃圾炉排焚烧炉富氧焚烧技术开发及注氧器的优化设计[硕士学位论文], 华中科技大学, 中国, 2015.Wang Ke. Development of Oxygen-Enriched Incineration Technology in The Municipal Solid Waste Grate Incinerator Based on CFD and Optimization Design of Oxygen Injector [Master thesis], Huazhong University of Science and Technology, China, 2015. [80] Yang Y B, Swithenbank J. Mathematical modelling of particle mixing effect on the combustion of municipal solid wastes in a packed-bed furnace. Waste Management, 2008, 28(8): 1290-1300 doi: 10.1016/j.wasman.2007.04.012 [81] Yang Y B, Sharifi V N, Swithenbank J. Numerical simulation of municipal solid waste incineration in a moving-grate furnace and the effect of waste moisture content. Progress in Computational Fluid Dynamics, 2007, 7(5): 261-273 doi: 10.1504/PCFD.2007.013887 [82] 林海, 马晓茜, 余昭胜. 大型城市生活垃圾焚烧炉的数值模拟. 动力工程学报, 2010, 30(2): 128-132Lin Hai, Ma Xiao-Qian, Yu Zhao-Sheng. Numerical simulation of large-scale municipal solid waste incinerator. Journal of Chinese Society of Power Engineering, 2010, 30(2): 128-132 [83] Costa M, Indrizzi V, Massarotti N, Mauro A. Modeling and optimization of an incinerator plant for the reduction of the environmental impact. International Journal of Numerical Methods for Heat & Fluid Flow, 2015, 25(6): 1463-1487 [84] Bardi S, Astolfi A. Modeling and control of a waste-to-energy plant[Applications of Control]. IEEE Control Systems Magazine, 2010, 30(6): 27-37 doi: 10.1109/MCS.2010.938099 [85] 赵春晖, 韩红桂, 周平, 刘毅, 尚超. 复杂工业过程智能建模与控制方法及应用专题序言. 控制工程, 2022, 29(4): 577-580Zhao Chun-Hui, Han Hong-Gui, Zhou Ping, Liu Yi, Shang Chao. Intelligent modeling and control methods and applications of complex industrial processes. Control Engineering of China, 2022, 29(4): 577-580 [86] 孙备, 张斌, 阳春华, 桂卫华. 有色冶金净化过程建模与优化控制问题探讨. 自动化学报, 2017, 43(6): 880-892Sun Bei, Zhang Bin, Yang Chun-Hua, Gui Wei-Hua. Discussion on modeling and optimal control of nonferrous metallurgical purification process. Acta Automatica Sinica, 2017, 43(6): 880-892 [87] 刘强, 秦泗钊. 过程工业大数据建模研究展望. 自动化学报, 2016, 42(2): 161-171Liu Qiang, Qin Si-Zhao. Perspectives on big data modeling of process industries. Acta Automatica Sinica, 2016, 42(2): 161-171 [88] El Asri R, Baxter D. Process control in municipal solid waste incinerators: Survey and assessment. Waste Management & Research, 2004, 22(3): 177-185 [89] Bunsan S, Chen W Y, Chen H W, Chuang Y H, Grisdanurak N. Modeling the dioxin emission of a municipal solid waste incinerator using neural networks. Chemosphere, 2013, 92(3): 258-264 doi: 10.1016/j.chemosphere.2013.01.083 [90] Giantomassi A, Ippoliti G, Longhi S, Bertini I, Pizzuti S. On-line steam production prediction for A municipal solid waste incinerator by fully tuned minimal RBF neural networks. Journal of Process Control, 2011, 21(1): 164-172 doi: 10.1016/j.jprocont.2010.11.002 [91] 胡林静, 仝傲宇, 刘鸿宾, 林咸钗. 关于循环流化床锅炉燃烧温度系统的建模控制. 计算机仿真, 2019, 36(1): 112-116, 121Hu Lin-Jing, Tong Ao-Yu, Liu Hong-Bin, Lin Xian-Chai. Modeling and control of combustion temperature system of circulating fluidized bed boiler. Computer Simulation, 2019, 36(1): 112-116, 121 [92] 唐振浩, 张宝凯, 曹生现, 王恭, 赵波. 基于多模型智能组合算法的锅炉炉膛温度建模. 化工学报, 2019, 70(S2): 301-310Tang Zhen-Hao, Zhang Bao-Kai, Cao Sheng-Xian, Wang Gong, Zhao Bo. Furnace temperature modeling based on multi-model intelligent combination algorithm. CIESC Journal, 2019, 70(S2): 301-310 [93] 沈凯, 陆继东, 昌鹏, 李正华, 刘刚. 垃圾焚烧炉炉温控制模糊神经网络模型研究. 燃烧科学与技术, 2004, 10(6): 516-520Shen Kai, Lu Ji-Dong, Chang Peng, Li Zheng-Hua, Liu Gang. Research on combustion temperature fuzzy neural network model of incinerators. Journal of Combustion Science and Technology, 2004, 10(6): 516-520 [94] He H J, Meng X, Tang J, Qiao J F, Guo Z H. Prediction of MSWI furnace temperature based on TS fuzzy neural network. In: Proceedings of the 39th Chinese Control Conference (CCC). Shenyang, China: IEEE, 2020. 5701−5706 [95] 严爱军, 胡开成. 城市生活垃圾焚烧炉温控制的多目标优化设定方法. 控制理论与应用, 2023, 40(4): 693−701Yan Ai-Jun, Hu Kai-Cheng. Multi-objective optimization setting method for temperature control of municipal solid waste incinerator. Control Theory & Applications, 2023, 40(4): 693−701 [96] Rogaume T, Jabouille F, Torero J L. Identification of two combustion regimes depending of the excess air of combustion during waste incineration. In: Proceedings of Eurotherm Seminar No. 81 Reactive Heat Transfer in Porous Media. Albi, France: 2007. [97] Sun J, Meng X, Qiao J F. Prediction of oxygen content using weighted PCA and improved LSTM network in MSWI process. IEEE Transactions on Instrumentation and Measurement, 2021, 70: Article No. 2507512 [98] Hu Q X, Long J S, Wang S K, He J J, Bai L, Du H L, et al. A novel time-span input neural network for accurate municipal solid waste incineration boiler steam temperature prediction. Journal of Zhejiang University-Science A, 2021, 22(10): 777-791 doi: 10.1631/jzus.A2000529 [99] 孙剑, 蒙西, 乔俊飞. 基于MIV-RBF神经网络的主蒸汽流量软测量方法. 控制工程, 2022, 29(10): 1829-1834Sun Jian, Meng Xi, Qiao Jun-Fei. Soft sensor method of main steam flow based on mean impact value and radial basis function neural network. Control Engineering of China, 2022, 29(10): 1829-1834 [100] 杨培培, 骆嘉辉, 姚心, 张瑛华, 刘海威. 基于垃圾焚烧运行参数的主蒸汽参数预测研究. 有色设备, 2021, 35(1): 15-19Yang Bei-Bei, Luo Jia-Hui, Yao Xin, Zhang Ying-Hua, Liu Hai-Wei. Prediction of main steam parameters based on incineration MSW operation parameters. Nonferrous Metallurgical Equipment, 2021, 35(1): 15-19 [101] Leskens M, Van Kessel L B M, Van Den Hof P M J. MIMO closed-loop identification of an MSW incinerator. Control Engineering Practice, 2002, 10(3): 315-326 doi: 10.1016/S0967-0661(01)00139-3 [102] Chen J K, Tang J, Xia H, Wang D D, Wang T Z, Xu W. Cascade transfer function models of MSWI process based on weight adaptive particle swarm optimization. In: Proceedings of the China Automation Congress (CAC). Beijing, China: IEEE, 2021. 5553−5558 [103] Wang T Z, Tang J, Xia H. Key controlled variable model of MSWI process based on ensembled decision tree algorithm. In: Proceedings of the China Automation Congress (CAC). Beijing, China: IEEE, 2021. 5038−5043 [104] Miyamoto Y, Nishino K, Sawai T, Nambu E. Development of “AI-VISION” for fluidized-bed incinerator. In: Proceedings of IEEE/SICE/RSJ International Conference on Multisensor Fusion and Integration for Intelligent Systems (Cat. No. 96TH8242). Washington, USA: IEEE, 1996. 72−77 [105] 钱锋, 杜文莉, 钟伟民, 唐漾. 石油和化工行业智能优化制造若干问题及挑战. 自动化学报, 2017, 43(6): 893-901Qian Feng, Du Wen-Li, Zhong Wei-Min, Tang Yang. Problems and challenges of smart optimization manufacturing in petrochemical industries. Acta Automatica Sinica, 2017, 43(6): 893-901 [106] Qian F. Smart and optimal manufacturing: The key for the transformation and development of the process industry. Engineering, 2017, 3(2): Article No. 151 doi: 10.1016/J.ENG.2017.02.016 [107] 王丹, 李旭清, 杨万勤. 生活垃圾热值计算模型研究进展. 新能源进展, 2022, 10(1): 69-79Wang Dan, Li Xu-Qing, Yang Wan-Qin. Review of heating value estimating models for municipal solid waste. Advances in New and Renewable Energy, 2022, 10(1): 69-79 [108] Chang Y F, Lin C J, Chyan J M, Chen I M, Chang J E. Multiple regression models for the lower heating value of municipal solid waste in Taiwan. Journal of Environmental Management, 2007, 85(4): 891-899 doi: 10.1016/j.jenvman.2006.10.025 [109] 陈亮, 郭峰, 李学平, 许润, 刘金刚. 基于垃圾热值计算的垃圾焚烧炉燃烧控制方案设计与实现. 仪器仪表标准化与计量, 2017(6): 26-27, 45Chen Liang, Guo Feng, Li Xue-Ping, Xu Run, Liu Jin-Gang. Design and application of waste incinerator control scheme based on waste heat value calculation. Instrument Standardization & Metrology, 2017(6): 26-27, 45 [110] 曾卫东, 田爽, 袁亚辉, 常威武. 垃圾焚烧炉自动燃烧控制系统设计与实现. 热力发电, 2019, 48(3): 109-113Zeng Wei-Dong, Tian Shuang, Yuan Ya-Hui, Chang Wei-Wu. Design and implementation of ACC system for waste incinerator. Thermal Power Generation, 2019, 48(3): 109-113 [111] Van Kessel L B M, Leskens M, Brem G. On-line calorific value sensor and validation of dynamic models applied to municipal solid waste combustion. Process Safety and Environmental Protection, 2002, 80(5): 245-255 doi: 10.1205/095758202762277605 [112] 丁兰, 张文阳, 张良均, 陈俊德. 基于人工神经网络的居民生活垃圾可燃成分热值预测. 环境工程学报, 2016, 10(2): 899-905Ding Lan, Zhang Wen-Yang, Zang Liang-Jun, Chen Jun-De. Prediction of household waste combustible component calorific value based on artificial neural network. Chinese Journal of Environmental Engineering, 2016, 10(2): 899-905 [113] 董长青, 金保升. 神经网络法用于预测城市生活垃圾热值. 热能动力工程, 2002, 17(3): 275-278Dong Chang-Qing, Jin Bao-Sheng. Prediction of the heating value of municipal solid waste (MSW) with the use of a neural network method. Journal of Engineering for Thermal Energy and Power, 2002, 17(3): 275-278 [114] Dong C Q, Jin B S, Li D J. Predicting the heating value of MSW with a feed forward neural network. Waste Management, 2003, 23(2): 103-106 doi: 10.1016/S0956-053X(02)00162-9 [115] 张瑛华, 张友富, 王洪. 基于神经网络的生活垃圾低位热值计算模型的研究与应用. 电力建设, 2010, 31(9): 94-97Zhang Ying-Hua, Zhang You-Fu, Wang Hong. Research and application of the LHV of MSW calculation model based on neural network. Electric Power Construction, 2010, 31(9): 94-97 [116] 马晓茜, 谢泽琼. 基于BP神经网络的垃圾热值预测模型. 科技导报, 2012, 30(23): 46-50 doi: 10.3981/j.issn.1000-7857.2012.23.006Ma Xiao-Qian, Xie Ze-Qiong. Prediction models for the heating values of municipal refuse based on BP Neural Network. Science & Technology Review, 2012, 30(23): 46-50 doi: 10.3981/j.issn.1000-7857.2012.23.006 [117] Akkaya E, Demir A. Predicting the heating value of municipal solid waste-based materials: An artificial neural network model. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2010, 32(19): 1777-1783 doi: 10.1080/15567030902882950 [118] 丁晨曦, 严爱军. 城市生活垃圾热值的特征变量选择方法及预测建模. 北京工业大学学报, 2021, 47(8): 874-885 doi: 10.11936/bjutxb2021010011Ding Chen-Xi, Yan Ai-Jun. Characteristic variable selection method and predictive modeling for municipal solid waste heat value. Journal of Beijing University of Technology, 2021, 47(8): 874-885 doi: 10.11936/bjutxb2021010011 [119] You H H, Ma Z Y, Tang Y J, Wang Y L, Yan J H, Ni M J, et al. Comparison of ANN (MLP), ANFIS, SVM, and RF models for the online classification of heating value of burning municipal solid waste in circulating fluidized bed incinerators. Waste Management, 2017, 68: 186-197 doi: 10.1016/j.wasman.2017.03.044 [120] Rostami A, Baghban A. Application of a supervised learning machine for accurate prognostication of higher heating values of solid wastes. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2018, 40(5): 558-564 doi: 10.1080/15567036.2017.1360967 [121] 谢昊源, 黄群星, 林晓青, 李晓东, 严建华. 基于图像深度学习的垃圾热值预测研究. 化工学报, 2021, 72(5): 2773-2782Xie Hao-Yuan, Huang Qun-Xing, Lin Xiao-Qing, Li Xiao-Dong, Yan Jian-Hua. Study on the calorific value prediction of municipal solid wastes by image deep learning. CIESC Journal, 2021, 72(5): 2773-2782 [122] 冯轶骁. 基于自动化流程的垃圾焚烧炉控制方法研究. 电器工业, 2022(5): 63-66Feng Yi-Xiao. Research on control method of waste incinerator based on automatic process. China Electrical Equipment Industry, 2022(5): 63-66 [123] 张丽霞. 垃圾焚烧机组燃烧状态监测与建模[硕士学位论文], 华北电力大学(北京), 中国, 2021.Zhang Li-Xia. Combustion State Monitoring and Modeling of Municipal Solid Waste Incineration Units [Master thesis], North China Electric Power University, China, 2021. [124] 李俊欣. 垃圾焚烧自动控制系统应用研究[硕士学位论文], 华南理工大学, 中国, 2015.Li Jun-Xin. Application Research for Waste-to-Energy Plant Automatic Combustion Control System [Master thesis], South China University of Technology, China, 2015. [125] Ballester J, García-Armingol T. Diagnostic techniques for the monitoring and control of practical flames. Progress in Energy and Combustion Science, 2010, 36(4): 375-411 doi: 10.1016/j.pecs.2009.11.005 [126] Duan H S, Tang J, Qiao J F. Recognition of combustion condition in MSWI process based on multi-scale color moment features and random forest. In: Proceedings of Chinese Automation Congress (CAC). Hangzhou, China: IEEE, 2019. 2542−2547 [127] 郭海涛, 汤健, 丁海旭, 乔俊飞. 基于混合数据增强的MSWI过程燃烧状态识别. 自动化学报, DOI: 10.16383/j.aas.c210843Guo Hai-Tao, Tang Jian, Ding Hai-Xu, Qiao Jun-Fei. Combustion states recognition method of mswi process based on mixed data enhancement. Acta Automatica Sinica, DOI: 10.16383/j.aas.c210843 [128] Han Z Z, Li J, Zhang B, Hossain M, Xu C L. Prediction of combustion state through a semi-supervised learning model and flame imaging. Fuel, 2021, 289: Article No. 119745 doi: 10.1016/j.fuel.2020.119745 [129] 孙成永, 尚江伟. 垃圾焚烧厂炉膛温度监测技术探讨. 环境与发展, 2019, 31(9): 138-140Sun Cheng-Yong, Shang Jiang-Wei. Discussion on furnace temperature monitoring technology in refuse incinerator. Environment and Development, 2019, 31(9): 138-140 [130] Zheng S, Cai W G, Sui R, Luo Z X, Lu Q. In-situ measurements of temperature and emissivity during MSW combustion using spectral analysis and multispectral imaging processing. Fuel, 2022, 323: Article No. 124328 doi: 10.1016/j.fuel.2022.124328 [131] Yan W J, Lou C, Cheng Q, Zhao P T, Zhang X Y. In situ measurement of alkali metals in an MSW incinerator using a spontaneous emission spectrum. Applied Sciences, 2017, 7(3): Article No. 263 doi: 10.3390/app7030263 [132] He X H, Lou C, Qiao Y, Lim M. In-situ measurement of temperature and alkali metal concentration in municipal solid waste incinerators using flame emission spectroscopy. Waste Management, 2020, 102: 486-491 doi: 10.1016/j.wasman.2019.11.015 [133] Zhou H C, Han S D, Sheng F, Zheng C G. Visualization of three-dimensional temperature distributions in a large-scale furnace via regularized reconstruction from radiative energy images: Numerical studies. Journal of Quantitative Spectroscopy and Radiative Transfer, 2002, 72(4): 361-383 doi: 10.1016/S0022-4073(01)00130-3 [134] 苏小江. 生活垃圾往复式机械炉排焚烧炉控制系统优化研究[硕士学位论文], 清华大学, 中国, 2012.Su Xiao-Jiang. Optimization of Control System for Municipal Solid Waste Reciprocating Machinery Incinerator [Master thesis], Tsinghua University, China, 2012. [135] Samad T, Bauer M, Bortoff S, Cairano S D, Fagiano L, Odgaard P F, et al. Industry engagement with control research: Perspective and messages. Annual Reviews in Control, 2020, 49: 1-14 doi: 10.1016/j.arcontrol.2020.03.002 [136] Hershkowitz A, Salerni E. Municipal solid waste incineration in Japan. Environmental Impact Assessment Review, 1989, 9(3), 257-278 doi: 10.1016/0195-9255(89)90008-5 [137] 夏恒,汤健,崔璨麟,乔俊飞.基于宽度混合森林回归的城市固废焚烧过程二噁英排放软测量.自动化学报,2023,49(2):343-365Xia Heng, Tang Jian, Cui Can-Lin, Qiao Jun-Fei. Soft sensing method of dioxin emission in municipal solid waste incineration process based on broad hybrid forest regression. Acta Automatica Sinica, 2023, 49(2): 343−365 [138] Tujimoto S, Fujikawa H, Akiyama J, Matsuda Y. Automatic combustion control system for a new-generation stoker-type waste incineration plant. EICA, 2004, 9(2): 197-200 [139] 朱亮, 陈涛, 王健生, 钱中华, 张二威, 洪益州, 等. 自动燃烧控制系统(ACC)垃圾热值估算模型研究. 环境卫生工程, 2015, 23(6): 33-35Zhu Liang, Chen Tao, Wang Jian-Sheng, Qian Zhong-Hua, Zhang Er-Wei, Hong Yi-Zhou, et al. Estimation model of waste heat value under automatic combustion control system (ACC). Environmental Sanitation Engineering, 2015, 23(6): 33-35 [140] 钱大群, 孙振飞. 一个垃圾焚烧智能控制系统. 信息与控制, 1993, 22(6): 374-377Qian Da-Qun, Sun Zhen-Fei. A waste incineration intelligent control system. Information and Control, 1993, 22(6): 374-377 [141] Onishi K. Fuzzy control of municipal refuse incineration plant. Automatic Measurement Control Society, 1991, 27(3): 326-332 [142] Schuler F, Rampp F, Martin J, Wolfrum J. TACCOS-A thermography-assisted combustion control system for waste incinerators. Combustion and Flame, 1994, 99(2): 431-439 doi: 10.1016/0010-2180(94)90150-3 [143] Miyamoto Y, Kurosaki Y, Fujiyama H, Nanbu E. Dynamic characteristic analysis and combustion control for a fluidized bed incinerator. Control Engineering Practice, 1998, 6(9): 1159-1168 doi: 10.1016/S0967-0661(98)00134-8 [144] Zipser S, Gommlich A, Matthes J, Keller H B. Combustion plant monitoring and control using infrared and video cameras. IFAC Proceedings Volumes, 2006, 39(7): 249-254 doi: 10.3182/20060625-4-CA-2906.00048 [145] 曾卫东, 薛宪民, 薛景杰. 炉排炉垃圾焚烧控制特点. 热力发电, 2004, 33(12): 57-58Zeng Wei-Dong, Xue Xian-Min, Xue Jing-Jie. Features of MSW incineration control in stocker-fired boiler. Thermal Power Generation, 2004, 33(12): 57-58 [146] 许润, 刘金刚. 一种炉排式垃圾焚烧炉燃烧自动控制策略. 仪器仪表标准化与计量, 2017(5): 28-30, 36Xu Run, Liu Jin-Gang. An automatic control strategy for combustion of grate-type waste incinerator. Instrument Standardization & Metrology, 2017(5): 28-30, 36 [147] 王海强. 垃圾焚烧炉ACC自动燃烧控制系统的拓展应用研究. 见: 中国环境科学学会科学技术年会论文集(第四卷). 西安, 中国: 中国环境科学学会, 2019. 3731−3735Wang Hai-Qiang. Research on extended application of ACC automatic combustion control system for waste incinerator. In: Proceedings of the Annual Conference of Science and Technology of the Chinese Society of Environmental Sciences (Volume IV). Xi＇an, China: Chinese Society of Environmental Sciences, 2019. 3731−3735 [148] Ono H, Ohnishi T, Terada Y. Combustion control of refuse incineration plant by fuzzy logic. Fuzzy Sets and Systems, 1989, 32(2): 193-206 doi: 10.1016/0165-0114(89)90254-6 [149] 沈凯, 陆继东, 董统永, 昌鹏. 垃圾焚烧炉稳定燃烧的模糊控制系统研究. 中国电力, 2003, 36(8): 47-50Shen Kai, Lu Ji-Dong, Dong Tong-Yong, Chang Peng. A fuzzy control system for stabilizing combustion of destructor. Electric Power, 2003, 36(8): 47-50 [150] Carrasco F, Llauró X, Poch M. A methodological approach to knowledge-based control and its application to a municipal solid waste incineration plant. Combustion Science and Technology, 2006, 178(4): 685-705 doi: 10.1080/00102200500248243 [151] Krause B, Von Altrock C, Limper K, Schäfers W. A neuro-fuzzy adaptive control strategy for refuse incineration plants. Fuzzy Sets and Systems, 1994, 63(3): 329-338 doi: 10.1016/0165-0114(94)90219-4 [152] Shen K, Lu J D, Li Z H, Liu G. An adaptive fuzzy approach for the incineration temperature control process. Fuel, 2005, 84(9): 1144-1150 doi: 10.1016/j.fuel.2004.06.042 [153] 沈凯, 陆继东, 昌鹏, 李正华, 刘刚. 模糊自适应方法在垃圾焚烧炉温度控制系统中的应用. 动力工程, 2004, 24(3): 366-369, 410Shen Kai, Lu Ji-Dong, Chang Peng, Li Zheng-Hua, Liu Gang. Application of adaptive fuzzy control method in combustion temperature process control system of incinerator. Journal of Chinese Society of Power Engineering, 2004, 24(3): 366-369, 410 [154] 昌鹏, 陆继东, 沈凯, 李正华. 垃圾焚烧炉炉温加权因子自适应控制方法的研究. 锅炉技术, 2004, 35(6): 77-81Chang Peng, Lu Ji-Dong, Shen Kai, Li Zheng-Hua. Research on weight factor adaptive control system of incinerator temperature. Boiler Technology, 2004, 35(6): 77-81 [155] 王毅, 马晓茜, 廖艳芬. 垃圾焚烧炉的分层模糊控制系统. 工业炉, 2004, 26(6): 29-34Wang Yi, Ma Xiao-Qian, Liao Yan-Fen. Layered fuzzy control system of destructor. Industrial Furnace, 2004, 26(6): 29-34 [156] 胡兴武, 罗毅. 基于比例因子的T-S模型模糊控制器的研究. 见: 全国冶金自动化信息网2011年年会论文集. 合肥, 中国: 2011. 231−233Hu Xing-Wu, Luo-Yi. Research on T-S model fuzzy controller based on scale factor. In: Proceedings of the Annual Meeting of the National Metallurgical Automation Information Network. Hefei, China: 2011. 231−233 [157] 代启化, 王俊. 生活垃圾焚烧炉温的Fuzzy-PID控制. 合肥学院学报(自然科学版), 2008, 18(3): 39-42, 92Dai Qi-Hua, Wang Jun. Fuzzy-PID control on garbage incineration temperature. Journal of Hefei University (Natural Sciences), 2008, 18(3): 39-42, 92 [158] 何海军, 蒙西, 汤健, 乔俊飞. 基于ET-RBF-PID的城市固废焚烧过程炉膛温度控制方法. 控制理论与应用, 2022, 39(12): 2262-2273He Hai-Jun, Meng Xi, Tang Jian, Qiao Jun-Fei. ET-RBF-PID-based control method for furnace temperature of municipal waste incineration process. Control Theory & Applications, 2022, 39(12): 2262-2273 [159] Ni Y M, Li L. Garbage incineration and intelligent fusion strategy of secondary pollution control. Advanced Materials Research, 2013, 853: 323-328 doi: 10.4028/www.scientific.net/AMR.853.323 [160] 肖前军, 许虎. 生活垃圾焚烧炉燃烧过程温度的仿人智能控制. 智能系统学报, 2015, 10(6): 881-885 doi: 10.11992/tis.201507039Xiao Qian-Jun, Xu Hu. Algorithm for human-simulated intelligent temperature control of incinerator combustion process of urban household garbage. CAAI Transactions on Intelligent Systems, 2015, 10(6): 881-885 doi: 10.11992/tis.201507039 [161] Wu Q, Xu H. Intelligent control strategy of incineration process pollution in municipal solid waste. International Conference on Oriental Thinking and Fuzzy Logic. Cham: Springer, 2016. 311−319 [162] 巫茜. 采用PSO改进的智能算法在焚烧污染控制中的应用. 重庆理工大学学报(自然科学), 2018, 32(12): 133-138Wu Qian. Application study of PSO improving based intelligent algorithm in incineration polution control. Journal of Chongqing University of Technology (Natural Science), 2018, 32(12): 133-138 [163] 孙剑, 蒙西, 乔俊飞. 城市固废焚烧过程烟气含氧量自适应预测控制. 自动化学报, DOI: 10.16383/j.aas.c210935Sun Jian, Meng Xi, Qiao Jun-Fei. Adaptive predictive control of oxygen content in flue gas for municipal solid waste incineration process. Acta Automatica Sinica, DOI: 10.16383/j.aas.c210935 [164] Chen D S. Fuzzy logic control of batch-feeding refuse incineration. In: Proceedings of the 3rd International Symposium on Uncertainty Modeling and Analysis and Annual Conference of the North American Fuzzy Information Processing Society. Nagoya, USA: IEEE, 1995. 58−63 [165] Yang X, Soh Y C. Fuzzy logic control of batch-feeding refuse incineration process. In: Proceedings of the 26th Annual Conference of the IEEE Industrial Electronics Society, IECON 2000, 2000 IEEE International Conference on Industrial Electronics, Control and Instrumentation, 21st Century Technologies. Nagoya, Japan: IEEE, 2000. 2684−2689 [166] Watanabe N. A periodic strategy for combustion control of incinerators. In: Proceedings of the SICE Annual Conference (IEEE Cat. No.03TH8734). Fukui, Japan: IEEE, 2003. 526−529 [167] Annunziato M, Bertini I, Pannicelli A, Pizzuti S. A nature-inspired-modeling-optimization-control system applied to a waste incinerator plant. In: Proceedings of the 2nd European Symposium NiSIS. Puerto de la Cruz, Spain: 2006. 1−10 [168] Falconi F, Guillard H, Capitaneanu S, Raïssi T. Control strategy for the combustion optimization for waste-to-energy incineration plant. IFAC-PapersOnLine, 2020. 53(2): 13167-13172 doi: 10.1016/j.ifacol.2020.12.125 [169] Leskens M, Van Kessel L B M, Bosgra O H. Model predictive control as a tool for improving the process operation of MSW combustion plants. Waste Management, 2005, 25(8): 788-798 doi: 10.1016/j.wasman.2005.03.005 [170] Leskens M, Van Kessel L B M, Van Den Hof P M J, Bosgra O H. Nonlinear model predictive control with moving horizon state and disturbance estimation-with application to MSW combustion. IFAC Proceedings Volumes, 2005, 38(1): 291-296 [171] Leskens M, Van Der Linden R, Van Kessel L B M, Bosgra O H, Van Den Hof P M J. Nonlinear model predictive control of municipal solid waste combustion plants. In: Proceedings of the International Workshop on Assessment and Future Directions of Nonlinear Model Predictive Control. Pavia, Italy: 2008. 1−8 [172] Leskens M, Van't Veen P P, Van Kessel L B M, Bosgra O H, Van Den Hof P M J. Improved economic operation of MSWC plants with a new model based pid control strategy. IFAC Proceedings Volumes, 2010, 43(5): 655-660 doi: 10.3182/20100705-3-BE-2011.00109 [173] 丁海旭, 汤健, 乔俊飞. 城市固废焚烧过程数据驱动建模与自组织控制. 自动化学报, 2023, 49(3): 550-566Ding Hai-Xu, Tang Jian, Qiao Jun-Fei. Data-driven modeling and self-organizing control of municipal solid waste incineration process. Acta Automatica Sinica, 2023, 49(3): 550-566 [174] Chang N B, Chen W C. Fuzzy controller design for municipal incinerators with the aid of genetic algorithms and genetic programming techniques. Waste Management & Research, 2000, 18(5): 429-443 [175] Chen W C, Chang N B, Chen J C. GA-based fuzzy neural controller design for municipal incinerators. Fuzzy Sets and Systems, 2002, 129(3): 343-369 doi: 10.1016/S0165-0114(01)00205-6 [176] 肖会芹. 垃圾焚烧过程自适应模糊复合控制策略. 计算机工程与应用, 2010, 46(3): 201-203, 206Xiao Hui-Qin. Adaptive fuzzy composite control strategy for waste incineration process. Computer Engineering and Applications, 2010, 46(3): 201-203, 206 [177] 湛腾西. 垃圾焚烧过程智能集成控制. 机床与液压, 2010, 38(18): 85-87Zhan Teng-Xi. Intelligent integration control for waste incineration process. Machine Tool & Hydraulics, 2010, 38(18): 85-87 [178] Ding H X, Tang J, Qiao J F. MIMO modeling and multi-loop control based on neural network for municipal solid waste incineration. Control Engineering Practice, 2022, 127: Article No. 105280 doi: 10.1016/j.conengprac.2022.105280 [179] Matsumura S, Iwahara T, Suzuki M, Shioya H, Koide T. Improvement of De-NOx device control performance using software sensor. IFAC Proceedings Volumes, 1997, 30(11): 1433-1438 doi: 10.1016/S1474-6670(17)43044-8 [180] Matsumura S, Iwahara T, Ogata K, Fujii S, Suzuki M. Improvement of de-NOx device control performance using a software sensor. Control Engineering Practice, 1998, 6(10): 1267-1276 doi: 10.1016/S0967-0661(98)00127-0 [181] Huselstein E, Garnier H, Richard A, Guernion P Y. Experimental modeling of NOx emissions in municipal solid waste incinerator. IFAC Proceedings Volumes, 2002, 35(1): 89-94 [182] Rao G P, Unbehauen H. Identification of continuous-time systems. IEE Proceedings-Control Theory and Applications, 2006, 153(2): 185-220 doi: 10.1049/ip-cta:20045250 [183] 张东平, 严建华, 池涌, 岑可法. 流化床垃圾焚烧NOx排放的神经网络预测. 电站系统工程, 2004, 20(3): 1-3Zhang Dong-Ping, Yan Jian-Hua, Chi Yong, Cen Ke-Fa. Prediction of NOx emission in a MSW-fired fluidized bed with nonlinear theory. Power System Engineering, 2004, 20(3): 1-3 [184] 段滈杉, 乔俊飞, 蒙西, 汤健. 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量. 见: 第31届中国过程控制会议(CPCC 2020)摘要集. 徐州, 中国: 中国自动化学会过程控制专业委员会, 2020.Duan Hao-Shan, Qiao Jun-Fei, Meng Xi, Tang Jian. Soft measurement of nitrogen oxides in municipal solid waste incineration process using modular neural network. In: Proceedings of Abstract Collection of the 31st China Process Control Conference. Xuzhou, China: Process Control Professional Committee of the Chinese Society of Automation, Chinese Society of Automation, Process Control Professional Committee of the Chinese Society of Automation, 2020. [185] Meng X, Tang J, Qiao J F. NOx emissions prediction with a brain-inspired modular neural network in municipal solid waste incineration processes. IEEE Transactions on Industrial Informatics, 2022, 18(7): 4622-4631 doi: 10.1109/TII.2021.3116528 [186] Duan H S, Meng X, Tang J, Qiao J F. Prediction of NOx concentration using modular long short-term memory neural network for municipal solid waste incineration. Chinese Journal of Chemical Engineering, 2023, 56: 46-57 doi: 10.1016/j.cjche.2022.06.028 [187] Li S Y, Zhang Y F, Song W B, Zhang C J, Zhao C, Shen W M, et al. Prediction of typical flue gas pollutants from municipal solid waste incineration plants. In: Proceedings of the IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD). Dalian, China: IEEE, 2021. 1304−1309 [188] Antonioni G, Guglielmi D, Cozzani V, Stramigioli C, Corrente D. Modelling and simulation of an existing MSWI flue gas two-stage dry treatment. Process Safety and Environmental Protection, 2014, 92(3): 242-250 doi: 10.1016/j.psep.2013.02.005 [189] Liang Z Y, Ma X Q. Mathematical modeling of MSW combustion and SNCR in a full-scale municipal incinerator and effects of grate speed and oxygen-enriched atmospheres on operating conditions. Waste Management, 2010, 30(12): 2520-2529 doi: 10.1016/j.wasman.2010.05.006 [190] Ma W C, Liu X, Ma C, Gu T B, Chen G Y. Basic: A comprehensive model for SOx formation mechanism and optimization in municipal solid waste (MSW) combustion. ACS Omega, 2022, 7(5): 3860-3871 doi: 10.1021/acsomega.0c03287 [191] Ma Y F, Wang P Y, Lin X Q, Chen T, Li X D. Formation and inhibition of Polychlorinated-ρ-dibenzodioxins and dibenzofurans from mechanical grate municipal solid waste incineration systems. Journal of Hazardous Materials, 2021, 403: Article No. 123812 doi: 10.1016/j.jhazmat.2020.123812 [192] Xia H, Tang J, Aljerf L, Wang T Z, Qiao J F, Xu Q D, et al. Investigation on dioxins emission characteristic during complete maintenance operating period of municipal solid waste incineration. Environmental Pollution, 2023, 318: 1-14 [193] Zhang H J, Ni Y W, Chen J P, Zhang Q. Influence of variation in the operating conditions on PCDD/F distribution in a full-scale MSW incinerator. Chemosphere, 2008, 70(4): 721-730 doi: 10.1016/j.chemosphere.2007.06.054 [194] Hasberg W, May H, Dorn I. Description of the residence-time behaviour and burnout of PCDD, PCDF and other higher chlorinated aromatic hydrocarbons in industrial waste incineration plants. Chemosphere, 1989, 19(1-6): 565-571 doi: 10.1016/0045-6535(89)90372-X [195] Chang N B, Huang S H. Statistical modelling for the prediction and control of PCDDs and PCDFs emissions from municipal solid waste incinerators. Waste Management & Research, 1995, 13(4): 379-400 [196] Ishikawa R, Buekens A, Huang H, Watanabe K. Influence of combustion conditions on dioxin in an industrial-scale fluidized-bed incinerator: Experimental study and statistical modelling. Chemosphere, 1997, 35(3): 465-477 doi: 10.1016/S0045-6535(97)00112-4 [197] Chang N B, Chen W C. Prediction of PCDDs/PCDFs emissions from municipal incinerators by genetic programming and neural network modeling. Waste Management & Research, 2000, 18(4): 341-351 [198] 王海瑞, 张勇, 王华. 基于GA和BP神经网络的二噁英软测量模型研究. 微计算机信息, 2008, 24(21): 222-224, 233Wang Hai-Rui, Zhang Yong, Wang Hua. A study of GA-BP based prediction model of Dioxin emission from MSW incinerator. Microcomputer Information, 2008, 24(21): 222-224, 233 [199] Tang J, Qiao J F, Li W T. Simplified stochastic configuration network-based optimised soft measuring model by using evolutionary computing framework with its application to dioxin emission concentration estimation. International Journal of System Control and Information Processing, 2018, 4(2): 332-365 [200] 汤健, 王丹丹, 郭子豪, 乔俊飞. 基于虚拟样本优化选择的城市固废焚烧过程二噁英排放浓度预测. 北京工业大学学报, 2021, 47(5): 431-443Tang Jian, Wang Dan-Dan, Guo Zi-Hao, Qiao Jun-Fei. Prediction of dioxin emission concentration in the municipal solid waste incineration process based on optimal selection of virtual samples. Journal of Beijing University of Technology, 2021, 47(5): 431-443 [201] Tang J, Xia H, Aljerf L, Wang D D, Ukaogo P O. Prediction of dioxin emission from municipal solid waste incineration based on expansion, interpolation, and selection for small samples. Journal of Environmental Chemical Engineering, 2022, 10(5): Article No. 108314 doi: 10.1016/j.jece.2022.108314 [202] 肖晓东, 卢加伟, 海景, 廖利. 垃圾焚烧烟气中二噁英类浓度的支持向量回归预测. 可再生能源, 2017, 35(8): 1107-1114Xiao Xiao-Dong, Lu Jia-Wei, Hai Jing, Liao Li. Prediction of dioxin emissions in flue gas from waste incineration based on support vector regression. Renewable Energy Resources, 2017, 35(8): 1107-1114 [203] 汤健, 乔俊飞. 基于选择性集成核学习算法的固废焚烧过程二噁英排放浓度软测量. 化工学报, 2019, 70(2): 696-706Tang Jian, Qiao Jun-Fei. Dioxin emission concentration soft measuring approach of municipal solid waste incineration based on selective ensemble kernel learning algorithm. CIESC Journal, 2019, 70(2): 696-706 [204] 汤健, 乔俊飞, 郭子豪. 基于潜在特征选择性集成建模的二噁英排放浓度软测量. 自动化学报, 2022, 48(1): 223-238Tang Jian, Qiao Jun-Fei, Guo Zi-Hao. Dioxin emission concentration soft measurement based on multi-source latent feature selective ensemble modeling for municipal solid waste incineration process. Acta Automatica Sinica, 2022, 48(1): 223-238 [205] 乔俊飞, 郭子豪, 汤健. 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量. 信息与控制, 2021, 50(1): 75-87Qiao Jun-Fei, Guo Zi-Hao, Tang Jian. Soft sensing of dioxin emission concentration in solid waste incineration process based on multi-layer feature selection. Information and Control, 2021, 50(1): 75-87 [206] 汤健, 乔俊飞, 徐喆, 郭子豪. 基于特征约简与选择性集成算法的城市固废焚烧过程二噁英排放浓度软测量. 控制理论与应用, 2021, 38(1): 110-120Tang Jian, Qiao Jun-Fei, Xu Zhe, Guo Zi-Hao. Soft measuring approach of dioxin emission concentration in municipal solid waste incineration process based on feature reduction and selective ensemble algorithm. Control Theory & Applications, 2021, 38(1): 110-120 [207] Xia H, Tang J, Qiao J F, Yan A J, Guo Z H. Soft measuring method of dioxin emission concentration for MSWI process based on RF and GBDT. In: Proceedings of the Chinese Control and Decision Conference (CCDC). Hefei, China: IEEE, 2020. 2173−2178 [208] Xia H, Tang J, Cong Q M, Qiao J F, Xu Z. Dioxin emission concentration forecasting model for MSWI process with random forest-based transfer learning. In: Proceedings of the 39th Chinese Control Conference (CCC). Shenyang, China: IEEE, 2020. 5724−5729 [209] Xia H, Tang J, Qiao J F, Zhang J, Yu W. DF classification algorithm for constructing a small sample size of data-oriented DF regression model. Neural Computing and Applications, 2022, 34(4): 2785-2810 doi: 10.1007/s00521-021-06809-7 [210] Guo Z H, Tang J, Qiao J F, He H J. Dioxin emission concentration soft measurement model of MSWI process based on unmarked samples and improved deep belief network. In: Proceedings of the 39th Chinese Control Conference (CCC). Shenyang, China: IEEE, 2020. 5784−5789 [211] Zhou Z H, Feng J. Deep forest. National Science Review, 2019, 6(1): 74-86 doi: 10.1093/nsr/nwy108 [212] 汤健, 夏恒, 乔俊飞, 郭子豪. 深度集成森林回归建模方法及应用. 北京工业大学学报, 2021, 47(11): 1219-1229Tang Jian, Xia Heng, Qiao Jun-Fei, Guo Zi-Hao. Modeling method of deep ensemble forest regression with its application. Journal of Beijing University of Technology, 2021, 47(11): 1219-1229 [213] Tang J, Xia H, Zhang J, Qiao J F, Yu W. Deep forest regression based on cross-layer full connection. Neural Computing and Applications, 2021, 33(15): 9307-9328 doi: 10.1007/s00521-021-05691-7 [214] Xu W, Tang J, Xia H, Sun Z J. Prediction method of dioxin emission concentration based on PCA and deep forest regression. In: Proceedings of the 40th Chinese Control Conference (CCC). Shanghai, China: IEEE, 2021. 1212−1217 [215] 徐雯, 汤健, 夏恒, 乔俊飞. 基于Bagging半监督深度森林回归的二噁英排放浓度软测量. 仪器仪表学报, 2022, 43(6): 251-259Xu Wen, Tang Jian, Xia Heng, Qiao Jun-Fei. Soft sensor of dioxin emission concentration based on Bagging semi-supervised deep forest regression. Chinese Journal of Scientific Instrument, 2022, 43(6): 251-259 [216] 柴天佑, 刘强, 丁进良, 卢绍文, 宋延杰, 张艺洁. 工业互联网驱动的流程工业智能优化制造新模式研究展望. 中国科学: 技术科学, 2022, 52(1): 14-25 doi: 10.1360/SST-2021-0405Chai Tian-You, Liu Qiang, Ding Jin-Liang, Lu Shao-Wen, Song Yan-Jie, Zhang Yi-Jie. Perspectives on industrial-internet-driven intelligent optimized manufacturing mode for process industries. Scientia Sinica Technologica, 2022, 52(1): 14-25 doi: 10.1360/SST-2021-0405 [217] Ghouleh Z, Shao Y X. Turning municipal solid waste incineration into a cleaner cement production. Journal of Cleaner Production, 2018, 195: 268-279 doi: 10.1016/j.jclepro.2018.05.209 [218] Li G L, Wu Q R, Wang S X, Li Z J, Liang H Y, Tang Y, et al. The influence of flue gas components and activated carbon injection on mercury capture of municipal solid waste incineration in China. Chemical Engineering Journal, 2017, 326: 561-569 doi: 10.1016/j.cej.2017.05.099 [219] Li W H, Sun Y J, Huang Y M, Shimaoka T, Wang H W, Wang Y N, et al. Evaluation of chemical speciation and environmental risk levels of heavy metals during varied acid corrosion conditions for raw and solidified/stabilized MSWI fly ash. Waste Management, 2019, 87: 407-416 doi: 10.1016/j.wasman.2019.02.033 [220] Dontriros S, Likitlersuang S, Janjaroen D. Mechanisms of chloride and sulfate removal from municipal-solid-waste-incineration fly ash (MSWI FA): Effect of acid-base solutions. Waste Management, 2020, 101: 44-53 doi: 10.1016/j.wasman.2019.09.033 [221] Yang Z Z, Tian S C, Ji R, Liu L L, Wang X D, Zhang Z T. Effect of water-washing on the co-removal of chlorine and heavy metals in air pollution control residue from MSW incineration. Waste Management, 2017, 68: 221-231 doi: 10.1016/j.wasman.2017.06.039 [222] Joseph A M, Snellings R, Van Den Heede P, Matthys S, De Belie N. The use of municipal solid waste incineration ash in various building materials: A Belgian point of view. Materials, 2018, 11(1): Article No. 141 doi: 10.3390/ma11010141 [223] Quina M J, Bontempi E, Bogush A, Schlumberger S, Weibel G, Braga R, et al. Technologies for the management of MSW incineration ashes from gas cleaning: New perspectives on recovery of secondary raw materials and circular economy. Science of the Total Environment, 2018, 635: 526-542 doi: 10.1016/j.scitotenv.2018.04.150 [224] Zhang Y Y, Wang L, Chen L, Ma B, Zhang Y K, Ni W, et al. Treatment of municipal solid waste incineration fly ash: State-of-the-art technologies and future perspectives. Journal of Hazardous Materials, 2021, 411: Article No. 125132 doi: 10.1016/j.jhazmat.2021.125132 [225] Margallo M, Taddei M B M, Hernández-Pellón A, Aldaco R, Irabien Á. Environmental sustainability assessment of the management of municipal solid waste incineration residues: A review of the current situation. Clean Technologies and Environmental Policy, 2015, 17(5): 1333-1353 doi: 10.1007/s10098-015-0961-6 [226] Huber F, Blasenbauer D, Aschenbrenner P, Fellner J. Complete determination of the material composition of municipal solid waste incineration bottom ash. Waste Management, 2020, 102: 677-685 doi: 10.1016/j.wasman.2019.11.036 [227] 罗建明, 曾麟, 陈岳飞. 焚烧残渣热灼减率自动测定仪的研制. 中国测试, 2021, 47(9): 169-174Luo Jian-Ming, Zeng Lin, Chen Yue-Fei. Development of automatic measuring instrument for the thermal reduction rate of incineration residue. China Measurement & Test, 2021, 47(9): 169-174 [228] 孙佛芹, 李文祥, 谭昊, 陈晨, 沈东升, 龙淤洋. 基于炉渣图像处理的生活垃圾焚烧效果快速评测方法. 环境科学学报, 2022, 42(3): 285-292Sun Fo-Qin, Li Wen-Xiang, Tan Hao, Chen Chen, Shen Dong-Sheng, Long Yu-Yang. Rapid evaluation method of domestic waste incineration effect based on slag image processing. Acta Scientiae Circumstantiae, 2022, 42(3): 285-292 [229] 黄旌. 炉排式垃圾焚烧炉运行中的两个问题分析及措施. 科技创新导报, 2017, 14(9): 82-83Huang Jing. Analysis and measures of two problems in the operation of grate type waste incinerator. Science and Technology Innovation Herald, 2017, 14(9): 82-83 [230] 杨倩, 吕宙峰. 降低回转窑焚烧垃圾炉渣热酌减率的几种方法. 轻工科技, 2012, 28(7): 107-108Yang Qian, Lv Zhou-Feng. Several methods for reducing the thermal reduction rate of the slag in the rotary kiln incineration. Light Industry Science and Technology, 2012, 28(7): 107-108 [231] Zhang S R, Jiang X G, Lv G J, Liu B X, Jin Y Q, Yan J H. SO2, NOx, HF, HCl and PCDD/Fs emissions during Co-combustion of bituminous coal and pickling sludge in a drop tube furnace. Fuel, 2016, 186: 91-99 doi: 10.1016/j.fuel.2016.08.061 [232] Guo F H, Zhong Z P. Co-combustion of anthracite coal and wood pellets: Thermodynamic analysis, combustion efficiency, pollutant emissions and ash slagging. Environmental Pollution, 2018, 239: 21-29 doi: 10.1016/j.envpol.2018.04.004 [233] Johnke B, Grover V K, Hogland W. Current situation of waste incineration and energy recovery in Germany. Recovering Energy from Waste: Various Aspects. Plymouth: Science Publishers, 2002. 195−200 [234] Ono H. Diagnosis system of abnormality in refuse incineration plant using fuzzy logic. JSME International Journal. Ser. C, Dynamics, Control, Robotics, Design and Manufacturing, 1994, 37(2): 307-314 doi: 10.1299/jsmec1993.37.307 [235] Chen J C, Lin K Y. Diagnosis for monitoring system of municipal solid waste incineration plant. Expert Systems With Applications, 2008, 34(1): 247-255 doi: 10.1016/j.eswa.2006.09.002 [236] 陶怀志, 孙巍, 赵劲松, 陈晓春, 杨一新. 专家系统在垃圾焚烧炉故障诊断中的应用. 环境科学与技术, 2008, 31(11): 65-68Tao Huai-Zhi, Sun Wei, Zhao Jin-Song, Chen Xiao-Chun, Yang Yi-Xin. Fault diagnosis using expert system for municipal solid waste incineration. Environmental Science & Technology, 2008, 31(11): 65-68 [237] 陶怀志, 孙巍, 赵劲松, 陈晓春, 杨一新. 基于神经网络的垃圾焚烧炉过程控制. 计算机与应用化学, 2008, 25(7): 859-862Tao Huai-Zhi, Sun Wei, Zhao Jin-Song, Chen Xiao-Chun, Yang Yi-Xin. Process control using BP neural networks for incineration of municipal solid waste. Computers and Applied Chemistry, 2008, 25(7): 859-862 [238] 周志成. 基于图像处理和人工智能的垃圾焚烧炉燃烧状态诊断研究[硕士学位论文], 东南大学, 中国, 2015.Zhou Zhi-Cheng. Study on Diagnosis of Combustion State in Refuse Incinerator Based on Digital Image Processing and Artificial Intelligence [Master thesis], Southeast University, China, 2015. [239] Ding C X, Yan A J. Fault detection in the MSW incineration process using stochastic configuration networks and case-based reasoning. Sensors, 2021, 21(21): Article No. 7356 doi: 10.3390/s21217356 [240] Qin S J. Survey on data-driven industrial process monitoring and diagnosis. Annual Reviews in Control, 2012, 36(2): 220-234 doi: 10.1016/j.arcontrol.2012.09.004 [241] 刘强, 柴天佑, 秦泗钊, 赵立杰. 基于数据和知识的工业过程监视及故障诊断综述. 控制与决策, 2010, 25(6): 801-807, 813Liu Qiang, Chai Tian-You, Qin Si-Zhao, Zhao Li-Jie. Progress of data-driven and knowledge-driven process monitoring and fault diagnosis for industry process. Control and Decision, 2010, 25(6): 801-807, 813 [242] 樊继聪, 王友清, 秦泗钊. 联合指标独立成分分析在多变量过程故障诊断中的应用. 自动化学报, 2013, 39(5): 494-501Fan Ji-Cong, Wang You-Qing, Qin Si-Zhao. Combined indices for ICA and their applications to multivariate process fault diagnosis. Acta Automatica Sinica, 2013, 39(5): 494-501 [243] Zhao J S, Huang J C, Sun W. On-line early fault detection and diagnosis of municipal solid waste incinerators. Waste Management, 2008, 28(11): 2406-2414 doi: 10.1016/j.wasman.2007.11.014 [244] Tavares G, Zsigraiova Z, Semiao V, Da Graca Carvalho M. Monitoring, fault detection and operation prediction of MSW incinerators using multivariate statistic methods. Waste Management, 2011, 31(7): 1635-1644 doi: 10.1016/j.wasman.2011.02.005 [245] 夏恒. 城市生活垃圾焚烧过程风量智能设定方法及仿真平台研发[硕士学位论文], 北京工业大学, 中国, 2020.Xia Heng. Development of Intelligent Air Volume Setting Method and Simulation Platform for Municipal Solid Waste Incineration [Master thesis], Beijing University of Technology, China, 2020. [246] Anderson S R, Kadirkamanathan V, Chipperfield A, Sharifi V, Swithenbank J. Multi-objective optimization of operational variables in a waste incineration plant. Computers & Chemical Engineering, 2005, 29(5): 1121-1130. [247] 丁晨曦, 严爱军, 王殿辉. 城市生活垃圾焚烧过程二次风量智能优化设定方法. 控制与决策, 2022: 1−9Ding Chen-Xi, Yan Ai-Jun, Wang Dian-Hui. Intelligent optimization setting method of secondary air volume in municipal solid waste incineration process. Control and Decision, 2022: 1−9 [248] 乔俊飞, 崔莺莺, 蒙西, 汤健. 城市固废焚烧过程风量智能优化设定方法, 中国 113742997A, 2021-12-03Qiao Jun-Fei, Cui Ying-Ying, Meng Xi, Tang Jian. The Intelligent Optimization Setting Method of Air Flow for Municipal Solid Waste Incineration Process, CN 113742997A, December 3, 2021 [249] 严爱军, 夏恒, 刘溪芷. 城市生活垃圾焚烧过程监控半实物仿真平台研发. 系统仿真学报, 2021, 33(6): 1427-1435Yan Ai-Jun, Xia Heng, Liu Xi-Zhi. Development of semi-physical simulation platform for monitoring municipal solid waste incineration process. Journal of System Simulation, 2021, 33(6): 1427-1435 [250] 王天峥, 汤健, 夏恒, 乔俊飞. 城市固废焚烧过程的回路控制半实物仿真平台. 系统仿真学报, 2023, 35(2): 241-253 doi: 10.16182/j.issn1004731x.joss.21-1184Wang Tian-Zheng, Tang Jian, Xia Heng, Qiao Jun-Fei. Hardware-in-the-loop simulation platform of loop control for municipal solid waste incineration process. Journal of System Simulation, 2023, 35(2): 241-253 doi: 10.16182/j.issn1004731x.joss.21-1184 [251] 王天峥, 汤健, 夏恒, 潘晓彤, 乔俊飞, 刘溪芷. 多模态数据驱动的城市固废焚烧过程验证平台设计与实现. 中国电机工程学报, 2023, 43(12): 4697−4708Wang Tian-Zheng, Tang Jian, Xia Heng, Pan Xiao-Tong, Qiao Jun-Fei, Liu Xi-Zhi. Design and implementation of multimodal data-driven verification platform for urban solid waste incineration process. Proceedings of the CSEE, 2023, 43(12): 4697−4708 [252] Fu L M, Yang Q, Liu X X, Wang Z. Three-stage model based evaluation of local residents' acceptance towards waste-to-energy incineration project under construction: A Chinese perspective. Waste Management, 2021, 121: 105-116 doi: 10.1016/j.wasman.2020.11.039 [253] 张晓东, 周劲松, 骆仲泱, 王铁柱, 许明, 岑可法. 生物质中热值气化技术中试实验. 太阳能学报, 2003, 24(1): 74-79Zhang Xiao-Dong, Zhou Jin-Song, Luo Zhong-Yang, Wang Tie-Zhu, Xu Ming, Cen Ke-Fa. Experiments of biomass gasification for medium calorific gas on a pilot scale gasifier. Acta Energiae Solaris Sinica, 2003, 24(1): 74-79 [254] 严建华, 高雅丽, 张志霄, 池涌, 岑可法. 废轮胎回转窑中试热解油的理化性质. 燃料化学学报, 2003, 31(6): 589-594Yan Jian-Hua, Gao Ya-Li, Zhang Zhi-Xiao, Chi Yong, Cen Ke-Fa. Characteristics of pyrolytic oil derived from pilot-scale pyrolysis of scrap tires. Journal of Fuel Chemistry and Technology, 2003, 31(6): 589-594 [255] Yang T, Yi X L, Lu S W, Johansson K H, Chai T Y. Intelligent manufacturing for the process industry driven by industrial artificial intelligence. Engineering, 2021, 7(9): 1224-1230 doi: 10.1016/j.eng.2021.04.023 [256] 工业智能白皮书. 北京: 工业互联网产业联盟[Online], available: https://www.miit.gov.cn/ztzl/rdzt/gyhlw/cgzs/art/2020/art_e1842c433fce43e39a45ce 96be50213a.html, 2020-04-26Industrial Intelligence White Paper. Beijing: Industrial internet industry alliance [Online], available: https://www.miit.gov.cn/ztzl/rdzt/gyhlw/cgzs/art/2020/art_e1842c433fce43e39a45ce, April 26, 2020 [257] 柴天佑. 自动化科学与技术发展方向. 自动化学报, 2018, 44(11): 1923-1930Chai Tian-You. Development directions of automation science and technology. Acta Automatica Sinica, 2018, 44(11): 1923-1930 [258] 陈龙, 刘全利, 王霖青, 赵珺, 王伟. 基于数据的流程工业生产过程指标预测方法综述. 自动化学报, 2017, 43(6): 944-954Chen Long, Liu Quan-Li, Wang Lin-Qing, Zhao Jun, Wang Wei. Data-driven prediction on performance indicators in process industry: A survey. Acta Automatica Sinica, 2017, 43(6): 944-954 [259] Yu W K, Zhao C H, Huang B. Stationary subspace analysis-based hierarchical model for batch processes monitoring. IEEE Transactions on Control Systems Technology, 2021, 29(1): 444-453 doi: 10.1109/TCST.2020.2974147 [260] Ajami A, Daneshvar M. Data driven approach for fault detection and diagnosis of turbine in thermal power plant using independent component analysis (ICA). International Journal of Electrical Power & Energy Systems, 2012, 43(1): 728-735 [261] Zhao C H, Sun H. Dynamic distributed monitoring strategy for large-scale nonstationary processes subject to frequently varying conditions under closed-loop control. IEEE Transactions on Industrial Electronics, 2019, 66(6): 4749-4758 doi: 10.1109/TIE.2018.2864703 [262] Yu W K, Zhao C H. Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification. IEEE Transactions on Industrial Informatics, 2019, 15(6): 3311-3323 doi: 10.1109/TII.2018.2878405 [263] Wang X X, Ma L Y, Wang B S, Wang T. A hybrid optimization-based recurrent neural network for real-time data prediction. Neurocomputing, 2013, 120: 547-559 doi: 10.1016/j.neucom.2013.04.016 [264] Ma L Y, Ma Y G, Lee K Y. An intelligent power plant fault diagnostics for varying degree of severity and loading conditions. IEEE Transactions on Energy Conversion, 2010, 25(2): 546-554 doi: 10.1109/TEC.2009.2037435 [265] Zhang X H, Xu Y, He Y L, Zhu Q X. Novel manifold learning based virtual sample generation for optimizing soft sensor with small data. ISA Transactions, 2021, 109: 229-241 doi: 10.1016/j.isatra.2020.10.006 [266] Tang J, Chai T Y, Yu W, Liu Z, Zhou X J. A comparative study that measures ball mill load parameters through different single-scale and multiscale frequency spectra-based approaches. IEEE Transactions on Industrial Informatics, 2016, 12(6): 2008-2019 doi: 10.1109/TII.2016.2586419 [267] Yuan X F, Ge Z Q, Huang B, Song Z H, Wang Y L. Semisupervised JITL framework for nonlinear industrial soft sensing based on locally semisupervised weighted PCR. IEEE Transactions on Industrial Informatics, 2017, 13(2): 532-541 doi: 10.1109/TII.2016.2610839 [268] Li Y F, Guo L Z, Zhou Z H. Towards safe weakly supervised learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(1): 334-346 [269] Qi G J, Luo J B. Small data challenges in big data era: A survey of recent progress on unsupervised and semi-supervised methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(4): 2168-2187 doi: 10.1109/TPAMI.2020.3031898 [270] Liu G F, Zhang X W, Liu Z M. State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm. Energy, 2022, 259: Article No. 124851 doi: 10.1016/j.energy.2022.124851 [271] Heo S K, Nam K J, Loy-Benitez J, Yoo C K. Data-driven hybrid model for forecasting wastewater influent loads based on multimodal and ensemble deep learning. IEEE Transactions on Industrial Informatics, 2021, 17(10): 6925-6934 doi: 10.1109/TII.2020.3039272 [272] Qin L, Lu G, Hossain M, Morris A, Yan Y. A flame imaging-based online deep learning model for predicting NOx emissions from an Oxy-biomass combustion process. IEEE Transactions on Instrumentation and Measurement, 2022, 71: Article No. 2501811 [273] Li J P, Hua C C, Yang Y N, Guan X P. Data-driven bayesian-based takagi-sugeno fuzzy modeling for dynamic prediction of hot metal silicon content in blast furnace. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2022, 52(2): 1087-1099 doi: 10.1109/TSMC.2020.3013972 [274] Chen C L P, Liu Z L. Broad learning system: An effective and efficient incremental learning system without the need for deep architecture. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(1): 10-24 doi: 10.1109/TNNLS.2017.2716952 [275] Xia H, Tang J, Yu W, Qiao J F. Tree broad learning system for small data modeling. IEEE Transactions on Neural Networks and Learning Systems, DOI: 10.1109/TNNLS.2022.3216788 [276] Shi Y, Mi Y L, Li J H, Liu W Q. Concept-cognitive learning model for incremental concept learning. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 51(2): 809-821 doi: 10.1109/TSMC.2018.2882090 [277] Wang G M, Qiao J F. An efficient self-organizing deep fuzzy neural network for nonlinear system modeling. IEEE Transactions on Fuzzy Systems, 2022, 30(7): 2170-2182 doi: 10.1109/TFUZZ.2021.3077396 [278] 丁进良, 杨翠娥, 陈远东, 柴天佑. 复杂工业过程智能优化决策系统的现状与展望. 自动化学报, 2018, 44(11): 1931-1943Ding Jin-Liang, Yang Cui-E, Chen Yuan-Dong, Chai Tian-You. Research progress and prospects of intelligent optimization decision making in complex industrial process. Acta Automatica Sinica, 2018, 44(11): 1931-1943 [279] 赵春晖, 胡赟昀, 郑嘉乐, 陈军豪. 数据驱动的燃煤发电装备运行工况监控—现状与展望. 自动化学报, 2022, 48(11): 2611-2633Zhao Chun-Hui, Hu Yun-Yun, Zheng Jia-Le, Chen Jun-Hao. Data-driven operating monitoring for coal-fired power generation equipment: The state of the art and challenge. Acta Automatica Sinica, 2022, 48(11): 2611-2633 [280] 罗刚, 王永富, 柴天佑, 张化锴. 基于区间二型模糊摩擦补偿的鲁棒自适应控制. 自动化学报, 2019, 45(7): 1298-1306Luo Gang, Wang Yong-Fu, Chai Tian-You, Zhang Hua-Kai. Robust adaptive control based on interval type-2 fuzzy friction compensation. Acta Automatica Sinica, 2019, 45(7): 1298-1306 [281] 董琦, 宗群, 张超凡, 张睿隆, 田栢苓. 强干扰影响下基于干扰补偿的大飞机智能自适应控制. 中国科学: 技术科学, 2018, 48(3): 248-263 doi: 10.1360/N092017-00195Dong Qi, Zong Qun, Zhang Chao-Fan, Zhang Rui-Long, Tian Bai-Ling. Intelligent adaptive control for the large aircraft based on the disturbance compensation under the influence of strong interferences. Scientia Sinica Technologica, 2018, 48(3): 248-263 doi: 10.1360/N092017-00195 [282] 席裕庚, 李德伟, 林姝. 模型预测控制-现状与挑战. 自动化学报, 2013, 39(3): 222-236 doi: 10.1016/S1874-1029(13)60024-5Xi Yu-Geng, Li De-Wei, Lin Shu. Model predictive control-status and challenges. Acta Automatica Sinica, 2013, 39(3): 222-236 doi: 10.1016/S1874-1029(13)60024-5 [283] 郭雷, 余翔, 张霄, 张友民. 无人机安全控制系统技术: 进展与展望. 中国科学: 信息科学, 2020, 50(2): 184-194Guo Lei, Yu Xiang, Zhang Xiao, Zhang You-Min. Safety control system technologies for UAVs: Review and prospect. Science in China (Information Sciences), 2020, 50(2): 184-194 [284] 李荟, 王福利, 李鸿儒. 电熔镁炉熔炼过程异常工况识别及自愈控制方法. 自动化学报, 2020, 46(7): 1411-1419Li Hui, Wang Fu-Li, Li Hong-Ru. Abnormal condition identification and self-healing control scheme for the electro-fused magnesia smelting process. Acta Automatica Sinica, 2020, 46(7): 1411-1419 [285] Cao Z B, Zhao J. Passivity-based event-triggered control for a class of switched nonlinear systems. ISA Transactions, 2021, 125: 50-59 [286] 韩红桂, 秦晨辉, 孙浩源, 乔俊飞. 城市污水处理过程自适应滑模控制. 自动化学报, 2023, 49(5): 1010−1018Han Hong-Gui, Qin Chen-Hui, Sun Hao-Yuan, Qiao Jun-Fei. Adaptive sliding mode control for municipal wastewater treatment process. Acta Automatica Sinica, 2023, 49(5): 1010−1018 [287] Han H G, Liu Z, Li J M, Qiao J F. Design of syncretic fuzzy-neural control for WWTP. IEEE Transactions on Fuzzy Systems, 2022, 30(8): 2837-2849 doi: 10.1109/TFUZZ.2021.3075842 [288] Yang Q M, Cao W W, Meng W C, Si J. Reinforcement-learning-based tracking control of waste water treatment process under realistic system conditions and control performance requirements. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2022, 52(8): 5284-5294 doi: 10.1109/TSMC.2021.3122802 [289] Zhou W, Yi J, Yao L Z, Chen G R. Event-triggered optimal control for the continuous stirred tank reactor system. IEEE Transactions on Artificial Intelligence, 2022, 3(2): 228-237 doi: 10.1109/TAI.2021.3107367 [290] Li D J, Wang D X, Liu L, Gao Y. Adaptive finite-time tracking control for continuous stirred tank reactor with time-varying output constraint. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 51(9): 5929-5934 doi: 10.1109/TSMC.2019.2956769 [291] Wang G M, Jia Q S, Qiao J F, Bi J, Zhou M C. Deep learning-based model predictive control for continuous stirred-tank reactor system. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(8): 3643-3652 doi: 10.1109/TNNLS.2020.3015869 [292] Zhou P, Zhang S, Wen L, Fu J, Chai T Y, Wang H. Kalman filter-based data-driven robust model-free adaptive predictive control of a complicated industrial process. IEEE Transactions on Automation Science and Engineering, 2022, 19(2): 788-803 [293] Zhou P, Guo D W, Wang H, Chai T Y. Data-driven robust M-LS-SVR-Based NARX modeling for estimation and control of molten iron quality indices in blast furnace ironmaking. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(9): 4007-4021 doi: 10.1109/TNNLS.2017.2749412 [294] Du S, Wu M, Chen L F, Zhou K L, Hu J, Cao W H, et al. A fuzzy control strategy of burn-through point based on the feature extraction of time-series trend for iron ore sintering process. IEEE Transactions on Industrial Informatics, 2020, 16(4): 2357-2368 doi: 10.1109/TII.2019.2935030 [295] 温亮, 周平. 基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制. 自动化学报, 2021, 47(11): 2600−2613Wen Liang, Zhou Ping. Model free adaptive control of molten iron quality based on multi-parameter sensitivity analysis and GA optimization. Acta Automatica Sinica, 2021, 47(11): 2600−2613 [296] 桂卫华, 陈晓方, 阳春华, 谢永芳. 知识自动化及工业应用. 中国科学: 信息科学, 2016, 46(8): 1016-1034 doi: 10.1360/N112016-00065Gui Wei-Hua, Chen Xiao-Fang, Yang Chun-Hua, Xie Yong-Fang. Knowledge automation and its industrial application. Scientia Sinica Informationis, 2016, 46(8): 1016-1034 doi: 10.1360/N112016-00065 [297] 辛斌, 陈杰, 彭志红. 智能优化控制: 概述与展望. 自动化学报, 2013, 39(11): 1831-1848 doi: 10.3724/SP.J.1004.2013.01831Xin Bin, Chen Jie, Peng Zhi-Hong. Intelligent optimized control: Overview and prospect. Acta Automatica Sinica, 2013, 39(11): 1831-1848 doi: 10.3724/SP.J.1004.2013.01831 [298] 蔡自兴. 智能控制原理与应用. 北京: 清华大学出版社, 2007.Cai Zi-Xing. Intelligent Control Principles and Applications. Beijing: Tsinghua University Press, 2007. [299] 柴天佑. 制造流程智能化对人工智能的挑战. 中国科学基金, 2018, 32(3): 251-256Chai Tian-You. Artificial intelligence research challenges in intelligent manufacturing processes. Bulletin of National Natural Science Foundation of China, 2018, 32(3): 251-256 [300] 柴天佑, 丁进良. 流程工业智能优化制造. 中国工程科学, 2018, 20(4): 51-58Chai Tian-You, Ding Jin-Liang. Smart and optimal manufacturing for process industry. Strategic Study of CAE, 2018, 20(4): 51-58 [301] Liu W H, Wang T, Li Z M, Ye Z C, Peng X, Du W L. Distributed optimization subject to inseparable coupled constraints: A case study on plant-wide ethylene process. IEEE Transactions on Industrial Informatics, 2023, 19(4): 5412-5421 doi: 10.1109/TII.2022.3151913 [302] Xie S W, Xie Y F, Huang T W, Gui W H. Multiobjective-based optimization and control for iron removal process under dynamic environment. IEEE Transactions on Industrial Informatics, 2021, 17(1): 569-577 doi: 10.1109/TII.2020.2975273 [303] Zhou K L, Chen X, Wu M, Cao W H, Hu J. A new hybrid modeling and optimization algorithm for improving carbon efficiency based on different time scales in sintering process. Control Engineering Practice, 2019, 91: Article No. 104104 doi: 10.1016/j.conengprac.2019.104104 [304] Li Y J, Zhang S, Zhang J, Yin Y X, Xiao W D, Zhang Z Q. Data-driven multiobjective optimization for burden surface in blast furnace with feedback compensation. IEEE Transactions on Industrial Informatics, 2020, 16(4): 2233-2244 doi: 10.1109/TII.2019.2908989 [305] Zhou H, Zhang H F, Yang C J. Hybrid-model-based intelligent optimization of ironmaking process. IEEE Transactions on Industrial Electronics, 2020, 67(3): 2469-2479 doi: 10.1109/TIE.2019.2903770 [306] Xie S W, Xie Y F, Huang T W, Gui W H, Yang C H. Coordinated optimization for the descent gradient of technical index in the iron removal process. IEEE Transactions on Cybernetics, 2018, 48(12): 3313-3322 doi: 10.1109/TCYB.2018.2833805 [307] Zheng N Z, Ding J L, Chai T Y. DMGAN: Adversarial learning-based decision making for human-level plant-wide operation of process industries under uncertainties. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(3): 985-998 doi: 10.1109/TNNLS.2020.2979800 [308] Lin X W, Zhao L, Du W L, Qian F. Data-driven scheduling optimization of ethylene cracking furnace system. In: Proceedings of the Chinese Control and Decision Conference (CCDC). Hefei, China: IEEE, 2020. 308−313 [309] Kang L, Liu D, Wu Y L, Zhao Y Z, Ping G Z. Multi-furnace optimization in silicon single crystal production plants by power load scheduling. Journal of Process Control, 2022, 117: 1-13 doi: 10.1016/j.jprocont.2022.06.013 [310] Kong W J, Chai T Y, Ding J L, Yang S X. Multifurnace optimization in electric smelting plants by load scheduling and control. IEEE Transactions on Automation Science and Engineering, 2014, 11(3): 850-862 doi: 10.1109/TASE.2014.2309348 [311] Kabugo J C, Jämsä-Jounela S L, Schiemann R, Binder C. Industry 4.0 based process data analytics platform: A waste-to-energy plant case study. International Journal of Electrical Power & Energy Systems, 2020, 115: Article No. 105508 [312] Austin M, Delgoshaei P, Coelho M, Heidarinejad M. Architecting smart city digital twins: Combined semantic model and machine learning approach. Journal of Management in Engineering, 2020, 36(4): Article No. 04020026 [313] He R, Chen G M, Dong C, Sun S F, Shen X Y. Data-driven digital twin technology for optimized control in process systems. ISA Transactions, 2019, 95: 221-234 doi: 10.1016/j.isatra.2019.05.011 [314] 李彦瑞, 杨春节, 张瀚文, 李俊方. 流程工业数字孪生关键技术探讨. 自动化学报, 2021, 47(3): 501-514Li Yan-Rui, Yang Chun-Jie, Zhang Han-Wen, Li Jun-Fang. Discussion on key technologies of digital twin in process industry. Acta Automatica Sinica, 2021, 47(3): 501-514 [315] 孙帆, 罗娜, 钟伟民, 钱锋. 乙二醇解吸和再吸收过程的动态模拟与优化. 计算机与应用化学, 2010, 27(3): 277-282 doi: 10.3969/j.issn.1001-4160.2010.03.001Sun Fan, Luo Na, Zhong Wei-Min, Qian Feng. Dynamic simulation and optimization of ethylene glycol desorption and resorption process. Computers and Applied Chemistry, 2010, 27(3): 277-282 doi: 10.3969/j.issn.1001-4160.2010.03.001 [316] 宋新南, 徐惠斌, 房仁军, 王惠桐, 顾加强. 基于Aspen Plus的生物质燃烧NOx生成模拟. 环境科学学报, 2009, 29(8): 1696-1700 doi: 10.3321/j.issn:0253-2468.2009.08.018Song Xin-Nan, Xu Hui-Bin, Fang Ren-Jun, Wang Hui-Tong, Gu Jia-Qiang. Simulation of the NOx emissions during biomass combustion based on Aspen Plus. Acta Scientiae Circumstantiae, 2009, 29(8): 1696-1700 doi: 10.3321/j.issn:0253-2468.2009.08.018 [317] Stojanovic N, Milenovic D. Data-driven digital twin approach for process optimization: An industry use case. In: Proceedings of the IEEE International Conference on Big Data (Big Data). Seattle, USA: IEEE, 2018. 4202−4211 [318] 汤健, 乔俊飞, 夏恒, 郭子豪, 何海军. 一种单向隔离数据采集与离线算法验证系统, 中国 CN109901536B, 2019-09-17Tang Jian, Qiao Jun-Fei, Xia Heng, Guo Zi-Hao, He Hai-Jun. A One-Way Isolated Data Acquisition and Offline Algorithm Verification System, CN CN109901536B, September 17, 2019 [319] Tao F, Zhang H, Liu A, Nee A Y C. Digital twin in industry: State-of-the-art. IEEE Transactions on Industrial Informatics, 2019, 15(4): 2405-2415 doi: 10.1109/TII.2018.2873186 [320] Mihai S, Yaqoob M, Hung D V, Davis W, Towakel P, Raza M, et al. Digital twins: A survey on enabling technologies, challenges, trends and future prospects. IEEE Communications Surveys & Tutorials, 2022, 24(4): 2255-2291 [321] Li Y, Shen X J. A novel wind speed-sensing methodology for wind turbines based on digital twin technology. IEEE Transactions on Instrumentation and Measurement, 2022, 71: Article No. 2503213 [322] Qin Y, Wu X G, Luo J. Data-model combined driven digital twin of life-cycle rolling bearing. IEEE Transactions on Industrial Informatics, 2022, 18(3): 1530-1540 doi: 10.1109/TII.2021.3089340 [323] Wang T, Cheng J X, Yang Y, Esposito C, Snoussi H, Tao F. Adaptive optimization method in digital twin conveyor systems via range-inspection control. IEEE Transactions on Automation Science and Engineering, 2022, 19(2): 1296-1304 doi: 10.1109/TASE.2020.3043393 [324] Xiang F, Zhang Z, Zuo Y, Tao F. Digital twin driven green material optimal-selection towards sustainable manufacturing. Procedia CIRP, 2019, 81: 1290-1294 doi: 10.1016/j.procir.2019.04.015 [325] Mohammadi N, Taylor J E. Smart city digital twins. In: Proceedings of the IEEE Symposium Series on Computational Intelligence (SSCI). Honolulu, USA: IEEE, 2017. 1−5 [326] Xu X L, Liu Z J, Bilal M, Vimal S, Song H B. Computation offloading and service caching for intelligent transportation systems with digital twin. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(11): 20757-20772 doi: 10.1109/TITS.2022.3190669 [327] Lei Z C, Zhou H, Hu W S, Liu G P, Guan S Q, Feng X L. Toward a web-based digital twin thermal power plant. IEEE Transactions on Industrial Informatics, 2022, 18(3): 1716-1725 doi: 10.1109/TII.2021.3086149 [328] Wang T Z, Tang J, Xia H, Pan X T. Review on simulation platforms for complex industrial process. In: Proceedings of the 8th International Conference on Information, Cybernetics, and Computational Social Systems (ICCSS). Beijing, China: IEEE, 2021. 278−283 [329] 马晓茜, 卢苇, 张笑冰, 沈文生. 垃圾焚烧炉热力模型研究. 化学工程, 2000, 28(4): 36-40 doi: 10.3969/j.issn.1005-9954.2000.04.010Ma Xiao-Qian, Lu Wei, Zhang Xiao-Bing, Shen Wen-Sheng. A study on the thermodynamic model for waste incineration. Chemical Engineering, 2000, 28(4): 36-40 doi: 10.3969/j.issn.1005-9954.2000.04.010 [330] 吕亮, 丁艳军, 朱琳, 吴占松. 城市生活垃圾焚烧炉的建模. 清华大学学报(自然科学版), 2006, 46(11): 1884-1887Lv Liang, Ding Yan-Jun, Zhu Lin, Wu Zhan-Song. Modeling of an MSW incinerator. Journal of Tsinghua University (Science & Technology), 2006, 46(11): 1884-1887 [331] 刘先荣, 罗翠红, 唐玉婷, 王海川, 田云龙. 大型城市生活垃圾焚烧炉结构改造的数值模拟研究. 锅炉技术, 2019, 50(5): 64-70Liu Xian-Rong, Luo Cui-Hong, Tang Yu-Ting, Wang Hai-Chuan, Tian Yun-Long. Numerical simulation study on structural modification of large municipal domestic waste incinerator. Boiler Technology, 2019, 50(5): 64-70 [332] Wissing F, Wirtz S, Scherer V. Simulating municipal solid waste incineration with a DEM/CFD method-influences of waste properties, grate and furnace design. Fuel, 2017, 206: 638-656 doi: 10.1016/j.fuel.2017.06.037 [333] Hu Z F, Jiang E C, Ma X Q. Numerical simulation on NOx emissions in a municipal solid waste incinerator. Journal of Cleaner Production, 2019, 233: 650-664 doi: 10.1016/j.jclepro.2019.06.127 [334] Hu Z F, Jiang E C, Ma X Q. Numerical simulation on operating parameters of SNCR process in a municipal solid waste incinerator. Fuel, 2019, 245: 160-173 doi: 10.1016/j.fuel.2019.02.071 [335] Yang X C, Liao Y F, Ma X Q, Zhou J P. Effects of air supply optimization on NOx reduction in a structurally modified municipal solid waste incinerator. Applied Thermal Engineering, 2022, 201: Article No. 117706 doi: 10.1016/j.applthermaleng.2021.117706 [336] Hajizadeh Y, Onwudili J A, Williams P T. Effects of gaseous NH3 and SO2 on the concentration profiles of PCDD/F in flyash under post-combustion zone conditions. Waste Management, 2012, 32(7): 1378-1386 doi: 10.1016/j.wasman.2012.02.007 [337] Liu W B, Zheng M H, Zhang B, Qian Y, Ma X D, Liu W X. Inhibition of PCDD/Fs formation from dioxin precursors by calcium oxide. Chemosphere, 2005, 60(6): 785-790 doi: 10.1016/j.chemosphere.2005.04.020 [338] Tsiliyannis C A. Control of dioxin emissions from alternative fuels via regulated activated carbon injection and fluegas recirculation. Journal of Hazardous Materials, 2018, 358: 405-415 doi: 10.1016/j.jhazmat.2018.06.019 [339] Peng Y Q, Lu S Y, Li X D, Yan J H, Cen K F. Formation, measurement, and control of dioxins from the incineration of municipal solid wastes: Recent advances and perspectives. Energy & Fuels, 2020, 34(11): 13247-13267 期刊类型引用(10)
1. 汤健，田昊，夏恒，乔俊飞. 基于区间Ⅱ型FNN的MSWI过程炉膛温度控制. 北京工业大学学报. 2025(02): 157-172 . 
百度学术2. 汤健，郭海涛，夏恒，王鼎，乔俊飞. 面向工业过程的图像生成及其应用研究综述. 自动化学报. 2024(02): 211-240 . 本站查看3. 胡开成，严爱军，汤健. 城市固废焚烧过程炉温与烟气含氧量多目标鲁棒预测模型. 自动化学报. 2024(05): 1001-1014 . 本站查看4. 夏恒，汤健，余文，乔俊飞. 基于仿真机理和改进回归决策树的二噁英排放建模. 自动化学报. 2024(08): 1601-1619 . 本站查看5. 郝勤正，崔理章，李欣舟. 基于RF-LSTM混合神经网络的固废焚烧烟气排放浓度预测研究. 中国资源综合利用. 2024(08): 65-67 . 百度学术6. 梁永琪，汤健，夏恒，陈佳昆，乔俊飞. 基于耦合数值仿真的基准工况下焚烧炉内颗粒物浓度建模与分析. 化工进展. 2024(S1): 106-120 . 百度学术7. 李可. 浅谈有机固废全链条处置中机器学习的应用. 生态与资源. 2024(06): 92-94 . 百度学术8. 蒙西，侯启正，乔俊飞. 基于多目标粒子群算法的城市固废焚烧过程智能操作优化. 自动化学报. 2024(12): 2462-2473 . 本站查看9. 汤健，王天峥，夏恒，崔璨麟，潘晓彤，郭海涛，王鼎，乔俊飞. 城市固废焚烧智能算法测试与验证模块化半实物平台. 自动化学报. 2024(12): 2432-2461 . 本站查看10. 侯意生. 基于循环经济的冶金固废综合利用模式探索. 佛山陶瓷. 2023(12): 90-92 . 百度学术其他类型引用(7)
-
下载:
图(6) / 表(1)
计量
- 文章访问数: 2533
- HTML全文浏览量: 819
- PDF下载量: 557
- 被引次数: 17
