本发明涉及城市固废焚烧领域，特别是涉及一种二噁英浓度全流程级联式智能建模与动态检测方法。
背景技术：
1、随着mswi厂的发展，城镇居民开始关注其排放废气对生态系统造成的二次污染，尤其是被称为“世纪之毒”的二噁英(dxn)。空气污染控制设备研制的进步已经成功地显著减少了该痕量污染物的排放；尽管如此，mswi仍然是dxn的主要排放源。而dxn样本采样需要花费2小时，并且至少还需要一周的时间才能以昂贵的经济成本在实验室化验得到dxn的真实值，这导致dxn检测通常都是以非固定周期的长时段间隔方式进行的。显然，现有mswi过程的dxn排放浓度难以有效实时检测和进行优化控制以实现其最小化。但是基于人工智能(ai)的数据驱动建模算法可实现dxn浓度的实时测量，并且基于ai的过程数据驱动建模方法具有成本低、易于开发等优点。
2、然而，目前研究主要是针对mswi排放尾气的烟囱处的dxn排放浓度进行检测，即未从dxn生成、吸收和排放的全流程进行建模，无法支撑从污染生成根源上支撑dxn污染减排。因此，设计一种二噁英浓度全流程级联式智能建模与动态检测方法是十分有必要的。
技术实现思路
1、本发明的目的是提供一种二噁英浓度全流程级联式智能建模与动态检测方法，以实现多模态数据驱动下的高精度建模功能，并解决样本缺失的问题。
2、为实现上述目的，本发明提供了如下方案：
3、一种二噁英浓度全流程级联式智能建模与动态检测方法，包括如下步骤：
4、对城市固体废物焚烧过程中产生的多模态数据进行预处理操作，得到预处理数据；多模态数据包括：过程数值数据、火焰视频数据和记录运行数据；
5、分别构建dxn生成模型、dxn吸附模型和dxn排放模型，并将过程数值数据分别输入至dxn生成模型、dxn吸附模型和dxn排放模型中，并通过dxn排放模型得到检测数据；dxn生成模型的输出端分别与dxn吸附模型和dxn排放模型的输入端连接，dxn吸附模型的输出端与dxn排放模型的输入端连接；
6、对dxn生成模型、dxn吸附模型和dxn排放模型分别进行动态检测，得到动态检测结果。
7、可选地，预处理操作包括：
8、对记录运行数据进行计算，得到计算结果，具体为：
9、
10、其中，xfr为进料量，xie为焚烧效率，xal为平均负荷，xsp为城市固体废物产汽量，xcv为生活垃圾热值，q1为额定日处理量，q2为实际处理量，x87为蒸汽流量，hsteam为蒸汽焓值，hwater为水的焓值，ηboiler为锅炉热效率，t为时间跨度；
11、对过程数值数据进行平均化和过程变量切分操作；
12、提取火焰视频数据的视频帧，得到火焰图像，并通过平均化处理和色彩转换，得到视频信息。
13、可选地，构建dxn生成模型的具体步骤为：
14、通过对预设的层森林模型进行训练，得到训练好的层森林模型；
15、基于adfr-clfc算法得到fvd驱动模型；
16、并通过训练好的层森林模型和fvd驱动模型得到dxn生成模型；dxn生成模型为：
17、
18、其中，fg2(·)为fvd驱动模型，fg1(·)为训练好的层森林模型，为dxn生成模型的输出，fg(·)为dxn生成模型。
19、可选地，构建dxn吸附模型的具体步骤为：
20、对预设的编码器网络模型进行训练，得到训练好的编码器网络模型；训练好的编码器网络模型为：其中，为二维均值向量，为二维方差向量，wencoder为模型权重，bencoder为模型偏差，fencoder()为编码器网络模型，为dxn吸附模型的过程数值数据输入；
21、通过聚类和几何旋转生成虚拟样本；
22、通过ffr算法和岭回归方法得到dxn吸附模型；dxn吸附模型为：
23、
24、其中，，为第jfdt个模糊森林回归模型，jfdt为模糊森林模型的数量，fa(·)为dxn吸附模型，为吸附模型的输出
25、可选地，构建dxn排放模型的具体步骤为：
26、预设tbls模型，当tbls模型未达到效果标准，则使得tbls模型进行快速学习，得到学习后的tbls模型，并将学习后的tbls模型看作dxn排放模型；dxn排放模型为：
27、
28、其中，为dxn排放模型的输出，ftbls(·)为dxn排放模型，为第1个到第jmap个映射层的输出，为第1个到第jenh个增强层的输出，为第1个增量层，为全部输出权重，为伪逆矩阵，ye为dxn排放浓度真值。
29、可选地，动态检测采用工况漂移识别策略，工况漂移识别策略为：
30、当霍特林统计量小于第一控制限值且平方预测误差小于第二控制限值时，判断为未产生漂移；当霍特林统计量超过第一控制限值或平方预测误差超过第二控制限值时，判断为产生漂移。
31、可选地，判断为产生漂移后的步骤为：
32、利用欧氏距离分别计算产生漂移的dxn样本与不同历史dxn样本的相似度，具体为：
33、
34、其中，为第i个漂移样本与n个历史样本的相似值向量，分别为第i个漂移样本与第1个至第n个历史样本的相似值，为第i个漂移样本的第m个特征，为历史样本中第1个样本的第m个特征，为历史样本中第n个历史样本的第m个特征；
35、通过预设阈值选择与dxn样本最相似的历史dxn样本，并将历史dxn样本的历史真值作为漂移工况的推理测量值；
36、将产生漂移的dxn样本添加至工况漂移样本数据评估机制中，当工况漂移样本数据评估机制达到设定样本数量时，通过在线采样和离线化验的方法，得到dxn真值，并将产生漂移的dxn样本更新至dxn真值样本库中，并通过dxn真值样本库对dxn生成模型、dxn吸附模型和dxn排放模型进行更新。
37、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的二噁英浓度全流程级联式智能建模与动态检测方法，该方法包括：对城市固体废物焚烧过程中产生的多模态数据进行预处理操作，得到预处理数据；多模态数据包括：过程数值数据、火焰视频数据和记录运行数据；分别构建dxn生成模型、dxn吸附模型和dxn排放模型，并将过程数值数据分别输入至dxn生成模型、dxn吸附模型和dxn排放模型中，并通过dxn排放模型得到检测数据；dxn生成模型的输出端分别与dxn吸附模型和dxn排放模型的输入端连接，dxn吸附模型的输出端与dxn排放模型的输入端连接；对dxn生成模型、dxn吸附模型和dxn排放模型分别进行动态检测，得到动态检测结果。实现了多模态数据驱动下的高精度建模功能，并解决了样本缺失的问题。
1.一种二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，所述预处理操作包括：
3.根据权利要求1所述的二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，构建dxn生成模型的具体步骤为：
4.根据权利要求1所述的二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，构建dxn吸附模型的具体步骤为：
5.根据权利要求1所述的二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，构建dxn排放模型的具体步骤为：
6.根据权利要求1所述的二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，所述动态检测采用工况漂移识别策略，所述工况漂移识别策略为：
7.根据权利要求6所述的二噁英浓度全流程级联式智能建模与动态检测方法，其特征在于，判断为产生漂移后的步骤为：
