Soft sensor de NOx pour centrales thermiques
Un soft sensor à forêt aléatoire avec apprentissage juste-à-temps prédit la concentration de NOx à partir des données de procédé d'une centrale thermique, avec R² = 0,93 sur le jeu de test et mieux que les six modèles de comparaison de l'étude.
Solution de capteur virtuel
Approche
Apprentissage juste-à-temps (JITL) avec forêt aléatoire : pour chaque prédiction, un jeu d'apprentissage local est sélectionné dans l'historique par un indice de similarité temporelle et spatiale, puis une forêt aléatoire y est ajustée. Un algorithme d'importance par permutation amélioré choisit les variables d'entrée, et une surveillance à fenêtre glissante détecte les changements de conditions de fonctionnement et déclenche la mise à jour en ligne.
Variables d'entrée
- Variables de procédé sélectionnées par importance par permutation améliorée à partir des données d'exploitation
Variables de sortie
- Concentration de NOx (mg/m³)
Type de modèle
- Forêt aléatoire
- Apprentissage juste-à-temps
Stratégie de mise à jour
- Modèle local par requête (juste-à-temps)
- Surveillance à fenêtre glissante des conditions de fonctionnement
Indicateurs de performance
Résultats
-
Sur le jeu de test, la méthode proposée atteint R² = 0,9319, RMSE = 3,696 mg/m³ et MAE = 2,772 mg/m³, avec 99,71 % des échantillons à moins de 15 mg/m³ d'erreur absolue — mieux que les six modèles de comparaison de l'étude (PLS, JIT-PLS, MW-PLS, forêt aléatoire, forêt aléatoire à fenêtre glissante et forêt aléatoire JIT simple ; la plus proche était la forêt aléatoire JIT avec R² = 0,9252).
Pourquoi c'est important
- Une prédiction de NOx précise et en temps réel est la base de l'optimisation de la combustion dans les centrales thermiques : elle donne à la commande de combustion un signal rapide, en complément de la mesure réglementaire des émissions.
- Les conditions de fonctionnement évoluent avec la charge et le combustible, et un modèle global unique se dégrade. Des modèles locaux juste-à-temps avec mise à jour surveillée suivent le régime actuel.
Un défi de contrôle ? Parlons-en.
Sources
He, K., Ding, H. — en libre accès. Random forest JITL avec importance par permutation améliorée, similarité spatio-temporelle et surveillance par fenêtre glissante ; résultats sur le jeu de test issu des données d'exploitation de la centrale.
Aperçu
Un soft sensor estime les NOx à partir des variables que le système de conduite enregistre déjà, afin d’ajuster la combustion avant que la mesure des émissions ne réagisse. Il complète la mesure continue réglementaire sans la remplacer.
Quand utiliser ce patron
- Les NOx varient fortement avec la charge, le combustible et la répartition de l’air, et un signal plus rapide que l’analyseur aiderait la commande de combustion.
- Plusieurs années de données de procédé historisées sont disponibles.
- Le régime de fonctionnement change assez souvent pour qu’un modèle global unique dérive.
Pourquoi l’apprentissage juste-à-temps
Un modèle global fait la moyenne de régimes qui se comportent différemment. L’apprentissage juste-à-temps construit un modèle local autour du point de fonctionnement actuel à partir des échantillons historiques les plus proches, et la surveillance à fenêtre glissante décide quand mettre à jour. Selon l’étude citée, cette combinaison a surpassé les six modèles de comparaison sur les mêmes données de test.
À vérifier avant de le construire
- Si l’historique couvre la plage de charge et de combustible que le capteur verra.
- L’usage de la prédiction (écran opérateur, optimiseur de combustion, contrôle de l’analyseur) : il fixe les exigences de précision et de latence.
- Comment détecter les dérives des instruments, pour que le soft sensor n’apprenne pas une mesure fausse sans le signaler.
Patrons liés
Contact
Envoyer un message
Contact direct
Dr. Rafał Noga
Rendez-vous
Réservez un appel de cadrage technique de 30 min directement via Calendly.
Réserver un appel de cadrage technique (30 min)Restez informé
Recevez des informations sur l'IA industrielle, l'APC et l'optimisation des procédés.