CN101180590B - 预测性排放物监测系统及方法 - Google Patents

预测性排放物监测系统及方法 Download PDF

Info

Publication number
CN101180590B
CN101180590B CN2006800087795A CN200680008779A CN101180590B CN 101180590 B CN101180590 B CN 101180590B CN 2006800087795 A CN2006800087795 A CN 2006800087795A CN 200680008779 A CN200680008779 A CN 200680008779A CN 101180590 B CN101180590 B CN 101180590B
Authority
CN
China
Prior art keywords
value
variable
process variable
test
coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2006800087795A
Other languages
English (en)
Other versions
CN101180590A (zh
Inventor
布赖恩·G·斯旺森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN101180590A publication Critical patent/CN101180590A/zh
Application granted granted Critical
Publication of CN101180590B publication Critical patent/CN101180590B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Abstract

一种用于预测来自排放源的排放物的方法。与排放源的操作有关的过程变量的测试值，与待预测的排放变量的相应时间相关测试值一起被收集起来。使用过程变量的测试值，为每一个过程变量计算出多个第一系数的测试值，并且将其与过程变量相关联，并且为每一个过程变量的每一个值计算出多个第二系数的测试值，并且将其与过程变量的值相关联。与排放源的操作有关的过程变量的比较值，与待预测的排放变量的相应时间相关比较值一起被收集起来。使用过程变量的比较值，为每一个过程变量计算出多个第一系数的比较值，并且将其与过程变量相关联，并且为每一个过程变量的每一个值计算出多个第二系数的比较值，并且将其与过程变量的值相关联。然后，将变量及其相关系数的比较值的预定组合与各个变量及其相关系数的测试值进行迭代比较。其中当在变量及其相关系数的比较值和测试值之间进行比较分配时，与所匹配的变量测试值有关的排放变量的测试值被平均，并且作为排放变量的预定值进行分配。

Description

预测性排放物监测系统及方法
相关申请的交叉参考
该申请要求2005年3月18日提交的临时申请第60/663461号的优先权利。
技术领域
本发明涉及过程的监测与控制，以及这些行为的预测模型，并且更为具体的是，涉及过程监测与控制系统，以及用于预测操作排放源的过程或排放物参数。
背景技术
关于环境人们已经达成共识，并且诸如氧化氮和二氧化硫等主要污染物在大多数工厂被同时管制，一致性40CFR的第60部分，或40CFR的第75部分。加强这些法规的执行是联邦环保局和各个州的职责。近年为了尽量减小工业设施向大气排放有害气体，已经把很大注意力都集中在忙于这些法规的监测需求。
用于确保有害气体的正确监测的一种技术已经在连续性排放物监测系统(CEMS)中实施。这些系统被用来监测二氧化硫、氧化氮、一氧化碳、全部还原硫、不透明物质、挥发性碳水化合物、颗粒和诸如水银等重金属的排放。一般情况下，在位于每一个排放源的工厂中安装有CEMS。可适用的联邦、州和当地法规包括用于对每一个排放源进行连续监测的一定部分，并且法规机构对每一个工厂都具有监测计划，详细说明在启动之前如何测量和报告排放速率。
CEM系统一般包括就地分析仪，直接安装在排气烟道，也就是往复式发动机的排气管中，或者安装在从排气烟道中提取气体样本并且将其传递到一定级别分析仪的提取系统中。诸如气体分析仪等连续排放监测系统组件是非常昂贵的，难以维护，并且难以进行合理校准。因此，针对CEM系统的法规要求对分析仪进行周期性的校正和其他质量保证程序，以便确保依从数据的准确性和可靠性。
在许多情况下，法规允许对基于硬件的连续性排放监测系统的替代物进行认证和操作。这种可替代品包括软件解决方案，用于预测来自可用过程的排放和环境参数。用于证明这些预测性排放监测系统(PEMS)的程序在法规40CFR的第75部分的E子部分和40CFR的第60部分的附录B性能指标16中有详细讲述。一般地，PEM系统对产生排放的排放源进行建模，并且在给定过程操作状态的情况下预测所产生的排放量。
法规允许最大10％的停工期以用于校正。如果一个单位使用CEMS保持操作的停工时间大于10％，则执法人员认为其排放水平为最大可能的水平。结果导致不一致操作和排放的过量报告。设备必须维护和操作其气体分析仪，以避免需要现有操作成本的惩罚，并且偶尔需要紧急服务。可以根据40CFR的第75部分的E子部分进行认证的可靠的基于软件的PEMS将代表工业设备的极其昂贵的依从监测需要。
过去也建造有PEM系统，以预测连续性工业过程的各种燃烧和排放参数，并且计算过程或燃烧效率以用于依从报告和过程优化目的。一般情况下，通过监测诸如压力、温度、流速等多个输入以及诸如NOx、CO、O2等一个或多个输出参数来“训练”PEM系统。经过训练之后，在正常操作中，PEM系统只监测多个输入，并且计算与实际污染水平相匹配的估计输出参数值。在过去使用的方法包括非线性统计、神经网络、特征值、随机过程和其他根据可用场地设备来处理输入参数的方法，并且预测过程排放速率和燃烧或过程效率。这些PEM系统的大部分都比较复杂，成本相对较高，并且难以实施。这些系统一般还需要在系统提供商的专业人员支持下接受再训练，以便将专属模型调整到现场中的现实世界条件。
发明内容
根据本发明，提出了一种用于预测来自排放源的排放的系统和方法。与待预测的排放变量的相应时间相关测试值一起，收集了与排放源的操作有关的过程变量的测试值。使用过程变量的测试值，为每一个过程变量计算了多个第一系数的测试值，并且将其与过程变量相关联，并且为每一个过程变量计算了多个第二系数的测试值，并且将其与过程变量的值相关联。与待预测的排放变量的相应时间相关比较值一起，收集了与排放源的操作有关的过程变量的比较值。使用过程变量的比较值，为每一个过程变量计算了多个第一系数的比较值，并且将其与过程变量相关联，并且为每一个过程变量计算了多个第二系数的比较值，并且将其与过程变量的值相关联。变量的比较值及它们的相关系数的预定组合被迭代地与各个变量的测试值和相关系数相比较。当在变量及其相关系数的比较值和测试值之间比较结果匹配时，与所匹配的变量测试值有关的排放变量的测试值被平均，并且被作为排放变量的预定值进行分配。
附图说明
以下附图用于图示本发明的实施例：
图1示出了根据本发明的排放物监测设备的整体框图；
图2示出了根据本发明的一个实施例的PEMS计算系统的框图；
图3A示出了文档结构，用于描述根据本发明的过程变量和相关系数的值；
图3B示出了根据本发明的主数据表格的文档结构；
图4示出了用于操作整个系统的流程图；
图5示出了统计混合建模系统的示意图；
图6示出了根据本发明所产生的预测模型的测试情况中的预测与实际污染排放物的时间图；
图7示出了根据本发明所产生的预测模型的测试情况中的预测与实际污染排放物的x-y图；
图8示出了根据本发明所产生的预测模型的测试情况中的预测与实际污染排放物之间差别的时间图；并且
图9示出了用于遵从的数据流的整体图。
具体实施方式
图1为根据本发明的系统20的示意图，用于监测、预测和控制一个或多个连续或成批过程中的系统过程变量和排放物以及/或者排放源。如图1所示的系统用于多个过程或排放源的中央监测和管理。参照图1，排放源101(a)～(c)的每一个都进行利用原材料(例如煤或燃油)来生产可度量的输出(能源或其他产物)的连续或成批过程。排放源101(a)～(c)可以采用任何形式，包括往复式柴油发动机、往复式气体发动机、气体涡轮、蒸汽涡轮、小型可移式燃油锅炉、废热锅炉、太阳能发电机、风力发电机、基于燃料电池的发电机或者任何其他设备，它们能够将任何形式的潜能转化成电能，同时通过一个或多个相应的烟道或排管103a-c将污染排放物102排放到大气中。在图1中，排放源101a和系统20的相关元件被显示在框A中，以表示这些组件位于功率生成设备或其他设备上。框A之外的系统20的元件可以位于排放源101a的附近或者较远的位置，并且可以配置为与位于排放源101a附近的PEMS计算机107(如下所述)进行交互作用。可选情况下，PEMS计算机107可以与排放源101a-101c中的任一个相距较远。
系统20还使用用于根据过程和排放变量的历史值来预测过程和排放变量的值的新颖方法。该方法可以用于生成计算机可实现的预测模型，用于预测系统过程变量和/或排放变量的值。用于预测过程和排放变量的值的方法可以手动地执行。可选地，与变量值的预测有关的任一个或所有步骤和与模型生成有关的任一个或所有步骤可以通过或借助一个或多个计算设备来执行。
用于生成预测模型的过程和排放数据能够以几个方法中的任一个来获取。在如图1所示的实施例中，与给定排放源101a有关的过程参数数据(例如，温度或压力值)通过相关过程控制系统105a来测量。除了过程控制系统105a或作为过程控制系统的可选物之外，过程数据或其特定部分可以通过位于沿着过程流的各种位置上的离散测量设备199而得到。过程控制系统105a或离散测量设备199可以测量诸如温度、压力、差分压和质量流量等过程变量。我们知道，由测量设备所测量的实际过程变量取决于正被讨论的过程。
在如图1所示的实施例中，排放数据通过一般用198a来表示的被耦合到排放源的相关连续排放物监测系统(CEMS)进行测量。现有CEM系统的元件和能力是公知的，这里不进行详细讲述。通常，CEM系统198a从相关排放源101a提取或接收排放物样本，并且分析用于组成成分的样本。根据对这些成分的分析，可以得到关于生成排放物的过程的信息。一旦知道了该信息，可以调整或修改各种过程参数，以优化过程和/或修改所生成的排放物。
除了CEM系统198a的过程或者作为CEM系统198a的替代物之外，过程数据或其特定部分可以通过位于排放源之内或者周边的各种位置上的离散测量设备199a而得到。根据正被讨论的过程，CEM系统198a或离散测量设备199a可以测量诸如氮的氧化物、碳的氧化物、排放流中未燃烧的燃料、排放量、排放热量和排放噪音等排放特征。
我们知道，由测量设备所测量的实际排放变量取决于正被讨论的过程。用于测量气体排放物的设备和系统在商业上从各个来源的任一个例如Irvine.CA的Horiba Instruments就可以得到。另外，用于收集数据以生成预测模型的仪器和测量设备可以被应用符合当地监管要求的质量控制和任何就地质量确保程序。
参照图1，一个或多个就地管理站111以及一个或多个就地操作站110被连接到系统20的元件，以实现各种与操作和维护相关的功能，包括过程和排放变量的实时监测、数据质量控制行为的监测、系统构造、过程控制命令的生成、对系统警告的响应、对过程和排放物数据的分析以及各种附加功能的任一种。另外，这些相同的功能可以远程地通过笔记本电脑或其他适合的系统界面设备来执行。远程终端150可以通过因特网连接149来访问系统20，并且无线连接可以使得通过另一个远程终端160进行访问。
与产生本发明的预测模型有关的上述步骤可以手动地执行。不过，为了大幅度增加生成、检测和使用预测模型的速度、效率和灵活性以及促进由模型所生成的信息用于各种目的，生成预测模型和诸如获取过程和排放数据等服务功能可以通过用于协调和执行与预测模型的生成、测试和使用有关的特定功能的一个或多个计算机软件元件来执行。
再参照图1，在借助计算机来实施该方法的过程中，收集历史过程和排放数据，并且最终将其传送给通常由200表示的PEMS计算系统，其中根据所收集的数据来执行操作并且生成和实现预测模型。有线或无线局域网(LAN)109根据需要将PEMS计算系统200连接到过程和排放物监测系统198和105、操作员工作站110、监督员工作站111和系统20的任何其他元件。PEMS计算系统200可以被耦合到过程控制系统105、离散测量设备199和CEM系统198，用于经由一个或多个串行端口、经由串行外围界面(SPI)、串行通信界面(SCI)或者经由另一个合适的通信界面来接收过程和排放数据。
图2更为详细地示出了PEMS计算系统200的一个实施例。在如图1和2的实施例中，PEMS计算系统200包括至少个人计算机或笔记本电脑107，它带有显示器或工作站110以及合适的用户界面设备例如键盘和鼠标。PEMS计算系统200就地位于(多个)排放源上。PEMS预测模型通常在单个计算设备107上本地生成和运转，该计算设备107将所测量的过程数据、所测量的排放数据、所预测的排放变量值和各种其他信息提供给工作站110和之前所讲述的各种其他本地和远程的工作站。
在如图1和2所示的实施例中，软件元件或包括有本发明的PEM系统的元件位于一般表示PEMS计算设备的计算设备107上。通常，计算设备107包括其速度为133MHz或以上的处理器和至少512MB的RAM，并且优选情况下包括容错硬盘驱动器。合适的计算设备的例子包括个人计算机(PC)、笔记本电脑、工程工作站和与就地或远程客户计算设备相接的服务器。如这里所使用的，“PEMS计算设备”一词指的是其上带有PEM系统软件的任何要件或元件的任何计算设备。在如图2所示的实施例中，PEMS计算设备107包含数据获取要件301、相关数据库应用302、警告生成要件303、报告生成要件304、执照要件305、ODBC软件和驱动器306，以及一个或多个本地数据库文件307。
参照图1，如果过程或排放数据在提交给计算设备107之前需要预处理(例如模数转换)，则合适的处理硬件和/或软件可以被集成到过程控制系统105、计算设备107或者处于各种数据获取设备和计算设备107之间的数据路径中。在如图1所示的实施例中，多信道模数(A/D)转换器197a被沿着位于控制器105a和PEMS计算设备107之间的数据路径集成，用于通过计算系统将过程参数的模拟值转化成可用的数字值。优选情况下，A/D转换器197a具有相对较高的分辨率(20-24比特或更高)，并且用于提高下面的分析性测量的信噪比。信噪比可以进行在线测量，并且通过在自动校准期间调节初始安装上的数字滤波器参数或者在线连续调节来进行自动优化。可选情况下，被安装在PEMS计算设备107中的A/D端口可以将由设备107所接收的模拟值转化成所测量的模拟数据值的数字形式。本领域的一般技术人员都知道，用于对这些数据进行预处理和数据格式转换的硬件和软件是很容易得到的。
我们知道，如果需要，CEM系统198和/或在系统20中所采用的任何离散测量设备可以被构造成与系统20的任何其他元件相接。另外，由用户所执行的任何操作或步骤可以就地执行或者远程地经由远程终端和合适的通信界面来执行。系统20的元件之间的互联以及就地和本地访问系统20的元件可以经由任何合适的通信界面，例如有线LAN、无线LAN或者系统元件之间的直接有线相连来得到。另外，远程访问系统20和过程监测和控制系统的单个元件可以通过使用各种装置例如因特网连接、宽域网络或者通过无线界面的任一个来实现。
我们知道，根据特定用户或应用的需要，任一个或所有软件元件或者包括有本发明的PEM系统的元件可以分布于各种就地或远程地互联的计算设备180中。我们还知道，单个PEMS计算设备107可以被耦合到多个排放源以监测每一个来源，并且为每一个来源提供预测性排放物和一致性数据。
本领域的一般技术人员都知道，如图1所示的分布数据获取、监测以及控制系统有助于获取过程和排放数据和与各种共享计算资源和用户界面设备的数据通信。所示的系统结构还促进了诸如过程和排放参数的就地和/或远程监测、预测排放值的计算、控制指令的发出以及(如果需要)报告或警告的生成等功能的性能。
对于给定一套过程参数，为了预测由排放源101a-101c所生成的排放物，系统20使用被集成到预测排放物监测系统(PEMS)中的预测模型。本发明的预测模型是通过使用在预定时段中排放源的正常操作期间所收集的实际过程和排放数据来产生的。更为确切地说，PEM系统使用了在预定时段中的正常操作期间所收集的历史数据来作为训练数据集的一部分，以产生用于预测过程变量(例如在由于传感器故障或其他原因所致的过程数据缺失的情况下)和排放变量的值的经验模型。所得到的预测的准确性主要取决于训练数据集的范围和质量。
图4为流程图，示出了与预测模型的生成有关的步骤。在生成预测模型之前，在正常系统操作期间在步骤425收集过程数据，并且在步骤426收集排放数据。过程和排放数据用于生成用于预测模型的历史训练数据集。如这里所使用的，“过程数据”一词指的是与给定过程有关的任何所测量的变量值(例如温度、压力、体积或者质量流量比等)。类似地，“排放数据”一词指的是与由相关过程所导致的排放物有关的任何所测量的变量值(例如特定气体的浓度)。该第一组过程和排放数据提供了过程和排放变量的测试数据值，用于生成预测模型。
参照图1和4，与给定排放源101有关的过程变量数据(例如，温度或压力值)是通过过程控制系统105和/或操作地耦合到过程流的离散测量设备199来收集的。对于实时数据，可以主动地轮询过程控制系统105、离散测量设备199和CEM系统198，或者可以从就地或远程系统访问节点(例如操作员终端110)发送手动产生的或者自动请求，以提供实时过程参数数据。类似地，排放数据是通过CEM系统198和/或位于(多个)排放源之内或周边的各种位置上的离散测量设备199来收集的。
过程和排放数据是在预定时段中收集的，并且根据诸如数据类型(例如温度和压力)、数据来源(也就是从其接收数据的特定域操作设备)和来自给定来源的数据的最小和最大值等特性来表征。然后，如果需要，在步骤426a中对所收集的过程数据和排放数据进行预处理。例如，如果待被执行的针对数据的数据质量确保方法和/或其他操作是借助计算机的，则有必要将由测量仪器所提供的模拟数据转化成可由数字计算设备操作的数字数据。
数据值是以基准抽样间隔(BSI)进行测量的，该间隔是根据的排放变量对过程变量的变化的已知响应时间来确定的。过程中的变化需要一有限量的时间来影响排放。对于产生气体排放物的过程，该时间段的长度一般取决于诸如废气路径和抽样位置等因素。对于大部分的工业过程，过程变量中的变化至少需要一分钟来改变所测量的排放物。对于大部分锅炉而言，例如，BSI被设定成约一分钟。对于气体涡轮，BSI的变化范围可以在约1分钟(在较大的单元中)到10秒或更短(对于较小的单元)。对于诸如电弧焊等一些高速工业过程，BSI可以被设定为1秒以下。处理每一个所测量的数据值并且将其做标签以用于查询。在借助计算机来实施方法的过程中，被做标签的数据然后被集成到相关数据库的一个或多个记录中。
参照图1和2，在借助计算机实施该方法的过程中，来自CEM系统198a和/或离散测量仪器199a的过程和排放数据是通过位于PEMS计算设备107中的数据获取元件301来接收的。数据获取元件301用于查询并且激活CEM系统198a和/或离散测量设备199a来查询相关过程和排放数据。用户可以将数据获取元件301构造成多种操作模式。例如，元件301可以被编程，以在启动或激活PEM系统之时、在接收到来自PEM计算设备107的用户的指令时、或者根据预定间隔，而自动地查询CEM系统198a或测量设备199a。在操作的其他模式中，元件301可以接收以预定间隔由CEM系统198a或设备199a自动传递的或者响应来自于处于远程计算设备上的用户的查询而传递的过程和/或排放数据。还可以考虑其他操作模式和在过程和排放数据的发送和接收中所出现的事件。
在步骤426a中，所测量的过程和排放数据还构造成用于定义原始数据库的相关数据库中的一个或多个记录。数据的编辑和组织可以通过PEMS应用的一部分来完成，或者编译和组织可以通过使用其他商业可得到的应用例如Microsoft的ACCESS、dBaseTM、DB2、诸如Microsoft的Excel等标准电子数据表程序或者另一个合适的数据库平台来完成。不过，用于组织所收集的数据的任何数据库平台优选情况下使用开放数据库连接(ODBC)编程句式或者使用符合允许使用结构查询语句(SQL)来查询数据库的可比标准的编程语句进行访问。
在这里所讨论的由计算机实施的实施例中，本发明的(多个)相关数据库之间的交互以及用户和数据库之间的交互是使用结构查询语句(SQL)请求进行的。例如，之前被构造成SQL编程片断的这些请求可以按照需要进行编制，或者可以事先被嵌入在应用程序或其他程序中。
我们知道，SQL请求是通过数据库管理系统(DBMS)进行处理的，其用于从相关数据库中恢复所请求的数据元素并且将该数据传递到请求实体，例如位于就地或远程系统访问点的操作员。存储过程和排放数据和与(多个)相关数据库中的数据相关的信息以及使用SQL语句以与(多个)数据库进行交互极大提高了操作者或其他系统用户在访问和操作所存储的数据的速度和灵活性。例如，用户可以定义数据的结构、确定数据元素之间的关系、进行搜索满足用户所定义的标准的数据元素，并且通过重新排列元素、增加元素、去除元素和改变现有数据元素的值来动态修改数据库。
本发明的(多个)相关数据库之间的交互还可以使用动态SQL语句来进行，这有助于查询的自动生成。这些语句可以通过用户或编程者进行输入，或者可以通过程序来生成。
在这里所描述的实施例中，PEMS计算设备107经由一套被称为目标数据库连接(ODBC)的标准数据界面与过程控制系统105a、离散测量设备199a和系统20的其他元件相接。本领域的一般技术人员都知道，ODBC将SQL请求翻译成数据库系统可理解的请求，从而在不知道给定数据库应用的专利界面的情况下使得数据库可以被访问。ODBC或其他界面软件和用于访问过程和排放数据文件应用的相关驱动器被集成到其上存储了数据库的计算设备和通过其可以请求数据库访问的任何远程计算设备中。
根据所使用的设备和排放源的地理位置等因素，来自不同过程或排放监测设备的分开数据流可以进入不同的数据库应用。优选情况下，使用单一类型的数据库平台来存储用于每一个排放源的过程和排放数据。可选情况下，原始数据在被集成到数据库中之前，能够以各种可选的文件格式中的一种保存在存储器中以用于进一步的处理。数据的格式化通常由软件的数据获取元件来进行(结合所选的数据库应用)，但是如果需要可选情况下可以由PEMS程序的另一部分来完成。
返回图4，在步骤427中，排放数据和过程数据是时间相关的，以便对于每一个基准抽样间隔，每一个变量的所有值都存在记录。这为所有测量的数据值都提供了共用临时参考帧。
在步骤427a中，来自CEM系统198和/或测量设备199的原始数据根据40CFR的Part 60来进行质量保证，这里可以参照在此引入的附录A。数据的质量保证可以采用手动或者使用自动的方法。在校准期间所测量的数据值用周边记录的过程数据(如果合适)进行替换或者被标记为从数据集中去除。调整被保存以进行进一步分析的数据的偏差和偏离。
在步骤428中，调整原始数据，以匹配基准抽样间隔的时序。
在步骤429中，去除所有校准数据(所得到的并且用于校准域设备104的数据)、维护数据(在排放源维护时段期间所得到的数据或程序)和非操作数据(例如当排放源离线时的数据)。
在步骤430和431中，根据这里作为参考被引入的40CFR的part60和75中所概述的程序来分析数据。进行校准调整，而错误或不正确的数据被去除。
如上所述，用于生成本发明的预测模型的步骤可以手动地执行。不过，为了大幅增加生成、测试和使用预测模型的速度、效率和灵活性，以及为了促进由模型生成的信息用于各种目的，生成预测模型以及诸如获取过程和排放数据等附加功能可以通过用于协调和执行与预测模型的生成、测试和使用有关的特定功能的一个或多个计算机软件元件来执行。
为了简化，下面讲述用于单个过程或排放源的预测模型的生成和操作。我们知道，这里所讲述的方法可以对每一个待被监测和控制的过程或排放源进行重复。统计混合方法使用了针对历史训练数据集上的标准统计操作(均值、相关、标准误、置信和方差)以及在非线性统计和其他高级经验预测模型中较为常见的一套固定调谐系数。所得到的混合方法使用内置统计SQL数据处理结构和混合调谐系数，以根据历史训练数据集对当前过程矢量进行变换并且找到预测值。这里提供了用于从历史训练数据集来得到混合调谐系数的最佳值的方法，并且可以用于在这里所述的实施例中自动建立统计混合模型。
再次参照图4，在步骤432中，变化矢量或delta值是根据每一个过程变量的每一对时间连续的测量的测试值来计算的。如这里所使用的，应用于所测量的数据值的术语“时间连续的”的涵义是，第一个测量值和在紧邻第一个值的时间的时点上所测量的另一测量值，该时点在第一个值的测量时点之前或者之后。对于过程变量的每一个当前值而言，变化矢量是通过从过程变量的当前值中减去过程变量的上一个值来产生的。例如，对于温度参数T的两个连续测量的变化矢量Vc等于Tt-T(t-Δt)(也就是说，在测量第一个温度的时点t上的温度减去在测量先前的温度时的时点t-Δt上的温度)。变化矢量表示给定过程变量在抽样间隔上的变化。一旦计算了，就可以将所计算的变化矢量的值添加到用于过程变量的数据文档中的附加数据域中。可选情况下，可以将变化矢量值存储在相关数据库的另一个记录中。
在步骤433中，使用合理编写的SQL声明，对过程变量的每一个相应测量值来计算用于TSLU的值。TSLU为以最简单的形式表示过程的一种操作状态Time Since Last Upset的任意值。该最简单的实施例为整数，用于表示以分钟计的自从上一个过程打乱(upset)被记录以来的时间。给定模型使用多个TSLU值来描绘截然不同的操作模式。另一个例子为，如果单元具有六个不同的操作模式，则TSLU可以是1～6。可选情况下，TSLU可以被定义为模式1为1000～1999、模式2为2000-2999等，即第一位(千位)表示操作模式，并且后三位表示自从上一次在之前所定义的操作模式中发生打乱以来的时间。TSLU允许模型利用临时和模式特定的可变性来预测排放物，这比之前的统计(线性和非线性)模型更有优势。
如果TSLU是以抽样间隔单位进行测量的，例如抽样间隔为一分钟，则TSLU为3表示在过去了其上抽取过程变量以提供测试数据的抽样间隔的3倍时或者三分钟之前的过程变化。在其中过程变量的所有测量值都小于测量值的相应初始容差的情况下，TSLU被设置为0。在这一条件下，单元是离线的。对于过程变量的每一个值，如果过程变量的变化(从过程变量的上一个测量值到当前测量值)大于初始容差，则将自上一个打乱以来的时间设置为1。如果测量值的变化都没有大于或等于初始容差，则通过将TSLU之前的值增加1个抽样间隔来增加自从上一个打乱以来的时间。从这个角度看，TSLU为指示器变量，用于表示自从过程变量的变化超过了用于过程变量的初始容差以来已经过去的抽样间隔的总个数。TSLU的连续值被添加到数据文档的域中用于过程变量。历史训练数据集的集成和预处理现在就都完成了。
参照图3b和4，在步骤434中，包括有过程和排放数据、每一个过程矢量的变化和自从上一个打乱以来的时间的数据集的当前版本被输入到作为主数据表的相关数据库中。图3b示出了在主数据表中所体现的数据结构的一个例子。该数据结构包括一个或多个数据元素，用于确定之前所描述的相关过程或排放数据值、数据值本身和各种系数(TSLU和delta等)的相关值。如果需要，与过程或排放变量或者变量的特定值有关的其他信息也被集成到文档结构中。
在步骤435中，产生历史训练数据集的该版本，并且分配序列号，用于表示训练数据集表格中的记录数，以及导入数据集的日期和时间，用于一致性监测。
在步骤436中，计算相关因子，以提供待被计算的排放变量和相关的过程变量之间的相关性的定量表示。在一个实施例中，相关因子为线性相关系数。本领域的一般技术人员都知道，相关系数为-1到1之间的值，用于表示两个变量之间的关系接近线性关系的程度。相关系数越接近0，则两个变量之间存在线性关系的可能性越小。相反地，相关系数越接近1，则两个变量之间存在强的线性关系。本发明的方法主要是看两个变量之间相关性的相对大小，而不看重变量之间的相关是正还是负。因此，在本发明中使用了相关系数的绝对值，用于评估相关的程度。对于每一个变量使用一组值来计算相关系数的方法是公知的。
另外，每一个变量都具有初始的容差值，该初始的容差值被存储在带有模型设备的结构文档中。对于每一个输入变量，容差值是通过使用标准统计函数(例如标准差)且相对于输入变量的余数对正被讨论的变量进行缩放而从训练数据集中所包含的历史数据中得到的。每一个输入变量的容差表示用于给定历史训练数据集的信噪比，并且计算该容差使得输入变量值的变化等于或大于容差是非常显著的(不仅仅是由测量的随机波动而导致的偶然变化)。在步骤437中，计算每一个过程变量的标准差，并且将每一个过程变量的容差值设置为标准差的1/10。该值(0.10)被称为初始的总体结构参数，并且通过系统可以手动或自动调整，以最大化应对输入故障的准确性和弹性。可选情况下，在其中可以得到在包括有过程启动到关闭的正常操作时段中的过程变量数据的情况下，计算测量周期内过程变量的测量值的标准差，并且将过程变量的初始容差设置为约标准差的一半。在其中不能得到该正常操作时段中的过程变量数据的情况下，将过程变量的初始容差设置为过程变量的测量值的范围(最大值-最小值)的约2.5％。还可以考虑大量用于计算初始容差的方法，并且最佳容差设置可以根据历史训练数据集进行自动计算。
增加训练数据集中变量的数据点数(例如通过减少抽样间隔或者在较长的时段内提取更多的数据样本)可以减小相应的总体结构参数的值，这使得增加模型的准确性。不过，由于用于训练数据集中的参数的数据点数越大，相应总体结构参数的值就越小，则用于以给定基准抽样间隔来处理数据所需的系统资源就越多，因此当构建用于预测模型的SQL语句时也需要权衡利弊。
在步骤438中，在收集了包括组成历史训练数据集的数据之后，使用标准统计工具来分析待被预测的过程变量和(多个)排放变量之间的关系。根据待被预测的过程变量和排放变量之间的统计相关来对变量和变量变化进行归类。过程变量被归类为以下类别中的一个：
负载变量(LV)：负载变量为独立于过程状态，并且当变量的变化值等于或大于分配给变量的容差时根本地改变排放源的操作基本特性的变量。负载变量是由操作员根据排放源上的负载需要来设置的。负载变量通常落在其与待被预测的排放变量的相关系数大于0.5的过程变量的最高的10％之内。负载变量总是用于生成预测模型，但是在常规的一致性报告中是不需要的。
关键负载变量(CLV)：关键负载变量为对预测期望变量的值非常关键或者对排放源的一致性报告需求非常关键的变量。关键负载变量总是用于生成模型，或者总是用于常规一致性报告。关键负载变量也通常落在相对于待被预测的排放变量，相关系数大于0.5的过程变量中最高的10％之内。
标准变量(CV)：标准(criteria)变量与期望变量的预测值显著相关(相对于其他输入变量)。标准变量通常落在相对于待被预测的排放或其他变量的相关系数大于0.5的过程变量中最高的10％到最高33％之间。标准变量经常用于生成模型，但是对于预测排放变量的值并不重要。
非标准变量(NCV)：非标准变量是那些与待被预测的变量显示不出任何可辨别的相关性的变量。非标准变量通常落在相对于待被预测的排放变量的相关系数大于0.5的过程变量中最高的30％到最高50％之间。非标准变量有时用于生成预测模型，但是对于预测排放变量的值并不重要。
在预测模型的生成中，没有使用相对于待被预测的排放变量的相关系数小于0.5的过程变量。任何被计算的变量(例如，燃烧效率)都被归类为限制变量。这些变量被限制为不能存储在历史数据库中而是被存储在一致性数据库中。
在步骤440中，使用为历史训练数据库所收集的数据，产生了用于预测模型的结构查询语言(源代码)。这可以通过系统使用上述的程序和软件来手动或自动完成。
在步骤441中，用于排放源的预测模型现在是固定的并且准备用于测试。
在步骤442中，如40CFR Part 75中的所述，子部分E分析是在预测模型上执行的，这里引入了子部分E作为参考。
在步骤443中，判断子部分E的分析结果是否可以接受。在步骤444中，如果子部分E的分析结果可以接受，则预测模型变成实时模式。在步骤445中，在用于一致性报告的目的之前，该模型要根据联邦条例进行认证。
现在参照图5，该框图示出了当预测模型生成排放或过程变量值的预测时的操作。下面来描述用于根据所选过程变量的测量值来生成期望排放变量的预测的程序。不过，我们知道，给定其他过程变量以及一个或多个相关排放变量的同时发生值，该程序可以应用于预测过程变量的值，
在步骤546中，以基准抽样间隔来收集新的过程数据。该套数据提供了变量值的比较，用于与被存储在主数据表格中的变量的测试值相比较。由于获取了过程数据，因此评估其正确性，并且输入变量被标记了反映输入的感知状态(正确或不正确)的情况。无效的数据不用于模型比较，不过，如果一个或多个数据获取设备发生故障并且正在提供无效的数据，则其他数据和/或来自其他过程变量的数据通常可以提供足够的信息，以生成有效的预测。
在步骤547和548中，评估在模型生成期间被确定为负载和关键负载变量的变量值(并且被包含在主数据表格的加工复制中)，以确定模型对于过程数据的当前值是否有效。与历史训练数据库中的每一个记录相比，新数据库中的这些变量的值应该处于所计算的与这些负载和关键变量相关的容差之内。根据一致性监测系统所遵照的监管条例，至少最小个数的新数据集变量值和相关系数值需要与主数据表格中的相应记录相匹配。
在步骤549中，如前所述，计算用于新获取的过程变量值的TSLU。
在步骤550中，如前所述，计算用于新的一组过程变量值的变化矢量。
在怎样使用预测模型的典型例子中，期望在某个特定过程条件下生成期望排放变量的预测值。本发明的方法识别对期望排放变量的值具有最大影响的关键过程变量，并且在特定过程条件下使用这些关键变量的值作为搜索标准来查询主数据表格。
期望情况下基于去掉最不重要的变量(也就是根据搜索标准来以降序去掉具有最小相关系数的过程变量)直到找到有效匹配为止，来生成预测模型。因此，考虑每一个输入变量将被依次地减少为最大负载和最关键的一致性变量，一次考虑一个变量。在本发明的一个实施例中，如上所述，依照重要性，过程变量被归类负载、关键一致性、标准和非标准变量，这允许预测模型通过SQL声明进行迭代，将对数据库的访问限制为最大10次尝试。在其他应用中，可以使用更多或更少的查询尝试次数。使用该系统，常见的商业上可利用的计算机(例如个人计算机)具有足够的处理器速度和数据库容量，以在1分钟的基准抽样间隔上每隔10秒产生有效预测。上述最期望的解决方案是在每一次尝试中都通过潜在生成数百个数据库访问的每一个变量进行迭代。
在步骤551中，在主数据表格中搜索用于每一个负载变量和其相关的delta和TSLU、每一个关键负载变量和其相关的delta和TSLU、每一个标准变量和其相关的delta和TSLU、每一个非标准变量和其相关的delta和TSLU的包含有匹配(在相关容差之内)的数据值。在该步骤和以下步骤中通过对能够得到期望信息的主数据表格使用结构化查询语句来搜索主表格。
在步骤552中，如果搜索产生了正结果(也就是找到了匹配)，则与过程变量的匹配值相对应的期望排放变量的值被作为用于当前过程的排放变量的预测值。该值可以被提交给用户，或者被集成到一致性数据库中，以生成其他用途的报告(步骤571)。
在步骤553中，如果第一查询产生了负结果(也就是没有找到匹配)，则利用负载变量和其相关的delta和TSLU以及处于初始容差上的关键变量和其相关的delta和TSLU来重复查询。
在步骤554中，如果找到了一个或多个匹配，则主表格中与匹配过程变量值相对应的期望排放变量的值被当作是排放变量的预测值，如上所述。
在步骤555中，如果第二查询产生了负结果，则通过使用负载变量和其相关的delta和TSLU以及处于变量的双倍初始容差处的关键变量和其相关的delta和TSLU来生成第三查询。
在步骤556中，如果找到了匹配，则如上所述，分配期望排放变量的预测值。
在步骤557中，如果第三查询产生了负结果，则通过使用负载变量和其相关的delta和TSLU以及处于三倍初始容差处的关键变量和其相关的delta和TSLU来生成第四查询。
在步骤558中，如果找到了匹配，则如上所述，分配期望排放变量的预测值。
在步骤559中，如果第四查询产生了负结果，则通过使用负载变量和其相关的delta和TSLU以及处于初始容差上的关键变量和其相关的TSLU来生成第五查询。
在步骤560中，如果找到了匹配，则如上所述，分配期望排放变量的预测值。
在步骤561中，如果第五查询产生了负结果，则通过使用负载变量和其相关的TSLU以及处于双倍初始容差上的关键变量和其相关的TSLU来生成第六查询。
在步骤562中，如果找到了匹配，则如上所述，分配期望排放变量的预测值。
在步骤563中，如果第六查询产生了负结果，则通过使用负载变量和其相关的TSLU以及处于三倍初始容差上的关键变量和其相关的TSLU来生成第七查询。
在步骤564中，如果找到了匹配，则如上所述，分配期望排放变量的预测值。
在步骤565中，如果第七查询产生了负结果，则通过使用处于初始容差上的负载变量和其相关的TSLU来生成第八查询。
在步骤566中，如果找到了匹配，则如上所述，分配期望排放变量的预测值。
在步骤567中，如果第八查询产生了负结果，则通过使用处于双倍初始容差上的负载变量和其相关的TSLU来生成第九查询。
在步骤568中，如果找到了匹配，则如上所述，对期望排放变量进行处理。
在步骤569中，如果第九查询产生了负结果，则通过使用处于三倍初始容差上的负载变量和其相关的TSLU来生成第十查询。
在步骤570中，如果没有找到匹配，则预测模型被默认为可选的预测方案(步骤572)。例如，在该点上可以使用由联邦条联许可的附录E这种类型的模型作为可选模型。可选情况下，如果所使用的硬件和软件平台具有足够的容量，则本发明的预测模型可以通过从最不重要到最重要的每一个过程变量进行迭代。
当得到有效预测时，将其输出到控制系统、数据获取系统或者本地公布，其中在处理警告时可以进行回顾。预测还被存储在不可编辑的一致性数据库中，并且保持连续的可靠位置以用于汇编排放数据。
在步骤574中，在以基准抽样间隔重复之前，更新变量的先前值，用于接下来计算变化矢量。每一个新的过程矢量(每一次从过程中获取实时数据)都是独立处理的。这允许系统处理一批或者连续的过程数据。由于在每一个基准抽样间隔上收集用于每一个变量的一个数据值，因此所获取的数据是连续的，这可以正确计算delta。每次处理当前过程矢量时，都进行重置。只保留变量之前的值，以计算下一个记录的delta。
在一个例子中，在40CFR Part 60中的典型气体涡轮应用中，基准抽样间隔被设置为1分钟，并且历史训练数据集中所需的匹配为1个记录。每隔1分钟，获取过程矢量并且将其处理为SQL声明，用于与历史训练数据集进行比较。所得到的输出矢量包括在训练数据集中所包含的经验排放数据，适用于在过程矢量中所反映的当前过程条件；其delta或者变化矢量；以及任何相关的TSLU。根据附录GG中的40CFR Part 60，模型输出经过校正的NOX浓度(以1bs每mmBTU为应用单位)。如果需要，模型输出在平均化并且屏蔽的15分钟平均块之后，被记录在一致性数据库中，
PEM系统的元件304根据40CFR Part 75和40CFR Part 60规定和EDR生产容量，可以提供报告容量。该元件可以支持系统操作员，与数据获取设备相接，并且可以在系统20上的任何工作站进行运行。
模型可以包括附加组件，用于增强性能。在如图2所示的实施例中，PEMS警告生成器元件303和PEMS执照用途元件305被集成到PEMS计算系统中。这些附加组件可以由第三方有选择地提供，并且除了报告生成容量之外，包括数据显示和警告功能性。这些辅助元件可以可选地安装在就地或远程的单独计算设备上。这些辅助元件与预测模型或数据库交互，用于将一致性数据处理成报告、图形、实时或历史显示。
在特定实施例中，由系统的预测元件所生成的信息用于预测系统的排放情况，与可应用的排放标准进行比较，以评估是否符合这些标准。过程控制系统还可以使用所生成的预测信息，以调整过程变量，以便防止不符合条件的情况发生。
在另一实施例中，这里所述的排放监测和控制系统包括用于将反馈提供给控制系统的元件(根据用于操作排放源的预定标准)的装置，用于修改系统操作变量，以弥补与正常操作参数的偏差。可以将响应于预测排放变量值的控制信号发送到(多个)排放源的(多个)过程控制系统。
我们清楚地知道，可以预测和控制任何个数的变量，这些变量包括但是并不局限于一氧化碳的水平、氧化氮的水平、氧化硫的水平和氧气，这有助于下述情况的一种或所有情况：排放一致性、燃烧最优、功率输出最大、通过电源最优进行排放控制、通过添加适合的媒介例如氧化氮、氧化硫的吸附剂、蒸汽或者水等进行排放控制。为了上述目的中的任一个，还可以调整用于每一个排放源的任何合适的变量。例如，可以改变燃料进料速率、时序、空气/燃料比率、温度和蒸汽注入量，以调节期望排放变量的值。
本发明的PEMS系统的任何元件可以被存储在任何合适的计算机可读存储媒介上(例如CD-ROM、磁盘、内部或外部硬盘、闪存等)。另外，软件的一个或多个组件可以经由有线连接或者使用无线连接传输的信号进行发送或下载。
图6、7和8示出了使用根据被应用到气体涡轮的本发明而产生的预测模型的子部分E的分析结果。所使用的图形符合在包括有PEMS和CEMS数据的时间图(图7)、PEMS和CEMS小时平均数据的x-y图(图7)和PEMS和CEMS之间差别的时间图(图8)的子部分E中的40CFR Part 75中所找到的格式。用于验证PEM系统的程序在条例中有详细讲述，也就是这里作为参考的性能说明书16的附录B中的40CFR Part 75、子部分E和40CFR Part 60。图6至8示出了使用上述方法所实现的NOX排放的预测值和实际值之间的极强相关性。
在图9中，提供了典型的数据流例子。来自气体燃烧锅炉的氧化氮排放是以热输入的1bs NOX每mmBTU为单位进行管理的。用于以可应用标准来计算NOX排放速率的公式是使用方程式19-1的EPA方法19来得到的。使用用于根据方程式19-1来计算排放速率的原始干燥NOXppmv和氧气％浓度训练该模型。在方法19中还提供了在公式中所使用的常数。使用预测的NOXppmv和氧气％来计算在一致性判断中所使用的预测NOX排放速率。
当通过请求批准交替监测系统(子部分E的40CFR Part 60)或者利用美国EPA所公布的性能说明测试(PS-16草案中的40CFR Part 60)而被验证为用于来源的主要连续监测系统时，本发明的预测模型可以在不使用CEMS的情况下进行操作。
本发明的预测模型可以使用现有的CEMS设备或者通过调动临时或移动排放监测设备并且同时收集过程数据来在任何时间上(周期性地或连续地)进行重新调节。
本发明的系统和方法解决了之前所讲述的现有系统的缺陷。使用上述方法和软件，对排放源、由排放源所运行的过程或者统计混合模型的理论或操作都知道很少或者一无所知的技术员可以针对给定排放源产生高度准确的预测排放模型。本发明允许连续或批处理的所有者或操作员建立和维护污染排放速率的准确预测模型。与现有系统相比，这里所述的系统更便宜，并且易于运行和维护。另外，不需要特定的硬件。因此，根据本发明的包含有方法的预测模型非常独特，可以由不熟悉过程、污染控制或者模型所使用的方法的非专业人员来使用。另外，模型的用户和第三方顾问可以在没有制造商的技术支持的情况下更新模型。如图4和5所示的过程流程代表实施本发明的优选模式。不过，应该知道，根据模型的复杂程序，可以使用过程流的各种修改来提供不同水平的计算灵活性，用于解决各种数据源和监管方案。本发明考虑在该过程流程上进行任何合适的变化。
相对于批处理，预测模型的操作几乎与连续处理的应用是相同的。相对于批处理，TSLU对正确的批预测非常重要，而不取决于之前所定义的自从上一次打乱以来的时间。在这种情况下，TSLU通常被定义为自从启动批处理以来的时间，并且可以将其复合为包括先导整数，用于定义批处理类型或负载。批处理为一系列断开的连续操作，每一个都带有从批处理的开始到其结束以基准抽样间隔来增加的新TSLU。
这里所述的本发明的应用与根据用于一致性目的的过程来预测排放有关。可以使用这里所述的方法为包括有可进行这里所述的相关和统计分析的任何系统来产生预测方案。这里没有讲述但是可以发展的本发明的其他应用还包括其他人正在考虑但是还没有实现的预测天气模式、预测经济和财务模式和预测人类行为模型等。
下面是包含有这里所述的方法和系统的计算机程序清单的复制。
我们知道，上面关于本发明实施例的讲述只是用于解释目的。同样地，在不偏离如附加权利要求所定义的本发明的范围的情况下，由于与本领域的普通技术人员之一的能力相称的一些修改，这里所述的各种结构和操作特征也会有所不同。
Figure GSB00000621869200261
Figure GSB00000621869200271
Figure GSB00000621869200281
Figure GSB00000621869200291
Figure GSB00000621869200301
Figure GSB00000621869200311
Figure GSB00000621869200321
Figure GSB00000621869200341
Figure GSB00000621869200351
Figure GSB00000621869200361
Figure GSB00000621869200371

Claims (6)

1.一种用于预测来自排放源的排放的方法，该方法包括如下步骤：
在工业过程的相应的时间点处测量表示工业过程的产物的结果变量的多个测试值，所述结果变量表示除了所述工业过程的产物之外的所述工业过程的特性的多个过程变量的值来预测表示所述工业过程的产物，其中，所述多个测试值是以基准抽样间隔进行测量的，并且该基准抽样间隔是根据排放变量对过程变量的变化的已知响应时间来确定的；
对于工业过程中的多个过程变量的每一个过程变量，在与多个结果变量测试值的每个测试值被测量的时间点几乎同时的时间点测量该过程变量的每个测试值，多个过程变量测试值的每一个测试值与多个结果变量值的结果变量值有关；
对于多个第一系数的每一个第一系数，提供与多个过程变量的每一个过程变量相关的第一系数的单独测试值，第一系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
对于多个第二系数的每一个第二系数，提供与多个过程变量的每一个过程变量的每一个测试值相关的第二系数的单独测试值，第二系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
对多个过程变量中的所选过程变量的所选每一个，获取过程变量的多个比较值；
对于多个第一系数的每一个第一系数，提供与过程变量相关的第一系数的单独比较值，第一系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
对于多个第二系数的每一个第二系数，提供与每一个过程变量的比较值相关的第二系数的单独比较值，第二系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；对于在所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，迭代比较：
过程变量的每一个比较值和过程变量的每一个测试值；以及
与变量的比较值有关的所选第二系数的比较值和与变量的测试值有关的所选第二系数的测试值；
对于所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，识别过程变量的所有测试值，其中测试值与过程变量的比较值相差的量等于或小于相关的预定量，并且其中，对于与过程变量的每一个测试值相关的所选第二系数的每一个，所选第二系数的所有测试值与所选第二系数的比较值相差的量等于或小于相关的预定量；以及
将与每一个过程变量的各个测试值有关的结果变量的所有测试值的平均值作为结果变量的预测值进行分配，其中测试结果变量值与比较过程变量值相差所述相关的预定量。
2.一种控制过程的方法，包括下述步骤：基于权利要求1的结果变量的预测值，控制每个过程变量的值，使得生成位于预定范围之内的结果变量的值。
3.一种预测性排放监测系统，包括：
用于在工业过程的相应的时间点处测量表示工业过程的产物的结果变量的多个测试值的装置，所述结果变量表示除了所述工业过程的产物之外的所述工业过程的特性的多个过程变量的值来预测表示所述工业过程的产物，其中，所述多个测试值是以基准抽样间隔进行测量的，并且该基准抽样间隔是根据排放变量对过程变量的变化的已知响应时间来确定的；
用于对于工业过程中的多个过程变量的每一个过程变量，在与多个结果变量测试值的每个测试值被测量的时间点几乎同时的时间点测量该过程变量的每个测试值的装置，多个过程变量测试值的每一个测试值与多个结果变量值的结果变量值有关；
用于对于多个第一系数的每一个第一系数，提供与多个过程变量的每一个过程变量相关的第一系数的单独测试值的装置，第一系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对于多个第二系数的每一个第二系数，提供与多个过程变量的每一个过程变量的每一个测试值相关的第二系数的单独测试值的装置，第二系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对多个过程变量中的所选过程变量的所选每一个，获取过程变量的多个比较值的装置；
用于对于多个第一系数的每一个第一系数，提供与过程变量相关的第一系数的单独比较值的装置，第一系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于多个第二系数的每一个第二系数，提供与每一个过程变量的比较值相关的第二系数的单独比较值的装置，第二系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于在所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，迭代比较以下各项的装置：
过程变量的每一个比较值和过程变量的每一个测试值；以及
与变量的比较值有关的所选第二系数的比较值和与变量的测试值有关的所选第二系数的测试值；
用于对于所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，识别过程变量的所有测试值的装置，其中测试值与过程变量的比较值相差的量等于或小于相关的预定量，并且其中，对于与过程变量的每一个测试值相关的所选第二系数的每一个，所选第二系数的所有测试值与所选第二系数的比较值相差的量等于或小于相关的预定量；以及
用于将与每一个过程变量的各个测试值有关的结果变量的所有测试值的平均值作为结果变量的预测值进行分配的装置，其中测试结果变量值与比较过程变量值相差所述相关的预定量。
4.一种预测性排放监测系统，包括：
用于在工业过程的相应的时间点处测量表示工业过程的产物的结果变量的多个测试值的装置，所述结果变量表示除了所述工业过程的产物之外的所述工业过程的特性的多个过程变量的值来预测表示所述工业过程的产物，其中，所述多个测试值是以基准抽样间隔进行测量的，并且该基准抽样间隔是根据排放变量对过程变量的变化的已知响应时间来确定的；
用于对于工业过程中的多个过程变量的每一个过程变量，在与多个结果变量测试值的每个测试值被测量的时间点几乎同时的时间点测量该过程变量的每个测试值的装置，多个过程变量测试值的每一个测试值与多个结果变量值的结果变量值有关；
用于对于多个第一系数的每一个第一系数，提供与多个过程变量的每一个过程变量相关的第一系数的单独测试值的装置，第一系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对于多个第二系数的每一个第二系数，提供与多个过程变量的每一个过程变量的每一个测试值相关的第二系数的单独测试值的装置，第二系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对多个过程变量中的所选过程变量的所选每一个，获取过程变量的多个比较值的装置；
用于对于多个第一系数的每一个第一系数，提供与过程变量相关的第一系数的单独比较值的装置，第一系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于多个第二系数的每一个第二系数，提供与每一个过程变量的比较值相关的第二系数的单独比较值的装置，第二系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于在所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，迭代比较以下各项的装置：
过程变量的每一个比较值和过程变量的每一个测试值；以及
与变量的比较值有关的所选第二系数的比较值和与变量的测试值有关的所选第二系数的测试值；
用于对于所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，识别过程变量的所有测试值的装置，其中测试值与过程变量的比较值相差的量等于或小于相关的预定量，并且其中，对于与过程变量的每一个测试值相关的所选第二系数的每一个，所选第二系数的所有测试值与所选第二系数的比较值相差的量等于或小于相关的预定量；
用于将与每一个过程变量的各个测试值有关的结果变量的所有测试值的平均值作为结果变量的预测值进行分配的装置，其中测试结果变量值与比较过程变量值相差所述相关的预定量；以及
用于基于结果变量的预测值控制每个过程变量的值，使得生成位于预定范围之内的结果变量的值的装置。
5.一种功率生成系统，包括：
排放源；以及
预测性排放监测系统，包括：
用于在工业过程的相应的时间点处测量表示工业过程的产物的结果变量的多个测试值的装置，所述结果变量表示除了所述工业过程的产物之外的所述工业过程的特性的多个过程变量的值来预测表示所述工业过程的产物，其中，所述多个测试值是以基准抽样间隔进行测量的，并且该基准抽样间隔是根据排放变量对过程变量的变化的已知响应时间来确定的；
用于对于工业过程中的多个过程变量的每一个过程变量，在与多个结果变量测试值的每个测试值被测量的时间点几乎同时的时间点测量该过程变量的每个测试值的装置，多个过程变量测试值的每一个测试值与多个结果变量值的结果变量值有关；
用于对于多个第一系数的每一个第一系数，提供与多个过程变量的每一个过程变量相关的第一系数的单独测试值的装置，第一系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对于多个第二系数的每一个第二系数，提供与多个过程变量的每一个过程变量的每一个测试值相关的第二系数的单独测试值的装置，第二系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对多个过程变量中的所选过程变量的所选每一个，获取过程变量的多个比较值的装置；
    用于对于多个第一系数的每一个第一系数，提供与过程变量相关的第一系数的单独比较值的装置，第一系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于多个第二系数的每一个第二系数，提供与每一个过程变量的比较值相关的第二系数的单独比较值的装置，第二系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于在所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，迭代比较以下各项的装置：
过程变量的每一个比较值和过程变量的每一个测试值；以及
与变量的比较值有关的所选第二系数的比较值和与变量的测试值有关的所选第二系数的测试值；
用于对于所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，识别过程变量的所有测试值的装置，其中测试值与过程变量的比较值相差的量等于或小于相关的预定量，并且其中，对于与过程变量的每一个测试值相关的所选第二系数的每一个，所选第二系数的所有测试值与所选第二系数的比较值相差的量等于或小于相关的预定量；
用于将与每一个过程变量的各个测试值有关的结果变量的所有测试值的平均值作为结果变量的预测值进行分配的装置，其中测试结果变量值与比较过程变量值相差所述相关的预定量；以及
用于基于结果变量的预测值控制每个过程变量的值，使得生成位于预定范围之内的结果变量的值的装置；
其中，所述结果变量对应于所述排放源的排放的特性。
6.一种功率生成系统，包括：
排放源；以及
预测性排放监测系统，包括：
用于在工业过程的相应的时间点处测量表示工业过程的产物的结果变量的多个测试值的装置，所述结果变量表示除了所述工业过程的产物之外的所述工业过程的特性的多个过程变量的值来预测表示所述工业过程的产物，其中，所述多个测试值是以基准抽样间隔进行测量的，并且该基准抽样间隔是根据排放变量对过程变量的变化的已知响应时间来确定的；
用于对于工业过程中的多个过程变量的每一个过程变量，在与多个结果变量测试值的每个测试值被测量的时间点几乎同时的时间点测量该过程变量的每个测试值的装置，多个过程变量测试值的每一个测试值与多个结果变量值的结果变量值有关；
用于对于多个第一系数的每一个第一系数，提供与多个过程变量的每一个过程变量相关的第一系数的单独测试值的装置，第一系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对于多个第二系数的每一个第二系数，提供与多个过程变量的每一个过程变量的每一个测试值相关的第二系数的单独测试值的装置，第二系数的每一个单独测试值是相关过程变量的多个测试值的至少一部分测试值的函数；
用于对多个过程变量中的所选过程变量的所选每一个，获取过程变量的多个比较值的装置；
用于对于多个第一系数的每一个第一系数，提供与过程变量相关的第一系数的单独比较值的装置，第一系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于多个第二系数的每一个第二系数，提供与每一个过程变量的比较值相关的第二系数的单独比较值的装置，第二系数的每一个单独比较值是相关过程变量的多个比较值的至少一部分比较值的函数；
用于对于在所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，迭代比较以下各项的装置：
过程变量的每一个比较值和过程变量的每一个测试值；以及
与变量的比较值有关的所选第二系数的比较值和与变量的测试值有关的所选第二系数的测试值；
用于对于所选过程变量的多个预定组合的每一个预定组合中的每一个过程变量，识别过程变量的所有测试值的装置，其中测试值与过程变量的比较值相差的量等于或小于相关的预定量，并且其中，对于与过程变量的每一个测试值相关的所选第二系数的每一个，所选第二系数的所有测试值与所选第二系数的比较值相差的量等于或小于相关的预定量；以及
用于将与每一个过程变量的各个测试值有关的结果变量的所有测试值的平均值作为结果变量的预测值进行分配的装置，其中测试结果变量值与比较过程变量值相差所述相关的预定量。
CN2006800087795A 2005-03-18 2006-03-20 预测性排放物监测系统及方法 Expired - Fee Related CN101180590B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US66346105P 2005-03-18 2005-03-18
US60/663,461 2005-03-18
US11/384,077 2006-03-17
US11/384,077 US7421348B2 (en) 2005-03-18 2006-03-17 Predictive emissions monitoring method
PCT/US2006/010226 WO2006102322A2 (en) 2005-03-18 2006-03-20 Predictive emissions monitoring system and method

Publications (2)

Publication Number Publication Date
CN101180590A CN101180590A (zh) 2008-05-14
CN101180590B true CN101180590B (zh) 2012-10-10

Family

ID=37024529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006800087795A Expired - Fee Related CN101180590B (zh) 2005-03-18 2006-03-20 预测性排放物监测系统及方法

Country Status (8)

Country Link
US (3) US7421348B2 (zh)
EP (1) EP1864193B1 (zh)
CN (1) CN101180590B (zh)
AT (1) ATE474256T1 (zh)
CA (1) CA2601446C (zh)
DE (1) DE602006015445D1 (zh)
MX (1) MX2007011402A (zh)
WO (1) WO2006102322A2 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2308005T3 (es) * 2002-10-24 2008-12-01 HI-TECH ELECTRONIC PRODUCTS & MFG., INC. Aparato y metodo para detectar simultaneamente el estado de energia de una pluralidad de conmutadores disyuntores.
US7421348B2 (en) 2005-03-18 2008-09-02 Swanson Brian G Predictive emissions monitoring method
US11423486B2 (en) * 2005-05-11 2022-08-23 International Business Machines Corporation Method for production refactoring of a producing entity
EP1994456A4 (en) * 2006-03-16 2010-05-19 Applied Materials Inc METHODS AND APPARATUS FOR CONTROLLING PRESSURE IN ELECTRONIC DEVICE MANUFACTURING SYSTEMS
CN100484353C (zh) 2008-01-29 2009-04-29 清华大学 有机电致发光器件
US8670874B2 (en) * 2008-06-12 2014-03-11 Metro Power Company Pty Ltd Method and apparatus for energy and emission reduction
US8438128B2 (en) * 2008-10-27 2013-05-07 Raytheon Company Empirical modeling of confusion matrices
KR101071923B1 (ko) * 2009-02-23 2011-10-10 한국에너지기술연구원 스팀터빈 방식 열병합발전소의 이산화탄소 배출량 계산방법및 이를 위한 시스템
US8244505B2 (en) * 2009-11-05 2012-08-14 General Electric Company Predicting NOx emissions
TWI381139B (zh) * 2009-11-19 2013-01-01 Ind Tech Res Inst 基於影像之燃燒製程監控與診斷方法及其相關之電腦可讀取媒體
US9732958B2 (en) * 2010-04-01 2017-08-15 Clearsign Combustion Corporation Electrodynamic control in a burner system
US11073280B2 (en) 2010-04-01 2021-07-27 Clearsign Technologies Corporation Electrodynamic control in a burner system
CN102760250B (zh) 2011-04-28 2016-03-30 国际商业机器公司 用于选择碳排放预测方案的方法、设备和系统
CN103597413B (zh) * 2011-06-03 2017-01-18 西门子公司 用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
US9181878B2 (en) 2011-12-19 2015-11-10 Honeywell International Inc. Operations support systems and methods for calculating and evaluating engine emissions
CN103631814A (zh) * 2012-08-27 2014-03-12 捷达世软件（深圳）有限公司 温室气体盘查管理方法及系统
US20210133646A1 (en) * 2013-08-08 2021-05-06 II James Tyler Ward Permit Compliance System
CN103440412A (zh) * 2013-08-20 2013-12-11 国家电网公司 一种电力隧道顶管下穿越施工地面沉降曲线预测方法
CN103728947B (zh) * 2013-12-30 2016-09-21 聚光科技(杭州)股份有限公司 污染物排放的监控方法
EP3012694A1 (en) 2014-10-22 2016-04-27 Siemens Aktiengesellschaft Method for determining an emission behaviour
US10242317B2 (en) * 2014-11-25 2019-03-26 Illinois Tool Works Inc. System for estimating the amount and content of fumes
US10628757B2 (en) 2017-01-26 2020-04-21 International Business Machines Corporation Dynamic emission discharge reduction
KR20200047532A (ko) * 2017-07-18 2020-05-07 천 밍 라우 리프팅 시스템 및 건물 시설을 관리 및 모니터링하기 위한 시스템 및 방법
EP3776105B1 (en) * 2018-03-29 2022-05-04 Ammann Schweiz AG Emission control of an asphalt mixing plant
CN108829021A (zh) * 2018-06-09 2018-11-16 深圳市中电数通智慧安全科技股份有限公司 一种工业园废气处理物联监控系统
EP3591482A1 (de) * 2018-07-03 2020-01-08 Siemens Aktiengesellschaft Überwachung einer technischen anlage
CN110489711A (zh) * 2019-06-19 2019-11-22 浙江中控软件技术有限公司 用于炼厂低压瓦斯的排放测算方法
CN110414089A (zh) * 2019-07-10 2019-11-05 一汽解放汽车有限公司 基于发动机万有特性的整车pems排放的仿真预测方法
CN110426996B (zh) * 2019-07-12 2023-06-23 张鹏 基于大数据及人工智能的环境污染监测方法
CN111814325B (zh) * 2020-07-01 2023-12-29 浙江浙能台州第二发电有限责任公司 燃煤发电装备非平稳运行的单变量报警阈值优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5386373A (en) * 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5703770A (en) * 1994-09-16 1997-12-30 Sames S.A. Method and apparatus for generating a high voltage
US6507774B1 (en) * 1999-08-24 2003-01-14 The University Of Chicago Intelligent emissions controller for substance injection in the post-primary combustion zone of fossil-fired boilers

Family Cites Families (80)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US570377A (en) * 1896-10-27 burlich
US4161883A (en) 1978-05-23 1979-07-24 The Bendix Corporation Conditioning assembly for continuous stack monitoring
US4584654A (en) 1982-10-21 1986-04-22 Ultra Products Systems, Inc. Method and system for monitoring operating efficiency of pipeline system
US4922412A (en) 1986-10-09 1990-05-01 The Babcock & Wilcox Company Apparatus and method using adaptive gain scheduling
US5035269A (en) * 1986-11-21 1991-07-30 Emergency Containment Systems Safety gas cylinder containment system
US4858147A (en) 1987-06-15 1989-08-15 Unisys Corporation Special purpose neurocomputer system for solving optimization problems
US5119287A (en) 1987-09-11 1992-06-02 Kabushiki Kaisha Yaskawa Denki Seisakusho Optimum tracking control method for periodic target value
US4907167A (en) 1987-09-30 1990-03-06 E. I. Du Pont De Nemours And Company Process control system with action logging
US4884217A (en) 1987-09-30 1989-11-28 E. I. Du Pont De Nemours And Company Expert system with three classes of rules
US4920499A (en) 1987-09-30 1990-04-24 E. I. Du Pont De Nemours And Company Expert system with natural-language rule updating
US5006992A (en) 1987-09-30 1991-04-09 Du Pont De Nemours And Company Process control system with reconfigurable expert rules and control modules
US4965742A (en) 1987-09-30 1990-10-23 E. I. Du Pont De Nemours And Company Process control system with on-line reconfigurable modules
US4910691A (en) 1987-09-30 1990-03-20 E.I. Du Pont De Nemours & Co. Process control system with multiple module sequence options
US4968742A (en) * 1987-11-09 1990-11-06 Miles Inc. Preparation of ligand-polymer conjugate having a controlled number of introduced ligands
GB8727602D0 (en) 1987-11-25 1987-12-31 Nat Res Dev Industrial control systems
US5251285A (en) 1988-03-25 1993-10-05 Hitachi, Ltd. Method and system for process control with complex inference mechanism using qualitative and quantitative reasoning
US4979126A (en) 1988-03-30 1990-12-18 Ai Ware Incorporated Neural network with non-linear transformations
US5025499A (en) 1988-04-13 1991-06-18 Hitachi, Ltd. Process control method and control system
JPS6452461A (en) 1988-05-19 1989-02-28 Ueno Seiyaku Oyo Kenkyujo Kk Condom
US4928484A (en) 1988-12-20 1990-05-29 Allied-Signal Inc. Nonlinear multivariable control system
US4972363A (en) 1989-02-01 1990-11-20 The Boeing Company Neural network using stochastic processing
JPH0660826B2 (ja) 1989-02-07 1994-08-10 動力炉・核燃料開発事業団 プラントの異常診断方法
US5119468A (en) 1989-02-28 1992-06-02 E. I. Du Pont De Nemours And Company Apparatus and method for controlling a process using a trained parallel distributed processing network
US5058043A (en) 1989-04-05 1991-10-15 E. I. Du Pont De Nemours & Co. (Inc.) Batch process control using expert systems
CA2031765C (en) 1989-12-08 1996-02-20 Masahide Nomura Method and system for performing control conforming with characteristics of controlled system
US5113483A (en) 1990-06-15 1992-05-12 Microelectronics And Computer Technology Corporation Neural network with semi-localized non-linear mapping of the input space
US5142612A (en) 1990-08-03 1992-08-25 E. I. Du Pont De Nemours & Co. (Inc.) Computer neural network supervisory process control system and method
US5212765A (en) 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
US5167009A (en) 1990-08-03 1992-11-24 E. I. Du Pont De Nemours & Co. (Inc.) On-line process control neural network using data pointers
US5282261A (en) 1990-08-03 1994-01-25 E. I. Du Pont De Nemours And Co., Inc. Neural network process measurement and control
US5121467A (en) 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US5197114A (en) 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
US5175678A (en) 1990-08-15 1992-12-29 Elsag International B.V. Method and procedure for neural control of dynamic processes
US5217765A (en) * 1990-08-30 1993-06-08 Vestvaco Corporation Microwave oven susceptor
FR2667113B1 (fr) 1990-09-26 1993-06-25 Semt Pielstick Procede de surveillance de l'emission d'oxydes d'azote par un moteur a combustion interne.
JPH0781701B2 (ja) 1991-04-05 1995-09-06 川崎重工業株式会社 石炭燃焼炉の灰中未燃分推定装置
US5280756A (en) 1992-02-04 1994-01-25 Stone & Webster Engineering Corp. NOx Emissions advisor and automation system
US5222403A (en) 1992-04-01 1993-06-29 Gmi Holdings, Inc. Drive mechanism engaging means for garage door operator
EP0582059B1 (en) 1992-06-02 1998-05-13 Nec Corporation Magneto-optical head assembly
US5353207A (en) 1992-06-10 1994-10-04 Pavilion Technologies, Inc. Residual activation neural network
US5477444A (en) 1992-09-14 1995-12-19 Bhat; Naveen V. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
US5479573A (en) 1992-11-24 1995-12-26 Pavilion Technologies, Inc. Predictive network with learned preprocessing parameters
US5729661A (en) 1992-11-24 1998-03-17 Pavilion Technologies, Inc. Method and apparatus for preprocessing input data to a neural network
JPH08505967A (ja) 1992-11-24 1996-06-25 パヴィリオン・テクノロジーズ・インコーポレイテッド 欠落および／または不完全なデータを有するニューラルネットワークを作動するための方法および装置
US6002839A (en) 1992-11-24 1999-12-14 Pavilion Technologies Predictive network with graphically determined preprocess transforms
US6243696B1 (en) 1992-11-24 2001-06-05 Pavilion Technologies, Inc. Automated method for building a model
CA2157198A1 (en) 1993-03-02 1994-09-15 James David Keeler Method and apparatus for analyzing a neural network within desired operating parameter constraints
US5825646A (en) 1993-03-02 1998-10-20 Pavilion Technologies, Inc. Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters
FR2706815B1 (zh) 1993-06-23 1995-09-08 Samm
US5539638A (en) 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
US5625750A (en) 1994-06-29 1997-04-29 Ford Motor Company Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks
US5848402A (en) 1994-07-07 1998-12-08 Ai Ware, Inc. Universal system for artificial intelligence based learning, categorization, and optimization
US5703777A (en) 1994-10-20 1997-12-30 Anr Pipeline Company Parametric emissions monitoring system having operating condition deviation feedback
US5570282A (en) 1994-11-01 1996-10-29 The Foxboro Company Multivariable nonlinear process controller
US5704111A (en) 1995-05-24 1998-01-06 General Electric Company Method for making a rotor for an electric motor
US5768475A (en) 1995-05-25 1998-06-16 Pavilion Technologies, Inc. Method and apparatus for automatically constructing a data flow architecture
US6144952A (en) 1995-09-20 2000-11-07 Keeler; James D. Predictive network with learned preprocessing parameters
US6314414B1 (en) 1998-10-06 2001-11-06 Pavilion Technologies, Inc. Method for training and/or testing a neural network with missing and/or incomplete data
US5970426A (en) * 1995-09-22 1999-10-19 Rosemount Analytical Inc. Emission monitoring system
US5734796A (en) 1995-09-29 1998-03-31 Ai Ware, Inc. Self-organization of pattern data with dimension reduction through learning of non-linear variance-constrained mapping
US6134537A (en) 1995-09-29 2000-10-17 Ai Ware, Inc. Visualization and self organization of multidimensional data through equalized orthogonal mapping
US5818953A (en) * 1996-04-17 1998-10-06 Lamb-Weston, Inc. Optical characterization method
US5933345A (en) 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US6278899B1 (en) 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US6381504B1 (en) 1996-05-06 2002-04-30 Pavilion Technologies, Inc. Method for optimizing a plant with multiple inputs
US6047221A (en) 1997-10-03 2000-04-04 Pavilion Technologies, Inc. Method for steady-state identification based upon identified dynamics
US6363289B1 (en) 1996-09-23 2002-03-26 Pavilion Technologies, Inc. Residual activation neural network
US6810358B1 (en) 1998-03-24 2004-10-26 Exergetic Systems Llc Method to synchronize data when used for input/loss performance monitoring of a power plant
US6954701B2 (en) 1998-12-17 2005-10-11 Watereye, Inc. Method for remote monitoring of water treatment systems
US20020010563A1 (en) * 1999-06-15 2002-01-24 S. Michael Ratteree Method for achieving and verifying increased productivity in an industrial process
US6975975B2 (en) 1999-09-21 2005-12-13 Fasca Ted S Emissions management and policy making system
US6694796B2 (en) 2001-01-23 2004-02-24 B3 Systems, Inc. Device and method for introducing a known dust concentration spike for calibrating particulate matter continuous emission monitoring systems
EP1381762A2 (en) 2001-02-19 2004-01-21 Rosemount Analytical Inc. Improved generator monitoring, control and efficiency
US6757619B2 (en) 2001-08-13 2004-06-29 Sempra Energy Solutions System and method for environmental data acquisition
US6732055B2 (en) 2001-11-06 2004-05-04 General Electric Company Methods and systems for energy and emissions monitoring
US6690462B2 (en) 2001-12-05 2004-02-10 The United States Of America As Represented By The Secretary Of The Navy Calibration scheme for continuous monitoring of mercury emissions from stationary sources by plasma emission spectrometry
US6882929B2 (en) 2002-05-15 2005-04-19 Caterpillar Inc NOx emission-control system using a virtual sensor
CA2411338C (en) * 2002-11-07 2011-05-31 Mcmaster University Method for on-line machine vision measurement, monitoring and control of product features during on-line manufacturing processes
WO2005015476A2 (en) * 2003-08-07 2005-02-17 Hsb Solomon Associates, Llc System and method for determining equivalency factors for use in comparative performance analysis of industrial facilities
US7421348B2 (en) 2005-03-18 2008-09-02 Swanson Brian G Predictive emissions monitoring method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5386373A (en) * 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5703770A (en) * 1994-09-16 1997-12-30 Sames S.A. Method and apparatus for generating a high voltage
US6507774B1 (en) * 1999-08-24 2003-01-14 The University Of Chicago Intelligent emissions controller for substance injection in the post-primary combustion zone of fossil-fired boilers

Also Published As

Publication number Publication date
ATE474256T1 (de) 2010-07-15
US20090076740A1 (en) 2009-03-19
CN101180590A (zh) 2008-05-14
WO2006102322A2 (en) 2006-09-28
US8620633B2 (en) 2013-12-31
US7421348B2 (en) 2008-09-02
DE602006015445D1 (de) 2010-08-26
EP1864193A2 (en) 2007-12-12
EP1864193A4 (en) 2008-12-03
CA2601446C (en) 2016-01-19
US20120278026A1 (en) 2012-11-01
US20070225836A1 (en) 2007-09-27
CA2601446A1 (en) 2006-09-28
WO2006102322A3 (en) 2007-06-14
US8214181B2 (en) 2012-07-03
EP1864193B1 (en) 2010-07-14
MX2007011402A (es) 2008-02-22

Similar Documents

Publication Publication Date Title
CN101180590B (zh) 预测性排放物监测系统及方法
US8768664B2 (en) Predictive emissions monitoring using a statistical hybrid model
CN111804146B (zh) 一种智能喷氨控制方法以及智能喷氨控制装置
CN108549792B (zh) 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法
Rahat et al. Data-driven multi-objective optimisation of coal-fired boiler combustion systems
Linstone et al. The use of structural modeling for technology assessment
Chongwatpol Managing big data in coal-fired power plants: a business intelligence framework
CN112733876A (zh) 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方法
Sadeghi et al. Evaluation of fuzzy linear programming application in energy models
Liu et al. A novel robust dynamic method for NOx emissions prediction in a thermal power plant
Chongwatpol et al. Applying analytics in the energy industry: A case study of heat rate and opacity prediction in a coal-fired power plant
CN109978011A (zh) 一种城市固废焚烧过程二噁英排放浓度预测系统
CN115356998A (zh) 基于人工智能的氮氧化物预测方法及相关装置
Xia et al. Dioxin emission concentration forecasting model for MSWI process with random forest-based transfer learning
Swanson et al. An alternative approach to continuous compliance monitoring and turbine plant optimization using a PEMS (Predictive Emission Monitoring System)
Daniels Products of incomplete combustion (Ox, COx, HOx, NOx, SOx ROx, MOx and POx)
Ummatin et al. Quantity and quality analysis of RDF (refused derived fuel) as an alternative fuel substitution for coal in a cement industry
Kamas et al. Predictive emissions monitoring systems: a low-cost alternative for emissions monitoring [in cement industry]
Tang et al. Dioxin soft measuring method in municipal solid waste incineration based on virtual sample generation
Baines Neural networks for boiler emission prediction
Nourai et al. An integrated framework of process and environmental models, and EHS constraints for retrofit targeting
Tang et al. A hybrid approach for the dynamic monitoring and forecasting of NOx emissions in power plants
Gu et al. A modified fuzzy clustering framework for catalyst activity monitoring in the selective catalytic reduction system
CN114060825A (zh) 一种垃圾焚烧炉中多污染物协同处置方法及相关装置
Engel Initial Decision and Risk Analysis

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121010

CF01 Termination of patent right due to non-payment of annual fee