Soft sensor de emisiones de NOx para centrales térmicas
Un soft sensor de random forest con aprendizaje just-in-time predice la concentración de NOx a partir de datos de proceso de una central térmica, con R² = 0,93 en el conjunto de prueba y mejor que los seis modelos de comparación del estudio.
Solución de sensor virtual
Enfoque
Aprendizaje just-in-time (JITL) con random forest: para cada predicción se selecciona un conjunto local de entrenamiento de los datos históricos mediante un índice de similitud temporal y espacial, y se ajusta un random forest sobre él. Un algoritmo mejorado de importancia por permutación elige las variables de entrada, y una vigilancia de ventana móvil detecta cambios en las condiciones de operación y activa la actualización en línea.
Variables de entrada
- Variables de proceso seleccionadas por importancia por permutación mejorada a partir de los datos de operación
Variables de salida
- Concentración de NOx (mg/m³)
Tipo de modelo
- Random forest
- Aprendizaje just-in-time
Estrategia de actualización
- Modelo local por consulta (just-in-time)
- Vigilancia de ventana móvil de las condiciones de operación
Indicadores de rendimiento
Resultados
-
En el conjunto de prueba el método propuesto alcanzó R² = 0,9319, RMSE = 3,696 mg/m³ y MAE = 2,772 mg/m³, con el 99,71 % de las muestras dentro de 15 mg/m³ de error absoluto — mejor que los seis modelos de comparación del estudio (PLS, JIT-PLS, MW-PLS, random forest, random forest de ventana móvil y random forest JIT simple; el más cercano fue el random forest JIT con R² = 0,9252).
Por qué importa
- Una predicción de NOx precisa y en tiempo real es la base de la optimización de la combustión en centrales térmicas: da al control de la combustión una señal rápida, complementaria a la medición reglamentaria de emisiones.
- Las condiciones de operación cambian con la carga y el combustible, y un único modelo global se degrada. Los modelos locales just-in-time con actualización vigilada siguen el régimen actual.
¿Tienes un reto de control? Hablemos.
Fuentes
He, K., Ding, H. — acceso abierto. Random forest JITL con importancia por permutación mejorada, similitud espacio-temporal y supervisión con ventana móvil; resultados sobre el conjunto de prueba de datos de operación de la planta.
Resumen
Un soft sensor estima el NOx a partir de variables que el sistema de control ya registra, de modo que la combustión se puede ajustar antes de que reaccione la medición de emisiones. Complementa la medición continua obligatoria, no la sustituye.
Cuándo usar este patrón
- El NOx varía mucho con la carga, el combustible y el reparto de aire, y una señal más rápida que el analizador ayudaría al control de la combustión.
- Hay varios años de datos de proceso históricos.
- El régimen de operación cambia lo bastante como para que un único modelo global derive.
Por qué aprendizaje just-in-time
Un modelo global promedia regímenes que se comportan de forma distinta. El aprendizaje just-in-time construye un modelo local alrededor del punto de operación actual con las muestras históricas más parecidas, y la vigilancia de ventana móvil decide cuándo actualizar. Según el estudio citado, esta combinación superó a los seis modelos de comparación con los mismos datos de prueba.
Qué comprobar antes de construirlo
- Si los datos históricos cubren el rango de carga y combustible que verá el sensor.
- Cómo se usará la predicción (pantalla de operador, optimizador de combustión, verificación del analizador): de ahí salen los requisitos de precisión y latencia.
- Cómo se detectan las derivas de los instrumentos, para que el soft sensor no aprenda en silencio una medida errónea.
Patrones relacionados
Contacto
Enviar mensaje
Contacto directo
Dr. Rafał Noga
Reunión
Reserve una llamada de encaje técnico de 30 min directamente en Calendly.
Reservar llamada de encaje técnico (30 min)Manténgase informado
Reciba información sobre IA industrial, APC y optimización de procesos en su correo.