基于联合样本的半监督MSWI概念漂移检测与软测量模型优化

本文档探讨了联合样本输出与特征空间在半监督概念漂移检测方法中的应用，特别关注于城市固废（Municipal Solid Waste, MSW）处理领域的MSWI（Municipal Solid Waste Incineration）过程。随着城市化进程的加速，MSW处理问题日益突出，焚烧是常用的处理方式，但焚烧尾气中的有害污染物控制成为一个挑战。软测量模型作为实时监测污染物排放的有效手段，其性能会因为工业过程的复杂性、随机性和时变性而受到概念漂移的影响。 概念漂移指的是数据分布随着时间的推移而发生变化，具体到软测量模型，意味着样本输出空间与特征空间的映射关系发生了不可预见的变化。例如，在MSWI过程中，炉膛温度变化和MSW含水率的波动可能导致污染物生成和燃烧状况的改变，这些变化未被历史数据充分反映，从而影响模型的预测准确性。 本文着重介绍有监督漂移检测方法，如Driftdetectionmethod (DDM)算法，它通过设定预警和漂移等级来区分正常测量误差和潜在的概念漂移。如果新样本的测量误差超出预警范围，会被保存；当达到漂移阈值时，将使用新样本和历史样本重新训练模型，以适应新的数据分布。其他研究也提出了不同的漂移检测策略，如基于统计概率的Hoeffding不等式，以及通过权重值变化或特定检测函数（如指数加权移动平均和Page-Hinkley检测法）来监控模型的稳定性。 半监督学习在这种场景下显得尤为重要，因为它可以利用少量标记数据和大量未标记数据来检测和适应概念漂移。通过结合监督和非监督学习，模型可以在发现新概念样本的同时保持对现有知识的稳健性。这种方法的应用旨在提升MSWI过程中的污染物浓度测量模型的泛化能力，确保在面临概念漂移时仍能提供准确和及时的排放浓度估计，从而有效地控制污染物排放，保护环境和生态平衡。