《电子测量与仪器学报》于2025年12月25日网络首发的论文《融合SSAD-Z-score异常检测的LFLSTM水泥脱硝系统NOx预测模型》由合肥工业大学电气与自动化工程学院陈薇、何浩然、李鑫、邱亚团队与合肥水泥研究设计院有限公司褚彪合作完成。该研究针对水泥行业氮氧化物（NOx）排放预测难题，提出了一种创新性的复合预测方法，为工业智能脱硝控制提供了重要技术支撑。
学术背景与研究目标
水泥行业贡献了我国约10%的NOx排放量，其浓度预测面临两大核心挑战：一是反吹操作等导致的异常数据干扰（占比2%-5%），二是工艺参数的多变量时序耦合特性。传统方法中，机理建模难以描述复杂反应过程，而数据驱动方法如CNN-BiLSTM、LSSVM等存在异常处理不足、时序特征提取不充分等缺陷。本研究旨在开发兼具高精度异常检测与动态预测能力的复合模型，突破现有技术瓶颈。
研究方法与技术路线
研究分为三个关键阶段：
1. 数据预处理与变量筛选
基于皮尔逊相关系数（Pearson correlation coefficient）从9个工艺参数中筛选出核心变量：窑尾烟室NOx浓度（r=0.819）和SNCR喷氨泵频率（r=-0.827）。针对反吹异常特有的"V型"特征（周期约50分钟，持续1分钟），开发了SSAD-Z-score（滑动窗口斜率异常检测-Z-score）算法：
- 局部斜率计算：采用滑动窗口（默认w=10）线性拟合，检测相邻窗口斜率变化（Δs>0.15判为异常）
- 全局Z-score校验：设置阈值γ=1.65进行二次验证
- 高位修正策略：对异常段采用三次样条插值，保持一阶、二阶导数连续性
实验表明，该方法异常检测覆盖率达47.67%，召回率0.844，修正后标准差35.65，优于传统Z-score、孤立森林等方法。
2. LFLSTM（时滞特征长短期记忆）模型构建
在标准LSTM基础上引入180秒时滞特征（Lag Features），输入变量包括：
网络结构采用双层LSTM（128→64单元）+Dropout（p=0.3），通过Adam优化器最小化MSE损失函数。特别地，模型通过公式(33)解决了工程中t+d时刻数据不可得的问题，实现了实时预测。
3. 性能验证实验
使用安徽某水泥厂DCS系统2800组数据，对比了四种预测模型：
- LFLSTM：R²=0.8845，RMSE=2.0265，MAE=1.7985
- Transformer：R²=0.7921
- GRU：R²=0.8352
- Z-score-LFLSTM：R²=0.8013
模型单样本预测耗时4.88毫秒，满足1秒采集频率的实时性要求。
创新发现与机理分析
-
参数灵敏度规律：通过三维响应曲面（图6）揭示：
- 反吹异常最优参数：α=10，β=0.15，γ=1.65
- 趋势型异常需高阈值（β>0.2），突发异常宜用小窗口（α=5）
-
NOx生成机理：燃料型NOx（占60-80%）主要来自分解炉喂煤量，热力型NOx（15-25%）与窑尾温度强相关，这解释了变量筛选结果。
-
SNCR反应窗口：850-1000℃的分解炉区域满足4NH₃+4NO+O₂→4N₂+6H₂O的最佳温度条件，喷氨频率的负相关性（r=-0.827）印证了该机理。
工业价值与科学意义
本研究的主要贡献体现在：
-
方法学创新：SSAD-Z-score首次将局部斜率变化与全局统计检验结合，解决了传统方法对反吹数据（占比<3.5%）漏检率高的问题；LFLSTM通过时滞特征提取，将预测时延降低至180秒级。
-
工程应用价值：模型已部署于安徽某水泥厂，使SNCR氨水用量降低12%，烟囱NOx波动幅度减少35%，年减排效益达200万元。
-
理论突破：提出的灵敏度函数（公式23）为工业时序数据异常检测提供了通用参数优化框架，可扩展至电力、钢铁等领域。
研究亮点
-
跨学科融合：将水泥工艺机理（表1）与深度学习相结合，构建了可解释性强的混合模型。
-
算法效率：SSAD-Z-score复杂度O(n)，LFLSTM推理速度4.88ms，满足工业实时控制需求。
-
数据质量提升：修正后标准差35.65较原始数据降低41.2%，为后续预测奠定基础。
该研究不仅为水泥行业NOx控制提供了具体解决方案，其提出的"异常检测-时序建模"技术路线对流程工业的智能优化具有普适性参考价值。后续工作将拓展至多污染物协同预测及全流程动态控制优化。