ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ ПОСТРОЕНИЯ ПРЕДИКТИВНЫХ СИСТЕМ МОНИТОРИНГА ВЫБРОСОВ PEMS
DOI:
https://doi.org/10.32339/0135-5910-2026-8-49-61Ключевые слова:
предиктивная система мониторинга выбросов, оксид азота, диоксид серы, угарный газ, машинное обучение, искусственные нейронные сетиАннотация
В условиях ужесточения экологического законодательства и экономических ограничений предиктивные системы мониторинга выбросов (PEMS) стали ключевой технологией для оценки эмиссии загрязняющих веществ, в частности оксидов азота, диоксида серы и монооксида углерода (угарного газа). В отличие от инструментальных систем непрерывного контроля (CEMS), PEMS основаны на математических моделях, позволяющих прогнозировать уровень выбросов на основе параметров технологического процесса. В данном обзоре приведен сравнительный анализ репрезентативных научных работ, посвященных моделированию выбросов с использованием различных методов машинного обучения: от искусственных нейронных сетей (ИНС) и метода опорных векторов (SVR) до линейной регрессии и градиентного бустинга (XGBoost). Цель работы — выявить эволюцию подходов, сравнить их по критериям точности, скорости, стабильности, интерпретируемости и пригодности для промышленного внедрения. На основе анализа сделан вывод, что современные ансамблевые методы на основе деревьев решений, в частности XGBoost, демонстрируют наилучший баланс характеристик, обеспечивая высокую точность, соответствие регуляторным требованиям, хорошую интерпретируемость и устойчивость к отказам датчиков. Тем не менее для простых технологических конфигураций линейные модели остаются робастным и практичным решением. Обзор также представляет основные направления для будущих исследований, включая улучшение прогноза в экстремальных режимах, внедрение динамических и адаптивных компонентов, а также повышение обобщающей способности моделей.
Библиографические ссылки
Hung W. S. Y. An experimentally verified NOx emission model for gas turbine combustors. ASME International Gas Turbine Conference and Products Show, 1975, vol. 1B, 11 p. DOI: 10.1115/75-GT-71.
Chien T. W., Chu H., Hsu W. C. A performance study of PEMS applied to the Hsinta power station of Taipower. Atmospheric Environment, 2005, vol. 39, no. 2, pp. 223–230.
Chien T. W., Hsueh H. T., Chu H. A feasibility study of a predictive emissions monitoring system applied to Taipower’s Nanpu and Hsinta power plants. Journal of Air Waste Manag. Assoc., 2010, vol. 60, no. 8, pp. 907–913. DOI: 10.3155/1047-3289.60.8.907.
Cooper D. A., Andreasson K. Predictive NOx emission monitoring on board a passenger ferry. Atmospheric Envi-ronment, 1999, vol. 33, no. 28, pp. 4637–4650.
Hung W. S. Y., Langenbacher F. PEMS: monitoring NOx emissions from gas turbines. ASME International Gas Turbine and Aeroengine Congress and Exposition, 1995, pp. 1–9. DOI: 10.1115/95-GT-415.
Kamas J., Keeler J. Predictive emissions monitoring systems: a low-cost alternative for emissions monitoring [in cement industry]. 1995 IEEE Cement Industry Technical Conference. 37th Conference Record, USA, 1995, pp. 497–509. DOI: 10.1109/CITCON.1995.514350.
Faravelli T., Bua L., Frassoldati A. A new procedure for predicting NOx emissions from furnaces. Computers & Chemical Engineering, 2001, vol. 25, iss. 4–6, pp. 613–618.
Harnevie H., Sarkoezi L., Trenkle S. Predictive emission monitoring system (PEMS) for emission control in bio-mass fired plants. Stiftelsen för värmeteknisk Forskning, 1996, no. SVF–575. 80 p.
Lee Y. H., Kim M., Han C. Application of multivariate statistical models to prediction of NOx emissions from complex industrial heater systems. Journal of Environmental Engineering, 2005, vol. 131, iss. 6, pp. 961–970.
Saiepour M., Schofield N., Leden B. Development and assessment of predictive emission monitoring systems (PEMS) models in the steel industry. Iron and Steel Technology Conference Proceedings. Ohio, 2006, vol. 2, 12 p.
Cuccu G., Danafar S., Cudre-Mauroux P. A data-driven approach to predict NOx-emissions of gas turbines. 2017 IEEE International Conference on Big Data, Boston, 2017, pp. 1283–1288. DOI: 10.1109/BigData.2017.8258056.
Vanderhaegen E., Deneve M., Laget H. Predictive emissions monitoring using a continuously updating neural network. ASME Turbo Expo 2010: Power for Land, Sea, and Air, 2010, vol. 2, pp. 769–775. DOI: 10.1115/GT2010-22899.
Skobelev D. O., Popov A. Yu., Ganyavin V. A. Approaches to building predictive emission control systems for modern industrial technological processes. Modeli, sistemy, seti v ekonomike, tekhnike, prirode i obshchestve, 2025, no. 3, pp. 46–64. (In Russ.). DOI: 10.21685/2227-8486-2025-3-4.
Seol Y., Lee S., Lee J. An interpretable time series forecasting model for predicting NOx emission concentration in ferroalloy electric arc furnace plants. Mathematics, 2024, vol. 12, no. 6, pp. 878. DOI: 10.3390/math12060878.
Malikov G. K., Lisenko V. G., Malikov K. Y., Viskanta R. A Mathematical modeling and validation study of NOx emissions in metal processing systems. ISIJ International, 2002, vol. 42, no. 10, pp. 1175–1181.
Chan E., Riley M., Thomson M. J., Evenson E. J. Nitrogen oxides (NOx) formation and control in an electric arc furnace (EAF): Analysis with measurements and computational fluid dynamics (CFD) modeling. ISIJ International, 2004, vol. 44, no. 2, pp. 429–438.
Skreiberg O., Hustad J. E., Garnaes E. I. Comparing empirical, statistical and neural network models calculating NOx emissions from gas turbines. International Journal of Energy for a Clean Environment, 2007, vol. 8, no. 3, pp. 221–237. DOI: 10.1615/INTERJENERCLEANENV.V8.I3.30.
Wang Y., Yang G., Xie R. An ensemble deep belief network model based on random subspace for NOx concen-tration prediction. ACS Omega, 2021, vol. 6, no. 11, pp. 7655–7668.
Kirschen M., Voj L., Pfeifer H. NOx emission from electric arc furnace – measurement and modelling. The Iron & Steel Technology Conference and Exposition, Association for Iron and Steel Technology, 2005, vol. 1, pp. 585–595.
Englund K. Quantification of the discharge of nitrous fumes from the steelplant of AB sandvik steel. Depart-ment of Chemical and Metallurgical Engineering, Lulea. 2002. Examensarbete, Luleåtekniska universitet, Civilingen-jörs programmet, 2002, vol. 246. pp. 1402–1617.
Bekker J. G., Craig I. K., Pistorius P. C. Model predictive control of an electric arc furnace off gas process. Con-trol Engineering Practice, 2000, vol. 8, no. 4, pp. 445–455. DOI: 10.1016/S0967-0661(99)00163-X.
Zhou H., Zhao J. P., Zheng L. G. Modeling NOx emissions from coal-fired utility boilers using support vector re-gression with ant colony optimization. Engineering Applications of Artificial Intelligence, 2012, vol. 25, no. 1, pp. 147–158. DOI: 10.1016/j.engappai.2011.08.005.
Iliyas S.A., Elshafei M., Habib M. A., Adeniran A. A. RBF neural network inferential sensor for process emission monitoring. Control Engineering Practice, 2013, vol. 21, no. 7, pp. 962–970. DOI: 10.1016/j.conengprac.2013.01.007.
Azzam M., Awad M., Zeaiter J. Application of evolutionary neural networks and support vector machines to model NOx emissions from gas turbines. Journal of Environmental Chemical Engineering, 2018, vol. 6, no. 1, pp. 1044–1052. DOI: 10.1016/j.jece.2018.01.020.
Korpela T., Kumpulainen P., Majanne Y. Indirect NOx emission monitoring in natural gas fired boilers. Control Engineering Practice, 2017, vol. 65, pp. 11–25. DOI: 10.1016/j.conengprac.2017.04.013.
Si M., Du K. Development of a predictive emissions model using a gradient boosting machine learning method. Environmental Technology & Innovation, 2020, vol. 20, 101028. DOI: 10.1016/j.eti.2020.101028.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 ЧЕРНАЯ МЕТАЛЛУРГИЯ. Бюллетень научно-технической и экономической информации
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.
