[發明專利]群智模糊網絡的焚燒爐有害物排放達標控制系統及方法

有效

• 申請號: 201310431735.5
• 申請日: 2013-09-22
• 公開（公告）號: CN103488145A
• 公開（公告）日: 2014-01-01
• 發明（設計）人: 劉興高;許森琪;張明明
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

1.一種群智模糊網絡的焚燒爐有害物排放達標控制系統，包括焚燒爐、智能儀表、DCS系統、數據接口以及上位機，所述的DCS系統包括控制站和數據庫；所述現場智能儀表與DCS系統連接，所述DCS系統與上位機連接，其特征在于：所述的上位機包括：

數據預處理模塊，用于將從DCS數據庫輸入的模型訓練樣本進行預處理，對訓練樣本中心化，即減去樣本的平均值，然后對其進行標準化：

計算均值：TX‾=1NΣi=1NTXi---(1)]]>

計算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

標準化：X=TX-TX‾σx---(3)]]>

其中，TX_i為第i個訓練樣本，是從DCS數據庫中采集的生產正常時的關鍵變量、化學耗氧量（COD）和相應的使COD排放達標時的操作變量的數據，N為訓練樣本數，為訓練樣本的均值，X為標準化后的訓練樣本。σ_x表示訓練樣本的標準差，σ²_x表示訓練樣本的方差。模糊方程模塊，對從數據預處理模塊傳過來的標準化后的訓練樣本X，進行模糊化。設模糊方程系統中有c^*個模糊群，模糊群k、j的中心分別為v_k、v_j，則標準化后的第i個訓練樣本X_i對于模糊群k的隸屬度μ_ik為：

μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>

式中，n為模糊分類過程中需要的分塊矩陣指數，通常取作2，||·||為范數表達式。

使用以上隸屬度值或者它的變形以獲得新的輸入矩陣，對于模糊群k，其輸入矩陣變形為：

Φ_ik(X_i,μ_ik)=[1?func(μ_ik)?X_i]??????????????（5）

其中func(μ_ik)為隸屬度值μ_ik的變形函數，一般取exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i個輸入變量X_i及其模糊群k的隸屬度μ_ik所對應的新的輸入矩陣。

RBF神經網絡作為模糊方程系統的局部方程，對每個模糊群進行優化擬合。設第k個RBF神經網絡模糊方程的的輸出是：

y^ik=Σlwlkψlk(||Xi-Clk||)---(6)]]>

其中C_lk和w_lk是第k個RBF神經網絡模糊方程第l個結點的中心和輸出權值，Ψ_lk(||X_i-C_lk||)是第k個RBF神經網絡模糊方程第l個結點的徑向基函數，由下式確定：

ψlk(||Xi-Clk||)=exp(-(||Xi-Clk||)22×σlk)---(7)]]>

其中σ_lk是對應的徑向基函數的高斯寬度，||·||為范數表達式。最后，由反模糊方法中的重心法得到最后的模糊方程系統的輸出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(8)]]>

粒子群算法優化模塊，用于采用粒子群算法對模糊方程中RBF神經網絡局部方程的C_pk、σ_pk、w_pk進行優化，具體步驟如下：

①確定粒子群的優化參數為RBF神經網絡局部方程的C_lk、σ_lk、w_lk、粒子群個體數目popsize、最大循環尋優次數iter_max、第p個粒子的初始位置r_p、初始速度v_p、局部最優值Lbest_p以及整個粒子群的全局最優值Gbest。

②設定優化目標函數，將其轉換為適應度，對每個局部模糊方程進行評價；通過相應的誤差函數計算適應度函數，并認為誤差大的粒子適應度小，粒子p的適應度函數表示為：

f_p=1/(E_p+1)???????????????????????????????????????????????（9）

式中，E_p是模糊方程系統的誤差函數，表示為：

Ep=1NΣi=1N(y^i-Oi)2---(10)]]>

式中，是模糊方程系統的預測輸出，O_i為模糊方程系統的目標輸出；

③按照如下公式，循環更新每個粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

?????????????????????????????????????????????????????????（11）

r_p(iter+1)=r_p(iter)+v_p(iter+1)??????????????????????????（12）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的個體最優值，Gbest即為對應于標準化后的第i個訓練樣本X_i的COD預報值和使COD排放達標的操作變量值，iter表示循環次數，ω是粒子群算法中的慣性權重，m₁、m₂是對應的加速系數，a₁、a₂是[0,1]之間的隨機數；

④對于粒子p，如果新的適應度大于原來的個體最優值，更新粒子的個體最優值：

Lbest_p=f_p????????????????????????????????????????（13）

⑤如果粒子p的個體最優值Lbest_p大于原來的粒子群全局最優值Gbest，更新原來的粒子群全局最優值Gbest:

Gbest=Lbest_p???????????????????????????（14）

⑥判斷是否滿足性能要求，若是，結束尋優，得到一組優化的模糊方程的局部方程參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數iter_max。

迭代終止時的Gbest即為對應于標準化后的第i個訓練樣本X_i的COD預報值和使COD排放達標的操作變量值。

所述的上位機還包括：判別模型更新模塊，用于按設定的采樣時間間隔，采集現場智能儀表信號，將得到的實測化學耗氧量與函數預報值比較，如果相對誤差大于10%或實測COD數據不達標，則將DCS數據庫中生產正常時的達標的新數據加入訓練樣本數據，更新模型。結果顯示模塊，用于將COD預報值和使COD排放達標的操作變量值傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示；同時，DCS系統將所得到的使COD排放達標的操作變量值作為新的操作變量設定值，自動執行COD排放達標操作。信號采集模塊，用于依照設定的每次采樣的時間間隔，從數據庫中采集數據。

所述的關鍵變量包括進入焚燒爐的廢液流量、進入焚燒爐的空氣流量和進入焚燒爐的燃料流量；所述的操作變量包括進入焚燒爐的空氣流量和進入焚燒爐的燃料流量。

2.一種用如權利要求1所述的群智模糊網絡的焚燒爐有害物排放達標控制系統實現的控制方法，其特征在于：所述控制方法具體實現步驟如下：

1）、對焚燒爐有害物排放過程對象，根據工藝分析和操作分析，確定所用的關鍵變量，從DCS數據庫中采集生產正常時所述變量的數據作為訓練樣本TX的輸入矩陣，采集對應的COD和使COD排放達標的操作變量數據作為輸出矩陣Y；

2）、將從DCS數據庫輸入的模型訓練樣本進行預處理，對訓練樣本中心化，即減去樣本的平均值，然后對其進行標準化，使得其均值為0，方差為1。該處理采用以下算式過程來完成：

2.1）計算均值：TX‾=1NΣi=1NTXi---(1)]]>

2.2）計算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

2.3）標準化：X=TX-TX‾σx---(3)]]>其中，TX_i為第i個訓練樣本，是從DCS數據庫中采集的生產正常時的關鍵變量、化學耗氧量（COD）和相應的使COD排放達標時的操作變量的數據，N為訓練樣本數，為訓練樣本的均值，X為標準化后的訓練樣本。σ_x表示訓練樣本的標準差，σ²_x表示訓練樣本的方差。

3）對從數據預處理模塊傳過來的訓練樣本，進行模糊化。設模糊方程系統中有c^*個模糊群，模糊群k、j的中心分別為v_k、v_j，則標準化后的第i個訓練樣本X_i對于模糊群k的隸屬度μ_ik為：

μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>

式中，n為模糊分類過程中需要的分塊矩陣指數，通常取作2，||·||為范數表達式。

使用以上隸屬度值或者它的變形以獲得新的輸入矩陣，對于模糊群k，其輸入矩陣變形為：

Φ_ik(X_i,μ_ik)=[1?func(μ_ik)?X_i]?????????????????（5）

其中func(μ_ik)為隸屬度值μ_ik的變形函數，一般取exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i個輸入變量X_i及其模糊群k的隸屬度μ_ik所對應的新的輸入矩陣。

RBF神經網絡作為模糊方程系統的局部方程，對每個模糊群進行優化擬合。設第k個RBF神經網絡模糊方程的的輸出是：

y^ik=Σlwlkψlk(||Xi-Clk||)---(6)]]>

其中C_lk和w_lk是第k個RBF神經網絡模糊方程第l個結點的中心和輸出權值，Ψ_lk(||X_i-C_lk||)是第k個RBF神經網絡模糊方程第l個結點的徑向基函數，由下式確定：

ψlk(||Xi-Clk||)=exp(-(||Xi-Clk||)22×σlk)---(7)]]>

其中σ_lk是對應的徑向基函數的高斯寬度，||·||為范數表達式。最后，由反模糊方法中的重心法得到最后的模糊方程系統的輸出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(8)]]>

4)采用粒子群算法對模糊方程中RBF神經網絡局部方程的C_pk、σ_pk、w_pk進行優化，具體步驟如下：

①確定粒子群的優化參數為RBF神經網絡局部方程的C_lk、σ_lk、w_lk、粒子群個體數目popsize、最大循環尋優次數iter_max、第p個粒子的初始位置r_p、初始速度v_p、局部最優值Lbest_p以及整個粒子群的全局最優值Gbest。

②設定優化目標函數，將其轉換為適應度，對每個局部模糊方程進行評價；通過相應的誤差函數計算適應度函數，并認為誤差大的粒子適應度小，粒子p的適應度函數表示為：

f_p=1/(E_p+1)????????????????????????（9）

式中，E_p是模糊方程系統的誤差函數，表示為：

Ep=1NΣi=1N(y^i-Oi)2---(10)]]>

式中，是模糊方程系統的預測輸出，O_i為模糊方程系統的目標輸出；

③按照如下公式，循環更新每個粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

????????????????????????????????????????????????????????????????（11）

r_p(iter+1)=r_p(iter)+v_p(iter+1)????????????????（12）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的個體最優值，Gbest即為對應于標準化后的第i個訓練樣本X_i的COD預報值和使COD排放達標的操作變量值，iter表示循環次數，ω是粒子群算法中的慣性權重，m₁、m₂是對應的加速系數，a₁、a₂是[0,1]之間的隨機數；

④對于粒子p，如果新的適應度大于原來的個體最優值，更新粒子的個體最優值：

Lbest_p=f_p???????????????????????????????????????????????（13）

⑤如果粒子p的個體最優值Lbest_p大于原來的粒子群全局最優值Gbest，更新原來的粒子群全局最優值Gbest:

Gbest=Lbest_p?????????????????????????????????????????????（14）

⑥判斷是否滿足性能要求，若是，結束尋優，得到一組優化的模糊方程的局部方程參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數iter_max。

迭代終止時的Gbest即為對應于標準化后的第i個訓練樣本X_i的COD預報值和使COD排放達標的操作變量值。

所述方法還包括：5）、判別模型更新模塊，用于按設定的采樣時間間隔，采集現場智能儀表信號，將得到的實測化學耗氧量與函數預報值比較，如果相對誤差大于10%或實測COD數據不達標，則將DCS數據庫中生產正常時的達標的新數據加入訓練樣本數據，更新模型。

6）、在所述的步驟4）中得到的COD預報值和使COD排放達標的操作變量值，將結果傳給DCS系統，在DCS的控制站顯示，并通過DCS系統和現場總線傳遞到現場操作站進行顯示；同時，DCS系統將所得到的使COD排放達標的操作變量值作為新的操作變量設定值，自動執行COD排放達標操作。

所述的關鍵變量包括進入焚燒爐的廢液流量、進入焚燒爐的空氣流量和進入焚燒爐的燃料流量；所述的操作變量包括進入焚燒爐的空氣流量和進入焚燒爐的燃料流量。