[發明專利]智能模糊系統的農藥廢液焚燒爐爐溫最佳化系統及方法有效
| 申請號： | 201310433153.0 | 申請日： | 2013-09-22 |
| 公開（公告）號： | CN103472866A | 公開（公告）日： | 2013-12-25 |
| 發明（設計）人： | 劉興高;李見會;張明明;孫優賢 | 申請（專利權）人： | 浙江大學 |
| 主分類號： | G05D23/00 | 分類號： | G05D23/00;G05B13/04 |
| 代理公司： | 杭州求是專利事務所有限公司 33200 | 代理人： | 周烽 |
| 地址： | 310058 浙江*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 智能 模糊 系統 農藥 廢液 焚燒 爐溫 最佳 方法 | ||
1.一種智能模糊系統的農藥廢液焚燒爐爐溫最佳化系統及方法，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：
標準化處理模塊，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：
計算方差：
標準化：
其中，TXi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、爐溫和使爐溫最佳化的操作變量的數據，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。σx表示訓練樣本的標準差，σ2x表示訓練樣本的方差。
模糊系統模塊，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。設模糊系統中有c*個模糊群，模糊群k、j的中心分別為vk、vj，則第i個標準化后的訓練樣本Xi對于模糊群k的隸屬度μik為：
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：
其中func(μik)為隸屬度值μik的變形函數，一般取exp(μik)等，Φik(Xi,μik)表示第i個輸入變量Xi及其模糊群k的隸屬度μik所對應的新的輸入矩陣。
誤差反向傳播神經網絡作為模糊系統的局部方程，設第k個誤差反向傳播模糊系統輸出層的預測輸出為輸入為net，與此層相鄰的隱含層中任一神經元l的輸出為sl，則有：
式中，wlk是隱層神經元l與輸出層神經元之間的連接權，f(·)為神經元的輸出函數，通常取為Sigmoid函數，表示為：
式中，h為輸出層神經元的閾值，θ0為陡度參數，用以調節Sigmoid函數的陡度；最后，由反模糊方法中的重心法得到最后的模糊系統的輸出：
即為模糊系統的預測輸出。
智能優化模塊，用于采用粒子群算法對模糊系統中誤差反向傳播神經網絡局部方程的wlk進行優化，具體實現步驟如下：
①確定粒子群的優化參數為誤差反向傳播神經網絡局部方程的wlk、粒子群個體數目popsize、最大循環尋優次數itermax、第p個粒子的初始位置rp、初始速度vp、局部最優值Lbestp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，對每個局部模糊系統進行評價；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：
fp=1/(Ep+1)????（10）
式中，Ep是模糊系統的誤差函數，表示為：
式中，是模糊系統的預測輸出，Oi為模糊系統的目標輸出，N為訓練樣本數；
③按照如下公式，循環更新每個粒子的速度和位置，
vp(iter+1)=ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rp(iter))
（12）
rp(iter+1)=rp(iter)+vp(iter+1)????（13）
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbestp表示更新粒子p的個體最優值，Gbest即為對應于第i個標準化后的訓練樣本Xi的爐溫預報值和使爐溫最佳的操作變量值，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：
Lbestp=fp????（14）
⑤如果粒子p的個體最優值Lbestp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=Lbestp????（15）
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系統的局部方程參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數itermax。
Gbest即為對應于第i個標準化后的訓練樣本Xi的爐溫預報值和使爐溫最佳的操作變量值。
所述的上位機還包括：
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，將得到的實測爐溫與系統預報值比較，如果相對誤差大于10%或爐溫超出生產正常上下限范圍，則將DCS數據庫中生產正常時的使爐溫最佳的新數據加入訓練樣本數據，更新軟測量模型。
結果顯示模塊，用于將得到的爐溫預報值和使爐溫最佳的操作變量值傳給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系統將所得到的使爐溫最佳的操作變量值作為新的操作變量設定值，自動執行爐溫最佳化操作。
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。
2.一種智能模糊系統的農藥廢液焚燒爐爐溫最佳化方法，其特征在于：所述的爐溫最佳化方法包括以下步驟：
1）、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，采集對應的爐溫和使爐溫最佳化的操作變量數據作為輸出矩陣O；
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：
2.2）計算方差：
2.3）標準化：
其中，TXi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、爐溫和使爐溫最佳化的操作變量的數據，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。σx表示訓練樣本的標準差，σ2x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。設模糊系統中有c*個模糊群，模糊群k、j的中心分別為vk、vj，則第i個標準化后的訓練樣本Xi對于模糊群k的隸屬度μik為：
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：
其中func(μik)為隸屬度值μik的變形函數，一般取exp(μik)等，Φik(Xi,μik)表示第i個輸入變量Xi及其模糊群k的隸屬度μik所對應的新的輸入矩陣。
誤差反向傳播神經網絡作為模糊系統的局部方程，設第k個誤差反向傳播模糊系統輸出層的預測輸出為輸入為net，與此層相鄰的隱含層中任一神經元l的輸出為sl，則有：
式中，wlk是隱層神經元l與輸出層神經元之間的連接權，f(·)為神經元的輸出函數，通常取為Sigmoid函數，表示為：
式中，h為輸出層神經元的閾值，θ0為陡度參數，用以調節Sigmoid函數的陡度；最后，由反模糊方法中的重心法得到最后的模糊系統的輸出：
即為模糊系統的預測輸出。
4）、采用粒子群算法對模糊系統中誤差反向傳播神經網絡局部方程的wlk進行優化，具體實現步驟如下：
①確定粒子群的優化參數為誤差反向傳播神經網絡局部方程的wlk、粒子群個體數目popsize、最大循環尋優次數itermax、第p個粒子的初始位置rp、初始速度vp、局部最優值Lbestp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，對每個局部模糊系統進行評價；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：
fp=1/(Ep+1)????（10）
式中，Ep是模糊系統的誤差函數，表示為：
式中，是模糊系統的預測輸出，Oi為模糊系統的目標輸出，N為訓練樣本數；
③按照如下公式，循環更新每個粒子的速度和位置，
vp(iter+1)=ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rp(iter))
（12）
rp(iter+1)=rp(iter)+vp(iter+1)????（13）
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbestp表示更新粒子p的個體最優值，Gbest即為對應于第i個標準化后的訓練樣本Xi的爐溫預報值和使爐溫最佳的操作變量值，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：
Lbestp=fp????（14）
⑤如果粒子p的個體最優值Lbestp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=Lbestp????（15）
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系統的局部方程參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數itermax。
Gbest即為對應于第i個標準化后的訓練樣本Xi的爐溫預報值和使爐溫最佳的操作變量值。
所述的方法還包括：
5）、按設定的采樣時間間隔，采集現場智能儀表信號，將得到的實測爐溫與函數計算值比較，如果相對誤差大于10%或爐溫超出生產正常上下限范圍，則將DCS數據庫中生產正常時的使爐溫最佳的新數據加入訓練樣本數據，更新軟測量模型。
6）、在所述的步驟4）中計算得到最佳的操作變量值，將得到的爐溫預報值和使爐溫最佳的操作變量值傳給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系統將所得到的使爐溫最佳的操作變量值作為新的操作變量設定值，自動執行爐溫最佳化操作。
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。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江大學，未經浙江大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201310433153.0/1.html，轉載請聲明來源鉆瓜專利網。
