[發(fā)明專利]群智加權(quán)的農(nóng)藥焚燒爐有害物排放達標控制系統(tǒng)及方法有效
| 申請?zhí)枺?/td> | 201310433592.1 | 申請日： | 2013-09-22 |
| 公開（公告）號： | CN103472727A | 公開（公告）日： | 2013-12-25 |
| 發(fā)明（設計）人： | 劉興高;許森琪;張明明 | 申請（專利權(quán)）人： | 浙江大學 |
| 主分類號： | G05B13/04 | 分類號： | G05B13/04;F23G5/50 |
| 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(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 加權(quán) 農(nóng)藥 焚燒 有害物 排放 達標 控制系統(tǒng) 方法 | ||
1.一種群智加權(quán)的農(nóng)藥焚燒爐有害物排放達標控制系統(tǒng)，包括焚燒爐、智能儀表、DCS系統(tǒng)、數(shù)據(jù)接口以及上位機，所述的DCS系統(tǒng)包括控制站和數(shù)據(jù)庫；所述現(xiàn)場智能儀表與DCS系統(tǒng)連接，所述DCS系統(tǒng)與上位機連接，其特征在于：所述的上位機包括：
數(shù)據(jù)預處理模塊，用于將從DCS數(shù)據(jù)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(shù)據(jù)庫中采集的生產(chǎn)正常時的關(guān)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(shù)據(jù)，N為訓練樣本數(shù)，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。模糊方程模塊，對從數(shù)據(jù)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(tǒng)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(shù)，通常取作2,||·||為范數(shù)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：
Φik(Xi,μik)=[1?func(μik)?Xi]??（5）
其中func(μik)為隸屬度值μik的變形函數(shù)，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。
加權(quán)最小二乘支持向量機作為模糊方程系統(tǒng)的局部方程，對每個模糊群進行優(yōu)化擬合。設模型訓練樣本的第i個目標輸出為Oi，加權(quán)最小二乘支持向量機通過變換把擬合問題等價于如下二次規(guī)劃問題：
其中，R(w,ξ)是優(yōu)化問題的目標函數(shù)，minR(w,ξ)是優(yōu)化問題的目標函數(shù)的最小值,N是訓練樣本數(shù)，ξ={ξ1,…,ξN}是松弛變量，ξk是松弛變量的第k個分量，w是加權(quán)最小二乘支持向量機超平面的法向量，b是相應的偏移量，而ωi,i=1,…,N和γ分別是加權(quán)最小二乘支持向量機的權(quán)重和懲罰因子，是加權(quán)最小二乘支持向量機松弛變量的第k個分量ξk標準差的估計，c1為常數(shù)，這里取2.5，c2為常數(shù)，這里取3，上標T表述矩陣的轉(zhuǎn)置。μik表示第i個標準化后的訓練樣本Xi對于模糊群k的隸屬度，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。由（6）（7）（8）式可推導出模糊群k在訓練樣本i的輸出為：
其中，為第k個群智加權(quán)模糊系統(tǒng)輸出層的預測輸出，μmk表示第m個訓練樣本Xm對于模糊群k的隸屬度，Φmk(Xm,μmk)?表示第m個輸入變量Xm及其模糊群k的隸屬度μmk所對應的新的輸入矩陣。αk，(k=1,…,N)是對應的拉格朗日乘子的第k個分量，K<·>是加權(quán)最小二乘支持向量機的核函數(shù)，這里K<·>取線性核函數(shù)。
由反模糊方法中的重心法得到最后的模糊方程系統(tǒng)的輸出：
粒子群算法優(yōu)化模塊，用于采用粒子群算法對模糊方程中加權(quán)最小二乘支持向量機局部方程的懲罰因子和誤差容限值進行優(yōu)化，具體步驟如下：
①確定粒子群的優(yōu)化參數(shù)為加權(quán)支持向量機局部方程的懲罰因子和誤差容限值、粒子群個體數(shù)目popsize、最大循環(huán)尋優(yōu)次數(shù)itermax、第p個粒子的初始位置rp、初始速度vp、局部最優(yōu)值Lbestp以及整個粒子群的全局最優(yōu)值Gbest。
②設定優(yōu)化目標函數(shù)，將其轉(zhuǎn)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(shù)計算適應度函數(shù)，并認為誤差大的粒子適應度小，粒子p的適應度函數(shù)表示為：
fp=1/(Ep+1)??（11）
式中，Ep是模糊方程系統(tǒng)的誤差函數(shù)，表示為：
式中，是模糊方程系統(tǒng)的預測輸出，Oi為模糊方程系統(tǒng)的目標輸出；
③按照如下公式，循環(huán)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))??（13）
rp(iter+1)=rp(iter)+vp(iter+1)??（14）
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(yōu)值，Gbest即為整個粒子群的全局最優(yōu)值，iter表示循環(huán)次數(shù)，ω是粒子群算法中的慣性權(quán)重，m1、m2是對應的加速系數(shù)，a1、a2是[0,1]之間的隨機數(shù)；
④對于粒子p，如果新的適應度大于原來的個體最優(yōu)值，更新粒子的個體最優(yōu)值：
Lbestp=fp??（15）
⑤如果粒子p的個體最優(yōu)值Lbestp大于原來的粒子群全局最優(yōu)值Gbest，更新原來的粒子群全局最優(yōu)值Gbest:
Gbest=Lbestp??（16）
⑥判斷是否滿足性能要求，若是，結(jié)束尋優(yōu)，得到一組優(yōu)化的模糊方程的局部方程參數(shù)；否則返回步驟③，繼續(xù)迭代尋優(yōu)，直至達到最大迭代次數(shù)itermax。
迭代終止時的Gbest即為表示第i個標準化后的訓練樣本Xi的COD預報值和使COD排放達標的操作變量值。
所述上位機還包括：
判別模型更新模塊，用于按設定的采樣時間間隔，采集現(xiàn)場智能儀表信號，將得到的實測化學耗氧量與函數(shù)預報值比較，如果相對誤差大于10%或?qū)崪yCOD數(shù)據(jù)不達標，則將DCS數(shù)據(jù)庫中生產(chǎn)正常時的達標的新數(shù)據(jù)加入訓練樣本數(shù)據(jù)，更新模型。結(jié)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(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示；同時，DCS系統(tǒng)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(zhí)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(shù)據(jù)庫中采集數(shù)據(jù)。所述的關(guān)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(quán)利要求1所述的群智加權(quán)的農(nóng)藥焚燒爐有害物排放達標控制系統(tǒng)實現(xiàn)的方法，其特征在于：所述控制方法具體實現(xiàn)步驟如下：
1）、對農(nóng)藥焚燒爐有害物排放過程對象，根據(jù)工藝分析和操作分析，確定所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫中采集生產(chǎn)正常時所述變量的數(shù)據(jù)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(shù)據(jù)作為輸出矩陣Y；
2）、將從DCS數(shù)據(jù)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(shù)據(jù)庫中采集的生產(chǎn)正常時的關(guān)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(shù)據(jù)，N為訓練樣本數(shù)，TX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(shù)據(jù)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(tǒng)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(shù)，通常取作2,||·||為范數(shù)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：
Φik(Xi,μik)=[1?func(μik)?Xi]??（5）
其中func(μik)為隸屬度值μik的變形函數(shù)，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。
加權(quán)最小二乘支持向量機作為模糊方程系統(tǒng)的局部方程，對每個模糊群進行優(yōu)化擬合。設模型訓練樣本的第i個目標輸出為Oi，加權(quán)最小二乘支持向量機通過變換把擬合問題等價于如下二次規(guī)劃問題：
其中，R(w,ξ)是優(yōu)化問題的目標函數(shù)，minR(w,ξ)是優(yōu)化問題的目標函數(shù)的最小值,N是訓練樣本數(shù)，ξ={ξ1,…,ξN}是松弛變量，ξk是松弛變量的第k個分量，w是加權(quán)最小二乘支持向量機超平面的法向量，b是相應的偏移量，而ωi,i=1,…,N和γ分別是加權(quán)最小二乘支持向量機的權(quán)重和懲罰因子，是加權(quán)最小二乘支持向量機松弛變量的第k個分量ξk標準差的估計，c1為常數(shù)，這里取2.5，c2為常數(shù)，這里取3，上標T表述矩陣的轉(zhuǎn)置。μik表示第i個標準化后的訓練樣本Xi對于模糊群k的隸屬度，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。由（6）（7）（8）式可推導出模糊群k在訓練樣本i的輸出為：
其中，為第k個群智加權(quán)模糊系統(tǒng)輸出層的預測輸出，μmk表示第m個訓練樣本Xm對于模糊群k的隸屬度，Φmk(Xm,μmk)?表示第m個輸入變量Xm及其模糊群k的隸屬度μmk所對應的新的輸入矩陣。αk，(k=1,…,N)是對應的拉格朗日乘子的第k個分量，K<·>是加權(quán)最小二乘支持向量機的核函數(shù)，這里K<·>取線性核函數(shù)。
由反模糊方法中的重心法得到最后的模糊方程系統(tǒng)的輸出：
4）采用粒子群算法對模糊方程中加權(quán)最小二乘支持向量機局部方程的懲罰因子和誤差容限值進行優(yōu)化，具體步驟如下：
①確定粒子群的優(yōu)化參數(shù)為加權(quán)最小二乘支持向量機局部方程的懲罰因子和誤差容限值、粒子群個體數(shù)目popsize、最大循環(huán)尋優(yōu)次數(shù)itermax、第p個粒子的初始位置rp、初始速度vp、局部最優(yōu)值Lbestp以及整個粒子群的全局最優(yōu)值Gbest。
②設定優(yōu)化目標函數(shù)，將其轉(zhuǎn)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(shù)計算適應度函數(shù)，并認為誤差大的粒子適應度小，粒子p的適應度函數(shù)表示為：
fp=1/(Ep+1)??（11）式中，Ep是模糊方程系統(tǒng)的誤差函數(shù)，表示為：
③按照如下公式，循環(huán)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))??（13）
rp(iter+1)=rp(iter)+vp(iter+1)??（14）
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(yōu)值，Gbest即為整個粒子群的全局最優(yōu)值，iter表示循環(huán)次數(shù)，ω是粒子群算法中的慣性權(quán)重，m1、m2是對應的加速系數(shù)，a1、a2是[0,1]之間的隨機數(shù)；
④對于粒子p，如果新的適應度大于原來的個體最優(yōu)值，更新粒子的個體最優(yōu)值：
Lbestp=fp??（15）
⑤如果粒子p的個體最優(yōu)值Lbestp大于原來的粒子群全局最優(yōu)值Gbest，更新原來的粒子群全局最優(yōu)值Gbest:
Gbest=Lbestp??（16）
⑥判斷是否滿足性能要求，若是，結(jié)束尋優(yōu)，得到一組優(yōu)化的模糊方程的局部方程參數(shù)；否則返回步驟③，繼續(xù)迭代尋優(yōu)，直至達到最大迭代次數(shù)itermax。
迭代終止時的Gbest即為表示第i個標準化后的訓練樣本Xi的COD預報值和使COD排放達標的操作變量值。
所述方法還包括以下步驟：5）、判別模型更新模塊，用于按設定的采樣時間間隔，采集現(xiàn)場智能儀表信號，將得到的實測化學耗氧量與函數(shù)預報值比較，如果相對誤差大于10%或?qū)崪yCOD數(shù)據(jù)不達標，則將DCS數(shù)據(jù)庫中生產(chǎn)正常時的達標的新數(shù)據(jù)加入訓練樣本數(shù)據(jù)，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(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示；同時，DCS系統(tǒng)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(zhí)行COD排放達標操作。
所述的關(guān)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(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于浙江大學，未經(jīng)浙江大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201310433592.1/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
