[發明專利]機器學習的農藥焚燒爐有害物排放達標控制系統及方法有效
| 申請號： | 201310433697.7 | 申請日： | 2013-09-22 |
| 公開（公告）號： | CN103472728A | 公開（公告）日： | 2013-12-25 |
| 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： | 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 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 機器 學習 農藥 焚燒 有害物 排放 達標 控制系統 方法 | ||
1.一種機器學習的農藥焚燒爐有害物排放達標控制系統，包括與農藥焚燒爐連接的現場智能儀表、DCS系統以及上位機，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：
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、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。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vk、vj，則標準化后的第i個訓練樣本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：
Φik(Xi,μik)=[1?func(μik)?Xi]??????（5）
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。
最小二乘支持向量機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。設模型訓練樣本的第i個目標輸出為Oi，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劃問題：
同時定義拉格朗日函數：
其中，R(w,ξ)是優化問題的目標函數，minR(w,ξ)是優化問題的目標函數的最小值，是非線性映射函數，N是訓練樣本數，ξ={ξ1,…,ξN}是松弛變量，ξi是松弛變量的第i個分量，αi，i=1,…,N是對應的拉格朗日乘子的第i個分量，w是支持向量機超平面的法向量，b是相應的偏移量，γ是最小二乘支持向量機的懲罰因子，上標T表述矩陣的轉置，μik表示標準化后的第i個訓練樣本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，為模糊群k在訓練樣本i的輸出，K<·>是最小二乘支持向量機的核函數，這里K<·>取線性核函數。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。αm，m=1,…,N是對應的拉格朗日乘子的第m個分量。
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：
即為對應于標準化后的第i個訓練樣本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計算值比較，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所述的機器學習的農藥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：所述方法具體實現步驟如下：
1）、對農藥生產廢液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：
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、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。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。設模糊方程系統中有c*個模糊群，模糊群k、j的中心分別為vk、vj，則標準化后的第i個訓練樣本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：
Φik(Xi,μik)=[1?func(μik)?Xi]??????（5）
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。
最小二乘支持向量機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。設模型訓練樣本的第i個目標輸出為Oi，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劃問題：
同時定義拉格朗日函數：
其中，R(w,ξ)是優化問題的目標函數，minR(w,ξ)是優化問題的目標函數的最小值，是非線性映射函數，N是訓練樣本數，ξ={ξ1,…,ξN}是松弛變量，ξi是松弛變量的第i個分量，αi，i=1,…,N是對應的拉格朗日乘子的第i個分量，w是支持向量機超平面的法向量，b是相應的偏移量，γ是最小二乘支持向量機的懲罰因子，上標T表述矩陣的轉置，μik表示標準化后的第i個訓練樣本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，為模糊群k在訓練樣本i的輸出，K<·>是最小二乘支持向量機的核函數，這里K<·>取線性核函數。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。αm，m=1,…,N是對應的拉格朗日乘子的第m個分量。
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：
即為對應于標準化后的第i個訓練樣本Xi的COD預報值和使COD排放達標的操作變量值。
4）、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計算值比較，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新數據加入訓練樣本數據，更新模糊方程模型。
5）、在所述的步驟3）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。
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/201310433697.7/1.html，轉載請聲明來源鉆瓜專利網。
