[發明專利]支持向量機的農藥生產廢液焚燒爐爐溫最佳化系統及方法

有效

• 申請號: 201310433860.X
• 申請日: 2013-09-22
• 公開（公告）號: CN103472867A
• 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;F23G7/04
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

1.一種支持向量機的農藥生產廢液焚燒爐爐溫最佳化系統，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：

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：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、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。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v_k、v_j，則第i個標準化后的訓練樣本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。

支持向量機作為模糊系統模糊系統的局部方程，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O_i，加權重的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：

minR(w,ξ)=12wTw+12γΣi=1Nωiξi2---(6)]]>

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,…,ξ_N}是松弛變量，ξ_i是松弛變量的第i個分量，α_i，i=1,…,N是對應的拉格朗日乘子的第i個分量的第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，而ω_i,i=1,…,N和γ分別是支持向量機的權重和懲罰因子，上標T表示矩陣的轉置,μ_ik表示第i個標準化后的訓練樣本X_i對于模糊群k的隸屬度，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。由（6）（7）（8）式可推導出模糊群k在訓練樣本i的輸出為：

y^ik=Σm=1Nαm×K<Φim(Xm,μmk),Φik(Xi,μik)>+b---(9)]]>

其中，為第k個誤差反向傳播模糊系統輸出層的預測輸出，K<·>是支持向量機的核函數，這里K<·>取線性核函數；α_m，m=1,…,N是對應的拉格朗日乘子的第m個分量。μ_mk表示第m個訓練樣本X_m對于模糊群k的隸屬度，Φ_mk(X_m,μ_mk)表示第m個輸入變量X_m及其模糊群k的隸屬度μ_mk所對應的新的輸入矩陣。

由反模糊方法中的重心法得到最后的模糊系統的輸出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(10)]]>

即為對應于第i個標準化后的訓練樣本X_i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。

2.一種支持向量機的農藥生產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具體實現步驟如下：

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：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、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。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，則第i個標準化后的訓練樣本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。

支持向量機作為模糊系統的局部方程，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O_i，加權重的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：

minR(w,ξ)=12wTw+12γΣi=1Nωiξi2---(6)]]>

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,…,ξ_N}是松弛變量，ξ_i是松弛變量的第i個分量，α_i，i=1,…,N是對應的拉格朗日乘子的第i個分量的第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，而ω_i,i=1,…,N和γ分別是支持向量機的權重和懲罰因子，上標T表示矩陣的轉置,μ_ik表示第i個標準化后的訓練樣本X_i對于模糊群k的隸屬度，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。由（6）（7）（8）式可推導出模糊群k在訓練樣本i的輸出為：

y^ik=Σm=1Nαm×K<Φim(Xm,μmk),Φik(Xi,μik)>+b---(9)]]>

其中，為第k個誤差反向傳播模糊系統輸出層的預測輸出，K<·>是支持向量機的核函數，這里K<·>取線性核函數；α_m，m=1,…,N是對應的拉格朗日乘子的第m個分量。μ_mk表示第m個訓練樣本X_m對于模糊群k的隸屬度，Φ_mk(X_m,μ_mk)表示第m個輸入變量X_m及其模糊群k的隸屬度μ_mk所對應的新的輸入矩陣。

由反模糊方法中的重心法得到最后的模糊系統的輸出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(10)]]>

即為對應于第i個標準化后的訓練樣本X_i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：

4）、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。

5）、在所述的步驟3）中計算得到最優操作變量值，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。