发明名称 误差反向传播的焚烧炉有害物排放达标控制系统及方法
摘要 本发明公开了一种误差反向传播的焚烧炉有害物排放达标控制系统及方法。它包括焚烧炉、智能仪表、DCS系统、数据接口以及上位机;DCS系统包括控制站和数据库;用于测量易测变量的智能仪表与DCS系统连接,DCS系统通过数据接口与上位机连接。上位机首先对训练样本进行预处理和模糊化,获得新的输入矩阵,然后采用误差反向传播神经网络对新的输入矩阵建立回归模型,获得预测输出,最后对误差反向传播神经网络的输出进行反模糊化,获得系统的输出;上位机还具有模型更新和结果显示的功能。本发明具有在线测量COD、有效监测COD是否超标、控制COD排放达标、抗噪声和自学能力强等优点。
申请公布号 CN103488088B 申请公布日期 2016.01.06
申请号 CN201310436939.8 申请日期 2013.09.22
申请人 浙江大学 发明人 刘兴高;许森琪;张明明
分类号 G05B13/04(2006.01)I 主分类号 G05B13/04(2006.01)I
代理机构 杭州求是专利事务所有限公司 33200 代理人 周烽
主权项 一种误差反向传播的焚烧炉有害物排放达标控制系统,包括焚烧炉、现场智能仪表、DCS系统、数据接口以及上位机,所述的DCS系统包括控制站和数据库;所述现场智能仪表与DCS系统连接,所述DCS系统与上位机连接,其特征在于:所述的上位机包括:数据预处理模块,用于将从DCS数据库输入的模型训练样本进行预处理,对训练样本中心化,即减去样本的平均值,然后对其进行标准化:计算均值:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mover><mrow><mi>T</mi><mi>X</mi></mrow><mo>&OverBar;</mo></mover><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>TX</mi><mi>i</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000011.GIF" wi="1318" he="142" /></maths>计算方差:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msubsup><mi>&sigma;</mi><mi>x</mi><mn>2</mn></msubsup><mo>=</mo><mfrac><mn>1</mn><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></mfrac><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mrow><mo>(</mo><msub><mi>TX</mi><mi>i</mi></msub><mo>-</mo><mover><mrow><mi>T</mi><mi>X</mi></mrow><mo>&OverBar;</mo></mover><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000012.GIF" wi="1292" he="142" /></maths>标准化:<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>X</mi><mo>=</mo><mfrac><mrow><mi>T</mi><mi>X</mi><mo>-</mo><mover><mrow><mi>T</mi><mi>X</mi></mrow><mo>&OverBar;</mo></mover></mrow><msub><mi>&sigma;</mi><mi>x</mi></msub></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000013.GIF" wi="1354" he="148" /></maths>其中,TX<sub>i</sub>为第i个训练样本,是从DCS数据库中采集的生产正常时的关键变量、化学耗氧量COD和相应的使COD排放达标时的操作变量的数据,N为训练样本数,<img file="FDA0000818890410000016.GIF" wi="83" he="69" />为训练样本的均值,X为标准化后的训练样本;σ<sub>x</sub>表示训练样本的标准差,σ<sup>2</sup><sub>x</sub>表示训练样本的方差;模糊方程模块,对从数据预处理模块传过来的标准化后的训练样本X,进行模糊化;设模糊方程系统中有c<sup>*</sup>个模糊群,模糊群k、j的中心分别为v<sub>k</sub>、v<sub>j</sub>,则标准化后的第i个训练样本X<sub>i</sub>对于模糊群k的隶属度μ<sub>ik</sub>为:<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>k</mi></mrow></msub><mo>=</mo><msup><mrow><mo>(</mo><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msup><mi>c</mi><mo>*</mo></msup></munderover><msup><mrow><mo>(</mo><mfrac><mrow><mo>|</mo><mo>|</mo><msub><mi>X</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>k</mi></msub><mo>|</mo><mo>|</mo></mrow><mrow><mo>|</mo><mo>|</mo><msub><mi>X</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>|</mo><mo>|</mo></mrow></mfrac><mo>)</mo></mrow><mfrac><mn>2</mn><mrow><mi>m</mi><mo>-</mo><mn>1</mn></mrow></mfrac></msup><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000014.GIF" wi="1658" he="261" /></maths>式中,m为模糊分类过程中需要的分块矩阵指数,取2;||·||为范数表达式;使用以上隶属度值或者它的变形以获得新的输入矩阵,对于模糊群k,其输入矩阵变形为:Φ<sub>ik</sub>(X<sub>i</sub>,μ<sub>ik</sub>)=[1 func(μ<sub>ik</sub>) X<sub>i</sub>]         (5)其中,func(μ<sub>ik</sub>)为隶属度值μ<sub>ik</sub>的变形函数,取<img file="FDA0000818890410000017.GIF" wi="68" he="74" />或exp(μ<sub>ik</sub>),Φ<sub>ik</sub>(X<sub>i</sub>,μ<sub>ik</sub>)表示第i个输入变量X<sub>i</sub>及其模糊群k的隶属度μ<sub>ik</sub>所对应的新的输入矩阵;误差反向传播神经网络作为模糊方程系统的局部方程,设第k个误差反向传播神经网络模糊方程输出层的预测输出为<img file="FDA0000818890410000015.GIF" wi="89" he="73" />输入为net,与此层相邻的隐含层中任一神经元l的输出为s<sub>l</sub>,则有:<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mi>n</mi><mi>e</mi><mi>t</mi><mo>=</mo><munder><mo>&Sigma;</mo><mi>l</mi></munder><msub><mi>w</mi><mrow><mi>l</mi><mi>k</mi></mrow></msub><mo>&times;</mo><msub><mi>s</mi><mi>l</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000021.GIF" wi="1668" he="112" /></maths><maths num="0006" id="cmaths0006"><math><![CDATA[<mrow><msub><mover><mi>y</mi><mo>^</mo></mover><mrow><mi>i</mi><mi>k</mi></mrow></msub><mo>=</mo><mi>f</mi><mrow><mo>(</mo><mi>n</mi><mi>e</mi><mi>t</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000022.GIF" wi="1670" he="78" /></maths>式中,w<sub>lk</sub>是隐层神经元l与输出层神经元之间的连接权,f(·)为神经元的输出函数,通常取为Sigmoid函数,表示为:<maths num="0007" id="cmaths0007"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>n</mi><mi>e</mi><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mi>e</mi><mrow><mo>-</mo><mrow><mo>(</mo><mi>n</mi><mi>e</mi><mi>t</mi><mo>+</mo><mi>h</mi><mo>)</mo></mrow><mo>/</mo><msub><mi>&theta;</mi><mn>0</mn></msub></mrow></msup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000023.GIF" wi="1655" he="85" /></maths>式中,h为输出层神经元的阈值,θ<sub>0</sub>为陡度参数,用以调节Sigmoid函数的陡度;最后,由反模糊方法中的重心法得到最后的模糊方程系统的输出:<maths num="0008" id="cmaths0008"><math><![CDATA[<mrow><msub><mover><mi>y</mi><mo>^</mo></mover><mi>i</mi></msub><mo>=</mo><mfrac><mrow><msubsup><mi>&Sigma;</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><msup><mi>c</mi><mo>*</mo></msup></msubsup><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>k</mi></mrow></msub><msub><mover><mi>y</mi><mo>^</mo></mover><mrow><mi>i</mi><mi>k</mi></mrow></msub></mrow><mrow><msubsup><mi>&Sigma;</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><msup><mi>c</mi><mo>*</mo></msup></msubsup><msub><mi>&mu;</mi><mrow><mi>i</mi><mi>k</mi></mrow></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000818890410000024.GIF" wi="1662" he="204" /></maths><img file="FDA0000818890410000025.GIF" wi="59" he="77" />即为对应于标准化后的第i个训练样本X<sub>i</sub>的COD预报值和使COD排放达标的操作变量值;所述的上位机还包括:判别模型更新模块,用于按设定的采样时间间隔,采集现场智能仪表信号,将得到的实测COD与函数预报值比较,如果相对误差大于10%或实测COD数据不达标,则将DCS数据库中生产正常时的达标的新数据加入训练样本数据,更新模型;结果显示模块,用于将COD预报值和使COD排放达标的操作变量值传给DCS系统,在DCS的控制站显示,并通过DCS系统和现场总线传递到现场操作站进行显示;同时,DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值,自动执行COD排放达标操作;信号采集模块:用于依照设定的每次采样的时间间隔,从数据库中采集数据;所述的关键变量包括进入焚烧炉的废液流量、进入焚烧炉的空气流量和进入焚烧炉的燃料流量;所述的操作变量包括进入焚烧炉的空气流量和进入焚烧炉的燃料流量。
地址 310058 浙江省杭州市西湖区余杭塘路866号