自适应的农药废液焚烧炉有害物排放达标控制系统及方法

摘要

本发明公开了一种自适应的农药废液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。上位机对训练样本进行标准化预处理，采用模糊神经网络建立回归模型，通过引入支持向量机对模糊神经网络中的线性参数进行最佳寻优，解决了模糊神经网络参数设置的问题，同时根据训练样本的变化对整个模糊神经网络的结构进行自适应调整；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、抗噪声能力强、在线优化参数、自适应调整系统结构等优点。

主权项

1.一种自适应的农药废液焚烧炉有害物排放达标控制系统，包括焚烧炉、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，使得训练样本的均值为0，方差为1，该处理采用以下算式过程来完成：计算均值：$\overline{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$计算方差：${\sigma }_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}({\mathrm{TX}}_i-\overline{\mathrm{TX}})---\left(2\right)$标准化：$X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x}---\left(3\right)$其中，TX_i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，为训练样本的均值，X为标准化后的训练样本。σ_x表示训练样本的标准差，σ²_x表示训练样本的方差。模糊神经网络模块，对从数据预处理模块传过来的输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,…,X_pn]，其中n是输入变量的个数。设模糊神经网络有R个模糊规则，为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\sigma }_{\mathrm{ij}}^2}\}---\left(4\right)$其中m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。设训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：${\mu }^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\Pi }}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\Sigma }}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\sigma }_{\mathrm{ij}}^2}\}---\left(5\right)$求得输入训练样本对于每个规则的适应度之后，模糊神经网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊神经网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μⁱ(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：$f^{\left(i\right)}={\mu }^{\left(i\right)}\left(X_p\right)\times (\underset{j=1}{\overset{n}{\Sigma }}{a}_{\mathrm{ij}}\times X_{\mathrm{pj}}+a_{i0})---\left(6\right)$${\hat{y}}_p=\underset{i=1}{\overset{R}{\Sigma }}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\Sigma }}[{\mu }^{\left(i\right)}\left(X_p\right)\times (\underset{j=1}{\overset{n}{\Sigma }}{a}_{\mathrm{ij}}\times X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$式中，f⁽ⁱ⁾为第i条模糊规则的输出，是模糊神经网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。支持向量机优化模块，在式（7）中，输入变量线性乘积和中的参数的确定是模糊神经网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，转换过程如下：$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\Sigma }}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\Sigma }}[{\mu }^{\left(i\right)}\left(X_p\right)\times (\underset{j=1}{\overset{n}{\Sigma }}{a}_{\mathrm{ij}}\times X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\Sigma }}\underset{j=0}{\overset{n}{\Sigma }}{a}_{\mathrm{ij}}\times {\mu }^{\left(i\right)}\left(X_p\right)\times X_{\mathrm{pj}}+b\end{array}---\left(8\right)$其中X_p0为常数项且恒等于1。令$\overrightarrow{\phi }\left(X_p\right)=[{\mu }^{\left(1\right)}\times X_{p0},...,{\mu }^{\left(1\right)}\times X_{\mathrm{pn}},......,{\mu }^{\left(R\right)}\times X_{p0},...,{\mu }^{\left(R\right)}\times X_{\mathrm{pn}}]---\left(9\right)$其中，表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：$S=\{(\overrightarrow{\phi }\left(X_1\right),y_1),(\overrightarrow{\phi }\left(X_2\right),y_2),...,(\overrightarrow{\phi }\left(X_N\right),y_N),\}---\left(10\right)$其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：$R(\omega ,b)=\gamma \frac{1}{N}{\Sigma }_{p=1}^N{L}_{ϵ}(y_p,f\left(X_p\right))+\frac{1}{2}{\omega }^T\omega ---\left(11\right)$y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。γ是支持向量机的惩罚因子，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：其中ε是优化问题的误差容限，接下来使用支持向量机求得模糊神经网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\Sigma }}({\alpha }_k^{*}-{\alpha }_k){\mu }^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\in \mathrm{SV}}{\overset{N}{\Sigma }}({\alpha }_k^{*}-{\alpha }_k){\mu }^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$${\hat{y}}_p=\underset{k=1}{\overset{N}{\Sigma }}({\alpha }_k^{*}-{\alpha }_k)<\overrightarrow{\phi }\left(X\right),\overrightarrow{\phi }\left(X_k\right)>+b---\left(14\right)$其中分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子，是第p个训练样本对应的COD预报值和使COD排放达标的操作变量值。自适应结构优化模块，由于在模糊神经网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊神经网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：$I=\arg \underset{1\le i\le R}{\max }{\mu }^{\left(i\right)}\left(X_p\right)---\left(15\right)$其中表示适应度值最大的模糊规则项的项号，即如果μ(^I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$${\sigma }_j^{\mathrm{new}}=\beta \times \frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\sigma }_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$其中和为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。为了防止模糊规则数目的不断增加，采用一种自适应方法来决定模糊规则的删除与否：如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性就开始降低，反之增加，这里第i条模糊规则的重要性用D_i来表示；如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。每个模糊规则的重要性值D_i,i=1,…,R的初始值值均设置为1，其随输入训练样本的变化过程如式（18）所示：其中D_i表示第i条模糊规则的重要性，常数τ值决定了模糊规则重要性变化的快慢，这里取1，μ⁽ⁱ⁾(X_p)表示第i条模糊规则对于第p个训练样本的适应值，μ_th-d表示模糊规则重要性减少阈值。当D_i满足D_i<μ_th-del时，这里μ_th-del取0.005，则删去第i条模糊规则。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，将得到的实测化学耗氧量与函数预报值比较，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。