智能模糊系统的农药废液焚烧炉炉温最佳化系统及方法

摘要

本发明公开了一种智能模糊系统的农药废液焚烧炉炉温最佳化系统。该方法以模糊系统作为基础，对经过误差反向传播神经网络映射处理的训练样本输出结果进行模糊化处理，得到最后炉温预报值和使炉温最佳的操作变量值。在本发明中，从DCS数据库中采集生产正常时所述变量的数据作为训练样本的输入矩阵，经过标准化处理模块的处理，作为模糊系统模块的输入；模糊系统得到的炉温预报值和使炉温最佳的操作变量值传给结果显示模块，同时模型更新模块，按设定的采样时间间隔，采集现场智能仪表信号。本发明最终实现了炉温的准确和实时控制，对系统中的噪声进行了有效的抑制，避免了出现炉温过低或过高。

主权项

1.一种智能模糊系统的农药废液焚烧炉炉温最佳化系统及方法，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：标准化处理模块，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：$\overline{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$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、炉温和使炉温最佳化的操作变量的数据，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。模糊系统模块，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。设模糊系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：${\mu }_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\Sigma }}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$式中，n为模糊分类过程中需要的分块矩阵指数，通常取作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：${\Phi }_{\mathrm{ik}}(X_i,{\mu }_{\mathrm{ik}})=\left[\begin{array}{ccc}1& \mathrm{func}\left({\mu }_{\mathrm{ik}}\right)& X_i\end{array}\right]---\left(5\right)$其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。误差反向传播神经网络作为模糊系统的局部方程，设第k个误差反向传播模糊系统输出层的预测输出为输入为net，与此层相邻的隐含层中任一神经元l的输出为s_l，则有：$\mathrm{net}=\underset{l}{\Sigma }{w}_{\mathrm{lk}}\times s_l---\left(6\right)$${\hat{y}}_{\mathrm{ik}}=f\left(\mathrm{net}\right)---\left(7\right)$式中，w_lk是隐层神经元l与输出层神经元之间的连接权，f(·)为神经元的输出函数，通常取为Sigmoid函数，表示为：$f\left(\mathrm{net}\right)=1/(1+e^{-(\mathrm{net}+h)/{\theta }_0})---\left(8\right)$式中，h为输出层神经元的阈值，θ₀为陡度参数，用以调节Sigmoid函数的陡度；最后，由反模糊方法中的重心法得到最后的模糊系统的输出：${\hat{y}}_i=\frac{{\Sigma }_{k=1}^{c^{*}}{\mu }_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\Sigma }_{k=1}^{c^{*}}{\mu }_{\mathrm{ik}}}---\left(9\right)$即为模糊系统的预测输出。智能优化模块，用于采用粒子群算法对模糊系统中误差反向传播神经网络局部方程的w_lk进行优化，具体实现步骤如下：①确定粒子群的优化参数为误差反向传播神经网络局部方程的w_lk、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。②设定优化目标函数，将其转换为适应度，对每个局部模糊系统进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：f_p=1/(E_p+1)    （10）式中，E_p是模糊系统的误差函数，表示为：$E_p=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\hat{y}}_i-O_i)}^2}---\left(11\right)$式中，是模糊系统的预测输出，O_i为模糊系统的目标输出，N为训练样本数；③按照如下公式，循环更新每个粒子的速度和位置，v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))（12）r_p(iter+1)=r_p(iter)+v_p(iter+1)    （13）式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和使炉温最佳的操作变量值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0,1]之间的随机数；④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：Lbest_p=f_p    （14）⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:Gbest=Lbest_p    （15）⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊系统的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和使炉温最佳的操作变量值。所述的上位机还包括：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，将得到的实测炉温与系统预报值比较，如果相对误差大于10%或炉温超出生产正常上下限范围，则将DCS数据库中生产正常时的使炉温最佳的新数据加入训练样本数据，更新软测量模型。结果显示模块，用于将得到的炉温预报值和使炉温最佳的操作变量值传给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系统将所得到的使炉温最佳的操作变量值作为新的操作变量设定值，自动执行炉温最佳化操作。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。