农药生产废液焚烧炉炉温最佳化系统及方法

摘要

一种农药生产废液焚烧炉化学耗氧量排放最小化系统，包括与农药生产废液焚烧炉连接的现场智能仪表、DCS系统以及上位机，上位机包括：标准化处理模块，用于从数据库中采集系统关键变量的训练样本TX，训练样本TX对应的化学耗氧量数据Y，对训练样本TX进行标准化处理；支持向量机模块，用于软测量建模；粒子群算法模块，用于求解如下最小问题；迭代终止时的pgK即为使化学耗氧量最小的操作变量值。以及提出了一种农药生产废液焚烧炉炉温最佳化方法。本发明提供了一种农药生产废液焚烧炉炉温最佳化系统及方法。

主权项

1.一种农药生产废液焚烧炉炉温最佳化系统，包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机，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，用于对训练样本进行标准化处理，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：3.1)计算均值：$\overline{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i,---\left(1\right)$3.2)计算标准差：${\sigma }_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}({\mathrm{TX}}_i-\overline{\mathrm{TX}}),---\left(2\right)$3.3)标准化：$X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x},---\left(3\right)$其中，TX为训练样本，对应的炉温数据为Y，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；支持向量机建模模块，用于建立软测量模型，其具体过程如下：其算式为：(4)、(5)：$\underset{\alpha ,{\alpha }^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{M}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})({\alpha }_j-{\alpha }_j^{*})K(x_i,x_j)-ϵ\underset{i=1}{\overset{M}{\Sigma }}({\alpha }_i+{\alpha }_i^{*})+\underset{i=1}{\overset{M}{\Sigma }}{y}_i({\alpha }_i-{\alpha }_i^{*})\}---\left(4\right)$约束条件：$\underset{i=1}{\overset{M}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})=0$0≤α_i≤γ$0\le {\alpha }_i^{*}\le \gamma$求解可得待估计函数f(x)：$f\left(x\right)=\underset{i=1}{\overset{M}{\Sigma }}({\alpha }_i^{*}-{\alpha }_i)K(x,x_i)---\left(5\right)$其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i^*和α_j^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；优化求解模块，其具体过程如下：其算式为(6)：$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\overline{\mathrm{TX}}}{{\sigma }_x}\right)--T_{\mathrm{opt}}|--\left(6\right)$其中MX是操作变量，KX是实时采集的输入变量，T_opt表示需要逼近的最佳炉温；所述粒子群求解流程如下：5.1)初始化n个随机粒子，每个粒子表示为MX_k⁰，每个粒子对应的速度表示为v_k⁰，令$p_k^0={\mathrm{MX}}_k^0,$其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；5.2)将每个粒子MX_k^K代入函数$|f\left(\frac{\mathrm{KX}-\overline{\mathrm{TX}}}{{\sigma }_x}\right)-T_{\mathrm{opt}}|$进行计算得到其适应度，并将其与p_k^K的适应度进行比较，将适应度较小的粒子作为新的p_k^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；5.3)根据下式更新每个粒子的速度和位置：$v_k^{K+1}=\omega v_k^K+c_1\xi (p_k^K-{\mathrm{MX}}_k^K)+c_2\eta ({\mathrm{pg}}^k-{\mathrm{MX}}_k^K)---\left(7\right)$其中，ω是惯性权重，c₁是认知系数，c₂是社会系数，ξ和η是[0，1]区间内的均匀分布的随机数，Υ是约束因子；5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；迭代终止时的pg^K即为使炉温最佳的操作变量值。