自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法技术方案

本发明专利技术公开了一种自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法。该方法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，同时本方法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。在本发明专利技术中，标准化处理模块对从DCS数据库中采集到的训练样本进行标准化处理；模糊网络模块，用于系统的建模；支持向量机优化模块用于优化模糊网络模块中的线性参数；自适应结构优化模块对整个系统结构实时更新优化。本发明专利技术实现了炉温准确和实时控制、在线更新炉温最佳化系统结构、避免出现炉温的超调。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种。该方法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，同时本方法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。在本专利技术中，标准化处理模块对从DCS数据库中采集到的训练样本进行标准化处理；模糊网络模块，用于系统的建模；支持向量机优化模块用于优化模糊网络模块中的线性参数；自适应结构优化模块对整个系统结构实时更新优化。本专利技术实现了炉温准确和实时控制、在线更新炉温最佳化系统结构、避免出现炉温的超调。【专利说明】
本专利技术涉及农药生产废液焚烧领域，特别地，涉及。
技术介绍
随着农药工业的迅速发展，排放物的环境污染问题已经引起各国政府及相应环保部门的高度重视。研究及解决农药有机废液的达标排放控制以及无害最小化处理，不仅成为各国科研的难点和热点，同时也是关系到社会可持续发展的国家迫切需求的科学命题。焚烧法是目前处理农药残液和废渣最有效、彻底、应用最普遍的方法。焚烧过程中焚烧炉炉温必须保持在一个合适的温度，过低的炉温不利于废弃物中有毒有害成分的分解；过高的炉温不仅增加燃料消耗，增加设备运行成本，并且容易损坏炉膛内壁、缩短设备寿命。此外，过高温度可能增加废弃物中金属的挥发量和氧化氮的生成。特别对于含氯的废水，合适的炉温更能降低内壁的腐蚀。但是实际焚烧过程中影响炉温的因素复杂多变，容易出现炉温过低或过高的现象。1965年美国数学家L.Zadeh首先提出了 Fuzzy集合的概念。随后模糊逻辑以其更接近于日常人们的问题和语意陈述的方式，开始代替坚持所有事物都可以用二元项表示的经典逻辑。1987年，Bart Kosko率先将模糊理论与神经网络有机结合进行了较为系统的研究。在这之后的时间里，模糊网络的理论及其应用获得了飞速的发展，各种新的模糊网络模型的提出及其相适应的学习算法的研究不仅加速了模糊神经理论的完善，而且在实践中也得到了非常广泛的应用。支持向量机，由Vapnik在1998年引入,通过使用统计理论学习中结构风险最小化而非一般的经验结构最小化方法，把原有的最优分类面问题转化为其对偶的优化问题，因而具有良好的推广能力，被广泛应用在模式识别、拟合和分类问题中。在本方案中，支持向量机被用来优化模糊网络模型中的线性参数。
技术实现思路
为了克服已有的焚烧炉炉温难以控制、容易出现炉温过低或过高的不足，本专利技术提供一种实现炉温准确控制、避免出现炉温过低或过高的农药废液焚烧炉炉温最佳化系统及方法。本专利技术解决其技术问题所采用的技术方案是:自适应机器学习的农药废液焚烧炉炉温最佳化系统，包括焚烧炉、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，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:计算方差:标准化:其中，TXi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。σχ表示训练样本的标准差，0\表示训练样本的方差。模糊网络模块，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ΧΡ=，其中η是输入变量的个数。设模糊网络有R个模糊规则，对每个模糊规则i，i=l,…，R，都赋予一个权重值Di,用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本Xp的每个输入变量Xw_，j=l,…，η,下面的模糊化方程将求出其对第i个模糊规则的隶属度:(X0 - Mij )其中Mu表示输入变量Xw.对第i个模糊规则的隶属度，和σ u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。设标准化后的训练样本Xp对模糊规则i的适应度为μ ω (Xp)，则μ⑴(Xp)的大小可由下式决定:式中，Mij表示输入变量Xw.对第i个模糊规则的隶属度，Inij和σ u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。求得输入训练样本对于每个规则的适应度之后，模糊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μ (i)(Xp)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:式中，f⑴为第i条模糊规则的输出，A是模糊网络模型对第P个训练样本的预测输出，au，j=l,…，η是第i条模糊规则中第j个变量的线性系数，ai0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，具体实现过程如下:其中Xpci为常数项且恒等于I。令多(Xp)=(9)其中，如丨、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=νχ),{φ{Χ2), ν2),...,{φ{ΧΝ), Viv),)(10)其中yi，…，7,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{(0,b) = + ? 4 (.''',,/(^)) + \ω' ωU 1 )其中75是输入训练样本Xp的目标输出，f(Xp)是对应于Xp的模型输出，Le (yp，f(Xp))是输入训练样本Xp对应的目标输出yp和模型输出f(Xp)在优化问题的误差容限为ε时的一次不敏感函数。ω是支持向量机超平面的法向量，f (Xp)是对应于Xp的模型输出，Y是支持向量机的惩罚因子，上标T表示矩阵的转置，R(?，b)是优化问题的目标函数，N是训练样本数，Le (yp, f (Xp))表达式如下: (,、、卜，yP~?{Χρ) - εΙε(νρ Jixp)) =(12)、} [|ν;-/(χ,)μ 其他其中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:【权利要求】1.一种，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 2.一种自适应机器学习的农药废液焚烧炉炉温最佳化方法，其特征在于:所述的炉温最佳化方法具体实现步骤如下: 1)、确定所用的关键变量，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TX的输入矩阵，采集对应的炉温和使炉温最佳化的操作变量数据作为输出矩阵Y本文档来自技高网...

【技术保护点】
一种自适应机器学习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：TX‾=1NΣi=1NTXi---(1)计算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)标准化：X=TX-TX‾σx---(3)其中，TXi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。σx表示训练样本的标准差，σ2x表示训练样本的方差。模糊网络模块，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Xp=[Xp1,...,Xpn]，其中n是输入变量的个数。设模糊网络有R个模糊规则，对每个模糊规则i,i=1,…,R，都赋予一个权重值Di，用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本Xp的每个输入变量Xpj,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：Mij=exp{-(Xpj-mij)2σij2}---(4)式中，Mij表示输入变量Xpj对第i个模糊规则的隶属度，mij和σij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。设标准化后的训练样本Xp对模糊规则i的适应度为μ(i)(Xp)，则μ(i)(Xp)的大小可由下式决定：μ(i)(Xp)=Πj=1nMij(Xp)=exp{-Σj=1n(Xpj-mij)2σij2}---(5)式中，Mij表示输入变量Xpj对第i个模糊规则的隶属度，mij和σij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。求得输入训练样本对于每个规则的适应度之后，模糊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μ(i)(Xp)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(i)=μ(i)(Xp)×(Σj=1naij×Xpj+ai0)---(6)y^p=Σi=1Rf(i)+b=Σi=1R[μ(i)(Xp)×(Σj=1naij×Xpj+ai0)]+b---(7)式中，R为模糊规则个数，f(i)为第i条模糊规则的输出，是模糊网络模型对第p个训练样本的预测输出，aij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，ai0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，具体实现过程如下：y^p=Σi=1Rf(i)+b=Σi=1R[μ(i)(Xp)×(Σj=1naij×Xpj+ai0)]+b=Σi=1RΣj=0naij×μ(i)(Xp)×Xpj+b---(8)其中Xp0为常数项且恒等于1。令φ→(Xp)=[μ(1)×Xp0,...,μ(1)×Xpn,......,μ(R)×Xp0,...,μ(R)×Xpn]---(9)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={(φ→(X1),y1),(φ→(X2),y2),...,(φ&RightArrow...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘兴高，李见会，张明明，孙优贤，
申请(专利权)人：浙江大学，
类型：发明
国别省市：