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技术方案

本发明专利技术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。本发明专利技术具有在线测量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。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种。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。本专利技术具有在线测量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。【专利说明】
本专利技术涉及农药生产领域，尤其涉及一种。
技术介绍
我国是农药生产和使用大国，农药生产企业已达4100家左右，其中原药生产企业为500多家，国家农业部统计数据显示2008年I?11月农药总产量达171.1万吨。我国农药品种结构的不合理性更加大了环境治理的难度。据不完全统计，全国农药工业每年排放的废水约为15亿吨。其中，处理达标的仅占已处理的1%。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。焚烧后废水的化学耗氧量(COD)是农药废液焚烧有害物排放的最重要指标，但是其无法在线测量，离线测量一次需要四五个小时，无法及时反映工况变化和指导实际生产。因此，在实际焚烧过程中，COD严重超标。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，模糊神经网络的理论及其应用获得了飞速的发展，各种新的模糊神经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。但同时模糊神经网络结构的确定也遇到了和神经网络一样的问题，结构参数需要操作工依赖自己的操作经验人工确定。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。本方案中，支持向量机被用来优化模糊神经网络模型中的参数。
技术实现思路
为了克服已有的焚烧炉过程COD无法在线测量、COD严重超标的不足，本专利技术提供一种，其具有在线测量C0D、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。本专利技术解决其技术问题所采用的技术方案是: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，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I，该处理采用以下算式过程来完成:计算均值:瓦=I土 TXi( I )计算方差:【权利要求】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O，方差为I，该处理采用以下算式过程来完成: 2.一种用如权利要求1所述的自适应的农药废液焚烧炉有害物排放达标控制系统实现的控制方法，其特征在于:所述方法具体实现步骤如下: I )、对农药废液焚烧炉化学耗氧量排放过程对象，根据工艺分析和操作分析，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COD和使COD排放达标的操作变量数据作为输出矩阵Y ； 2)、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I，该处理采用以下算式过程来完成: 【文档编号】G05B13/04GK103488089SQ201310437997【公开日】2014年1月1日 申请日期:2013年9月22日 优先权日:2013年9月22日 【专利技术者】刘兴高, 许森琪, 张明明 申请人:浙江大学本文档来自技高网...

【技术保护点】
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：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、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。σx表示训练样本的标准差，σ2x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Xp=[Xp1,…,Xpn]，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)其中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)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(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，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，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：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→(XN),yN),}---(10)其中y1,…,yN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(ω,b)=γ1NΣp=1NLϵ(yp,...

【技术特征摘要】

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