群智机器学习的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群智机器学习的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。上位机首先对训练样本进行预处理和模糊化，获得新的输入矩阵，再采用最小二乘支持向量机对新的输入矩阵建立模型，获得预测输出，然后对预测输出进行反模糊化，最后引入粒子群算法对最小二乘支持向量机的惩罚因子和误差容限值进行优化，得到优化的系统输出。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、抗噪声和泛化能力强、所需样本数少、计算速度快、在线自动优化等优点。

【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。上位机首先对训练样本进行预处理和模糊化，获得新的输入矩阵，再采用最小二乘支持向量机对新的输入矩阵建立模型，获得预测输出，然后对预测输出进行反模糊化，最后引入粒子群算法对最小二乘支持向量机的惩罚因子和误差容限值进行优化，得到优化的系统输出。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、抗噪声和泛化能力强、所需样本数少、计算速度快、在线自动优化等优点。【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。
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、抗噪声和泛化能力强、所需样本数少、计算速度快、在线自动优化等优点。本专利技术解决其技术问题所采用的技术方案是:群智机器学习的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，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.【权利要求】1.一种群智机器学习的焚烧炉有害物排放达标达标控制系统，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，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: 2.一种用如权利要求1所述的群智机器学习的焚烧炉有害物排放达标达标控制系统实现的控制方法，其特征在于:所述控制方法具体实现步骤如下: 1)、对焚烧炉有害物排放过程对象，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)、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，使得其均值为0，方差为I。该处理采用以下算式过程来完成:2.1)计算均值:反=士⑴ 2.2)计算方差 J =^fj(TX-TX)2)2.3)标准化=C3 【文档编号】G05B13/04GK103488090SQ201310438010【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】
一种群智机器学习的焚烧炉有害物排放达标达标控制系统，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，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、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。模糊方程模块，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。设模糊方程系统中有c*个模糊群，模糊群k、j的中心分别为vk、vj，则第i个标准化后的训练样本Xi对于模糊群k的隶属度μik为：μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)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：Φik(Xi,μik)=[1?func(μik)?Xi]????（5）其中func(μik)为隶属度值μik的变形函数，一般取exp(μik)等，Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为Oi，最小二乘支持向量机通过变换把拟合问题等价于如下二 次规划问题：minR(w,ξ)=12wTw+12γΣi=1Nξi2---(6)同时定义拉格朗日函数：其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，是非线性映射函数，N是训练样本数，ξ={ξ1,…,ξN}是松弛变量，ξii是松弛变量的第i个分量，αi(i=1,…,N)是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，而γ是最小二乘支持向量机的惩罚因子，上标T表述矩阵的转置。μik表示第i个标准化后的训练样本Xi对于模糊群k的隶属度，Φik(Xi,μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：y^ik=Σm=1Nαm×K⟨Φim(Xm,μmk),Φik(Xi,μik)⟩+b---(9)其中，为模糊群k在训练样本i的输出，K是最小二乘支持向量机的核函数，这里K取线性核函数。μmk表示第m个训练样本Xm对于模糊群k的隶属度，Φmk(Xm,μmk)表示第m个输入变量Xm及其模糊群k的隶属度μmk所对应的新的输入矩阵。αm，m=1,…,N是对应的拉格朗日乘子的第m个分量。由反模糊方法中的重心法得到最后的模糊方程系统的输出：y^i=Σk=1c*μiky^ikΣk=1c*μik---(10)粒子群算法优化模块，用于采用粒子群算法对模糊方程中最小二乘支持向量机局部方程的惩罚因子和误差容限值进行优化，具体步骤如下：①确定粒子群的优化参数为最小二乘支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数itermax、第p个粒子的初始位置rp、初始速度vp、局部最优值Lbestp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，对每个局部模糊方程进行评价；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：fp=1/(Ep+1)????（11）式中，Ep是模糊方程系统的误差函数，表示为：Ep=1NΣi=1N(y^i-Oi)2---(12)式中，是模糊方程系统的预测输出，Oi为模糊方程系统的目标输出；③按照如下公式，循环更新每个粒子...

【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：