[发明专利]一种采用案例推理提取规则的垃圾焚烧炉温度模糊控制方法

说明书

一种采用案例推理提取规则的垃圾焚烧炉温度模糊控制方法，涉及城市固体垃圾焚烧炉温度控制技术领域，包括如下步骤：(1)对炉温偏差及其变化率、控制器输出的历史数据采用相似度评估法聚类相似数据；(2)依据最大隶属原则生成初始规则库；(3)采用相似度评估法删除冗余规则以约简规则库；(4)计算目标规则与约简规则库中的每一条规则的相似度以检索规则；(5)根据最近邻方法重用规则，从而构成模糊控制规则库；(6)温度控制器对炉温实现稳定、准确控制。

技术领域

本发明涉及城市固体垃圾焚烧炉温度控制技术领域，更具体来说，本发明是一种采用案例推理提取规则的垃圾焚烧炉温度模糊控制方法。

背景技术

垃圾焚烧过程具有多变量、强耦合、非线性、大惯性及大滞后等特征，传统的控制方法难以实现炉温的稳定、准确控制，可能会使得焚烧后烟气中的二噁英浓度超标，对人和环境造成严重的损害。因此，稳定而准确的炉温控制对减少排放具有重要的实际意义。

模糊控制是一种以模糊控制规则为核心的控制方法，相对于传统的比例-积分-微分(proportional-integral-differential,PID)控制方法来说，它特别适合于无法建立准确机理模型，具有大惯性、强非线性的过程控制领域，比如在工业过程的温度控制中，实践证明模糊控制比单纯的PID控制方法在快速性方面更具优势。而作为模糊控制的核心，模糊控制规则的成功提取是控制系统成功应用的关键。因而，设计一个模糊控制系统之前，必须提取出合理的控制规则。

模糊控制规则的提取过程主要是根据控制过程中产生的样本数据来进行，常见的提取方法有神经网络、专家经验、遗传算法、Wang-Mendel算法等，已经取得一些实际应用成效。然而，由于这些方法本身固有的一些缺陷又限制了它们的推广应用，比如，神经网络虽然可以根据样本数据间接提取规则，但对训练样本的要求较高，且训练时间较长，不能满足那些对实时性要求较高的过程需求；专家经验提取的规则往往只能适用于比较简单的控制系统设计，当面临多变量系统或模糊集划分过多的情况时，规则的合理性难以得到满足；采用遗传算法提取规则时，需要反复训练导致效率较低，且易于陷入局部最优；Wang-Mendel算法虽然简单实用，但不具备学习推理能力，在应用时适应性和鲁棒性较差。基于上述，这些方法提取控制规则的过程存在计算量大的缺陷，提取出的规则有合理性差的局限性，难以实现控制要求高的场合，在现实中难以推广应用。因此，如何从样本数据中获取有效的规则以保证被控变量的稳定而准确的控制具有重要的现实意义。

案例推理以认知学为基础，是人工智能领域一种机器学习与推理方法，它以知识获取方便、求解过程易于理解、效率高及学习推理能力强等特点得到了广泛应用。因此，本发明利用案例推理的学习和推理能力强的优势，对城市固体垃圾焚烧炉的炉温控制规则进行提取。

发明内容

针对上述问题，本发明提供一种采用案例推理提取规则的垃圾焚烧炉温度模糊控制方法，可实现炉温的稳定、准确控制。

为达到上述目的，本发明采用如下技术方案：

一种采用案例推理提取规则的垃圾焚烧炉温度模糊控制方法，其特征在于包括以下步骤：(1)对炉温偏差及其变化率、控制器输出的历史数据采用相似度评估法聚类相似数据；(2)依据最大隶属原则生成初始规则库；(3)采用相似度评估法删除冗余规则以约简规则库；(4)计算目标规则与约简规则库中的每一条规则的相似度以检索规则；(5)根据最近邻方法重用规则，从而构成模糊控制规则库；(6)温度控制器对炉温实现稳定、准确控制。

进一步具体包括如下步骤：

(1)对炉温偏差及其变化率、控制器输出的历史数据采用相似度评估法聚类相似数据，详细过程如下：

首先，将控制器输入变量(炉温偏差x₁及其变化率x₂)和控制器输出变量x₃的p组历史数据构成案例库C，C中的每一组历史数据称为源案例，每一个源案例可表示为：