[发明专利]基于深度极限学习机的澄清过程运行优化控制方法

说明书

技术领域

本发明涉及自动控制领域，特别涉及一种基于深度极限学习机的澄清过程运行优化控制方法。

背景技术

制糖业是中国的重要产业。甘蔗制糖在我国已有两千多年历史，制糖工艺是一个多工序的复杂过程，其中蔗糖的澄清工艺尤为复杂。目前国内绝大多数蔗糖的澄清工艺是使用磷酸亚硫酸法。工艺流程包括加入磷酸和石灰乳，第一次加热，硫熏中和，第二次加热等步骤。蔗汁澄清的控制过程是一个多变量强耦合且存在复杂非线性控制的过程，数据量大维数高，具有不确定性，自动控制非常难，控制不当就容易使得蔗糖分丢失严重、色值去除不理想、澄清汁纯度不够以及澄清汁含硫量偏高等一系列不良后果，严重影响蔗糖分的提取和最终产品质量。

现有的蔗糖澄清过程控制基本上都是半自动化的程度，很多参数的测定都需要以离线的方式进行操作，影响效率。能实现自动控制的环节大部分只能做到局部优化控制，针对某个关键参数或是从某个局部考虑过程控制，没有从整个过程考虑各环节和参数之间的协同优化控制问题，难以实现整体的最优(如含硫量，纯度，色值，PH值等无法达到最优值)。

随着现代多学科交叉和科学技术的发展，对于参数复杂多样、强耦合、非线性和不确定性的控制难题，有了解决的可能。

深度学习是一种多隐层结构的深层神经网络，能将输入的浅层特征逐层传递至网络高层形成抽象的特征表示，使其具有良好的特征学习能力，理论上可以无限逼近任意非线性函数。深度学习算法在大规模数据集下的优势明显，主要应用集中在文字、语音和图像识别领域，而且在控制方面也有一定的研究。但是传统深度学习算法在有监督调优过程中，需要梯度下降法反复迭代对参数进行微调，导致训练时间过长。

极限学习机具有与传统神经网络相同的全局逼近性质，其网络输入权值和偏置随机生成，只需设置隐含层节点数，由最小二乘法就可以求出输出权重，使得前馈神经网络的训练时间大大缩短，并且具有不易过拟合和良好泛化性的特点，但极限学习机在处理高维数据时建模精度和稳定性下降。

因此将深度学习与极限学习有机结合，虽然会增加算法的空间复杂度，但是为极限学习机在面临高维数据时提供了很好的解决方案。深度极限学习机可以摒除控制过程的高维度数据的噪声，并进行数据降维，从而能极大的提升极限学习机的泛化性和鲁棒性，具有更明显优势。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于深度极限学习机的澄清过程运行优化控制方法，用于对蔗糖澄清过程实现自动化控制，提高澄清汁的质量和产量。

为实现上述目的，本发明提供了一种基于深度极限学习机的澄清过程运行优化控制方法，作用在蔗汁澄清过程的自动控制系统上。所述蔗汁澄清过程的参数包括物质流、能量流以及信息流的参数。所述基于深度极限学习机的澄清过程运行优化控制方法的步骤包括：初始化所述参数目标值；监测所述参数当前值；接到所述自动控制系统的指令后对所述参数的当前值实施特征变换；协同优化参数的控制量；更新所述参数目标值；将过程控制量施加于所述蔗汁澄清过程的自动控制系统；以及返回继续监测所述参数当前值，如此循环往复。

优选地，上述技术方案中，所述特征变换通过深度极限学习机对物质流、能量流和信息流的参数当前值实施正交变换降维，剔除噪声数据和粗差数据。

所述协同优化包括计算所述物质流，能量流和信息流参数的相互作用对过程控制量的影响和制约和计算所述物质流，能量流和信息流各个参数对过程控制量的直接影响和作用。

与现有技术相比，本发明具有如下有益效果：

可以对蔗糖澄清过程实现自动化控制，控制整体参数使之达到最优值，提高澄清汁的质量和产量。

附图说明

图1是根据本发明的一实施方式的蔗糖澄清过程的工艺流程图。

图2是根据本发明的一实施方式的基于深度极限学习机的澄清过程运行优化控制方法的流程图。

图3是根据本发明的一实施方式的基于深度极限学习机的澄清过程运行优化控制方法的原理图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。