[发明专利]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

摘要

本发明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。

主权项

1.一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，TX_i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。σ_x表示训练样本的标准差，σ²_x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X_p=[X_p1,...,X_pn]，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D_i，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X_p的每个输入变量X_pj,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，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij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X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：μ(i)(Xp)=Πj=1nMij(Xp)=exp{-Σj=1n(Xpj-mij)2σij2}---(5)]]>式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij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⁾(X_p)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，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0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X_p0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,…,y_N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,f(Xp))+12ωTω---(11)]]>其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)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(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：其中ε是优化问题的误差容限，y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，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：aij=Σk=1N(αk*-αk)μ(i)Xkj=Σk∈SVN(αk*-αk)μ(i)Xkj,i=1,...,R;j=0,...,n---(13)]]>y^p=Σk=1N(αk*-αk)<φ→(X),φ→(Xk)>+b---(14)]]>其中α_k，分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子，是第p个标准化后的训练样本对应的炉温预报值和使炉温最佳化的操作变量值。自适应结构优化模块，由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：I=argmax1≤i≤Rμ(i)(Xp)---(15)]]>其中表示适应度值最大的模糊规则项的项号，即如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：mjnew=Xpj,j=1,...,n---(16)]]>σjnew=β×||Xpj-mIj||2σIj2,j=1,...,n---(17)]]>其中和为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。所述的上位机还包括：模型更新模块，用于按设定的采样时间间隔，采集现场智能仪表信号，将得到的实测炉温与函数计算值比较，如果相对误差大于10%，则将新数据加入训练样本数据，更新软测量模型。结果显示模块，用于将优化结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。信号采集模块，用于依照设定的每次采样的时间间隔，从数据库中采集数据。所述的关键变量包括进入焚烧炉的废液流量、进入焚烧炉的空气流量和进入焚烧炉的燃料流量；所述的操作变量包括进入焚烧炉的空气流量和进入焚烧炉的燃料流量。