CN101178580A - 基于数据挖掘的火电厂钢球磨煤机制粉系统自动控制方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘技术的火电厂钢球磨煤机制粉系统自动控制方法，采用基于数据挖掘技术的多入多出(MIMO)模糊控制器对给煤量，热风门开度、再循环风门开度和冷风门开度进行自动调节，MIMO模糊控制器中的隶属度函数是在对现场记录数据使用基于模糊加权共享最近邻的密度聚类算法基础上建立，控制规则通过对现场数据进行模糊控制规则挖掘后得到，避免了模糊控制器传统方法的主观性和局限性，为火电厂钢球磨煤机制粉系统安全可靠的运行提供了保证。该方法不仅使制粉系统一直在最佳方式下运行，还可有效降低磨煤机震动、防止磨煤机满灌和断煤，杜绝事故的发生，减轻工人劳动强度，减少维护量，改善工作环境，并使粉尘污染和噪声污染有所改善。

Description

基于数据挖掘的火电厂钢球磨煤机制粉系统自动控制方法

技术领域

本发明涉及一种控制方法，涉及火力发电厂钢球磨煤机制粉系统的自动控制，特别是一种基于数据挖掘技术的火电厂钢球磨煤机制粉系统自动控制方法。

背景技术

我国的燃煤火力发电厂中，钢球磨煤机制粉系统应用非常广泛，作为其中关键设备的磨煤机，绝大部分依然运行于人为判断和手工操作的原始状态，磨煤机在运行过程中，堵煤、超温、跑粉、漏风、欠煤等现象时有发生，有时甚至造成设备损坏事故，导致机组停运，给电厂带来很大的经济损失。更重要的是，磨煤机是电厂的耗电大户，其耗电量约占厂用电的20％左右，由于磨煤机目前仍采用人工控制的手段，磨煤机无法一直运行在最佳工况下，造电厂用电消耗大，经济效益差。

国外火力发电厂制粉系统的自动化程度较高，计算机控制技术也得到了普遍的使用，但是国外电厂多采用的是中速磨煤机直吹式制粉系统，与国内广泛采用的钢球磨煤机制粉系统结构不同，无法照搬。

国内也有一部分火力发电厂采用了磨煤机的自动控制装置，除硬件选择上参差不齐外，在控制策略和控制算法上也不尽相同。国内目前对于制粉系统的自动控制大部分仅以磨煤机内存煤量为控制目标来调节给煤量，我们知道，制粉系统的制粉量(即出力)的大小受磨制出力、干燥出力和通风出力三者的限制，如果仅对给煤量的自动调节只是对其磨煤出力实施了控制，而其它两个出力的还是以手动进行操作，虽然在控制算法上，国内也采用了一些先进的控制算法，但由于其是手动配合自动调节，使得从结构上就处于一种半自动的状态，而且没有对三个出力同时优化，最终导致使用效果上也不尽人意。

针对单回路存在的问题，目前对制粉系统的多回路控制的研究也有了长足的发展，所谓多回路即是根据磨煤出力、干燥出力和通风出力为控制目标，来调节给煤量和风门的开度。相关的控制输入量是内存煤量、出口温度和入口负压，而控制输出量则为给煤量、热风门开度和再循环风门开度(或冷风门开度)。在多回路控制方面，有的采用的是经典的PID算法，该算法是根据内存煤量来控制给煤量、根据出口温度来控制热风门以及根据入口负压来控制再循环风门开度(或冷风门开度)，从结构看是将三个回路独立控制，这种模式使控制器设计简单，易于实现。但后期的参数调节，需要设定3套PID参数而且还要互相配合，这就成了一个难点。此外，由于制粉系统的一个主要特点就是其强耦合性，将三个回路独立实施控制，这种方法不仅缺少可靠的理论依据而且在实际中也无法从根本上解决耦合问题。有的采用预测控制或解耦控制算法，但这类控制需要知道控制对象的数学模型，而制粉系统为非线性的复杂系统，其精确的数学模型不易得到，因此使得这类算法不适合推广应用。神经网络不太依赖对控制对象的数学模型，但是，由于神经网络类的算法均需要一个训练集而且其训练过程比较繁琐，而制粉系统在控制的实时性上有一定要求，使得神经网络在实际推广和应用上受到了不少的限制。模糊控制也不需要控制对象的模型且较常规方法具有很好的稳定性和鲁棒性，但在模糊控制中，隶属度函数和控制规则的建立通常是跟据以往的设计经验以及专家和操作人员的知识和经验，这就不可避免的会产生一定的局限性和主观性，从而影响到模糊控制器的控制品质，而且对于这种多入多出(MIMO)模糊控制器，均会遇到规则的爆炸问题，从而使得模糊控制器的设计变得十分困难。为解决这些问题，直接对现场记录的数据库的数据挖掘，从而自动构建出隶属度函数和控制规则库。因此，在此基础上设计出来的MIMO模糊控制器更适合控制对象的特性，为球磨机能够在自动控制下始终稳定、高效运行提供了保证。

发明内容

本发明的目的在于，提供一种基于数据挖掘技术的火电厂钢球磨煤机制粉系统自动控制方法，该方法通过对给煤量、热风门开度、再循环风门开度和冷风门开度的调节使得制粉系统在安全稳定的前提下一直在最佳方式下运行。这样不仅为锅炉系统的优质燃烧提供了有效保证，而且能够提高火电厂的经济效益。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于数据挖掘技术的火电厂钢球磨煤机制粉系统自动控制方法，其特征在于，该方法以磨机负荷、磨机出口温度、磨机入口负压和磨机出入口压差作为控制目标，使用MIMO模糊控制器对给煤量、热风门开度、再循环风门开度和冷风门开度进行调节，从而实现火电厂钢球磨煤机制粉系统的自动控制。其中，MIMO模糊控制的隶属度函数和控制规则是通过对现场记录数据进行数据挖掘自动获得的，具体包括以下步骤：

1)根据人工操作状态下现场记录的磨机负荷bml、磨机出口温度ot、磨机入口负压np、磨机出入口压差pd和设定值之间偏差的历史数据，构建输入空间数据库。这四个变量都是按照相等的时间间隔同时被写入数据库内，则每一条记录可以看作为一个对象。如果将这四个变量看作是数据库的维，则输入空间数据库是个四维数据库，这四个维分别是磨机负荷的偏差e_bml、磨机出口温度的偏差e_ot、磨机入口负压的偏差e_np、磨机出入口压差的偏差e_pd。此外，由于磨机入口负压和磨机出入口压差之间存在着耦合关系，则称这两个维是耦合维；同理，构建的输出空间数据库则包括给煤量u_f、热风门开度u_h、再循环风门开度u_r和冷风门开度u_c这四个维，且输出空间数据库没有耦合维；

2)为了方便后面的计算，将所有数据的数值归一化：

3)根据输入变量的重要性，给输入空间数据库中的每个维，即e_bml、e_ot、e_np和e_pd，分别赋以权重w_bml、w_ot，w_np′和w_pd′；

4)计算输入空间数据库中对象x和y间关于维e_np的绝对距离为 ${\mathrm{ad}}_{\mathrm{np}}^{\mathrm{xy}}=|v_{\mathrm{np}}^x-v_{\mathrm{np}}^y|,$ 其中v_np ^x表示对象x维e_np的值，v_np ^y表示对象y维e_np的值。同理，对象x和y间关于维e_pd的绝对距离为ad_pd ^xy。AD_np和AD_pd分别为ad_np ^xy和ad_pd ^xy所对应的语言变量且语言值为{零，正小，正中，正大}。w_np″和w_pd″分别代表维e_np和维e_pd的修正权重，它们对应的语言变量为W_np″和W_pd″且语言值为{负大，负小，零，正小，正大}。AD_np和AD_pd的论域选择[0，1]而W_np″和W_pd″的论域为[-1，1]。根据专家知识和现场操作人员的经验，可以得到AD_np、AD_pd、W_np″和W_pd″对应的隶属度离散值以及一系列模糊规则，使用最大-最小的推理方法并按最大隶属度去模糊化，即可提前求得修正权重模糊查询表(如表1所示)。

表1：修正权重模糊查询表

若		则
				adnp xy	adpd xy	wnp″	wpd″
0	0	0	0
				0	0.3	0	-0.5
0	0.7	0	-0.5
				0	1.0	0	-1.0
0.3	0	-0.5	0
				0.3	0.3	-1.0	0
0.3	0.7	-1.0	0.5
				0.3	1.0	-1.0	1.0
0.3	0	-0.5	0
				0.7	0.3	0.5	-1.0
0.7	0.7	-1.0	0
				0.7	1.0	-1.0	0.5
1.0	0	-1.0	0

1.0	0.3	1.0	-1.0
				1.0	0.7	0.5	-1.0
1.0	1.0	-1.0	0

5)在实际计算时，先求出ad_np ^xy和ad_pd ^xy，然后查询权重模糊查询表得到w_np″和w_pd″，接着根据以下公式，计算出维e_np和维e_pd的最终权重w_np和w_pd；

$\left\{\begin{array}{c}{w}_{\mathrm{np}}=w_{\mathrm{np}}^{\′}+k_{\mathrm{wnp}}\·w_{\mathrm{np}}^{\′\′}\\ w_{\mathrm{pd}}=w_{\mathrm{pd}}^{\′}+k_{\mathrm{wpd}}\·w_{\mathrm{pd}}^{\′\′}\end{array}\right.$

其中，k_wnp和k_wpd分别是维e_np和维e_pd修正权重系数。

6)根据以下公式计算输入空间数据库中对象x和y间的模糊加权距离fwdist；

$\mathrm{fwdist}(x,y)=\sqrt{w_{\mathrm{bml}}{(v_{\mathrm{bml}}^x-v_{\mathrm{bml}}^y)}^2+w_{\mathrm{ot}}{(v_{\mathrm{ot}}^x-v_{\mathrm{ot}}^y)}^2+w_{\mathrm{np}}{(v_{\mathrm{np}}^x-v_{\mathrm{np}}^y)}^2+w_{\mathrm{pd}}{(v_{\mathrm{pd}}^x-v_{\mathrm{pd}}^y)}^2}$

7)根据输入空间数据库中对象间的模糊加权距离，找出对象的4-最近邻，如果两个对象分别在对方的4-最近邻中，则这两个对象间的模糊加权共享最近邻fwsnn等于它们共享的近邻个数；否则fwsnn＝0；

8)以模糊加权共享最近邻作为对象间的相似性量度，采用基于密度的方法进行聚类。即从输入空间数据库中抽取一个未处理过的对象o作为初始对象，如果与o之间fwsnn值大于2的对象多于3个的话，则o是一个核心对象并创建一个簇。接着以o的4-最近邻中的某一对象p作为扩展对象，如果p是核心对象则将p和p的4-最近邻中的对象归为由o创建的簇，并称p从o密度直接可达，否则仅将p归为由o创建的簇。如果p从o密度直接可达，而q从p密度直接可达，则称q从o密度可达。将所有从o密度可达的对象都归为由o创建的簇。然后从输入空间数据库中重新抽取一个没有归为某个簇的对象作为初始对象，重复上面的过程，直到输入空间数据库中对象被遍历，其中没有归为任何簇的对象被标记为孤立点并删除；

9)计算所有簇间的邻近度，并将最近的两个簇合并后更新簇信息。接着再次计算所有更新信息后簇间的邻近度，并再次将最近的两个簇合并，反复进行直到簇的个数等于输入变量的语言值的个数。其中，邻近度是指两个簇中所有对象对之间的平均fwsnn值；

10)计算上一步形成簇的簇心，簇心计算公式如下所示，其中d_r表示簇内的对象，s是簇内对象的个数；

$c=\frac{1}{s}\underset{r=1}{\overset{s}{\mathrm{\Σ}}}{d}_r$

11)将其中一个簇C₁和其簇心c₁投影到e_bml的论域上，簇的投影形成区间[l_C1 ^bml，r_C1 ^bml]簇心的投影为c₁ ^bml。选择三角形函数作为隶属度函数，则l_C1 ^bml、r_Cl ^bml

和c₁ ^bml可看作三角型隶属度函数的最左边的值、最右边的值和中心值。因此，

对于e_bml，对象x属于簇C₁的隶属度函数为：

$f_j^{e_l}\left(x\right)=\left\{\begin{array}{c}(x-l_{C1}^{\mathrm{bml}})/(c_1^{\mathrm{bml}}-l_{C1}^{\mathrm{bml}}),l_{C1}^{\mathrm{bml}}\≤x\≤c_1^{\mathrm{bml}}\\ (r_{C1}^{\mathrm{bml}}-x)/(r_{C1}^{\mathrm{bml}}-c_1^{\mathrm{bml}}),c_1^{\mathrm{bml}}\≤x\≤r_{C1}^{\mathrm{bml}}\end{array}\right.$

12)选择不同的簇重复步骤11)，我们可以得到对于e_bml，对象x属于不同簇的隶属度函数。按照簇心投影从小到大的顺序，依次将这些隶属度函数定义为语言值的隶属度函数。这样，对于e_bml的隶属度函数构建完毕；

13)将形成的簇和簇心分别投影到e_ot、e_np和e_pd的论域上，重复步骤11)-12)，完成e_ot、e_np和e_pd隶属度函数的构建；

14)同理，给输出空间数据库中的每个维赋以权值，并重复步骤2)-13)完成输出变量隶属度函数的构建。其中，由于输出变量中不存在耦合关系，则不需要对赋的初始权值进行修正；

15)将输入空间数据库和输出空间数据库合成为规则挖掘数据库，该数据库包括8个维，分别是e_bml、e_ot、e_np、e_pd、u_f、u_h、u_r和u_c。

16)根据输入变量的语言值将维e_bml进行扩展，这些扩展出来的维成为e_bml的扩展维。比如输入变量的语言值为{NB，ZO，PB}，则维e_bml扩展成以下3个维：e_bml ^NB、e_bml ^ZO和e_bml ^PB。同理，规则挖掘数据库中其它7个维也被扩展。并将由e_bml、e_ot、e_np和e_pd的扩展维定义为规则前件维，而由u_f、u_h、u_r和u_c的扩展维定义为规则后件维；

17)根据已得到维e_bml的隶属度函数和数据库中每个对象在维e_bml的值，确定每个对象对于e_bml扩展维的隶属度值。同理，每个对象在其它维上的隶属度值也被求出，则数据库中每个对象被模糊划分。

18)分别从e_bml、e_ot、e_np和e_pd扩展维中选择一个维出来组合成一个联合规则前件。接着将这个联合规则前件分别和u_f的扩展维组合，形成一组单后件规则，这些规则被称作u_f的候选子规则集。

19)根据以下公式计算候选子规则的规则强度RS，规则强度值最大的称为u_f的强子规则；

$\mathrm{RS}(X\⇒Y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{\μ}\left(y^i\right)\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{x\∈X}{\mathrm{\Π}}\left(\mathrm{\μ}\left(x^i\right)\right)\mathrm{\μ}\left(y^i\right)\right)$

式中，X表示联合规则前件，Y表示u_f的扩展维中任意一个维，

表示第i个对象关于联合规则前件中各元素的隶属度值的积，μ(yⁱ)是表示u_f的扩展维中任意一个维的隶属度值，n是规则挖掘数据库中对象的个数；

20)分别选择由维u_h、u_r和u_c的扩展维和联合规则前件组成u_h的候选子规则集、u_r的候选子规则集和u_c的候选子规则集，重复步骤5)，确定u_h的强子规则、u_r的强子规则和u_c的强子规则。接着，将u_f、u_h、u_r和u_c的强子规则连接形成联合规则后件，再根据联合规则前件和联合规则后件中维对应语言值，形成一条最终可以使用的模糊控制规则；

21)选择不同的联合规则前件，重复步骤18)～步骤20)，得到另外一条模糊控制规则；当所有e_bml、e_ot、e_np和e_pd的扩展维的组合被遍历，则完成了整个模糊控制器规则库的构建。

附图说明

图1是基于数据挖掘技术的MIMO模糊控制器；

附录1是模糊规则挖掘结果。

以下结合附图和发明人给出的实施例对本发明作进一步的详细说明。

具体实施方式

以某火电厂#5机组的甲制粉系统为例，给出本发明的一个具体应用。该制粉系统配备的钢球磨煤机的型号为DTM380/830，采用皮带式称重给煤机给煤。其工作流程为：给煤机将原煤仓内的原煤送入磨煤机内，同时热风、冷风、再循环风也进入磨煤机，原煤经过破碎研磨，磨制好的煤粉被气流输送出去，从磨煤机出来的是气粉混合物，经粗粉分离器后，过粗的煤粉重新返回磨煤机入口进行再研磨，合格的煤粉被带入细粉分离器进行气粉分离，再次合格的煤粉落入煤粉仓。

基于数据挖掘技术的火电厂钢球磨煤机制粉系统自动控制方法，采用的是MIMO模糊控制器对给煤量、热风门开度、再循环风门开度和冷风门开度进行调节，其中的隶属度函数和控制规则是通过对现场记录数据进行数据挖掘自动获得的，具体控制框图见附图1。bml、ot、np和pd分别是磨机负荷、磨机出口温度、磨机入口负压和磨机出入口压差的测量值。bml_sv、ot_sv、np_sv和pd_sv分别是磨机负荷、磨机出口温度、磨机入口负压和磨机出入口压差的设定值。e_bml、e_ot、e_np和e_pd分别代表的是磨机负荷、磨机出口温度、磨机入口负压和磨机出入口压差的偏差，E_bml、E_ot、E_np和E_pd是e_bml、e_ot、e_np和e_pd的语言变量。u_f、u_h、u_r和u_c是控制输出，分别用于控制给煤量、热风门、再循环风门和冷风门，U_f、U_h、U_r和U_c是u_f、u_h、u_r和u_c的语言变量。e_bml、e_ot、e_np、e_pd、u_f、u_h、u_r和u_c的基本论域分别为[-10，10]％、[-3，3]℃、[-100，100]Pa、[-300，300]Pa、[-10，10]％、[-10，10]％、[-10，10]％和[-10，10]％。每个变量对应的语言变量的论域均选择[-1，1]，而语言值均选择{NB，ZO，PB}，分别代表负大、零、正大。

根据人工操作状态下现场记录的磨机负荷bml、磨机出口温度ot、磨机入口负压np、磨机出入口压差pd和设定值之间偏差的历史数据，构建输入空间数据库。其中偏差＝设定值-测量值，当前bml的设定值为80％，ot的设定值为61℃，np的设定值为-300Pa，pd的设定值为3400Pa。这四个变量都是按照相等的时间间隔同时被写入数据库内，则每一条记录可以看作为一个对象。如果将这四个变量看作是数据库的维，则输入空间数据库是个四维数据库，这四个维分别是磨机负荷的偏差e_bml、磨机出口温度的偏差e_ot、磨机入口负压的偏差e_np、磨机出入口压差的偏差e_pd。此外，由于磨机入口负压和磨机出入口压差之间存在着耦合关系，则称这两个维是耦合维；同理，构建的输出空间数据库则包括给煤量u_f、热风门开度u_h、再循环风门开度u_r和冷风门开度u_c这四个维，且输出空间数据库没有耦合维。输入空间数据库和输出空间数据库均包含3000个对象，为了方便后面的计算，将所有对象各维的数值归一化。

MIMO控制器中隶属度函数的建立包括以下几个步骤：

1)根据输入变量的重要性，给输入空间数据库中的每个维，即e_bml、e_ot、e_np和e_pd，分别赋以权重w_bml、w_ot，w_np′和w_pd′分别为0.4，0.2，0.2和0.2。

2)计算输入空间数据库中对象x和y间关于维e_np的绝对距离为 ${\mathrm{ad}}_{\mathrm{np}}^{\mathrm{xy}}=|v_{\mathrm{np}}^x-v_{\mathrm{np}}^y|,$ 其中v_np ^x表示对象x维e_np的值，v_np ^y表示对象y维e_np的值。同理，对象x和y间关于维e_pd的绝对距离为ad_pd ^xy。接着查询权重模糊查询表(如表1所示)得到w_np″和w_pd″，接着根据以下公式，计算出维e_np和维e_pd的最终权重w_np和w_pd；

$\left\{\begin{array}{c}{w}_{\mathrm{np}}=w_{\mathrm{np}}^{\′}+k_{\mathrm{wnp}}\·w_{\mathrm{np}}^{\′\′}\\ w_{\mathrm{pd}}=w_{\mathrm{pd}}^{\′}+k_{\mathrm{wpd}}\·w_{\mathrm{pd}}^{\′\′}\end{array}\right.$

其中，k_wnp和k_wpd分别是维e_np和维e_pd修正权重系数且k_wnp＝k_wpd＝0.2。

3)根据以下公式计算输入空间数据库中对象x和y间的模糊加权距离fwdist；

$\mathrm{fwdist}(x,y)=\sqrt{0.5{(v_{\mathrm{bml}}^x-v_{\mathrm{bml}}^y)}^2+0.2{(v_{\mathrm{ot}}^x-v_{\mathrm{ot}}^y)}^2+w_{\mathrm{np}}(v_{\mathrm{np}}^x-{v_{\mathrm{np}}^y)}^2+w_{\mathrm{pd}}{(v_{\mathrm{pd}}^x-v_{\mathrm{pd}}^y)}^2}$

4)根据输入空间数据库中对象间的模糊加权距离，找出对象的4-最近邻，如果两个对象分别在对方的4-最近邻中，则这两个对象间的模糊加权共享最近邻fwsnn等于它们共享的近邻个数；否则fwsnn＝0；

5)以模糊加权共享最近邻作为对象间的相似性量度，采用基于密度的方法进行聚类。即从输入空间数据库中抽取一个未处理过的对象o作为初始对象，如果与o之间fwsnn值大于2的对象多于3个的话，则o是一个核心对象并创建一个簇。接着以o的4-最近邻中的某一对象p作为扩展对象，如果p是核心对象则将p和p的4-最近邻中的对象归为由o创建的簇，并称p从o密度直接可达，否则仅将p归为由o创建的簇。如果p从o密度直接可达，而q从p密度直接可达，则称q从o密度可达。将所有从o密度可达的对象都归为由o创建的簇。然后从输入空间数据库中重新抽取一个没有归为某个簇的对象作为初始对象，重复上面的过程，直到输入空间数据库中对象被遍历，其中没有归为任何簇的对象被标记为孤立点并删除；

6)计算所有簇间的邻近度，并将最近的两个簇合并后更新簇信息。接着再次计算所有更新信息后簇间的邻近度，并再次将最近的两个簇合并，反复进行直到簇的个数等于输入变量的语言值。因为输入变量的语言值为{NB，ZO，PB}，则最终簇的个数为3。其中，邻近度是指两个簇中所有对象对之间的平均fwsnn值；

7)计算上一步形成的3个簇C₁、C₂和C₃的簇心，簇心计算公式如下所示，其中d_r表示簇内的对象，s是簇内对象的个数；

$c=\frac{1}{s}\underset{r=1}{\overset{s}{\mathrm{\Σ}}}{d}_r$

8)将簇C₁和其簇心c₁投影到e_bml的论域上，簇的投影形成区间[l_C1 ^bml，r_C1 ^bml]，簇心的投影为c₁ ^bml。选择三角形函数作为隶属度函数，则l_C1 ^bml、r_C1 ^bml和c₁ ^bml可看作三角型隶属度函数的最左边的值、最右边的值和中心值。因此，对于e_bml，对象x属于簇C₁的隶属度函数为：

$f_j^{e_l}\left(x\right)=\left\{\begin{array}{c}(x-l_{C1}^{\mathrm{bml}})/(c_1^{\mathrm{bml}}-l_{C1}^{\mathrm{bml}}),l_{C1}^{\mathrm{bml}}\≤x\≤c_1^{\mathrm{bml}}\\ (r_{C1}^{\mathrm{bml}}-x)/(r_{C1}^{\mathrm{bml}}-c_1^{\mathrm{bml}}),c_1^{\mathrm{bml}}\≤x\≤r_{C1}^{\mathrm{bml}}\end{array}\right.$

9)选择不同的簇重复步骤8)，我们可以得到对于e_bml，对象x属于簇C₂和C₃的隶属度函数。按照簇心投影从小到大的顺序，依次将这些隶属度函数定义为语言值NB、ZO和PB的隶属度函数。这样，对于e_bml的隶属度函数构建完毕；

10)将形成的簇和簇心分别投影到e_ot、e_np和e_pd的论域上，重复步骤8)-9)，完成e_ot、e_np和e_pd隶属度函数的构建；

11)同理，给输出空间数据库中的每个维，即u_f、u_h、u_r和u_c，分别赋以权重0.5，0.2，0.2和0.1，并重复步骤1)-11)完成输出变量隶属度函数的构建。其中，由于输出变量中不存在耦合关系，则不需要对赋的初始权值进行修正。构建好的输入变量和输出变量隶属度函数如表2～9所示，表中用[l，r，c]的形式表示不同语言值对应的三角型隶属度函数的三个参数，即最左边的值、最右边的值和中心值。

表2输入变量e_bml的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.41，-0.73]
ZO	[-0.50，0.56，0.17]
		PB	[0.51，1，0.76]

表3输入变量e_ot的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.34，-0.61]

ZO	[-0.38，0.32，0.09]
		PB	[0.22，1，0.58]

表4输入变量e_np的隶属度函数

语言值	[l，r，c]
		NB	[-1，0，-0.9]
ZO	[-0.66，0.57，0.16]
		PB	[0，1，0.95]

表5输入变量e_pa的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.71，-0.23]
ZO	[-0.3，0.28，0.01]
		PB	[0.22，1，0.86]

表6输出变量u_f的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.37，-0.81]
ZO	[-0.40，0.44，0.1]
		PB	[0.41，1，0.84]

表7输出变量u_h的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.2，-0.72]
ZO	[-0.36，0.40，0]
		PB	[0.22，1，0.76]

表8输入变量u_r的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.13，-0.59]

ZO	[-0.19，0.18，0.0]
		PB	[0.14，1，0.51]

表9输入变量u_c的隶属度函数

语言值	[l，r，c]
		NB	[-1，-0.29，-0.68]
ZO	[-0.40，0.4 1，0.02]
		PB	[0.21，1，0.71]

MIMO控制器中规则库的建立包括以下几个步骤：

1)将输入空间数据库和输出空间数据库合成为规则挖掘数据库，该数据库包括8个维，分别是e_bml、e_ot、e_np、e_pd、u_f、u_h、u_r和u_c。

2)输入变量的语言值为{NB，ZO，PB}，则维e_bml扩展成以下3个维：e_bml ^NB、e_bml ^ZO和e_bml ^PB。同理，规则挖掘数据库中其它7个维也被扩展，此时规则挖掘数据库一共包括24个维。并将由e_bml、e_ot、e_np和e_pd扩展出来的维定义为规则前件维，而由u_f、u_h、u_r和u_c展出来的维定义为规则后件维；

3)根据已经构建好的维e_bml的隶属度函数和数据库中每个对象在维ebml的值，确定每个对象在维e_bml ^NB、维e_bml ^ZO和维e_bml ^PB的隶属度值，并将这些值记做：v_bml ^NB、v_bml ^ZO和v_bml ^PB。同理，每个对象在其它维上的隶属度值也被求出，则数据库中每个对象被模糊划分。

4)分别从e_bml、e_ot、e_np和e_pd各自扩展出来的维中选择一个维出来组合成一个联合规则前件。接着将这个联合规则前件分别和u_f扩展出来的3个维组合，形成一组单后件规则，这些规则被称作u_f的候选子规则集。

5)根据以下公式计算候选子规则的规则强度PS，规则强度值最大的称为u_f的强子规则；

$\mathrm{RS}(X\⇒Y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{\μ}\left(y^i\right)\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\underset{x\∈X}{\mathrm{\Π}}\left(\mathrm{\μ}\left(x^i\right)\right)^\mathrm{\μ}\left(y^i\right))$

式中，X表示联合规则前件，Y表示u_f扩展出来的3个维中的任意一个维，表示第i个对象关于联合规则前件中各元素的隶属度值的积，μ(yⁱ)是表示u_f扩展出来的3个维中的任意一个维的隶属度值，n是规则挖掘数据库中对象的个数；

6)分别选择由维u_h、u_r和u_c扩展出来的维和联合规则前件组成u_h的候选子规则集、u_r的候选子规则集和u_c的候选子规则集，重复步骤5)，确定u_h的强子规则、u_r的强子规则和u_c的强子规则。接着，将u_f、u_h、u_r和u_c的强子规则连接形成联合规则后件，再根据联合规则前件和联合规则后件中维对应语言值，形成一条最终可以使用的模糊控制规则；

7)选择不同的联合规则前件，重复步骤4)-6)，得到另外一条模糊控制规则；当所有e_bml、e_ot、e_np和e_pd扩展维的组合被遍历，则完成了整个模糊控制器中规则库的构建，构建好的规则库如附录1所示。

根据以上说明，针对火电厂钢球磨煤机制粉系统的基于数据挖掘技术的MIMO模糊控制器，通过离线的方式已经设计完毕。在具体实施时，可采用PLC或者控制模块和工控机组成小型的DCS系统，在PLC或者控制模块中实现相关数据的采集，而在工控机中使用VC++和MATLAB混合编程实现模糊控制器的构建。在实际控制中，由工业现场来的信号难免会包含一些噪音，所以PLC或者控制模块中针对这些信号的不同类型采用不同的滤波算法来进行预处理，以保证后面控制算法能够准确的实施。具体的滤波算法如下：

●磨机负荷；在模拟量采集模块设置平均值滤波(128点，根据采集速度适当调整)，采集速率为500ms(如有可能尽量提高)，设置一阶惯性滤波，公式为：

y(k)＝αx(k)+(1-α)y(k-1)

式中，y(k)为本次最终结果，y(k-1)为上次最终结果，x(k)为本次实时测量值，α为滤波系数。滤波系数设置为0.05(可修改)；

●磨机出口温度；在模拟量采集模块设置平均值滤波(64点，根据采集速度适当调整)；

●磨机入口负压；在模拟量采集模块设置平均值滤波(128点，根据采集速度适当调整)，视信号波动量大小，设置滑动平均滤波或一阶惯性滤波(一阶惯性滤波公式同磨机负荷)；

●磨机出入口压差；在模拟量采集模块设置平均值滤波(128点，根据采集速度适当调整)，视信号波动量大小，设置滑动平均滤波或一阶惯性滤波(一阶惯性滤波公式同磨机负荷)。

而在工控机中已构建好模糊控制器可直接使用，其中使用最大-最小推理合成方法和重心法来去模糊，将得到的结果变换到输出变量对应的基本论域即可得到最终的控制输出。

附录1：模糊规则挖掘结果

If				Then
								Ebml	Eot	Enp	Epd	Uf	Uh	Ur	Uc
NB	NB	NB	NB	NB	NB	ZO	PB
								NB	NB	NB	ZO	NB	NB	ZO	PB
NB	NB	NB	PB	NB	NB	PB	PB
								NB	NB	ZO	NB	NB	NB	ZO	PB
NB	NB	ZO	ZO	NB	NB	ZO	PB
								NB	NB	ZO	PB	NB	NB	ZO	PB
NB	NB	PB	NB	NB	NB	ZO	PB
								NB	NB	PB	ZO	NB	NB	ZO	PB
NB	NB	PB	PB	NB	NB	ZO	PB
								NB	ZO	NB	NB	NB	ZO	ZO	ZO
NB	ZO	NB	ZO	NB	ZO	ZO	ZO
								NB	ZO	NB	PB	NB	ZO	PB	ZO
NB	ZO	ZO	NB	NB	ZO	ZO	ZO
								NB	ZO	ZO	ZO	NB	ZO	ZO	ZO
NB	ZO	ZO	PB	NB	ZO	PB	ZO
								NB	ZO	PB	NB	NB	ZO	ZO	ZO
NB	ZO	PB	ZO	NB	ZO	ZO	ZO
								NB	ZO	PB	PB	NB	ZO	PB	ZO
NB	PB	NB	NB	NB	ZO	PB	ZO
								NB	PB	NB	ZO	NB	ZO	PB	ZO
NB	PB	NB	PB	NB	ZO	PB	ZO
								NB	PB	ZO	NB	NB	ZO	ZO	ZO
NB	PB	ZO	ZO	NB	ZO	ZO	ZO
								NB	PB	ZO	PB	NB	ZO	PB	NB
NB	PB	PB	NB	NB	ZO	NB	ZO
								NB	PB	PB	ZO	NB	ZO	NB	ZO

NB	PB	PB	PB	NB	ZO	PB	ZO
								ZO	NB	NB	NB	ZO	ZO	NB	PB
ZO	NB	NB	ZO	ZO	ZO	ZO	PB
								ZO	NB	NB	PB	ZO	ZO	PB	PB
ZO	NB	ZO	NB	ZO	ZO	NB	PB
								ZO	NB	ZO	ZO	ZO	ZO	ZO	PB
ZO	NB	ZO	PB	ZO	ZO	PB	PB
								ZO	NB	PB	NB	ZO	PB	NB	PB
ZO	NB	PB	ZO	ZO	PB	ZO	PB
								ZO	NB	PB	PB	ZO	PB	PB	PB
ZO	ZO	NB	NB	ZO	ZO	NB	ZO
								ZO	ZO	NB	ZO	ZO	ZO	ZO	ZO
ZO	ZO	NB	PB	ZO	ZO	PB	ZO
								ZO	ZO	ZO	NB	ZO	ZO	ZO	ZO
ZO	ZO	ZO	ZO	ZO	ZO	ZO	ZO
								ZO	ZO	ZO	PB	ZO	ZO	ZO	ZO
ZO	ZO	PB	NB	ZO	ZO	NB	ZO
								ZO	ZO	PB	ZO	ZO	ZO	ZO	ZO
ZO	ZO	PB	PB	ZO	ZO	PB	ZO
								ZO	PB	NB	NB	ZO	ZO	NB	NB
ZO	PB	NB	ZO	ZO	ZO	ZO	NB
								ZO	PB	NB	PB	ZO	ZO	PB	NB
ZO	PB	ZO	NB	ZO	ZO	NB	NB
								ZO	PB	ZO	ZO	ZO	ZO	ZO	NB
ZO	PB	ZO	PB	ZO	ZO	PB	NB
								ZO	PB	PB	NB	ZO	ZO	NB	NB
ZO	PB	PB	ZO	ZO	ZO	ZO	NB
								ZO	PB	PB	PB	ZO	ZO	PB	NB
PB	NB	NB	NB	PB	ZO	ZO	ZO

PB	NB	NB	ZO	PB	ZO	ZO	ZO
								PB	NB	NB	PB	PB	ZO	PB	ZO
PB	NB	ZO	NB	PB	ZO	NB	ZO
								PB	NB	ZO	ZO	PB	ZO	ZO	ZO
PB	NB	ZO	PB	PB	ZO	PB	ZO
								PB	NB	PB	NB	PB	ZO	ZO	ZO
PB	NB	PB	ZO	PB	ZO	ZO	ZO
								PB	NB	PB	PB	PB	ZO	PB	ZO
PB	ZO	NB	NB	PB	ZO	NB	ZO
								PB	ZO	NB	ZO	PB	ZO	NB	ZO
PB	ZO	NB	PB	PB	ZO	PB	ZO
								PB	ZO	ZO	NB	PB	ZO	NB	ZO
PB	ZO	ZO	ZO	PB	ZO	NB	ZO
								PB	ZO	ZO	PB	PB	ZO	PB	ZO
PB	ZO	PB	NB	PB	ZO	NB	ZO
								PB	ZO	PB	ZO	PB	ZO	NB	ZO
PB	ZO	PB	PB	PB	ZO	PB	ZO
								PB	PB	NB	NB	PB	PB	NB	NB
PB	PB	NB	ZO	PB	PB	NB	NB
								PB	PB	NB	PB	PB	PB	ZO	NB
PB	PB	ZO	NB	PB	ZO	NB	NB
								PB	PB	ZO	ZO	PB	ZO	ZO	NB
PB	PB	ZO	PB	PB	ZO	ZO	NB
								PB	PB	PB	NB	PB	ZO	NB	NB
PB	PB	PB	ZO	PB	ZO	ZO	NB
								PB	PB	PB	PB	PB	ZO	ZO	NB

Claims (3)

1.一种基于数据挖掘技术的火电厂钢球磨煤机制粉系统自动控制方法，其特征在于，该方法以磨机负荷、磨机出口温度、磨机入口负压和磨机出入口压差作为控制目标，使用MIMO模糊控制器对给煤量、热风门开度、再循环风门开度和冷风门开度进行调节，实现火电厂钢球磨煤机制粉系统的自动控制，其中，模糊控制的隶属度函数和控制规则是通过对现场记录数据进行数据挖掘自动获得；具体包括以下步骤：

1)根据人工操作状态下现场记录的磨机负荷bml、磨机出口温度ot、磨机入口负压np、磨机出入口压差pd和设定值之间偏差的历史数据，构建输入空间数据库，上述四个变量按照相等的时间间隔同时被写入数据库内，每一条记录看作一个对象；如果将四个变量看作是数据库的维，则输入空间数据库是个四维数据库，这四个维分别是磨机负荷的偏差e_bml、磨机出口温度的偏差e_ot、磨机入口负压的偏差e_np、磨机出入口压差的偏差e_pd；此外，磨机入口负压和磨机出入口压差之间存在的耦合关系，则称这两个维是耦合维；同理，构建的输出空间数据库则包括给煤量u_f、热风门开度u_h、再循环风门开度u_r和冷风门开度u_c这四个维，且输出空间数据库没有耦合维；

2)使用基于模糊加权共享最近邻的密度聚类算法，对输入空间数据库进行聚类，接着根据簇间邻近性量度将发现的簇凝聚，使最终簇的个数等于MIMO模糊控制器中输入变量语言值的个数；

3)计算步骤2)形成的簇的簇心，将簇和簇心投影到输入变量的论域上；选择三角形函数作为隶属度函数，簇的投影形成区间的最小值和最大值作为三角型隶属度函数的最左边的值和最右边的值，而簇心的投影作为三角型隶属度函数的中心值；按照簇心投影从小到大的顺序，依次将这些隶属度函数定义为输入变量语言值的隶属度函数，完成输入变量隶属度函数的构建；

4)对输出空间数据库，重复步骤2)～步骤3)，完成输出变量隶属度函数的构建；

5)将输入空间数据库和输出空间数据库合成为规则挖掘数据库，该数据库包括8个维，分别是e_bml、e_ot、e_np、e_pd、u_f、u_h、u_r和u_c；在合成后的数据库上使用模糊控制规则挖掘算法得到MIMO模糊控制器中使用的控制规则；

6)在步骤1)～步骤5)的基础上，使用多入多出MIMO模糊控制器对给煤量、热风门开度、再循环风门开度和冷风门开度进行自动调节，从而实现制粉系统的自动控制。

2.如权利要求1所述的方法，其特征在于，所述的基于模糊加权共享最近邻的密度聚类算法，包括以下步骤：

1)为方便后面的计算，将所有数据的数值归一化：

2)根据输入变量的重要性，给输入空间数据库中的每个维，即e_bml、e_ot、e_np和e_pd，分别赋以权重w_bml、w_ot，w_np′和w_pd′；

3)计算输入空间数据库中对象x和y间关于维e_np的绝对距离为 ${\mathrm{ad}}_{\mathrm{np}}^{\mathrm{xy}}=|v_{\mathrm{np}}^x-v_{\mathrm{np}}^y|,$ 其中v_np ^x表示对象x维e_np的值，v_np ^y表示对象y维e_np的值；同理，对象x和y间关于维e_pd的绝对距离为ad_pd ^xy；AD_np和AD_pd分别为ad_np ^xy和ad_pd ^xy所对应的语言变量且语言值为{零，正小，正中，正大}；w_np″和w_pd″分别代表维e_np和维e_pd的修正权重，它们对应的语言变量为W_np″和W_pd″且语言值为{负大，负小，零，正小，正大}；AD_np和AD_pd的论域选择[0，1]而W_np″和W_pd″的论域为[-1，1]；得到AD_np、AD_pd、W_np″和W_pd″对应的隶属度离散值以及一系列模糊规则，使用最大-最小的推理方法并按最大隶属度去模糊化，即可求得修正权重模糊查询表；

4)在实际计算时，先求出ad_np ^xy和ad_pd ^xy，然后查询权重模糊查询表得到w_np″和w_pd″，接着根据以下公式，计算出维e_np和维e_pd的最终权重w_np和w_pd；

$\left\{\begin{array}{c}{w}_{\mathrm{np}}=w_{\mathrm{np}}^{\′}+k_{\mathrm{wnp}}\·w_{\mathrm{np}}^{\′\′}\\ w_{\mathrm{pd}}=w_{\mathrm{pd}}^{\′}+k_{\mathrm{wpd}}\·w_{\mathrm{pd}}^{\′\′}\end{array}\right.$

其中，k_wnp和k_wpd分别是维e_np和维e_pd修正权重系数；

5)根据以下公式计算输入空间数据库中对象x和y间的模糊加权距离fwdist；

$\mathrm{fwdist}(x,y)=\sqrt{w_{\mathrm{bml}}{(v_{\mathrm{bml}}^x-v_{\mathrm{bml}}^y)}^2+w_{\mathrm{ot}}(v_{\mathrm{ot}}^x-v_{\mathrm{ot}}^y{)}^2+w_{\mathrm{np}}(v_{\mathrm{np}}^x-v_{\mathrm{np}}^y{)}^2+w_{\mathrm{pd}}{(v_{\mathrm{pd}}^x-v_{\mathrm{pd}}^y)}^2};$

6)根据输入空间数据库中对象间的模糊加权距离，找出对象的4-最近邻，如果两个对象分别在对方的4-最近邻中，则这两个对象间的模糊加权共享最近邻fwsnn等于它们共享的近邻个数；否则fwsnn＝0；

7)以模糊加权共享最近邻作为对象间的相似性量度，采用基于密度的方法进行聚类；即从输入空间数据库中抽取一个未处理过的对象o作为初始对象，如果与o之间fwsnn值大于2的对象多于3个的话，则o是一个核心对象并创建一个簇；接着以o的4-最近邻中的某一对象p作为扩展对象，如果p是核心对象则将p和p的4-最近邻中的对象归为由o创建的簇，并称p从o密度直接可达，否则仅将p归为由o创建的簇；如果p从o密度直接可达，而q从p密度直接可达，则称q从o密度可达；将所有从o密度可达的对象都归为由o创建的簇；然后从输入空间数据库中重新抽取一个没有归为某个簇的对象作为初始对象，重复上面的过程，直到输入空间数据库中对象被遍历，其中没有归为任何簇的对象被标记为孤立点并删除；

7)计算所有簇间的邻近度，并将最近的两个簇合并后更新簇信息；接着再次计算所有更新信息后簇间的邻近度，并再次将最近的两个簇合并，反复进行直到簇的个数等于输入变量的语言值的个数；其中，邻近度是指两个簇中所有对象对之间的平均fwsnn值。

3.如权利要求1所述的方法，其特征在于，所述的模糊控制规则挖掘算法，包括以下几个步骤：

1)将输入空间数据库和输出空间数据库合成为规则挖掘数据库，该数据库包括8个维，分别是e_bml、e_ot、e_np、e_pd、u_f、u_h、u_r和u_c；

2)根据输入变量的语言值将维e_bml进行扩展，这些扩展出来的维成为e_bml的扩展维；比如输入变量的语言值为{NB，ZO，PB}，则维e_bml扩展成以下3个维：e_bml ^NB、e_bml ^ZO和e_bml ^PB；同理，规则挖掘数据库中其它7个维也被扩展；并将由e_bml、e_ot、e_np和e_pd的扩展维定义为规则前件维，而由u_f、u_h、u_f和u_c的扩展维定义为规则后件维；

3)根据权利要求2所述方法得到维e_bml的隶属度函数和数据库中每个对象在维e_bml的值，确定每个对象对于e_bml扩展维的隶属度值；同理，每个对象在其它维上的隶属度值也被求出，则数据库中每个对象被模糊划分；

4)分别从e_bml、e_ot、e_np和e_pd扩展维中选择一个维出来组合成一个联合规则前件；接着将这个联合规则前件分别和u_f的扩展维组合，形成一组单后件规则，这些规则被称作u_f的候选子规则集；

5)根据以下公式计算候选子规则的规则强度RS，规则强度值最大的称为u_f的强子规则；

$\mathrm{RS}(X\⇒Y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{\μ}\left(y^i\right)\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\underset{x\∈X}{\mathrm{\Π}}\left(\mathrm{\μ}\left(x^i\right)\right)^\mathrm{\μ}\left(y^i\right))$

式中，X表示联合规则前件，Y表示u_f的扩展维中任意一个维，

表示第i个对象关于联合规则前件中各元素的隶属度值的积，μ(yⁱ)是表示u_f的扩展维中任意一个维的隶属度值，n是规则挖掘数据库中对象的个数；

6)分别选择由维u_h、u_r和u_c的扩展维和联合规则前件组成u_h的候选子规则集、u_r的候选子规则集和u_c的候选子规则集，重复步骤5)，确定u_h的强子规则、u_r的强子规则和u_c的强子规则；接着，将u_f、u_h、u_r和u_c的强子规则连接形成联合规则后件，再根据联合规则前件和联合规则后件中维对应语言值，形成一条最终可以使用的模糊控制规则；

7)选择不同的联合规则前件，重复步骤4)～步骤6)，得到另外一条模糊控制规则；当所有e_bml、e_ot、e_np和e_pd的扩展维的组合被遍历，则完成了整个MIMO模糊控制器规则库的构建。

Images