CN101763085A - 农药生产废液焚烧炉炉温最佳化系统及方法 - Google Patents

Abstract

一种农药生产废液焚烧炉化学耗氧量排放最小化系统，包括与农药生产废液焚烧炉连接的现场智能仪表、DCS系统以及上位机，上位机包括：标准化处理模块，用于从数据库中采集系统关键变量的训练样本TX，训练样本TX对应的化学耗氧量数据Y，对训练样本TX进行标准化处理；支持向量机模块，用于软测量建模；粒子群算法模块，用于求解如下最小问题；迭代终止时的pg^K即为使化学耗氧量最小的操作变量值。以及提出了一种农药生产废液焚烧炉炉温最佳化方法。本发明提供了一种农药生产废液焚烧炉炉温最佳化系统及方法。

Description

农药生产废液焚烧炉炉温最佳化系统及方法

技术领域

本发明涉及农药生产废液焚烧领域，特别地，涉及一种农药生产废液焚烧炉炉温最佳化系统及方法。

背景技术

随着农药工业的迅速发展，排放物的环境污染问题已经引起各国政府及相应环保部门的高度重视。研究及解决农药有机废液的达标排放控制以及无害最小化处理，不仅成为各国科研的难点和热点，同时也是关系到社会可持续发展的国家迫切需求的科学命题。

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。焚烧过程中焚烧炉炉温必须保持在一个合适的温度，过低的炉温不利于废弃物中有毒有害成分的分解；过高的炉温不仅增加燃料消耗，增加设备运行成本，并且容易损坏炉膛内壁、缩短设备寿命。此外，过高温度可能增加废弃物中金属的挥发量和氧化氮的生成。特别对于含氯的废水，合适的炉温更能降低内壁的腐蚀。但是实际焚烧过程中影响炉温的因素复杂多变，容易出现炉温过低或过高的现象。

发明内容

为了克服已有的焚烧炉炉温难以控制、容易出现炉温过低或过高的不足，本发明提供一种实现炉温准确控制、避免出现炉温过低或过高的农药生产废液焚烧炉炉温最佳化系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种农药生产废液焚烧炉炉温最佳化系统，包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机，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：

标准化处理模块，用于对训练样本进行标准化处理，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算标准差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，对应的炉温数据为Y，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；

支持向量机建模模块，用于建立软测量模型，其具体过程如下：其算式为：(4)、(5)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i ^*和α_j ^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-‖x-x_i‖/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；

优化求解模块，其具体过程如下：其算式为(6)：

$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)-T_{\mathrm{opt}}|---\left(6\right)$

其中MX是操作变量，KX是实时采集的输入变量，T_opt表示需要逼近的最佳炉温；

所述粒子群求解流程如下：

5.1)初始化n个随机粒子，每个粒子表示为MX_k ⁰，每个粒子对应的速度表示为v_k ⁰，令 $p_k^0={\mathrm{MX}}_k^0,$ 其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；

5.2)将每个粒子MX_k ^K代入函数

进行计算得到其适应度，并将其与p_k ^K的适应度进行比较，将适应度较小的粒子作为新的p_k ^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；

5.3)根据下式更新每个粒子的速度和位置：

$v_k^{K+1}=\mathrm{\ω}{v}_k^K+c_1\mathrm{\ξ}(p_k^K-{\mathrm{MX}}_k^K)+c_2\mathrm{\η}({\mathrm{pg}}^K-{\mathrm{MX}}_k^K)---\left(7\right)$

其中，ω是惯性权重，c₁是认知系数，c₂是社会系数，ξ和η是[0，1]区间内的均匀分布的随机数，Υ是约束因子；

5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；

迭代终止时的pg^K即为使炉温最佳的操作变量值。

作为优选的一种方案：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。

进一步，所述的上位机还包括：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。

再进一步，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。

一种农药生产废液焚烧炉炉温最佳化系统实现的炉温最佳化方法所述的炉温最佳化方法包括以下步骤：

1)、确定所用的关键变量，从历史数据库中采集系统正常时所述变量的数据作为训练样本TX，采集对应的炉温数据作为输出矩阵Y；

2)、设置核参数θ，不敏感系数ε，惩罚系数γ，惯性权重ω，认知系数c₁，社会系数c₂，约束因子Υ等参数，并设定采样周期；

3)、对训练样本TX进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算标准差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；

4)、建立软测量模型，其具体过程如下：其算式为：(4)、(5)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i ^*和α_j ^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-||x-x_i‖/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；

5)确定操作变量MX，实时采集输入变量KX，代入优化求解模块，其具体过程如下：其算式为(6)：

$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)-T_{\mathrm{opt}}|---\left(6\right)$

本发明所用的粒子群求解算法流程如下：

5.1)初始化n个随机粒子，每个粒子表示为MX_k ⁰，每个粒子对应的速度表示为v_k ⁰，令 $p_k^0={\mathrm{MX}}_k^0,$ 其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；

5.2)将每个粒子MX_k ^K代入函数

进行计算得到其适应度，并将其与p_k ^K的适应度进行比较，将适应度较小的粒子作为新的p_k ^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；

5.3)根据下式更新每个粒子的速度和位置：

$v_k^{K+1}=\mathrm{\ω}{v}_k^K+c_1\mathrm{\ξ}(p_k^K-{\mathrm{MX}}_k^K)+c_2\mathrm{\η}({\mathrm{pg}}^K-{\mathrm{MX}}_k^K)---\left(7\right)$

其中，ξ和η是[0，1]区间内的均匀分布的随机数，

5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；

迭代终止时的pg^K即为使COD最小的操作变量值。

作为优选的一种方案：所述的方法还包括：6)、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。

进一步，在所述的步骤5)中计算得到最优操作变量值，将结果传给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。

再进一步，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。

本发明的技术构思为：本发明首先建立焚烧炉炉温软测量模型。再用粒子群算法求解优化问题，寻找到使得炉温最佳的操作变量值。

本发明的有益效果主要表现在：1、建立了系统关键变量和炉温之间定量关系的在线软测量模型；2、对操作变量进行寻优，迅速找到使得炉温最佳的操作条件。

附图说明

图1是本发明所提出的系统的硬件结构图；

图2是本发明所提出的上位机的功能结构图；

图3是实施例使用本发明所述系统和方法优化炉温前后实施效果对比图。

具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2，一种农药生产废液焚烧炉炉温最佳化系统，包括与焚烧炉对象1连接的现场智能仪表2、DCS系统以及上位机6，所述DCS系统包括数据接口3、控制站4和数据库5，所述现场智能仪表2与数据接口3连接，所述数据接口与控制站4、数据库5和上位机6连接，所述的上位机6包括：

标准化处理模块7，用于对采集到的系统关键变量数据，及训练样本TX进行标准化处理，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算标准差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，对应的炉温数据为Y，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；

支持向量机(SVM)建模模块8，用于建立软测量模型，其具体过程如下：其算式为：(4)、(5)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i ^*α_j ^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-||x-x_i‖/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；

优化求解模块9，其具体过程如下：其算式为(6)：

$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)-T_{\mathrm{opt}}|---\left(6\right)$

其中MX是操作变量，KX是实时采集的输入变量，T_opt表示需要逼近的最佳炉温；

本发明所用的粒子群求解流程如下：

5.1)初始化n个随机粒子，每个粒子表示为MX_k ⁰，每个粒子对应的速度表示为v_k ⁰，令 $p_k^0={\mathrm{MX}}_k^0,$ 其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；

5.2)将每个粒子MX_k ^K代入函数

进行计算得到其适应度，并将其与p_k ^K的适应度进行比较，将适应度较小的粒子作为新的p_k ^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；

5.3)根据下式更新每个粒子的速度和位置：

$v_k^{K+1}=\mathrm{\ω}{v}_k^K+c_1\mathrm{\ξ}(p_k^K-{\mathrm{MX}}_k^K)+c_2\mathrm{\η}({\mathrm{pg}}^K-{\mathrm{MX}}_k^K)---\left(7\right)$

其中，ω是惯性权重，c₁是认知系数，c₂是社会系数，ξ和η是[0，1]区间内的均匀分布的随机数，Υ是约束因子；

5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；

迭代终止时的pg^K即为使炉温最佳的操作变量值。

所述的上位机6还包括：信号采集模块11，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。

所述的上位机6还包括：模型更新模块12，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。

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。

所述系统还包括DCS系统，所述的DCS系统由数据接口3、控制站4、数据库5构成；智能仪表2、DCS系统、上位机6通过现场总线依次相连；上位机6还包括结果显示模块10，用于将计算最优结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

所述上位机6的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和运行结果。

当废液焚烧过程已配有DCS系统时，样本实时动态数据的检测、存储利用DCS系统的实时和历史数据库，优化计算功能主要在上位机上完成。

当废液焚烧过程没有配备DCS系统时，采用数据存储器来替代DCS系统的实时和历史数据库的数据存储功能，并将优化计算系统制造成包括I/O元件、数据存储器、程序存储器、运算器、显示模块几大构件的不依赖于DCS系统的一个独立的完整的片上系统，在不管焚烧过程是否配备DCS的情况下，都能够独立使用，更有益于推广使用。

实施例2

参照图1、图2和图3，一种农药生产废液焚烧炉炉温最佳化方法，所述的方法包括以下步骤：

1)、确定所用的关键变量，从历史数据库中采集系统正常时所述变量的数据作为训练样本TX，采集对应的炉温数据作为输出矩阵Y；

2)、设置核参数θ，不敏感系数ε，惩罚系数γ，惯性权重ω，认知系数c₁，社会系数c₂，约束因子Υ等参数，并设定采样周期；

3)、对训练样本数据TX进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算标准差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；

4)、将得到的X和Y代入支持向量机(SVM)建模模块，用于建立软测量模型，其具体过程如下：其算式为：(4)、(5)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i ^*和α_j ^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-||x-x_i‖/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；

5)确定操作变量MX，实时采集输入变量KX，代入优化求解模块，其具体过程如下：其算式为(6)：

$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)-T_{\mathrm{opt}}|---\left(6\right)$

本发明所用的粒子群求解流程如下：

5.1)初始化n个随机粒子，每个粒子表示为MX_k ⁰，每个粒子对应的速度表示为v_k ⁰，令 $p_k^0={\mathrm{MX}}_k^0,$ 其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；

5.2)将每个粒子MX_k ^K代入函数

进行计算得到其适应度，并将其与p_k ^K的适应度进行比较，将适应度较小的粒子作为新的p_k ^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；

5.3)根据下式更新每个粒子的速度和位置：

$v_k^{K+1}=\mathrm{\ω}{v}_k^K+c_1\mathrm{\ξ}(p_k^K-{\mathrm{MX}}_k^K)+c_2\mathrm{\η}({\mathrm{pg}}^K-{\mathrm{MX}}_k^K)---\left(7\right)$

其中，ξ和η是[0，1]区间内的均匀分布的随机数，

5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；

迭代终止时的pg^K即为使COD最小的操作变量值；

所述的方法还包括：6)、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。

在所述的步骤5)中计算得到最优操作变量值，将结果传给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。

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。

所述的数据存储装置5为DCS系统的历史数据库，所述的DCS系统由数据接口3、控制站4和历史数据库5构成，智能仪表2、DCS系统、软测量智能处理器6通过现场总线依次相连；在所述的(5)中计算得到最优操作值，将结果传给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。

图3是实施例使用本发明所述系统和方法优化炉温实施前后对比图，从图中可以看出，优化实施后的炉温波动范围明显小于优化实施前，可以将炉温轻松控制在生产规定的上下限范围内，优化实施效果显著。

Claims (8)

1.一种农药生产废液焚烧炉炉温最佳化系统，包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机，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，用于对训练样本进行标准化处理，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算标准差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，对应的炉温数据为Y，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；

支持向量机建模模块，用于建立软测量模型，其具体过程如下：其算式为：(4)、(5)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

约束条件： $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i ^*和α_j ^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；

优化求解模块，其具体过程如下：其算式为(6)：

$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)--T_{\mathrm{opt}}|--\left(6\right)$

其中MX是操作变量，KX是实时采集的输入变量，T_opt表示需要逼近的最佳炉温；

所述粒子群求解流程如下：

5.1)初始化n个随机粒子，每个粒子表示为MX_k ⁰，每个粒子对应的速度表示为v_k ⁰，令 $p_k^0={\mathrm{MX}}_k^0,$ 其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；

5.2)将每个粒子MX_k ^K代入函数 $|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)-T_{\mathrm{opt}}|$ 进行计算得到其适应度，并将其与p_k ^K的适应度进行比较，将适应度较小的粒子作为新的p_k ^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；

5.3)根据下式更新每个粒子的速度和位置：

$v_k^{K+1}=\mathrm{\ω}{v}_k^K+c_1\mathrm{\ξ}(p_k^K-{\mathrm{MX}}_k^K)+c_2\mathrm{\η}({\mathrm{pg}}^k-{\mathrm{MX}}_k^K)---\left(7\right)$

其中，ω是惯性权重，c₁是认知系数，c₂是社会系数，ξ和η是[0，1]区间内的均匀分布的随机数，Υ是约束因子；

5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；

迭代终止时的pg^K即为使炉温最佳的操作变量值。

2.如权利要求1所述的农药生产废液焚烧炉炉温最佳化系统，其特征在于：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。

3.如权利要求1或2所述的农药生产废液焚烧炉炉温最佳化系统，其特征在于：所述的上位机还包括：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。

4.如权利要求1或2所述的农药生产废液焚烧炉炉温最佳化系统，其特征在于：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。

5.一种如权利要求1所述的农药生产废液焚烧炉炉温最佳化系统实现的炉温最佳化方法，其特征在于：所述的炉温最佳化方法包括以下步骤：

1)、确定所用的关键变量，从历史数据库中采集系统正常时所述变量的数据作为训练样本TX，采集对应的炉温数据作为输出矩阵Y；

2)、设置核参数θ，不敏感系数ε，惩罚系数γ，惯性权重ω，认知系数c₁，社会系数c₂，约束因子Υ等参数，并设定采样周期；

3)、对训练样本TX进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算标准差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值，σ_x为数据样本的标准差；

4)、建立软测量模型，其具体过程如下：其算式为：(4)、(5)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(4\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

求解可得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x,x_i)---\left(5\right)$

其中，M是支持向量的数目，α_i和α_j是拉格朗日乘子，i＝1，…，N，j＝1，…，N；α_i ^*和α_j ^*是支持向量，i＝1，…，M，j＝1，…，M；x_i和x_j是输入矩阵X的列向量，i＝1，…，N，j＝1，…，N；K(x，x_i)＝exp(-||x-x_i||/θ²)为支持向量机的核函数，θ是核参数，ε是不敏感系数，y_i是输出变量Y的列向量，γ是惩罚系数；

5)确定操作变量MX，实时采集输入变量KX，代入优化求解模块，其具体过程如下：其算式为(6)：

$\underset{\mathrm{MX}}{\min }|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)--T_{\mathrm{opt}}|--\left(6\right)$

本发明所用的粒子群求解算法流程如下：

5.1)初始化n个随机粒子，每个粒子表示为MX_k ⁰，每个粒子对应的速度表示为v_k ⁰，令 $p_k^0={\mathrm{MX}}_k^0,$ 其中，n是群体规模，p_k表示第k各粒子自己搜索到的历史最优值，上标0表示初始值，下标k＝1，…，n，令迭代步数K＝0；

5.2)将每个粒子MX_k ^K代入函数 $|f\left(\frac{\mathrm{KX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}\right)-T_{\mathrm{opt}}|$ 进行计算得到其适应度，并将其与p_k ^K的适应度进行比较，将适应度较小的粒子作为新的p_k ^K，比较当前迭代步所有n个粒子的适应度，将适应度最小的粒子记为pg^K；

5.3)根据下式更新每个粒子的速度和位置：

$v_k^{K+1}=\mathrm{\ω}{v}_k^K+c_1\mathrm{\ξ}(p_k^K-{\mathrm{MX}}_k^K)+c_2\mathrm{\η}({\mathrm{pg}}^k-{\mathrm{MX}}_k^K)---\left(7\right)$

其中，ξ和η是[0，1]区间内的均匀分布的随机数，

5.4)判断是否满足终止条件，如果达到最大迭代次数或pg^K对应的适应度小于预定阈值，则终止迭代，否则，令K＝K+1，返回步骤5.2)继续迭代；

迭代终止时的pg^K即为使COD最小的操作变量值。

6.如权利要求5所述的炉温最佳化方法，其特征在于：所述的方法还包括：6)、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。

7.如权利要求5或6所述的炉温最佳化方法，其特征在于：在所述的步骤5)中计算得到最优操作变量值，将结果传给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。

8.如权利要求5或6所述的炉温最佳化方法，其特征在于：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。

Images