CN103323484A - 甘蔗煮糖过程结晶状态预测方法 - Google Patents

Abstract

甘蔗煮糖过程结晶状态预测方法，包括如下步骤：以糖膏锤度、糖膏温度、真空度、入料流量、蒸汽温度和蒸汽压力六个因素作为条件属性，结晶状态级别作为决策属性，构建原始决策表，并对原始决策表进行离散化处理；基于粗糙集理论提取结晶状态的预测规则并存储到专家系统知识库；专家系统的推理机根据条件属性的实时值，运用知识库的现有规则进行规则匹配，输出结晶状态预测结果；基于支持向量机构建结晶状态预测在线学习模型，并将结晶状态的预测结果添加到专家系统知识库中，实现专家系统知识库的在线更新。本发明还构建了一种实现上述方法的系统，该系统能够准确预测甘蔗煮糖过程的结晶状态，有效提高甘蔗煮糖过程的自动化水平。

Description

甘蔗煮糖过程结晶状态预测方法

一、技术领域

本发明涉及甘蔗制糖技术领域，特别是一种甘蔗煮糖过程结晶状态预测方法。

二、背景技术

甘蔗煮糖过程是甘蔗制糖生产最重要的环节，也是我国甘蔗制糖企业唯一没有实现自动化控制的工序，其关键因素是目前对影响甘蔗煮糖结晶过程的糖液过饱和度没有实现在线测量，即使通过其他很多方法间接测量，但是结果并不理想，也无法作为判断的依据。甘蔗煮糖结晶过程实质是糖浆在煮糖结晶罐中完成液-固转换的过程。结晶罐内处于过饱和度介稳区的糖膏，可使结晶罐内存在的晶体不断长大，逐步结晶生成成品糖。国外甘蔗煮糖过程自动控制系统已经有了较多的应用，但对于国内甘蔗制糖企业来说，引进一套国外的自动控制系统，其前期设备投入巨大，价格昂贵，而国内自主研发的甘蔗煮糖自动控制系统大多数还处于试验阶段。绝大多数甘蔗制糖企业的煮糖过程仍是通过人工拉取采样棒抽取糖膏，在玻璃片上通过煮糖工人观察糖膏晶粒均匀度、糖膏紧结程度、母液的含蜜量及吸收情况等现象，从而对晶粒的结晶状态进行评判分析，以分析的结果及糖液的锤度为依据判断决定入料阀门的开度或者入水阀门的开度。

根据我们对国内部分甘蔗制糖企业煮糖工段生产一线的调研，煮糖工人的煮糖操作技术大部分是由经验丰富的老师傅言传身教。这种方式虽然切实可行，但是最终的产品质量无法摆脱人为因素的影响，煮糖生产过程无法实现大规模的自动化生产，规模和效应也无法与国外都比拟，更不能解决靠手工操作煮糖的落后现状。甘蔗煮糖过程中要控制好起晶、养晶等操作，就要充分了解煮糖设备工作原理、熟悉煮糖过程中物料及糖膏的母液过饱和度、糖膏温度、粘稠度、液位、加热蒸汽压力、汁汽室真空度等条件。

而一些甘蔗制糖企业安装了在线锤度检测设备的自动控制煮糖系统，通过固定真空度、蒸汽压力，然后调节入料量来控制糖膏的锤度，得到的糖膏不紧结，晶粒不整齐，在过筛后晶粒小的需重新再结晶，增加了煮糖时间及能源消耗，且影响蔗糖的质量。因此，目前绝大多数甘蔗制糖企业的煮糖过程仍是通过人工操作来实现煮糖，各种过饱和度的检测方法为煮糖工人对煮糖结晶状态的判断提供了依据。在煮糖过程中，煮糖工人是综合考虑各影响因素（锤度、温度、真空度等），对结晶状态进行判断，才决定下一步操作。

甘蔗煮糖结晶过程既有传热又有传质，各种因素相互作用、相互影响，是一个复杂的化学和物理过程。由于甘蔗煮糖过程机理异常复杂，所包含的信息有定性、定量等多种模态，因此，在目前甘蔗煮糖结晶机理模型的研究尚不很成熟以及甘蔗煮糖过程的自动控制不理想的前提下，结合专家知识，将粗糙集、支持向量机和专家系统有机结合在一起，研究适用于甘蔗煮糖过程结晶状态预测方法，模仿专家以及煮糖工人在甘蔗煮糖过程中对结晶状态判断的过程，对甘蔗煮糖过程自动控制系统的研究具有极其重要的意义。

目前，尚未有公开文献及专利报道一种甘蔗煮糖过程结晶状态预测方法。

三、发明内容

针对现有甘蔗煮糖技术存在的问题，本发明的目的是提供一种甘蔗煮糖过程结晶状态预测方法，实现甘蔗煮糖过程结晶状态的有效预测，预测结果可作为甘蔗煮糖过程自动化控制的有力依据，从而提高甘蔗煮糖工艺的自动化水平，降低人工劳动强度和生产成本。

为实现上述目的，本发明采用如下技术方案：甘蔗煮糖过程结晶状态预测方法，包括以下步骤：

（1）获取甘蔗煮糖过程的历史数据样本，以影响甘蔗煮糖过程结晶状态的糖膏锤度、糖膏温度、真空度、入料流量、蒸汽温度和蒸汽压力六个因素作为条件属性，结晶状态级别作为决策属性，构建甘蔗煮糖过程结晶状态预测的原始决策表；

（2）采用模糊C-均值聚类方法对原始决策表进行离散化处理，得到条件属性离散值和决策属性离散值；

（3）采用粗糙集理论对经过离散化处理的原始决策表进行属性约简和属性值约简，得到最终决策表；

（4）对最终决策表进行规则提取，并将提取后的规则存储到专家系统知识库中，从而完成离线知识的获取，同时，以专家系统知识库中的规则作为样本，构建基于支持向量机的结晶状态预测规则在线学习模型；

（5）从动态数据库中获取影响甘蔗煮糖过程结晶状态的因素的实时值，并将其作为实时数据样本；

（6）按步骤（2）的离散化处理方法对实时数据样本进行离散化处理，得到实时的条件属性离散值；

（7）根据步骤（6）得到的条件属性离散值，专家系统的推理机采用正向推理策略从专家系统知识库中选择有关的知识进行规则匹配，如果匹配成功，跳转至步骤（8）；如果匹配不成功，则跳转至步骤（9）；

（8）直接输出结晶状态的预测结果，跳转至步骤（11）；

（9）专家系统知识库不存在可以匹配的规则，则启动结晶状态预测规则的在线学习；

（10）把步骤（6）得到的条件属性离散值作为输入变量输入到基于支持向量机的结晶状态预测规则在线学习模型中，从而得到结晶状态的预测结果，同时将步骤（6）得到的条件属性离散值作为条件属性，当前结晶状态的预测结果作为决策属性，经过规则校验后添加到专家系统知识库中，实现专家系统知识库的在线更新。

（11）结束当前结晶状态预测过程，进入下一次预测。

所述步骤（4）中的基于支持向量机的结晶状态预测规则在线学习模型的构建，包括以下步骤：

第一步、结合粒子群优化算法和K折交叉验证方法对结晶状态预测规则在线学习模型的核函数参数和惩罚因子参数进行寻优，获取最优的核函数参数和惩罚因子参数；

第二步、以专家系统知识库的规则作为样本，并将样本分为训练样本集和测试样本集；

第三步、利用训练样本集构建基于支持向量机的结晶状态预测规则在线学习模型；

第四步、生成结晶状态预测规则在线学习模型；

第五步、利用测试样本对构建好的结晶状态预测规则在线学习模型进行测试，检验结晶状态预测规则在线学习模型的性能，如果结晶状态预测规则在线学习模型的性能达到要求，则跳转至第六步，否则跳转至第三步；

第六步、结晶状态预测规则在线学习模型构建完毕，退出建模，并保存当前结晶状态预测规则在线学习模型。

另一方面，本发明还构建了一种实现上述方法的系统，其包括甘蔗煮糖结晶过程自动化监控平台、数据通讯接口模块、动态数据库模块、离线知识获取模块、在线学习模块、专家系统知识库模块、推理机模块、任务管理模块和人机接口模块。

所述甘蔗煮糖结晶过程自动化监控平台负责对甘蔗煮糖过程的糖膏锤度、糖膏温度、真空度、入料流量和蒸汽压力等关键工艺参数进行在线测量，以及对相关阀门进行控制，完成整个结晶过程的自动化监控；

所述数据通讯接口模块与甘蔗煮糖结晶过程自动化监控平台双向连接，数据通讯接口模块基于OPC技术实现甘蔗煮糖结晶过程自动化监控平台与第三方程序的数据交互；

所述动态数据库模块与数据通讯接口模块双向连接，动态数据库模块通过数据通讯接口模块从甘蔗煮糖结晶过程自动化监控平台中获取历史数据和实时数据；

所述离线知识获取模块分别与动态数据库模块、专家系统知识库模块双向连接，离线知识获取模块从动态数据库模块中获取历史数据样本构建原始决策表，并对原始决策表进行离散化处理，基于粗糙集理论提取结晶状态的预测规则并存储到专家系统知识库模块中；

所述在线学习模块分别与动态数据库模块、专家系统知识库模块双向连接，在线学习模块首先以专家系统知识库的规则作为样本，构建基于支持向量机的结晶状态预测规则在线学习模型，然后从动态数据库模块中获取实时数据样本作为条件属性，并经过离散化处理后，输入到结晶状态预测规则在线学习模型中，从而得到结晶状态的预测结果，最后，把从动态数据库模块中获取的实时数据样本和当前结晶状态的预测结果一起添加到专家系统知识库库模块中，实现专家系统知识库的在线更新；

所述专家系统知识库模块用于存储离线知识获取后的预测规则和在线更新的规则，为推理机模块和在线学习模块提供知识；

所述推理机模块与专家系统知识库模块双向连接，与动态数据库模块单向连接，与数据通讯接口模块单向连接，推理机模块从动态数据库模块中获取实时数据样本，采用正向推理策略从专家系统知识库模块中选择有关的知识进行规则匹配，匹配成功后输出预测结果，预测结果通过数据通讯接口模块传输至甘蔗煮糖结晶过程自动化监控平台中，为自动化控制提供数据依据；

所述任务管理模块分别与甘蔗煮糖结晶过程自动化监控平台、数据通讯接口模块、动态数据库模块、离线知识获取模块、在线学习模块、专家系统知识库模块和推理机模块双向连接，任务管理模块负责对以上模块的任务进程进行管理；

所述人机接口模块与任务管理模块双向连接，人机接口模块用于实现任务管理模块的所有操作界面。

与现有技术相比，本发明的有益效果在于：

1、实时性强、预测及时。甘蔗煮糖结晶过程自动化监控平台将甘蔗煮糖过程关键参数的测量结果通过基于OPC的数据通讯接口模块实时在线传输到专家系统中，专家系统通过处理处理和分析，可以快速预测出当前甘蔗煮糖过程的结晶状态，并把预测结果反馈到甘蔗煮糖结晶过程自动化监控平台中，便于及时响应，完成自动控制操作，避免了人工操作带来的滞后性。

2、知识库动态更新，提高预测结果的准确性。利用本发明的方法实现的甘蔗煮糖过程结晶状态预测系统，能够通过结晶状态预测规则的在线学习，实时更新专家系统知识库的规则，对知识库不断扩充和完善，提高结晶状态预测的准确性和可靠性。

3、开放式、可扩充性。利用本发明的方法实现的甘蔗煮糖过程结晶状态预测系统，具备通用的数据通讯接口，方便第三方程序实现数据交互，通过提供的数据接口，第三方应用程序可专注于各种智能预测与控制算法的开发，而且开发的算法具有模块化和可重用性。

四、附图说明

图1为本发明所述的甘蔗煮糖过程结晶状态预测方法的流程图。

图2为本发明所述的甘蔗煮糖过程结晶状态预测系统的结构图。

图3为本发明所述的甘蔗煮糖结晶状态预测结果。

图4为本发明所述的甘蔗煮糖结晶过程自动化监控平台的监控界面。

图5为本发明所述的基于模糊C-均值聚类方法的样本数据离散化处理的流程图。

图6为本发明所述的基于支持向量机的结晶状态预测规则在线学习模型的构建流程图。

图7为本发明所述的结晶状态预测规则在线学习模型的核函数参数和惩罚因子参数的寻优过程流程图。

图8为本发明所述的推理机进行规则匹配推理的流程图。

五、具体实施方式

下面通过附图和实施例对本发明的技术方案作进一步的描述说明。

图1为本发明所述甘蔗煮糖过程结晶状态预测方法的具体步骤流程。以某糖厂的实施过程为例作进一步详细说明。以煮制甲糖膏为例：煮制立方数为55m3；糖浆锤度为62Bx，纯度为：85AP，温度为65℃；热水温度为68℃；煮制阶段分为：开始阶段，底料阶段，整理阶段，入料阶段，浓缩阶段，放糖阶段。甘蔗煮糖过程结晶状态预测过程如下：

（1）在糖厂的煮糖工段上安装甘蔗煮糖结晶过程自动化监控平台，对甘蔗煮糖过程的糖膏锤度、糖膏温度、真空度、入料流量和蒸汽压力等关键工艺参数进行在线测量，获取甘蔗煮糖过程的历史数据样本，以影响甘蔗煮糖过程结晶状态的糖膏锤度、糖膏温度、真空度、入料流量、蒸汽温度和蒸汽压力共6个因素作为条件属性，结晶状态级别作为决策属性，构建甘蔗煮糖过程结晶状态预测的原始决策表。原始决策表如表1所示，原始决策表中结晶状态级别的原始数据被划分为6个类别，即采用5、4、3、2、1、0分别表示结晶状态最好、较好、好、一般、差、较差6个等级。选择历史数据样本中212个样本进行实例分析。

表1原始决策表

（2）采用模糊C-均值聚类方法对原始决策表进行离散化处理，即把糖膏锤度、糖膏温度、真空度、入料流量、蒸汽温度和蒸汽压力的属性值聚类数目都设置为7，用6、5、4、3、2、1、0分别表示属性状态为极高、较高、偏高、中、偏低、较低、极低，并得到条件属性离散值和决策属性离散值，原始决策表的离散化结果如表2所示。

表2原始决策表的离散化结果

（3）基于粗糙集理论对经过离散化处理的原始决策表进行约简，约简包括基于区分矩阵算法的属性约简和启发式属性值约简。首先采用基于区分矩阵算法的属性约简方法对原始决策表进行属性约简，可得到属性约简结果，原来的6个条件属性经过约简后变为5个，即糖膏锤度、糖膏温度、真空度、入料流量、蒸汽压力；然后对属性约简的结果进行启发式属性值约简，最终约简结果如表3所示，最终约简后的规则数量为158条，比未约简前减少了54条，从而消除了原始决策表的冗余信息。

表3最终约简结果

（4）对最终约简后的决策表进行规则提取，并将提取后的规则存储到专家系统知识库中，从而完成离线知识的获取。专家系统的知识采用产生式表示，表示形式如表4所示。同时，以专家系统知识库中的规则作为样本，构建基于支持向量机的结晶状态预测规则在线学习模型。

表4专家系统的知识表示

（5）从动态数据库中获取影响甘蔗煮糖过程结晶状态的因素的实时值，并将其作为实时数据样本；

（6）按步骤（2）的离散化处理方法对实时数据样本进行离散化处理，得到实时的条件属性离散值；

（7）根据步骤（6）得到的条件属性离散值，专家系统的推理机采用正向推理策略从专家系统知识库中选择有关的知识进行规则匹配，如果匹配成功，跳转至步骤（8）；如果匹配不成功，则跳转至步骤（9）；

（8）直接输出结晶状态的预测结果，跳转至步骤（11）；

（9）专家系统知识库不存在可以匹配的规则，则启动结晶状态预测规则的在线学习；

（10）把步骤（6）得到的条件属性离散值作为输入变量输入到基于支持向量机的结晶状态预测规则在线学习模型中，从而得到结晶状态的预测结果，同时将步骤（6）得到的条件属性离散值作为条件属性，当前结晶状态的预测结果作为决策属性，经过规则校验后添加到专家系统知识库中，实现专家系统知识库的在线更新。

（11）结束当前结晶状态预测过程，并将结晶状态预测结果通过数据通讯接口传输至甘蔗煮糖结晶过程自动化监控平台中，甘蔗煮糖结晶过程自动化监控平台根据当前的结晶状态预测结果进行处理分析，完成现场相关阀门的控制操作，同时进入下一次预测。

如图2所示，本发明构建了一种实现上述方法的系统，该系统包括以下模块：甘蔗煮糖结晶过程自动化监控平台、数据通讯接口模块、动态数据库模块、离线知识获取模块、在线学习模块、专家系统知识库模块、推理机模块、任务管理模块和人机接口模块。

所述甘蔗煮糖结晶过程自动化监控平台负责对甘蔗煮糖过程的糖膏锤度、糖膏温度、真空度、入料流量和蒸汽压力等关键工艺参数进行在线测量，以及对相关阀门进行控制，完成整个结晶过程的自动化监控；

所述数据通讯接口模块与甘蔗煮糖结晶过程自动化监控平台双向连接，数据通讯接口模块基于OPC技术实现甘蔗煮糖结晶过程自动化监控平台与第三方程序的数据交互；

所述动态数据库模块与数据通讯接口模块双向连接，动态数据库模块通过数据通讯接口模块从甘蔗煮糖结晶过程自动化监控平台中获取历史数据和实时数据；

所述离线知识获取模块分别与动态数据库模块、专家系统知识库模块双向连接，离线知识获取模块从动态数据库模块中获取历史数据样本构建原始决策表，并对原始决策表进行离散化处理，基于粗糙集理论提取结晶状态的预测规则并存储到专家系统知识库模块中；

所述在线学习模块分别与动态数据库模块、专家系统知识库模块双向连接，在线学习模块首先以专家系统知识库的规则作为样本，构建基于支持向量机的结晶状态预测规则在线学习模型，然后从动态数据库模块中获取实时数据样本作为条件属性，并经过离散化处理后，输入到结晶状态预测规则在线学习模型中，从而得到结晶状态的预测结果，最后，把从动态数据库模块中获取的实时数据样本和当前结晶状态的预测结果一起添加到专家系统知识库库模块中，实现专家系统知识库的在线更新；

所述专家系统知识库模块用于存储离线知识获取后的预测规则和在线更新的规则，为推理机模块和在线学习模块提供知识；

所述推理机模块与专家系统知识库模块双向连接，与动态数据库模块单向连接，与数据通讯接口模块单向连接，推理机模块从动态数据库模块中获取实时数据样本，采用正向推理策略从专家系统知识库模块中选择有关的知识进行规则匹配，匹配成功后输出预测结果，预测结果通过数据通讯接口模块传输至甘蔗煮糖结晶过程自动化监控平台中，为自动化控制提供数据依据；

所述任务管理模块分别与甘蔗煮糖结晶过程自动化监控平台、数据通讯接口模块、动态数据库模块、离线知识获取模块、在线学习模块、专家系统知识库模块和推理机模块双向连接，任务管理模块负责对以上模块的任务进程进行管理；

所述人机接口模块与任务管理模块双向连接，人机接口模块用于实现任务管理模块的所有操作界面。

图3为本发明所述的甘蔗煮糖结晶状态预测结果。本发明通过构建实现上述方法的系统，对甘蔗煮糖过程结晶状态进行在线预测。首先从动态数据库中获取甘蔗煮糖过程的实时数据样本，经离散化处理后，作为实时的条件属性离散值，然后专家系统的推理机从专家系统知识库中选择现有知识对实时的条件属性离散值进行规则匹配，如果匹配成功，则直接输出匹配结果，如果匹配失败，则启动在线学习，输出在线学习预测结果的同时，也往专家系统知识库中添加了新规则，从而完成专家系统知识库的在线更新。

图4为本发明所述的甘蔗煮糖结晶过程自动化监控平台的监控界面。甘蔗煮糖过程结晶状态预测结果通过数据通讯接口传输至甘蔗煮糖结晶过程自动化监控平台中进行处理分析，完成现场相关阀门的控制操作。

为了进一步对甘蔗煮糖过程结晶状态预测系统进行测试分析，定期抽取糖膏进行化验，并与结晶状态预测系统的预测结果进行对比分析。测试中采用的测试方法是以当前专家系统知识库中的知识作为结晶状态预测的知识，测试结晶状态预测系统随着系统的运行、知识库的更新和完善而对结晶状态预测的准确程度。每煮完2罐甲糖膏进行1次测试，实验时通过取样进行化验分析，每次采集150个样本。测试分析结果如表5所示，表5列出了在当前专家系统知识库下，结晶状态预测系统对结晶状态的预测正确数和预测准确率。

表5系统运行测试分析

如图5所示，本发明所述的基于模糊C-均值聚类方法的样本数据离散化处理，包括以下步骤：

（501）初始化聚类中心V^{0}，聚类中心按照等间隔法划分,设置样本数n=212、权重m=2、聚类类别数c=7、迭代停止阈值e=0.0001及迭代次数k=0。

（502）用公式(1)计算隶属度矩阵U^(k)=[m_ij]_c′n:

式（1）中，

表示第k次迭代的第j个样本与第i类聚类中心的距离；

表示第k次迭代的第j个样本与第r类聚类中心的距离。

（503）用式(2)计算聚类中心V^(k+1)：

式（2）中，x_j为第j个样本。

（504）如果

则停止，并输出聚类结果，否则令k=k+1，回到步骤（502）。

如图6所示，本发明所述的基于支持向量机的结晶状态预测规则在线学习模型的构建，包括以下步骤：

第一步、结合粒子群优化算法和K折交叉验证方法对结晶状态预测规则在线学习模型的核函数参数和惩罚因子参数进行寻优，获取最优的核函数参数和惩罚因子参数。

第二步、以专家系统知识库的规则作为样本，分为训练样本集和测试样本集，所述专家系统知识库的规则总共有158条，随机选取20条作为测试样本集，剩下的138条作为训练样本集。

第三步、利用选取的138条训练样本集构建基于支持向量机的结晶状态预测规则在线学习模型。

第四步、生成结晶状态预测规则在线学习模型。

第五步、利用选取的20条测试样本对构建好的结晶状态预测规则在线学习模型进行测试，检验结晶状态预测规则在线学习模型的性能，如果结晶状态预测规则在线学习模型的性能达到要求，则跳转至第六步，否则跳转至第三步。

第六步、结晶状态预测在线学习模型构建完毕，退出建模，并保存当前结晶状态预测规则在线学习模型。

基于支持向量机的结晶状态预测规则在线学习模型的测试结果如表6所示。从表6中可知，甘蔗煮糖过程结晶状态预测规则在线学习模型的预测正确率为95.0%，结果说明所建立的结晶状态预测规则在线学习模型的预测结果达到了甘蔗煮糖过程中对结晶状态判断的要求。

表6结晶状态预测模型的测试结果

如图7所示，本发明所述的结合粒子群优化算法和K折交叉验证方法对结晶状态预测规则在线学习模型的核函数参数和惩罚因子参数的寻优过程，包括以下步骤：

（701）选择核函数参数和惩罚因子参数的搜索范围；

（702）设置种群的大小和粒子群算法的最大迭代次数；

（703）初始化种群，对每个粒子进行随机初始化；

（704）以初始化的核函数参数值和惩罚因子参数值对样本集进行K折交叉验证；

（705）将初始K折交叉验证结果作为粒子的适应度，计算初始粒子适应度；

（706）评价每一个粒子，计算粒子的适应度值，选出全局最优的粒子；

（707）保存最优初始粒子及其适应度；

（708）检验是否达到最大迭代次数或者达到最小误差要求。如果符合结束条件，则停止迭代寻优，得到种群的最优解；否则转到步骤（709）；

（709）粒子的更新，用式 $V_{\mathrm{in}}^{k+1}=V_{\mathrm{in}}^k+c_1\·\mathrm{rand}\left(\right)\·({\mathrm{Pbest}}_{\mathrm{in}}^k-X_{\mathrm{in}}^k)+c_2\·\left(\right)\·(\mathrm{Nbest}-X_{\mathrm{in}}^k)$ 和式

对每一个粒子的速度和位置进行更新；

（710）将更新的粒子作为核函数参数值和惩罚因子参数值对样本集进行K折交叉验证；

（711）将新粒子的K折交叉验证结果与旧粒子的适应度比较，如果新粒子适应度比旧粒子适应度好，则更新旧粒子的值及适应度，否则放弃更新这个粒子；

（712）对种群个体作出评价，选出全局最优个体；

（713）保存全局最优个体及其适应度，转向步骤(708)。

其中，k为迭代次数，X_in=(x_i1,x_i2,...,x_in)和V_in=(v_i1,v_i2,...,v_in)分别表示为第i个粒子在n维解空间的位置和速度；在每一次迭代中，粒子通过跟踪两个极值来更新自己的速度和位置，一个极值是粒子本身到目前为止所找到的最优解，这个极值称为个体极值Pbest_in=(Pb_i1,Pb_i2,...,Pb_in)；Nbest_in=(Nbest_i1,Nbest_i2,...,Nbest_in)是该群体到目前为止找到的全局的最优粒子；c₁和c₂是加速常量，分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长；rand()是0到1之间的随机数。

如图8所示，本发明所述专家系统的推理机的规则匹配推理过程，包括以下步骤：

（801）从动态数据库中获取糖膏锤度、糖膏温度、真空度、入料流量和蒸汽压力状态的实时数据，经过离散化后得到的条件属性值作为事实，并把它们存入事实表；

（802）从知识库中提取规则，并使用规则的条件部分与事实表的条件属性值匹配；

（803）如果匹配成功，则提取这条规则存入结论表；判断是否到达规则库的结尾，如果没有则转步骤（802），否则转步骤（804）；

（804）判断结论表规则的数量，如果为0，则推理失败；如果为1，则直接输出决策属性；如果数量大于1，则启动冲突消解策略，输出决策属性。

推理过程采用正向推理策略从知识库中选择有关的知识进行匹配，如果匹配成功则直接得出相应的结晶状态预测结果，如果知识库没有找到匹配的规则，即推理失败，则启动预测规则在线学习，由在线学习进行预测并完善知识库。冲突消解策略是当知识库中的规则和已知事实有多个同时匹配时的选择策略，在甘蔗煮糖过程结晶状态预测系统中，规则知识来自于甘蔗煮糖实际经验、数据挖掘系统和在线学习模块，对添加到知识库中的规则知识设置规则的置信度，冲突消解方法是通过选择置信度最大的规则作为决策属性。

Claims (2)

1.甘蔗煮糖过程结晶状态预测方法，其特征在于，包括以下步骤：

（1）获取甘蔗煮糖过程的历史数据样本，以影响甘蔗煮糖过程结晶状态的糖膏锤度、糖膏温度、真空度、入料流量、蒸汽温度和蒸汽压力六个因素作为条件属性，结晶状态级别作为决策属性，构建甘蔗煮糖过程结晶状态预测的原始决策表；

（2）采用模糊C-均值聚类方法对原始决策表进行离散化处理，得到条件属性离散值和决策属性离散值；

（3）采用粗糙集理论对经过离散化处理的原始决策表进行属性约简和属性值约简，得到最终决策表；

（4）对最终决策表进行规则提取，并将提取后的规则存储到专家系统知识库中，从而完成离线知识的获取，同时，以专家系统知识库中的规则作为样本，构建基于支持向量机的结晶状态预测规则在线学习模型；

（5）从动态数据库中获取影响甘蔗煮糖过程结晶状态的因素的实时值，并将其作为实时数据样本；

（6）按步骤（2）的离散化处理方法对实时数据样本进行离散化处理，得到实时的条件属性离散值；

（7）根据步骤（6）得到的条件属性离散值，专家系统的推理机采用正向推理策略从专家系统知识库中选择有关的知识进行规则匹配，如果匹配成功，跳转至步骤（8）；如果匹配不成功，则跳转至步骤（9）；

（8）直接输出结晶状态的预测结果，跳转至步骤（11）；

（9）专家系统知识库不存在可以匹配的规则，则启动结晶状态预测规则的在线学习；

（10）把步骤（6）得到的条件属性离散值作为输入变量输入到基于支持向量机的结晶状态预测规则在线学习模型中，从而得到结晶状态的预测结果，同时将步骤（6）得到的条件属性离散值作为条件属性，当前结晶状态的预测结果作为决策属性，经过规则校验后添加到专家系统知识库中，实现专家系统知识库的在线更新。

（11）结束当前结晶状态预测过程，进入下一次预测。

2.根据权利要求1所述的甘蔗煮糖过程结晶状态预测方法，其特征在于，所述步骤（4）中的基于支持向量机的结晶状态预测规则在线学习模型的构建，包括以下步骤：

第一步、结合粒子群优化算法和K折交叉验证方法对结晶状态预测规则在线学习模型的核函数参数和惩罚因子参数进行寻优，获取最优的核函数参数和惩罚因子参数；

第二步、以专家系统知识库的规则作为样本，并将样本分为训练样本集和测试样本集；

第三步、利用训练样本集构建基于支持向量机的结晶状态预测规则在线学习模型；

第四步、生成结晶状态预测规则在线学习模型；

第五步、利用测试样本对构建好的结晶状态预测规则在线学习模型进行测试，检验结晶状态预测规则在线学习模型的性能，如果结晶状态预测规则在线学习模型的性能达到要求，则跳转至第六步，否则跳转至第三步；

第六步、结晶状态预测规则在线学习模型构建完毕，退出建模，并保存当前结晶状态预测规则在线学习模型。

Images