CN103472728A - 机器学习的农药焚烧炉有害物排放达标控制系统及方法 - Google Patents

Abstract

本发明公开了一种机器学习的农药焚烧炉有害物排放达标控制系统及方法。它包括焚烧炉、智能仪表、DCS系统、数据接口以及上位机；DCS系统包括控制站和数据库；用于测量易测变量的智能仪表与DCS系统连接，DCS系统通过数据接口与上位机连接。上位机首先对训练样本进行预处理和模糊化，获得新的输入矩阵，然后采用最小二乘支持向量机对新的输入矩阵建立回归模型，获得预测输出，最后对最小二乘支持向量机的输出进行反模糊化，获得系统的输出；上位机还对模型进行判别更新和对结果进行显示。本发明具有在线测量COD、有效监测COD是否超标、控制COD排放达标、泛化能力强、所需样本数少、计算速度快等优点。

Description

机器学习的农药焚烧炉有害物排放达标控制系统及方法

技术领域

本发明涉及农药生产领域，尤其涉及一种机器学习的农药焚烧炉有害物排放达标控制系统及方法。

背景技术

我国是农药生产和使用大国，农药生产企业已达4100家左右，其中原药生产企业为500多家，国家农业部统计数据显示2008年1～11月农药总产量达171.1万吨。我国农药品种结构的不合理性更加大了环境治理的难度。据不完全统计，全国农药工业每年排放的废水约为15亿吨。其中，处理达标的仅占已处理的1%。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。焚烧后废水的化学耗氧量(COD)是农药废液焚烧有害物排放的最重要指标，但是其无法在线测量，离线测量一次需要四五个小时，无法及时反映工况变化和指导实际生产。因此，在实际焚烧过程中，COD严重超标。

发明内容

为了克服已有的焚烧炉过程COD无法在线测量、COD严重超标的不足，本发明提供一种机器学习的农药焚烧炉有害物排放达标控制系统及方法，其具有在线测量COD、有效监测COD是否超标、控制COD排放达标、泛化能力强、所需样本数少、计算速度快等优点。

本发明解决其技术问题所采用的技术方案是：

机器学习的农药焚烧炉有害物排放达标控制系统，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，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：

数据预处理模块，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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

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

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

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、COD和相应的使COD排放达标时的操作变量的数据，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。

模糊方程模块，对从数据预处理模块传过来的标准化后的训练样本X，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\μ}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\Σ}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]      （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

$\min R(w,\mathrm{\ξ})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ξ}}_i^2---\left(6\right)$

同时定义拉格朗日函数：

其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，

是非线性映射函数，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，而γ是最小二乘支持向量机的惩罚因子，上标T表述矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：

${\hat{y}}_{\mathrm{ik}}=\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_m\&times;K<{\mathrm{\&Phi;}}_{\mathrm{im}}(X_m,{\mathrm{\&mu;}}_{\mathrm{mk}}),{\mathrm{\&Phi;}}_{\mathrm{ik}}(X_i,{\mathrm{\&mu;}}_{\mathrm{ik}})>+b---\left(9\right)$

其中，

为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。α_m，m=1,…,N是对应的拉格朗日乘子的第m个分量。

由反模糊方法中的重心法得到最后的模糊方程系统的输出：

${\hat{y}}_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}}---\left(10\right)$

即为对应于标准化后的第i个训练样本X_i的COD预报值和使COD排放达标的操作变量值。

作为优选的一种方案：所述的上位机还包括：判别模型更新模块，用于按设定的采样时间间隔，采集现场智能仪表信号，将得到的实测化学耗氧量与函数预报值比较，如果相对误差大于10%或实测COD数据不达标，则将DCS数据库中生产正常时的达标的新数据加入训练样本数据,更新模型。

进一步，所述的上位机还包括：结果显示模块，用于将COD预报值和使COD排放达标的操作变量值传给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；同时，DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值，自动执行COD排放达标操作。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。

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。

所述的农药焚烧炉有害物排放达标控制系统实现的有害物排放达标控制方法，所述的控制方法具体实现步骤如下：

1）、对农药生产废液焚烧炉化学耗氧量排放过程对象，根据工艺分析和操作分析，确定所用的关键变量，从DCS数据库中采集生产正常时所述变量的数据作为训练样本TX的输入矩阵，采集对应的COD和使COD排放达标的操作变量数据作为输出矩阵Y；

2）、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，使得其均值为0，方差为1。该处理采用以下算式过程来完成：

2.1）计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right)$

2.2）计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right)$

2.3）标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right)$

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、COD和相应的使COD排放达标时的操作变量的数据，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。

3）对从数据预处理模块传过来的训练样本，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\&mu;}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\&Sigma;}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]      （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

$\min R(w,\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&xi;}}_i^2---\left(6\right)$

同时定义拉格朗日函数：

其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，

是非线性映射函数，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，γ是最小二乘支持向量机的惩罚因子，上标T表述矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：

${\hat{y}}_{\mathrm{ik}}=\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_m\&times;K<{\mathrm{\&Phi;}}_{\mathrm{im}}(X_m,{\mathrm{\&mu;}}_{\mathrm{mk}}),{\mathrm{\&Phi;}}_{\mathrm{ik}}(X_i,{\mathrm{\&mu;}}_{\mathrm{ik}})>+b---\left(9\right)$

其中，

为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。α_m，m=1,…,N是对应的拉格朗日乘子的第m个分量。

由反模糊方法中的重心法得到最后的模糊方程系统的输出：

${\hat{y}}_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}}---\left(10\right)$

即为对应于标准化后的第i个训练样本X_i的COD预报值和使COD排放达标的操作变量值。

作为优选的一种方案：所述的方法还包括：4）按设定的采样时间间隔，采集现场智能仪表信号，将得到的实测化学耗氧量与函数预报值比较，如果相对误差大于10%或实测COD数据不达标，则将DCS数据库中生产正常时的达标的新数据加入训练样本数据。

进一步，在所述的步骤3）中，将COD预报值和使COD排放达标的操作变量值传给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；同时，DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值，自动执行COD排放达标操作。

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，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：本发明提供一种机器学习的农药焚烧炉有害物排放达标控制系统及方法，寻找到使得COD排放达标的操作变量值。

本发明的有益效果主要表现在：1、建立了系统关键变量和化学耗氧量排放之间定量关系的在线软测量模型；2、迅速找到使得COD排放达标的操作条件。

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。

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，机器学习的农药焚烧炉有害物排放达标控制系统，包括与焚烧炉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5和数据库4，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5、数据库4和上位机6连接，所述的上位机6包括：

数据预处理模块，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： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right)$

计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right)$

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、COD和相应的使COD排放达标时的操作变量的数据，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。

模糊方程模块，对从数据预处理模块传过来的标准化后的训练样本X，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\&mu;}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\&Sigma;}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]      （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

$\min R(w,\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&xi;}}_i^2---\left(6\right)$

同时定义拉格朗日函数：

其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，是非线性映射函数，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，γ是最小二乘支持向量机惩罚因子，上标T表述矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：

${\hat{y}}_{\mathrm{ik}}=\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_m\&times;K<{\mathrm{\&Phi;}}_{\mathrm{im}}(X_m,{\mathrm{\&mu;}}_{\mathrm{mk}}),{\mathrm{\&Phi;}}_{\mathrm{ik}}(X_i,{\mathrm{\&mu;}}_{\mathrm{ik}})>+b---\left(9\right)$

其中，

为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。α_m，m=1,…,N是对应的拉格朗日乘子的第m个分量。

由反模糊方法中的重心法得到最后的模糊方程系统的输出：

${\hat{y}}_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}}---\left(10\right)$

即为对应于标准化后的第i个训练样本X_i的COD预报值和使COD排放达标的操作变量值。

所述上位机6还包括：信号采集模块10，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：判别模型更新模块11，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COD与函数预报值比较，如果相对误差大于10%或实测COD数据不达标，则将DCS数据库中生产正常时的达标的新数据加入训练样本数据，更新模型。

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5、数据库4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9，用于将COD预报值和使COD排放达标的操作变量值传给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；同时，DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值，自动执行COD排放达标操作。

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，得到COD预报值和使COD排放达标的操作变量值的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，并将得到COD预报值和使COD排放达标的操作变量值的功能系统制造成包括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，机器学习的农药焚烧炉有害物排放达标控制方法，所述控制方法具体实现步骤如下：

1）、对农药生产废液焚烧炉化学耗氧量排放过程对象，根据工艺分析和操作分析，确定所用的关键变量，从DCS数据库中采集生产正常时所述变量的数据作为训练样本TX的输入矩阵，采集对应的COD和使COD排放达标的操作变量数据作为输出矩阵Y；

2）、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，使得其均值为0，方差为1。该处理采用以下算式过程来完成：

2.1）计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right)$

2.2）计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right)$

2.3）标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right)$

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、COD和相应的使COD排放达标时的操作变量的数据，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。

3）对从数据预处理模块传过来的经过标准化后的训练样本，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\&mu;}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\&Sigma;}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]      （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

$\min R(w,\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&xi;}}_i^2---\left(6\right)$

同时定义拉格朗日函数：

其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，是非线性映射函数，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，γ是最小二乘支持向量机的惩罚因子，上标T表述矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：

${\hat{y}}_{\mathrm{ik}}=\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_m\&times;K<{\mathrm{\&Phi;}}_{\mathrm{im}}(X_m,{\mathrm{\&mu;}}_{\mathrm{mk}}),{\mathrm{\&Phi;}}_{\mathrm{ik}}(X_i,{\mathrm{\&mu;}}_{\mathrm{ik}})>+b---\left(9\right)$

其中，

为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。α_m，m=1,…,N是对应的拉格朗日乘子的第m个分量。

由反模糊方法中的重心法得到最后的模糊方程系统的输出：

${\hat{y}}_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}}---\left(10\right)$

即为对应于标准化后的第i个训练样本X_i的COD预报值和使COD排放达标的操作变量值。

所述的方法还包括：4）、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COD与函数预报值比较，如果相对误差大于10%或实测COD数据不达标，则将DCS数据库中生产正常时的达标的新数据加入训练样本数据，更新模型。

5）、在所述的步骤3）中，将COD预报值和使COD排放达标的操作变量传给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；同时，DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值，自动执行COD排放达标操作。

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，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。

Claims (2)

1.一种机器学习的农药焚烧炉有害物排放达标控制系统，包括与农药焚烧炉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：数据预处理模块，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： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right)$

计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right)$

标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right)$

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、化学耗氧量（COD）和相应的使COD排放达标时的操作变量的数据，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。模糊方程模块，对从数据预处理模块传过来的标准化后的训练样本X，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\&mu;}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\&Sigma;}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]      （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

$\min R(w,\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&xi;}}_i^2---\left(6\right)$

同时定义拉格朗日函数：

其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，

是非线性映射函数，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，γ是最小二乘支持向量机的惩罚因子，上标T表述矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：

${\hat{y}}_{\mathrm{ik}}=\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_m\&times;K<{\mathrm{\&Phi;}}_{\mathrm{im}}(X_m,{\mathrm{\&mu;}}_{\mathrm{mk}}),{\mathrm{\&Phi;}}_{\mathrm{ik}}(X_i,{\mathrm{\&mu;}}_{\mathrm{ik}})>+b---\left(9\right)$

其中，

为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。α_m，m=1,…,N是对应的拉格朗日乘子的第m个分量。

由反模糊方法中的重心法得到最后的模糊方程系统的输出：

${\hat{y}}_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}}---\left(10\right)$

即为对应于标准化后的第i个训练样本X_i的COD预报值和使COD排放达标的操作变量值。

所述的上位机还包括：判别模型更新模块，用于按设定的采样时间间隔，采集现场智能仪表信号，将得到的实测化学耗氧量与函数计算值比较，如果相对误差大于10%或实测COD数据不达标，则将DCS数据库中生产正常时的达标的新数据加入训练样本数据，更新模型。结果显示模块，用于将COD预报值和使COD排放达标的操作变量值传给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；同时，DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值，自动执行COD排放达标操作。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。

2.一种用如权利要求1所述的机器学习的农药焚烧炉有害物排放达标控制系统实现的控制方法，其特征在于：所述方法具体实现步骤如下：

1）、对农药生产废液焚烧炉有害物排放过程对象，根据工艺分析和操作分析，确定所用的关键变量，从DCS数据库中采集生产正常时所述变量的数据作为训练样本TX的输入矩阵，采集对应的COD和使COD排放达标的操作变量数据作为输出矩阵Y；

2）、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，使得其均值为0，方差为1。该处理采用以下算式过程来完成：

2.1）计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right)$

2.2）计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right)$

2.3）标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right)$

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、COD和相应的使COD排放达标时的操作变量的数据，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。

3）对从数据预处理模块传过来的训练样本，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：

${\mathrm{\&mu;}}_{\mathrm{ik}}={\left(\underset{j=1}{\overset{c^{*}}{\mathrm{\&Sigma;}}}{\left(\frac{\left|\right|X_i-v_k\left|\right|}{\left|\right|X_i-v_j\left|\right|}\right)}^{\frac{2}{n-1}}\right)}^{-1}---\left(4\right)$

式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。

使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：

Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]      （5）

其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取

exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。

最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

$\min R(w,\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\&gamma;}{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&xi;}}_i^2---\left(6\right)$

同时定义拉格朗日函数：

其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，

是非线性映射函数，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，γ是最小二乘支持向量机的惩罚因子，上标T表述矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：

${\hat{y}}_{\mathrm{ik}}=\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_m\&times;K<{\mathrm{\&Phi;}}_{\mathrm{im}}(X_m,{\mathrm{\&mu;}}_{\mathrm{mk}}),{\mathrm{\&Phi;}}_{\mathrm{ik}}(X_i,{\mathrm{\&mu;}}_{\mathrm{ik}})>+b---\left(9\right)$

其中，

为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。α_m，m=1,…,N是对应的拉格朗日乘子的第m个分量。

由反模糊方法中的重心法得到最后的模糊方程系统的输出：

${\hat{y}}_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}{\hat{y}}_{\mathrm{ik}}}{{\mathrm{\&Sigma;}}_{k=1}^{c^{*}}{\mathrm{\&mu;}}_{\mathrm{ik}}}---\left(10\right)$

即为对应于标准化后的第i个训练样本X_i的COD预报值和使COD排放达标的操作变量值。

4）、判别模型更新模块，用于按设定的采样时间间隔，采集现场智能仪表信号，将得到的实测化学耗氧量与函数计算值比较，如果相对误差大于10%或实测COD数据不达标，则将DCS数据库中生产正常时的达标新数据加入训练样本数据，更新模糊方程模型。

5）、在所述的步骤3）中得到的COD预报值和使COD排放达标的操作变量值，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；同时，DCS系统将所得到的使COD排放达标的操作变量值作为新的操作变量设定值，自动执行COD排放达标操作。

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