CN106596905A - 基于多尺度融合anfis的玻璃液质量智能预报方法 - Google Patents

Abstract

基于多尺度融合ANFIS的玻璃液质量智能预报方法，属于自动控制、信息技术和先进制造领域，具体涉及用于玻璃液质量优化控制的基于多尺度融合ANFIS(自适应神经模糊推理系统)的玻璃液质量智能预报方法。其特征在于，针对玻璃液质量预报存在多个不同时间尺度特性的影响变量的特点，首先分析各输入变量的时间尺度特性，用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型，将各单元模型按照不同时间尺度特性进行融合，从而建立玻璃液质量智能预报模型。该方法可用于对玻璃窑炉的玻璃液质量进行预报，以实现对玻璃质量的有效控制，提高玻璃产品质量的目的。

Description

基于多尺度融合ANFIS的玻璃液质量智能预报方法

技术领域

本发明属于自动控制、信息技术和先进制造领域，具体涉及用于玻璃液质量优化控制的基于多尺度融合ANFIS(自适应神经模糊推理系统)的玻璃液质量智能预报方法。

背景技术

玻璃窑炉可将玻璃原料进行加热，并熔化成玻璃液，供后道工序生产出不同的玻璃制品。玻璃液质量直接影响玻璃制品质量，对玻璃液质量进行预报，是实现玻璃液质量优化控制、提高玻璃液质量的重要前提。玻璃液质量包含单位体积内的小气泡数量、粘稠度等指标，其中单位体积内的小气泡数量是玻璃液质量的主要指标。

玻璃窑炉生产过程中，存在多个玻璃液质量的影响变量，包括玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率，上述变量由于采集周期不同，比如原料含水率一般4小时采集一次，玻璃窑炉池底盲孔温度每分钟可采集一次，玻璃窑炉流液洞温度每2小时可采集一次，泡沫层厚度每8小时采集一次，同时，上述变量对玻璃液质量的影响时滞也不尽相同，比如原料含水率发生变化后，大约在16小时后对玻璃液质量产生影响，玻璃窑炉池底盲孔温度发生变化后，大约在8小时后对玻璃液质量产生影响。

为解决影响变量采集周期不同、影响时滞不同的玻璃液质量预报难点，本发明将采集周期不同、影响时滞不同定义为影响变量的时间尺度不同，并针对多时间尺度的影响变量特点，提出了基于多尺度融合ANFIS的玻璃液质量智能预报方法。

发明内容

本发明提出一种基于多尺度融合ANFIS的玻璃液质量智能预报方法，所述方法是在计算机上按如下步骤实现的：

步骤(1)：变量说明

X＝{x₁,x₂,x₃,x₄,x₅}＝{x_k|k＝1,2,…,5}：表示玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率的检测值；

X(t)＝{x₁(t),x₂(t),x₃(t),x₄(t),x₅(t)}＝{x_k(t)|k＝1,2,…,5}：上述5个影响变量的t时刻检测值；

S＝{s₁,s₂,s₃,s₄,s₅}＝{s_k|k＝1,2,…,5}：上述5个影响变量的采样周期；

T＝{t₁,t₂,t₃,t₄,t₅}＝{t_k|k＝1,2,…,5}：上述5个影响变量的影响时滞；

{S,T}：时间尺度特性二元组

y：玻璃液中单位体积内的小气泡数量；

x₁(t)：t时刻玻璃液中单位体积内的小气泡数量。

步骤(2)：分析各玻璃液质量影响变量的时间尺度特性

根据具体玻璃窑炉和实际生产数据，确定玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率的S、T。

步骤(3)：用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型

本发明采用ANFIS模型，根据各影响变量的采集周期s_k，将采集周期内的玻璃液质量检测值取平均值，作为该影响变量ANFIS单元模型的输出值，并根据影响变量对玻璃液质量的影响时滞t_k，用t周期的x_k(t-t_k)和y(t)组成训练数组对；使用此训练数据对ANFIS进行训练，从而建立单一影响变量的ANFIS玻璃液质量单元预报模型anfis_k，每个单元预报模型的输出用y_k表示；

步骤(4)：将各单元模型按照不同时间尺度特性进行融合

步骤(4.1)：根据玻璃液质量优化控制周期，确定与该周期最接近的s_k，令最接近的s_k为s_m；

步骤(4.2)：将各单元ANFIS模型的输出值融合到s_m周期内，当k小于m时，采用向大尺度方向融合方法，假设s₁,s₂,s₃,s₄,s₅已经是按采样周期大小排序，即s_k<s_k+1，在s_m周期内，anfis_k的预报值可有个，则anfis_k在s_m周期内的融合值可表示为 当k大于m时，采用向小尺度方向融合方法，即 则在s_m周期尺度上，单元模型融合输出为

附图说明

图1：基于多尺度融合ANFIS的玻璃液质量智能预报方法流程示意图；

图2：ANFIS结构示意图。

具体实施方式

为了更好地理解本发明的技术方案，图1给出了本发明的方法流程。该方法具体实施方式为：

步骤(1)：确定各玻璃液质量影响变量的时间尺度特性

通过玻璃窑炉DCS控制系统的OPC接口，读取不同采样周期的玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率的检测值，并根据玻璃窑炉具体的管理流程和实际生产数据，确定上述影响变量的时间尺度特性S、T。

步骤(3)：建立各影响变量与玻璃液质量间的定量关系单元模型

本发明采用ANFIS模型，根据各影响变量的采集周期s_k，将采集周期内的玻璃液质量检测值取平均值，作为该影响变量ANFIS单元模型的输出值，并根据影响变量对玻璃液质量的影响时滞t_k，用t周期的x_k(t-t_k)和y(t)组成训练数组对；使用此训练数据对ANFIS进行训练，从而建立单一影响变量的ANFIS玻璃液质量单元预报模型anfis_k，每个单元预报模型的输出用y_k表示；

步骤(4)：将各单元模型按照不同时间尺度特性进行融合

步骤(4.1)：根据玻璃液质量优化控制周期，确定与该周期最接近的s_k，令最接近的s_k为s_m；

步骤(4.2)：将各单元ANFIS模型的输出值融合到s_m周期内，当k小于m时，采用向大尺度方向融合方法，假设s₁,s₂,s₃,s₄,s₅已经是按采样周期大小排序，即s_k<s_k+1，在s_m周期内，anfis_k的预报值可有个，则anfis_k在s_m周期内的融合值可表示为 当k大于m时，采用向小尺度方向融合方法，即 则在s_m周期尺度上，单元模型融合输出为

步骤(5)：将玻璃液质量预报模型用于玻璃液质量的优化控制中，以提高玻璃液质量和最终玻璃制品质量。

为说明本发明所提方法的有效性，将该方法应用于某大型玻璃生产企业，比较方法为：不采用多尺度融合方法，仅将影响玻璃液质量的5个影响因素作为ANFIS的输入变量，对ANFIS进行训练，得到玻璃液质量预报模型。本发明获取实际连续9天的生产数据作为训练数据，将训练数据分为3组，每组为连续3天的生产数据，得到的在不同时间尺度下的玻璃液质量预测结果见表1所示。从表1中可以看出，本发明所提出的方法，在不同尺度下，对玻璃液质量的预报误差均比不考虑时间尺度的简单ANFIS方法小，同时，当时间尺度越大时，预报误差越小，这也符合实际生产管理经验，说明本发明方法是有效的。

表1玻璃液质量预测效果比较

Claims (4)

1.一种基于多尺度融合ANFIS的玻璃液质量智能预报方法，其特征在于，包括：

采集和处理玻璃液质量相关的生产信息，分析各玻璃液质量影响变量的时间尺度特性；

用ANFIS分别建立对各影响变量与玻璃液质量间的定量关系单元模型；

将各单元模型按照不同时间尺度特性进行融合，从而建立玻璃液质量智能预报模型。

2.根据权利要求1所述的方法，其特征在于，所述分析各玻璃液质量影响变量的时间尺度特性，具体包括：首先确定影响玻璃窑炉玻璃液质量的生产变量，包括玻璃窑炉池底盲孔温度、玻璃窑炉流液洞温度、玻璃窑炉碹顶温度、泡沫层厚度和玻璃窑炉原料含水率，用X＝{x₁,x₂,x₃,x₄,x₅}＝{x_k|k＝1,2,…,5}表示，之后根据上述生产变量的采集周期和对玻璃液质量的影响时滞，即影响变量变化后玻璃液质量滞后一定时间才能出现变化，确定各影响变量的时间尺度特性，采样周期用S＝{s₁,s₂,s₃,s₄,s₅}＝{s_k|k＝1,2,…,5}，玻璃液质量的影响时滞用T＝{t₁,t₂,t₃,t₄,t₅}＝{t_k|k＝1,2,…,5}，时间尺度特性可用二元组{S,T}表示；玻璃液质量指玻璃液中单位体积内的小气泡数量，用y表示。

3.根据权利要求1所述的方法，其特征在于，所述用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型，具体方法为：根据各影响变量的采集周期s_k，将采集周期内的玻璃液质量检测值取平均值，作为该影响变量ANFIS单元模型的输出值，并根据影响变量对玻璃液质量的影响时滞t_k，用t周期的x_k(t-t_k)和y(t)组成训练数组对；使用此训练数据对ANFIS进行训练，从而建立单一影响变量的ANFIS玻璃液质量单元预报模型anfis_k，每个单元预报模型的输出用y_k表示。

4.根据权利要求1所述的方法，其特征在于，所述将各单元模型按照不同时间尺度特性进行融合，具体步骤为：

步骤1：根据玻璃液质量优化控制周期，确定与该周期最接近的s_k，令最接近的s_k为s_m；

步骤2：将各单元ANFIS模型的输出值融合到s_m周期内，当k小于m时，采用向大尺度方向融合方法，假设s₁,s₂,s₃,s₄,s₅已经是按采样周期大小排序，即s_k<s_k+1，在s_m周期内，anfis_k的预报值可有个，则anfis_k在s_m周期内的融合值可表示为当k大于m时，采用向小尺度方向融合方法，即则在s_m周期尺度上，单元模型融合输出为