CN103472721A - 自适应机器学习的农药废液焚烧炉炉温最佳化***及方法 - Google Patents

Abstract

本发明公开了一种自适应机器学习的农药废液焚烧炉炉温最佳化***及方法。该方法通过引入支持向量机对模糊神经网络中的线性参数进行最佳寻优，解决了模糊神经网络参数设置的问题，同时本方法根据训练样本的变化对整个模糊神经网络的结构进行自适应调整。在本发明中，标准化处理模块对从DCS数据库中采集到的训练样本进行标准化处理；模糊网络模块，用于***的建模；支持向量机优化模块用于优化模糊网络模块中的线性参数；自适应结构优化模块对整个***结构实时更新优化。本发明实现了炉温准确和实时控制、在线更新炉温最佳化***结构、避免出现炉温的超调。

Description

自适应机器学习的农药废液焚烧炉炉温最佳化***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，涉及自适应机器学习的农药废液焚烧炉炉温最佳化***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。

1965年美国数学家L.Zadeh首先提出了Fuzzy集合的概念。随后模糊逻辑以其更接近于日常人们的问题和语意陈述的方式，开始代替坚持所有事物都可以用二元项表示的经典逻辑。1987年，Bart Kosko率先将模糊理论与神经网络有机结合进行了较为***的研究。在这之后的时间里，模糊网络的理论及其应用获得了飞速的发展，各种新的模糊网络模型的提出及其相适应的学习算法的研究不仅加速了模糊神经理论的完善，而且在实践中也得到了非常广泛的应用。

支持向量机，由Vapnik在1998年引入，通过使用统计理论学习中结构风险最小化而非一般的经验结构最小化方法，把原有的最优分类面问题转化为其对偶的优化问题，因而具有良好的推广能力，被广泛应用在模式识别、拟合和分类问题中。在本方案中，支持向量机被用来优化模糊网络模型中的线性参数。

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废液焚烧炉炉温最佳化***及方法。

本发明解决其技术问题所采用的技术方案是：

自适应机器学习的农药废液焚烧炉炉温最佳化***，包括焚烧炉、场智能仪表、DCS***、数据接口以及上位机，所述的DCS***包括控制站和数据库；所述现场智能仪表与DCS***连接，所述DCS***与上位机连接，所述的上位机包括：

标准化处理模块，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、炉温和使炉温最佳化的操作变量的数据，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。

模糊网络模块，对从数据预处理模块传过来的输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,…,X_pn]，其中n是输入变量的个数。

设模糊网络有R个模糊规则，对每个模糊规则i,i=1,…,R，都赋予一个权重值D_i，用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：

$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\}---\left(4\right)$

其中M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。

设标准化后的训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：

${\mathrm{\μ}}^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\mathrm{\Π}}}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\}---\left(5\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度。

求得输入训练样本对于每个规则的适应度之后，模糊网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μ⁽ⁱ⁾(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：

$f^{\left(i\right)}={\mathrm{\μ}}^{\left(i\right)}\left(X_p\right)\×(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}\×X_{\mathrm{pj}}+a_{i0})---\left(6\right)$

${\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\Σ}}}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\mathrm{\Σ}}}[{\mathrm{\μ}}^{\left(i\right)}\left(X_p\right)\×(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}\×X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$

式中，f⁽ⁱ⁾为第i条模糊规则的输出，是模糊网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。

支持向量机优化模块，在式（7）中，输入变量线性乘积和中的参数的确定是模糊网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，具体实现过程如下：

$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\Σ}}}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\mathrm{\Σ}}}[{\mathrm{\μ}}^{\left(i\right)}\left(X_p\right)\×(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}\×X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}\×{\mathrm{\μ}}^{\left(i\right)}\left(X_p\right)\×X_{\mathrm{pj}}+b\end{array}---\left(8\right)$

其中X_p0为常数项且恒等于1。令

$\stackrel{\→}{\mathrm{\φ}}\left(X_p\right)=[{\mathrm{\μ}}^{\left(1\right)}\×X_{p0},...,{\mathrm{\μ}}^{\left(1\right)}\×X_{\mathrm{pn}},......,{\mathrm{\μ}}^{\left(R\right)}\×X_{p0},...,{\mathrm{\μ}}^{\left(R\right)}\×X_{\mathrm{pn}}]---\left(9\right)$

其中，表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：

$S=\{(\stackrel{\→}{\mathrm{\φ}}\left(X_1\right),y_1),(\stackrel{\→}{\mathrm{\φ}}\left(X_2\right),y_2),...,(\stackrel{\→}{\mathrm{\φ}}\left(X_N\right),y_N),\}---\left(10\right)$

其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：

$R(\mathrm{\ω},b)=\mathrm{\γ}\frac{1}{N}{\mathrm{\Σ}}_{p=1}^N{L}_{\mathrm{\ϵ}}(y_p,f\left(X_p\right))+\frac{1}{2}{\mathrm{\ω}}^T\mathrm{\ω}---\left(11\right)$

其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。ω是支持向量机超平面的法向量，f(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：

其中ε是优化问题的误差容限，接下来使用支持向量机求得模糊网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：

$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_k^{*}-{\mathrm{\α}}_k){\mathrm{\μ}}^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\∈\mathrm{SV}}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_k^{*}-{\mathrm{\α}}_k){\mathrm{\μ}}^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$

${\hat{y}}_p=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k)<\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X\right),\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_k\right)>+b---\left(14\right)$

其中α_k，

分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子。

即为对应于第p个标准化后的训练样本X_p的炉温预报值和使炉温最佳的操作变量值。

自适应结构优化模块，由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：

$I=\arg \underset{1\&le;i\&le;R}{\max }{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)---\left(15\right)$

其中

表示适应度值最大的模糊规则项的项号，即

如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：

$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$

${\mathrm{\&sigma;}}_j^{\mathrm{new}}=\mathrm{\&beta;}\&times;\frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$

其中

和

为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。

在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：

其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。

如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。

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***预报值比较，如果相对误差大于10%或炉温超出生产正常上下限范围，则将DCS数据库中生产正常时的使炉温最佳的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，用于将得到的炉温预报值和使炉温最佳的操作变量值传给DCS***，在DCS的控制站显示，并通过DCS***和现场总线传递到现场操作站进行显示；同时，DCS***将所得到的使炉温最佳的操作变量值作为新的操作变量设定值，自动执行炉温最佳化操作。

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。

自适应机器学习的农药废液焚烧炉炉温最佳化***实现的炉温最佳化方法，所述的炉温最佳化方法具体实现步骤如下：

1）、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，采集对应的炉温和使炉温最佳化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、炉温和使炉温最佳化的操作变量的数据，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输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,...,X_pn]，其中n是输入变量的个数。

设模糊网络有R个模糊规则，对每个模糊规则i,i=1,…,R，都赋予一个权重值D_i，用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：

$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(4\right)$

其中M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。

设标准化后的训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：

${\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(5\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度。

求得输入训练样本对于每个规则的适应度之后，模糊网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μ⁽ⁱ⁾(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：

$f^{\left(i\right)}={\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})---\left(6\right)$

${\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$

式中，f⁽ⁱ⁾为第i条模糊规则的输出，

是模糊网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。

4）、在式（7）中，输入变量线性乘积和中的参数的确定是模糊网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，具体实现过程如下：

$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;X_{\mathrm{pj}}+b\end{array}---\left(8\right)$

其中X_p0为常数项且恒等于1。令

$\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_p\right)=[{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{\mathrm{pn}},......,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{\mathrm{pn}}]---\left(9\right)$

其中

表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：

$S=\{(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_1\right),y_1),(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_2\right),y_2),...,(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_N\right),y_N),\}---\left(10\right)$

其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：

$R(\mathrm{\&omega;},b)=\mathrm{\&gamma;}\frac{1}{N}{\mathrm{\&Sigma;}}_{p=1}^N{L}_{\mathrm{\&epsiv;}}(y_p,f\left(X_p\right))+\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}---\left(11\right)$

其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。，ω是支持向量机超平面的法向量，f(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：

其中ε是优化问题的误差容限，接下来使用支持向量机求得模糊网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：

$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\&Element;\mathrm{SV}}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$

${\hat{y}}_p=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k)<\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X\right),\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_k\right)>+b---\left(14\right)$

其中α_k，

分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子。即为对应于第p个标准化后的训练样本X_p的炉温预报值和使炉温最佳的操作变量值。

5）、由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：

$I=\arg \underset{1\&le;i\&le;R}{\max }{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)---\left(15\right)$

其中

表示适应度值最大的模糊规则项的项号，即

如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：

$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$

${\mathrm{\&sigma;}}_j^{\mathrm{new}}=\mathrm{\&beta;}\&times;\frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$

其中

和为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。

在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：

其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。

如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。

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***预报值比较，如果相对误差大于10%或炉温超出生产正常上下限范围，则将DCS数据库中生产正常时的使炉温最佳的新数据加入训练样本数据，更新软测量模型。

7）、进一步，在所述的步骤4）中计算得到最优操作变量值，将得到的炉温预报值和使炉温最佳的操作变量值传给DCS***，在DCS的控制站显示，并通过DCS***和现场总线传递到现场操作站进行显示；同时，DCS***将所得到的使炉温最佳的操作变量值作为新的操作变量设定值，自动执行炉温最佳化操作。

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：发明了自适应机器学习的农药废液焚烧炉炉温最佳化***及方法，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***关键变量和炉温之间定量关系的在线软测量模型；2、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***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，自适应机器学习的农药废液焚烧炉炉温最佳化***，包括与焚烧炉对象1连接的现场智能仪表2、DCS***以及上位机6，所述DCS***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、炉温和使炉温最佳化的操作变量的数据，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。

模糊网络模块8，对从数据预处理模块传过来的输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,…,X_pn]，其中n是输入变量的个数。

设模糊网络有R个模糊规则，对每个模糊规则i,i=1,…,R，都赋予一个权重值D_i，用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：

$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(4\right)$

其中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。

设标准化后的训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：

${\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(5\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度。

求得输入训练样本对于每个规则的适应度之后，模糊网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μ⁽ⁱ⁾(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：

$f^{\left(i\right)}={\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})---\left(6\right)$

${\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$

式中，f⁽ⁱ⁾为第i条模糊规则的输出，

是模糊网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。

支持向量机优化模块9，在式（7）中，输入变量线性乘积和中的参数的确定是模糊网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，具体实现过程如下：

$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;X_{\mathrm{pj}}+b\end{array}---\left(8\right)$

其中X_p0为常数项且恒等于1。令

$\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_p\right)=[{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{\mathrm{pn}},......,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{\mathrm{pn}}]---\left(9\right)$

其中，

表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：

$S=\{(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_1\right),y_1),(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_2\right),y_2),...,(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_N\right),y_N),\}---\left(10\right)$

其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：

$R(\mathrm{\&omega;},b)=\mathrm{\&gamma;}\frac{1}{N}{\mathrm{\&Sigma;}}_{p=1}^N{L}_{\mathrm{\&epsiv;}}(y_p,f\left(X_p\right))+\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}---\left(11\right)$

其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。ω是支持向量机超平面的法向量，f(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：

其中ε是优化问题的误差容限，接下来使用支持向量机求得模糊网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：

$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\&Element;\mathrm{SV}}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$

${\hat{y}}_p=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k)<\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X\right),\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_k\right)>+b---\left(14\right)$

其中α_k，

分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子。

即为对应于第p个标准化后的训练样本X_p的炉温预报值和使炉温最佳的操作变量值。

自适应结构优化模块10，由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：

$I=\arg \underset{1\&le;i\&le;R}{\max }{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)---\left(15\right)$

其中

表示适应度值最大的模糊规则项的项号，即

如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：

$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$

${\mathrm{\&sigma;}}_j^{\mathrm{new}}=\mathrm{\&beta;}\&times;\frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$

其中

和

为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。

在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：

其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。

如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。

所述的上位机6还包括：信号采集模块12，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13，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***预报值比较，如果相对误差大于10%或炉温超出生产正常上下限范围，则将DCS数据库中生产正常时的使炉温最佳的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***还包括DCS***，所述的DCS***由数据接口3、控制站4、数据库5构成；智能仪表2、DCS***、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11，用于将计算最优结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***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***将所得到的使炉温最佳的操作变量值作为新的操作变量设定值，自动执行炉温最佳化操作。

当废液焚烧过程已配有DCS***时，样本实时动态数据的检测、存储利用DCS***的实时和历史数据库，得到炉温预报值和使炉温最佳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***时，采用数据存储器来替代DCS***的实时和历史数据库的数据存储功能，并将得到炉温预报值和使炉温最佳的操作变量值的功能***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***的一个独立的完整的片上***，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，自适应机器学习的农药废液焚烧炉炉温最佳化方法，所述的方法具体实现步骤如下：

1）、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，采集对应的炉温和使炉温最佳化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、炉温和使炉温最佳化的操作变量的数据，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输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,…,X_pn]，其中n是输入变量的个数。

设模糊网络有R个模糊规则，对每个模糊规则i,i=1,…,R，都赋予一个权重值D_i，用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：

$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(4\right)$

其中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。

设标准化后的训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：

${\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(5\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度。

求得输入训练样本对于每个规则的适应度之后，模糊网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μ⁽ⁱ⁾(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：

$f^{\left(i\right)}={\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})---\left(6\right)$

${\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$

式中，f⁽ⁱ⁾为第i条模糊规则的输出，是模糊网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。

4）、在式（7）中，输入变量线性乘积和中的参数的确定是模糊网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，转换过程如下：

$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;X_{\mathrm{pj}}+b\end{array}---\left(8\right)$

其中X_p0为常数项且恒等于1。令

$\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_p\right)=[{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{\mathrm{pn}},......,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{\mathrm{pn}}]---\left(9\right)$

其中，

表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：

$S=\{(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_1\right),y_1),(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_2\right),y_2),...,(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_N\right),y_N),\}---\left(10\right)$

其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：

$R(\mathrm{\&omega;},b)=\mathrm{\&gamma;}\frac{1}{N}{\mathrm{\&Sigma;}}_{p=1}^N{L}_{\mathrm{\&epsiv;}}(y_p,f\left(X_p\right))+\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}---\left(11\right)$

其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。ω是支持向量机超平面的法向量，f(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：

其中ε是优化问题的误差容限，接下来使用支持向量机求得模糊网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：

$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\&Element;\mathrm{SV}}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$

${\hat{y}}_p=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k)<\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X\right),\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_k\right)>+b---\left(14\right)$

其中α_k，

分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子。

即为对应于第p个标准化后的训练样本X_p的炉温预报值和使炉温最佳的操作变量值。

5）、由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：

$I=\arg \underset{1\&le;i\&le;R}{\max }{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)---\left(15\right)$

其中

表示适应度值最大的模糊规则项的项号，即

如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：

$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$

${\mathrm{\&sigma;}}_j^{\mathrm{new}}=\mathrm{\&beta;}\&times;\frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$

其中

和

为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。

在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：

其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。

如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。

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***预报值比较，如果相对误差大于10%或炉温超出生产正常上下限范围，则将DCS数据库中生产正常时的使炉温最佳的新数据加入训练样本数据，更新软测量模型。

7）、在所述的步骤4）中计算得到最优操作变量值，将得到的炉温预报值和使炉温最佳的操作变量值传给DCS***，在DCS的控制站显示，并通过DCS***和现场总线传递到现场操作站进行显示；同时，DCS***将所得到的使炉温最佳的操作变量值作为新的操作变量设定值，自动执行炉温最佳化操作。

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。

Claims (2)

1.一种自适应机器学习的农药废液焚烧炉炉温最佳化***及方法，包括焚烧炉、智能仪表、DCS***、数据接口以及上位机，所述的DCS***包括控制站和数据库；所述现场智能仪表与DCS***连接，所述DCS***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、炉温和使炉温最佳化的操作变量的数据，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。

模糊网络模块，对从数据预处理模块传过来的输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,...,X_pn]，其中n是输入变量的个数。

设模糊网络有R个模糊规则，对每个模糊规则i,i=1,…,R，都赋予一个权重值D_i，用以表示规则i在模糊网络中的重要性。为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：

$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(4\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。

设标准化后的训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：

${\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(5\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度。

求得输入训练样本对于每个规则的适应度之后，模糊网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μ⁽ⁱ⁾(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：

$f^{\left(i\right)}={\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})---\left(6\right)$

${\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$

式中，R为模糊规则个数，f⁽ⁱ⁾为第i条模糊规则的输出，

是模糊网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。

支持向量机优化模块，在式（7）中，输入变量线性乘积和中的参数的确定是模糊网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，具体实现过程如下：

$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;X_{\mathrm{pj}}+b\end{array}---\left(8\right)$

其中X_p0为常数项且恒等于1。令

$\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_p\right)=[{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{\mathrm{pn}},......,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{\mathrm{pn}}]---\left(9\right)$

其中，

表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：

$S=\{(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_1\right),y_1),(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_2\right),y_2),...,(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_N\right),y_N),\}---\left(10\right)$

其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：

$R(\mathrm{\&omega;},b)=\mathrm{\&gamma;}\frac{1}{N}{\mathrm{\&Sigma;}}_{p=1}^N{L}_{\mathrm{\&epsiv;}}(y_p,f\left(X_p\right))+\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}---\left(11\right)$

其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。ω是支持向量机超平面的法向量，f(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：

其中ε是优化问题的误差容限，y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，接下来使用支持向量机求得模糊网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：

$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\&Element;\mathrm{SV}}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$

${\hat{y}}_p=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k)<\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X\right),\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_k\right)>+b---\left(14\right)$

其中α_k，

分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子，

是第p个标准化后的训练样本对应的炉温预报值和使炉温最佳化的操作变量值。

自适应结构优化模块，由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：

$I=\arg \underset{1\&le;i\&le;R}{\max }{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)---\left(15\right)$

其中

表示适应度值最大的模糊规则项的项号，即

如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：

$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$

${\mathrm{\&sigma;}}_j^{\mathrm{new}}=\mathrm{\&beta;}\&times;\frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$

其中

和

为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。

在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：

其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。

如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。

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。结果显示模块，用于将优化结果传给DCS***，在DCS的控制站显示，并通过DCS***和现场总线传递到现场操作站进行显示。

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。

2.一种自适应机器学习的农药废液焚烧炉炉温最佳化方法，其特征在于：所述的炉温最佳化方法具体实现步骤如下：

1）、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，采集对应的炉温和使炉温最佳化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、炉温和使炉温最佳化的操作变量的数据，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输入变量，进行模糊推理和建立模糊规则。对从数据预处理模块传过来的经过预处理过的训练样本X进行模糊分类，得到模糊规则库中每个模糊聚类的中心和宽度。设第p个标准化后的训练样本X_p=[X_p1,…,X_pn]，其中n是输入变量的个数。

设模糊网络有R个模糊规则，为了求得每个模糊规则对于训练样本X_p的每个输入变量X_pj,j=1,…,n，下面的模糊化方程将求出其对第i个模糊规则的隶属度：

$M_{\mathrm{ij}}=\exp \{-\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(4\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度，由模糊聚类求得。

设标准化后的训练样本X_p对模糊规则i的适应度为μ⁽ⁱ⁾(X_p)，则μ⁽ⁱ⁾(X_p)的大小可由下式决定：

${\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)=\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{M}_{\mathrm{ij}}\left(X_p\right)=\exp \{-\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{{(X_{\mathrm{pj}}-m_{\mathrm{ij}})}^2}{{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}\}---\left(5\right)$

式中，M_ij表示输入变量X_pj对第i个模糊规则的隶属度，m_ij和σ_ij分别表示第i个模糊规则的第j个高斯成员函数的中心和宽度。

求得输入训练样本对于每个规则的适应度之后，模糊网络对模糊规则输出进行推导以得到最后的解析解。在常用的模糊网络结构中，每个模糊规则推导的过程都可以表示为如下：首先求得训练样本中所有输入变量的线性乘积和，然后用此线性乘积和与规则的适用度μ⁽ⁱ⁾(X_p)相乘，得到最终的每条模糊规则的输出。模糊规则i的推导输出可以表示如下：

$f^{\left(i\right)}={\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})---\left(6\right)$

${\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b---\left(7\right)$

式中，f⁽ⁱ⁾为第i条模糊规则的输出，

是模糊网络模型对第p个训练样本的预测输出，a_ij,j=1,…,n是第i条模糊规则中第j个变量的线性系数，a_i0是第i条模糊规则中输入变量线性乘积和的常数项，b是输出偏置量。

4）、在式（7）中，输入变量线性乘积和中的参数的确定是模糊网络使用中用到的一个主要问题，这里我们采用把原有的模糊规则推导输出形式转换为支持向量机优化问题，再使用支持向量机进行线性优化，具体实现过程如下：

$\begin{array}{c}{\hat{y}}_p=\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}{f}^{\left(i\right)}+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}[{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;X_{\mathrm{pj}}+a_{i0})]+b\\ =\underset{i=1}{\overset{R}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}\&times;{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)\&times;X_{\mathrm{pj}}+b\end{array}---\left(8\right)$

其中X_p0为常数项且恒等于1。令

$\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_p\right)=[{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(1\right)}\&times;X_{\mathrm{pn}},......,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{p0},...,{\mathrm{\&mu;}}^{\left(R\right)}\&times;X_{\mathrm{pn}}]---\left(9\right)$

其中，

表示原训练样本的转化形式，即把原来的训练样本转换为如上式形式，作为支持向量机的训练样本：

$S=\{(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_1\right),y_1),(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_2\right),y_2),...,(\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_N\right),y_N),\}---\left(10\right)$

其中y₁,…,y_N是训练样本的目标输出，取S作为新的输入训练样本集合，那么原有问题可以转化为如下的支持向量机对偶优化问题：

$R(\mathrm{\&omega;},b)=\mathrm{\&gamma;}\frac{1}{N}{\mathrm{\&Sigma;}}_{p=1}^N{L}_{\mathrm{\&epsiv;}}(y_p,f\left(X_p\right))+\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}---\left(11\right)$

其中y_p是输入训练样本X_p的目标输出，f(X_p)是对应于X_p的模型输出，L_ε(y_p,f(X_p))是输入训练样本X_p对应的目标输出y_p和模型输出f(X_p)在优化问题的误差容限为ε时的一次不敏感函数。ω是支持向量机超平面的法向量，f(X_p)是对应于X_p的模型输出，γ是支持向量机的惩罚因子，上标T表示矩阵的转置，R(ω,b)是优化问题的目标函数，N是训练样本数，L_ε(y_p,f(X_p))表达式如下：

其中ε是优化问题的误差容限，接下来使用支持向量机求得模糊网络的模糊规则最优推导线性参数和对偶优化问题的预报输出：

$a_{\mathrm{ij}}=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}}=\underset{k\&Element;\mathrm{SV}}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k){\mathrm{\&mu;}}^{\left(i\right)}{X}_{\mathrm{kj}},i=1,...,R;j=0,...,n---\left(13\right)$

${\hat{y}}_p=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_k^{*}-{\mathrm{\&alpha;}}_k)<\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X\right),\stackrel{\&RightArrow;}{\mathrm{\&phi;}}\left(X_k\right)>+b---\left(14\right)$

其中α_k，

分别是y_p-f(X_p)大于0和小于0时对应的拉格朗日乘子；

即为对应于第p个标准化后的训练样本X_p的炉温预报值和使炉温最佳的操作变量值。

5）、由于在模糊网络的结构参数确定中，主要是靠人工经验来确定，而且一旦确定，整个模型结构不能自适应优化。本模块通过设定模糊规则增加阈值μ_th-add、模糊规则重要性减少阈值μ_th-d、模糊规则删减阈值μ_th-del，在对训练样本的处理过程中对模糊网络的结构进行自适应调整。在式（5）中，模糊规则i对于第p个训练样本X_p=[X_p1,…,X_pn]的适应度为μ⁽ⁱ⁾(X_p)，而模糊规则中适应度值最大的模糊规则项为：

$I=\arg \underset{1\&le;i\&le;R}{\max }{\mathrm{\&mu;}}^{\left(i\right)}\left(X_p\right)---\left(15\right)$

其中

表示适应度值最大的模糊规则项的项号，即

如果μ^(I)<μ_th-add，即模糊规则适应度最大值小于设定的模糊规则增加阈值μ_th-add，则增加一条新规则。新增加的模糊规则的高斯成员函数的中心和宽度为：

$m_j^{\mathrm{new}}=X_{\mathrm{pj}},j=1,...,n---\left(16\right)$

${\mathrm{\&sigma;}}_j^{\mathrm{new}}=\mathrm{\&beta;}\&times;\frac{{\left|\right|X_{\mathrm{pj}}-m_{\mathrm{Ij}}\left|\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{Ij}}^2},j=1,...,n---\left(17\right)$

其中

和

为新的模糊规则的高斯成员函数的中心和宽度，常数β>0表示新的模糊规则与模糊规则I之间的重叠度，一般β值取1.2。

在以上处理训练样本的过程中，D_i会随着模糊网络在处理样本的过程中发生变化，用以决定该模糊规则的删除与否。刚开始，每个模糊规则的D_i,i=1,…,R值均设置为1，并且随着训练样本的输入做如下的变化，对第i条模糊规则的D_i值：

其中常数τ值决定了模糊规则重要性变化的快慢，如果第i条模糊规则对于第p个训练样本的适应值μ⁽ⁱ⁾(X_p)小于模糊规则重要性减少阈值μ_th-d，则其模糊规则重要性值就开始降低，反之增加。

如果第i条模糊规则的D_i值在对训练样本训练过程中减小至模糊规则删减阈值μ_th-del，则删去第i条模糊规则。

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***预报值比较，如果相对误差大于10%或炉温超出生产正常上下限范围，则将DCS数据库中生产正常时的使炉温最佳的新数据加入训练样本数据，更新软测量模型。

7）、在所述的步骤4）中计算得到最优操作变量值，将得到的炉温预报值和使炉温最佳的操作变量值传给DCS***，在DCS的控制站显示，并通过DCS***和现场总线传递到现场操作站进行显示；同时，DCS***将所得到的使炉温最佳的操作变量值作为新的操作变量设定值，自动执行炉温最佳化操作。

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