智能支持向量机的农药废液焚烧炉炉温最佳化系统及方法

摘要

本发明公开了一种智能支持向量机的农药废液焚烧炉炉温最佳化系统及方法。训练样本经过加权最小二乘支持向量机的处理，得到的多个支持向量机输出结果与模糊系统结合得到炉温预报值和使炉温最佳的操作变量值。在本发明中，标准化处理模块与模糊系统模块相连，用于对训练样本中心化；模糊系统模块输出的炉温预报值和使炉温最佳的操作变量值作为结果显示模块的输入；智能优化模块，用于求解模型输出误差最小问题；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。本发明实现了炉温的准确控制、抑制了系统中的误差，避免出现炉温过低或过高。

说明书

技术领域

本发明涉及农药生产废液焚烧领域，特别地，涉及智能支持向量机的农药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。

1965年美国数学家L.Zadeh首先提出了模糊集合的概念。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。模糊逻辑迄今已经成功应用在了工业的多个领域之中，例如家电、工业控制等领域。2003年，Demirci提出了模糊方程的概念，通过使用模糊隶属度矩阵和和其变形构建一个新的输入矩阵，接着在局部方程中以反模糊方法中的重心法得出解析值作为最后的输出。对于农药废液焚烧炉炉温最佳化系统及方法，考虑到工业生产过程中的噪音影响以及操作误差，可以使用模糊逻辑的模糊性能降低误差对精度的影响。

支持向量机，由Vapnik在1998年引入，由于其良好的推广能力，被广泛应用在模式识别、拟合和分类问题中。由于标准支持向量机处理大批量数据时有收敛速度慢、精度低等缺点，所以后来又提出了最小二乘支持向量机。最小二乘支持向量机相比于标准支持向量机能够更好地处理大批量样本数据，这里被选作模糊方程中的局部方程。

粒子群算法，即Particle Swarm Optimization，是由Kennedy和Eberhart教授提出来的一种通过模仿鸟类飞行行为来寻求全局最优的一种生物智能寻优算法，简称PSO。该算法通过群体中粒子间的相互影响，减少了搜索算法陷入局部最优解的风险，具有很好的全局搜索性能。粒子群算法被用来搜索支持向量机的最优参数组合，以达到优化模型的目的。

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系统及方法。

本发明解决其技术问题所采用的技术方案是：

智能支持向量机的农药废液焚烧炉炉温最佳化系统，包括焚烧炉、智能仪表、DCS系统、数据接口以及上位机，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：$>\overline{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$>

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

标准化：$>X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x}---\left(3\right)$>

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。σx表示训练样本的标准差，σ2x表示训练样本的方差。

模糊系统模块，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，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：

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

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)=[ ?1func(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。

支持向量机作为模糊系统模糊系统的局部方程，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，加权重的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：

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

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，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，w是支持向量机超平面的法向量，b是相应的偏移量，而ω_i,i=1,…,N和γ分别是加权支持向量机的权重和惩罚因子，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，是非线性映射函数，μ_ik表示第i个标准化后的训练样本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：

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

其中，为模糊群k在训练样本i的输出，K<·>是加权支持向量机的核函数，这里K<·>取线性核函数；α_m，m=1,…,N是对应的拉格朗日乘子。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。

由反模糊方法中的重心法得到最后的模糊系统的输出：

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

式中，为模糊系统的输出，为模糊群k在训练样本i的输出

智能优化模块，用于采用粒子群算法对模糊系统中支持向量机局部方程的惩罚因子和误差容限值进行优化，具体实现步骤如下：

①确定粒子群的优化参数为支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。

②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：

f_p=1/(E_p+1)  （11）

式中，E_p是模糊系统的误差函数，表示为：

$>E_p=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\hat{y}}_i-O_i)}^2}---\left(12\right)$>

式中，是模糊系统的预测输出，O_i为模糊系统的目标输出；

③按照如下公式，循环更新每个粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

（13）

r_p(iter+1)=r_p(iter)+v_p(iter+1)  （14）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和使炉温最佳的操作变量值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0,1]之间的随机数；

④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：

Lbest_p=f_p  （15）

⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:

Gbest=Lbest_p  （16）

⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊系统的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和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系统预报值比较，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。

智能支持向量机的农药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O；

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：$>\stackrel{-}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$>

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

2.3）标准化：$>X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x}---\left(3\right)$>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。σx表示训练样本的标准差，σ2x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，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：

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

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)=[1func(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。

支持向量机作为模糊系统的局部方程，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，加权重的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：

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

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，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，w是支持向量机超平面的法向量，b是相应的偏移量，而ω_i,i=1,…,N和γ分别是加权支持向量机的权重和惩罚因子，α_i，i=1，…，N是对应的拉格朗日乘子的第i个分量，是非线性映射函数，μ_ik表示第i个标准化后的训练样本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：

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

其中，为模糊群k在训练样本i的输出，K<·>是加权支持向量机的核函数，这里K<·>取线性核函数，α_m，m=1,…,N是对应的拉格朗日乘子。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。

由反模糊方法中的重心法得到最后的模糊系统的输出：

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

式中，为模糊系统的输出，为模糊群k在训练样本i的输出

4）、采用粒子群算法对模糊系统中支持向量机局部方程的惩罚因子和误差容限值进行优化，具体步骤如下：

①确定粒子群的优化参数为支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。

②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：

f_p=1/(E_p+1)  （11）

式中，E_p是模糊系统的误差函数，表示为：

$>E_p=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\hat{y}}_i-O_i)}^2}---\left(12\right)$>

式中，是模糊系统的预测输出，O_i为模糊系统的目标输出；

③按照如下公式，循环更新每个粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

（13）

r_p(iter+1)=r_p(iter)+v_p(iter+1)  （14）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和使炉温最佳的操作变量值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0,1]之间的随机数；

④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：

Lbest_p=f_p  （15）

⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:

Gbest=Lbest_p  （16）

⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊系统的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

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

作为优选的一种方案：所述的方法还包括：5）、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系统预报值比较，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，在所述的步骤4）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；同时，DCS系统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：发明了智能支持向量机的农药废液焚烧炉炉温最佳化系统及方法，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、建立了系统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，智能支持向量机的农药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：$>\stackrel{-}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$>

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

标准化：$>X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x}---\left(3\right)$>

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。σx表示训练样本的标准差，σ2x表示训练样本的方差。

模糊系统模块8，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。设模糊系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、vj，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：

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

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)=[1func(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。

支持向量机作为模糊系统模糊系统的局部方程，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，加权重的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：

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

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，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，w是支持向量机超平面的法向量，b是相应的偏移量，而ω_i,i=1,…,N和γ分别是加权支持向量机的权重和惩罚因子，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，是非线性映射函数，μ_ik表示第i个标准化后的训练样本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：

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

其中，为模糊群k在训练样本i的输出，K<·>是加权支持向量机的核函数，这里K<·>取线性核函数，α_m，m=1,…,N是对应的拉格朗日乘子。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。

由反模糊方法中的重心法得到最后的模糊系统的输出：

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

式中，为模糊系统的输出，为模糊群k在训练样本i的输出

智能优化模块9，用于采用粒子群算法对模糊系统中支持向量机局部方程的惩罚因子和误差容限值进行优化，具体实现步骤如下：

①确定粒子群的优化参数为支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。

②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：

f_p=1/(E_p+1)  （11）

式中，E_p是模糊系统的误差函数，表示为：

$>E_p=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\hat{y}}_i-O_i)}^2}---\left(12\right)$>

式中，是模糊系统的预测输出，O_i为模糊系统的目标输出；

③按照如下公式，循环更新每个粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

（13）

r_p(iter+1)=r_p(iter)+v_p(iter+1)  （14）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和使炉温最佳的操作变量值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0,1]之间的随机数；

④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：

Lbest_p=f_p  （15）

⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:

Gbest=Lbest_p  （16）

⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊系统的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和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系统预报值比较，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，用于将得到的炉温预报值和使炉温最佳的操作变量值传给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。

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，并将得到炉温预报值和使炉温最佳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，智能支持向量机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O；

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：$>\stackrel{-}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$>

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

2.3）标准化：$>X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x}---\left(3\right)$>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。σx表示训练样本的标准差，σ2x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，则第i个标准化后的训练样本X_i对于模糊群k的隶属度μ_ik为：

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

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)=[1func(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。

支持向量机作为模糊系统的局部方程，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，加权重的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：

$>(w,\xi )\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma {\Sigma }_{i-1}^N{\omega }_i{\xi }_i^2---\left(6\right)$>

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，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，w是支持向量机超平面的法向量，b是相应的偏移量，而ωi,i=1,…,N和γ分别是加权支持向量机的权重和惩罚因子，α_i，i=1,…,N是对应的拉格朗日乘子的第i个分量，是非线性映射函数，μ_ik表示第i个标准化后的训练样本Xi_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：

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

其中，为模糊群k在训练样本i的输出，K<·>是加权支持向量机的核函数，这里K<·>取线性核函数；α_m，m=1,…，N是对应的拉格朗日乘子。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。

由反模糊方法中的重心法得到最后的模糊系统的输出：

式中，为模糊系统的输出，为模糊群k在训练样本i的输出

4）、采用粒子群算法对模糊系统中支持向量机局部方程的惩罚因子和误差容限值进行优化，具体步骤如下：

①确定粒子群的优化参数为支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。

②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：

f_p=1/(E_p+1)  （11）

式中，E_p是模糊系统的误差函数，表示为：

$>E_p=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\hat{y}}_i-O_i)}^2}---\left(12\right)$>

式中，是模糊系统的预测输出，O_i为模糊系统的目标输出；

③按照如下公式，循环更新每个粒子的速度和位置，

v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))

（13）

r_p(iter+1)=r_p(iter)+v_p(iter+1)  （14）

式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为对应于第i个标准化后的训练样本X_i的炉温预报值和使炉温最佳的操作变量值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0,1]之间的随机数；

④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：

Lbest_p=f_p  （15）

⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:

Gbest=Lbest_p  （16）

⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊系统的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

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

所述的方法还包括：5）、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系统预报值比较，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。

6）、在所述的步骤4）中计算得到炉温预报值和使炉温最佳的操作变量值，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。

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。