买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：本发明提供基于多回路改进SNA‑PID的炉膛温度智能优化控制方法。实际工业现场大多依靠领域专家凭借经验依据污染物排放浓度进行操作，从而导致炉膛温度波动大，污染物排放浓度难以最优。首先，面向以炉膛温度控制为目标的过程对象建模问题，建立基于最小二乘决策树LSDT的多入单出被控对象模型；接着，面向炉膛温度与多个操作变量相关的问题，提出基于ISNA‑PID的多回路控制器；最后，面向以降低与炉膛温度相关污染物排放浓度为目标的优化设定问题，建立基于CART树算法的单入单出指标模型，采用粒子群优化PSO算法求解NOx与CO2排放优化模型获得炉膛温度设定值。本发明能够实现炉膛温度设定值的自主寻优，降低了污染物排放浓度。

主权项：1.基于多回路SNA-PID的炉膛温度智能优化控制方法，其特征在于：由三部分组成：面向炉膛温度的被控对象模型、面向炉膛温度的多回路智能控制器和面向炉膛温度的设定优化；yFT表示炉膛温度最优设定值；U表示多回路控制器输出矩阵；表示炉膛温度模型输出值；和表示NOx与CO2模型输出值，其余符号见下文描述；面向炉膛温度的被控对象模型包括基于小波的数据去噪和基于最小二乘决策树的炉膛温度模型； 和分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量原始数据；uPriAir、uSecAir、uFeeder、uDry和uNH3gH2O分别表示一次风量、二次风量、进料器炉排均速、干燥炉排均速和氨水注入量小波去噪后的数据；表示炉膛温度模型输出；1基于小波的数据去噪软阈值去噪表示式如下所示： 其中，wθ和表示是去噪前、后的小波系数；阈值M为信号长度；软阈值是令绝对值小于阈值的元素为0，其余非0元素向0收缩；2基于最小二乘决策树的炉膛温度模型将炉膛温度模型的全部输入特征记为首先，以第m个输入特征作为分割变量，以第nsel个样本对应的值作为分割点进行切割，将输入特征空间分为两个区域和如下： 基于以下准则，通过遍历寻找最优分割变量和分割点； 其中，和分别代表区域和中样本真值；和分别代表区域和中的样本真值平均值；接着，重复上述过程，直到叶节点样本数小于经验设定阈值θFT，取样本数量的十分之一作为该阈值；最后，将输入特征空间划分为KFT个区域并标记为进而，基于最小二乘决策树的FT模型如下： 其中，为第k个叶节点权重；I·为指示函数，当存在时函数值为1，否则为0，表示中间节点数量，且构建上述模型的损失函数定义如下： 其中，λ为正则项系数；将其转换成向量形式，将损失函数对求导，并令其为0，可得： 其中，Umodel表示模型输入特征向量；先计算一次风量、二次风量、进料器均速与炉膛温度的相关系数，将相关系数较低的一次风作为扰动量；第j个操作变量其中j＝1,…,4；原始SNA-PID控制器需要对误差信号进行状态转换，其输入为： 其中，ek表示误差值；和yFT分别表示炉膛温度设定值和模型输出值；k表示迭代次数；针对SNA-PID控制器的输入x3进行改进，目的是降低输出震荡，如下：z3k＝[ek-ek-1]210因此，针对第j个操作变量的ISNA-PID控制器输出表示为： 其中，表示第j个操作变量的增量；表示第j个操作变量的神经元增益系数；表示在k时刻第j个操作变量的第i个神经元加权系数，表示为： 由式18和19可知，SNA-PID控制器通过不断在线调整神经元加权系数，在有监督的Hebb学习算法下实现设定值的跟踪，如下： 在式20的基础上，重复利用误差增量实现加权系数的更新，修改后的加权系数更新公式如下： 其中，和分别表示第j个操作变量中比例、积分和微分神经元的权重系数，和分别表示第j个操作变量中比例、积分和微分神经元学习系数；面向炉膛温度的设定优化1基于CART树的NOx与CO2指标模型此处仅考虑炉膛温度对NOx与CO2的影响，为增加模型的可解释性采用CART树构建单入单出指标模型；NOx模型建模过程如下：首先，以第nsel个样本对应的值作为分割点进行切割，将输入特征空间分为两个区域和如下： 基于以下准则，通过遍历寻找最优分割点； 其中，和分别代表和区域中样本真值；和分别代表和区域中样本真值的平均值；接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值θNOx，取样本数量的十分之一作为该阈值；最后，将输入特征空间划分为KNOx个区域并标记为进而，基于CART树构建的NOx模型如下： 其中，表示区域中包含的样本数量；表示区域中第个样本真值；I·为指示函数，当存在时函数值为1，否则为0；CO2模型建模过程如下：首先，以第nsel个样本对应的值作为分割点进行切割，将输入特征空间分为两个区域和如下： 基于以下准则，通过遍历寻找最优分割点； 其中，和分别代表和区域中样本真值；和分别代表和区域中样本真值的平均值；接着，重复上述过程进行生长，直到叶节点样本数小于经验设定阈值取样本数量的十分之一作为该阈值；最后，将输入特征空间划分为个区域并标记为进而，基于CART树构建的CO2模型如下： 其中，表示区域中包含的样本数量；表示区域中第个样本真值；表示经验设定阈值；I·为指示函数，当存在时函数值为1，否则为0；2多目标优化模型以NOx与CO2排放浓度为优化目标的炉膛温度设定优化多目标模型如下所示： 其中，表示污染物综合排放浓度；wPollutant表示权重向量；γPollutant表示污染物排放浓度输出向量；ωNOx、分别表示NOx与CO2排放浓度所占权重；为最小化目标函数γmix，在基于CART树建立的单入单出NOx与CO2指标模型的基础上，采用粒子群优化算法搜索最优炉膛温度设定值；其粒子速度与位置更新公式为： 其中，t表示迭代次数；ω表示惯性因子；r1和r2是0,1之间的随机数；c1和c2代表学习因子，取值为2；xit、pbestit和gbestt分别表示第t次迭代时，第i个粒子的当前位置、个体最优以及全局最优；由于炉膛温度设定通常为整数，对速度更新公式进行取整运算，如下所示： 其中，q表示粒子编号。

全文数据：

权利要求：

百度查询： 北京工业大学 基于多回路改进SNA-PID的炉膛温度智能优化控制方法