详情

原文传递一种基于最小二乘支持向量机的烟气氧含量软测量系统

专利名称：	一种基于最小二乘支持向量机的烟气氧含量软测量系统
摘要：	一种基于最小二乘支持向量机的碱回收炉烟气氧含量的软测量系统，包括碱回收炉燃烧过程、现场智能仪表和传感器、PLC控制站、DCS数据库和烟气氧含量显示屏，基于最小二乘支持向量机的碱回收炉烟气氧含量的软测量系统，包括模块更新模块、数据预处理模块、主成分分析和灰度关联模块、混沌粒子群寻优模块和最小二乘支持向量机模型模块。本发明可以在不直接使用氧化锆氧量传感器的情况下，根据炉膛温度、炉膛负压、黑液流量、送风电流、引风电流、总风量六个辅助变量的实际测量值，通过烟气氧含量软测量模型得出烟气氧含量的预测值，可以较好地解决烟气氧含量难以精确预测的问题，提高碱回收炉的燃烧效率。
专利类型：	发明专利
国家地区组织代码：	陕西;61
申请人：	陕西科技大学
发明人：	李艳;陈倩;魏飞;任锦
专利状态：	有效
申请日期：	2018-10-08T00:00:00+0800
发布日期：	2019-05-17T00:00:00+0800
申请号：	CN201811168969.4
公开号：	CN109765331A
代理机构：	西安智大知识产权代理事务所
代理人：	王晶
分类号：	G01N33/00(2006.01);G;G01;G01N;G01N33
申请人地址：	710021 陕西省西安市未央区大学园区陕西科技大学
主权项：	1.一种基于最小二乘支持向量机的烟气氧含量软测量系统，其特征在于，包括现场智能仪表和传感器(2)，现场智能仪表和传感器(2)与碱回收炉燃烧过程(1)连接，同时也与DCS数据库(3)相连，PLC控制站(5)分别与碱回收炉燃烧过程(1)和DCS数据库(3)相连，DCS数据库(3)与烟气氧含量软测量模型(4)连接，现场仪表与传感器(2)测量碱回收炉的辅助变量，将变量数据传输到DCS数据库(3)，DSC数据库(3)中的数据作为烟气氧含量模型(4)的输入数据，PLC控制站(5)用于控制操作变量来控制碱回收炉燃烧过程(1)，烟气氧含量软测量值显示屏(6)用于显示烟气氧含量模型(4)的数据；所述的烟气氧含量模型(4)的软测量系统包括； (1)数据预处理模块：对从DCS数据库中采集的数据进行数据清理，利用3σ法剔除过失数据，在此基础上，采用五点三次平滑法对数据进行平滑处理，剔除随机误差；再采用最小-最大标准化方法对数据进行量纲统一化，将样本点投影到[0,1]区间； (2)主成分分析和灰度关联模块：用来选择辅助变量的个数和类型，选取累积方差贡献率方法来确定主成分个数，利用方差贡献率δi和前k个主元的累计方差贡献率ηk来衡量信息涵盖比例，用选择的涵盖85％以上的信息k(k＜m)个主元代替原始m个变量；利用灰色关联度，分析各变量与烟气氧含量的曲线趋势关系，确定与烟气氧含量相关性强的变量； (3)最小二乘支持向量机模型模块：使用RBF高斯核函数作为烟气氧含量软测量模型的核函数，且最小二乘支持向量机可以克服变量间的相关性； (4)混沌粒子群寻优模块：用带有随机惯性权重的混沌粒子群算法(CPSO)对LSSVM的正则化参数和核参数寻优。 2.根据权利要求1所述的一种基于最小二乘支持向量机的烟气氧含量软测量系统，其特征在于，所述步骤4中，带有随机惯性权重的CPSO算法的参数寻优步骤如下：步骤1：初始化CPSO参数：种群规模d、最大迭代次数Gmax、学习因子c1,c2、核参数σ和正则参数γ的取值范围；步骤2：在所确定范围内随机产生d个粒子，各粒子初始位置为(σ0,γ0)；步骤3：利用每个粒子的位置和训练数据建立LSSVM模型，并利用测试数据依据式求解各粒子的适应度值xid，式中yi是真实值，是预测值，而后进行排序，将各粒子历史最优适应度值设置为pbest，将适应度值最小的粒子位置设置为种群的历史最优适应度位置gbest；步骤4：求解并比较各粒子的适应度值，如果各粒子当前适应度值小于其历史最优适应度值，即xid＜pbest，则当前pbest设为xid，同理若当前粒子最优适应度值小于全局最优适应度值，即xid＜gbest，则令gbest等于xid；步骤5：根据式产生随机惯性权重，假设寻优空间维度为D，种群个数为N，其中第i个微粒表示为Xi＝(xi1,xi2,L,xiD)，该微粒经历的最好位置记为Pi＝(pi1,pi2,L,piD)，也可用pbest表示，在种群中全部微粒经历的最好位置记为Pg＝(pg1,pg2,L,pgD)，也可用gbest表示，微粒的速度用Vi＝(vi1,vi2,L,viD)表示，对于每一代微粒，它的第d维(1≤d≤D)速度和位置根据如下公式更新：和xid(k+1)＝xid(k)+vid(k+1)，从而更新粒子的速度和位置，产生新一代粒子，其中，w是惯性权重，rand()是介于(0，1)之间的随机数，c1是局部最优比重，c2是全局最优比重；步骤6：对粒子群进行混沌处理，保留种群中适应度函数值最小的前N×P个微粒，其中P表示替代概率，对这N×P个粒子进行混沌寻优搜索，根据式将混沌向量线性投影到Logistic系统的[0,1]解空间，xi为最优解，xmax,xmin为最优解上下限，再根据式zn+1＝μzn(1-zn),0＜zn＜1,μ＝4迭代生成混沌序列迭代初始值z0不能为0，将生成的混沌序列通过式xi＝xmin+(xmax-xmin)*zi逆映射到原解空间，从而得出真正的最优解，取代原来的N×P个种群粒子；步骤7：判断是否满足达到最大迭代次数或预测精度，若满足，则LSSVM参数寻优暂停；反之，返回步骤4继续搜索LSSVM参数；步骤8：将找到的最优超参数输入到LSSVM算法中，对烟气氧含量训练样本进行学习，建立软测量模型，对测试数据进行烟气氧含量软测量。
所属类别：	发明专利