本發(fā)明涉及城市固體垃圾焚燒爐溫度控制技術(shù)領(lǐng)域，更具體來(lái)說(shuō)，本發(fā)明是一種采用案例推理提取規(guī)則的垃圾焚燒爐溫度模糊控制方法。

背景技術(shù)：

垃圾焚燒過(guò)程具有多變量、強(qiáng)耦合、非線性、大慣性及大滯后等特征，傳統(tǒng)的控制方法難以實(shí)現(xiàn)爐溫的穩(wěn)定、準(zhǔn)確控制，可能會(huì)使得焚燒后煙氣中的二噁英濃度超標(biāo)，對(duì)人和環(huán)境造成嚴(yán)重的損害。因此，穩(wěn)定而準(zhǔn)確的爐溫控制對(duì)減少排放具有重要的實(shí)際意義。

模糊控制是一種以模糊控制規(guī)則為核心的控制方法，相對(duì)于傳統(tǒng)的比例-積分-微分(proportional-integral-differential,pid)控制方法來(lái)說(shuō)，它特別適合于無(wú)法建立準(zhǔn)確機(jī)理模型，具有大慣性、強(qiáng)非線性的過(guò)程控制領(lǐng)域，比如在工業(yè)過(guò)程的溫度控制中，實(shí)踐證明模糊控制比單純的pid控制方法在快速性方面更具優(yōu)勢(shì)。而作為模糊控制的核心，模糊控制規(guī)則的成功提取是控制系統(tǒng)成功應(yīng)用的關(guān)鍵。因而，設(shè)計(jì)一個(gè)模糊控制系統(tǒng)之前，必須提取出合理的控制規(guī)則。

模糊控制規(guī)則的提取過(guò)程主要是根據(jù)控制過(guò)程中產(chǎn)生的樣本數(shù)據(jù)來(lái)進(jìn)行，常見(jiàn)的提取方法有神經(jīng)網(wǎng)絡(luò)、專家經(jīng)驗(yàn)、遺傳算法、wang-mendel算法等，已經(jīng)取得一些實(shí)際應(yīng)用成效。然而，由于這些方法本身固有的一些缺陷又限制了它們的推廣應(yīng)用，比如，神經(jīng)網(wǎng)絡(luò)雖然可以根據(jù)樣本數(shù)據(jù)間接提取規(guī)則，但對(duì)訓(xùn)練樣本的要求較高，且訓(xùn)練時(shí)間較長(zhǎng)，不能滿足那些對(duì)實(shí)時(shí)性要求較高的過(guò)程需求；專家經(jīng)驗(yàn)提取的規(guī)則往往只能適用于比較簡(jiǎn)單的控制系統(tǒng)設(shè)計(jì)，當(dāng)面臨多變量系統(tǒng)或模糊集劃分過(guò)多的情況時(shí)，規(guī)則的合理性難以得到滿足；采用遺傳算法提取規(guī)則時(shí)，需要反復(fù)訓(xùn)練導(dǎo)致效率較低，且易于陷入局部最優(yōu)；wang-mendel算法雖然簡(jiǎn)單實(shí)用，但不具備學(xué)習(xí)推理能力，在應(yīng)用時(shí)適應(yīng)性和魯棒性較差?；谏鲜觯@些方法提取控制規(guī)則的過(guò)程存在計(jì)算量大的缺陷，提取出的規(guī)則有合理性差的局限性，難以實(shí)現(xiàn)控制要求高的場(chǎng)合，在現(xiàn)實(shí)中難以推廣應(yīng)用。因此，如何從樣本數(shù)據(jù)中獲取有效的規(guī)則以保證被控變量的穩(wěn)定而準(zhǔn)確的控制具有重要的現(xiàn)實(shí)意義。

案例推理以認(rèn)知學(xué)為基礎(chǔ)，是人工智能領(lǐng)域一種機(jī)器學(xué)習(xí)與推理方法，它以知識(shí)獲取方便、求解過(guò)程易于理解、效率高及學(xué)習(xí)推理能力強(qiáng)等特點(diǎn)得到了廣泛應(yīng)用。因此，本發(fā)明利用案例推理的學(xué)習(xí)和推理能力強(qiáng)的優(yōu)勢(shì)，對(duì)城市固體垃圾焚燒爐的爐溫控制規(guī)則進(jìn)行提取。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明提供一種采用案例推理提取規(guī)則的垃圾焚燒爐溫度模糊控制方法，可實(shí)現(xiàn)爐溫的穩(wěn)定、準(zhǔn)確控制。

為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

一種采用案例推理提取規(guī)則的垃圾焚燒爐溫度模糊控制方法，其特征在于包括以下步驟：(1)對(duì)爐溫偏差及其變化率、控制器輸出的歷史數(shù)據(jù)采用相似度評(píng)估法聚類相似數(shù)據(jù)；(2)依據(jù)最大隸屬原則生成初始規(guī)則庫(kù)；(3)采用相似度評(píng)估法刪除冗余規(guī)則以約簡(jiǎn)規(guī)則庫(kù)；(4)計(jì)算目標(biāo)規(guī)則與約簡(jiǎn)規(guī)則庫(kù)中的每一條規(guī)則的相似度以檢索規(guī)則；(5)根據(jù)最近鄰方法重用規(guī)則，從而構(gòu)成模糊控制規(guī)則庫(kù)；(6)溫度控制器對(duì)爐溫實(shí)現(xiàn)穩(wěn)定、準(zhǔn)確控制。

進(jìn)一步具體包括如下步驟：

(1)對(duì)爐溫偏差及其變化率、控制器輸出的歷史數(shù)據(jù)采用相似度評(píng)估法聚類相似數(shù)據(jù)，詳細(xì)過(guò)程如下：

首先，將控制器輸入變量(爐溫偏差x1及其變化率x2)和控制器輸出變量x3的p組歷史數(shù)據(jù)構(gòu)成案例庫(kù)c，c中的每一組歷史數(shù)據(jù)稱為源案例，每一個(gè)源案例可表示為：

其中，為第k個(gè)源案例(即第k組歷史數(shù)據(jù))；分別為爐溫偏差x1及其變化率x2、控制器輸出變量x3的第k個(gè)歷史數(shù)據(jù)。

其次，對(duì)式(1)中各變量的數(shù)據(jù)依據(jù)下式進(jìn)行歸一化：

歸一化后式(1)所表示的每個(gè)源案例可表示為

ck:(x1,k,x2,k；x3,k),k＝1,2,…,p(3)

再次，設(shè)xi(i＝1,2,3)的論域xi(i＝1,2,3)＝{-3,-2,-1,0,1,2,3}，將xi(i＝1,2,3)劃分為n個(gè)模糊集；

然后，對(duì)x1進(jìn)行聚類，設(shè)x1的n個(gè)模糊集對(duì)應(yīng)的聚類中心為：

其中，為歸一化后x1的第n個(gè)模糊集的中點(diǎn)；和分別為歸一化后x2與x3的均值；分別計(jì)算各聚類中心c1,n(n＝1,2,…,n)與式(3)中各源案例的相似度sim1,n,k：

設(shè)定相似度閾值sim1，將sim1,n,k大于sim1的所有源案例進(jìn)行聚類，形成x1的n個(gè)聚類簇；

最后，在上述形成的n個(gè)聚類簇的基礎(chǔ)上對(duì)x2進(jìn)行聚類，設(shè)x2的n個(gè)模糊集對(duì)應(yīng)的聚類中心為：

其中，為歸一化后x2對(duì)應(yīng)的第n個(gè)模糊集的中點(diǎn)；和分別為n個(gè)聚類簇中x1與x3的均值；如同式(5)的形式，分別計(jì)算各聚類中心c2,n(n＝1,2,…,n)與x1的每一個(gè)聚類簇中所有源案例的相似度設(shè)定相似度閾值sim2，將大于sim2的所有源案例分別進(jìn)行聚類，進(jìn)而獲得q個(gè)聚類簇，其中含有與式(3)形式相同的源案例p'個(gè)，從而實(shí)現(xiàn)相似數(shù)據(jù)的聚類；

其中的計(jì)算過(guò)程如下：分別計(jì)算式(6)所示的各聚類中心c2,n(n＝1,2,…,n)與x1的每一個(gè)聚類簇中所有源案例的相似度其中此處的k1＝1,2,3,……，為x1的n個(gè)聚類簇中所有源案例的數(shù)據(jù)編號(hào)。

(2)依據(jù)最大隸屬原則生成初始規(guī)則庫(kù)；設(shè)xi(i＝1,2,3)的語(yǔ)言變量分別為e、ec、u，相應(yīng)的語(yǔ)言值分別為{負(fù)大(nb)，負(fù)小(ns)，零(z)，正小(ps)，正大(pb)}；取xi(i＝1,2,3)的值域到相應(yīng)論域xi(i＝1,2,3)的比例因子分別為k1、k2、k3；采用三角型隸屬函數(shù)，依據(jù)比例因子ki(i＝1,2,3)與上述生成的q個(gè)聚類簇中的p'個(gè)源案例，并利用三角隸屬函數(shù)公式計(jì)算出這些源案例中xi(i＝1,2,3)的隸屬度，并依據(jù)最大隸屬原則生成p'條初始規(guī)則；

(3)采用相似度評(píng)估法刪除冗余規(guī)則以約簡(jiǎn)規(guī)則庫(kù)；對(duì)上述的p'條初始規(guī)則，依據(jù)式(5)的相似度評(píng)估方法計(jì)算這些規(guī)則之間的相似度，并刪除相似度為1的重復(fù)規(guī)則，獲得最簡(jiǎn)規(guī)則庫(kù)每一條規(guī)則表示如下：

其中，m為規(guī)則總數(shù)；分別為x1、x2、x3的第m條規(guī)則的模糊集；

(4)計(jì)算目標(biāo)規(guī)則與約簡(jiǎn)規(guī)則庫(kù)中的每一條規(guī)則的相似度以檢索規(guī)則；根據(jù)xi(i＝1,2)的語(yǔ)言變量e和ec及其相應(yīng)的語(yǔ)言值，采用笛卡爾積創(chuàng)建以x1和x2的規(guī)則歸一化值為輸入條件的目標(biāo)規(guī)則集每一條規(guī)則可表示為：

其中，為第o條目標(biāo)規(guī)則的輸入變量的模糊集；為待求解的輸出變量的模糊集；計(jì)算式(8)所示目標(biāo)規(guī)則與式(7)所示每一條規(guī)則的相似度：

根據(jù)最近鄰方法，對(duì)每一條目標(biāo)規(guī)則從最簡(jiǎn)規(guī)則庫(kù)中檢索出具有最大相似度的規(guī)則待用；

(5)根據(jù)最近鄰方法重用規(guī)則，從而構(gòu)成模糊控制規(guī)則庫(kù)；對(duì)上述檢索出的規(guī)則，重用其結(jié)論，得到式(8)中待求解的從而構(gòu)成模糊控制規(guī)則庫(kù)；

(6)基于上述的模糊控制規(guī)則庫(kù)，設(shè)計(jì)模糊控制器，進(jìn)而對(duì)爐溫實(shí)現(xiàn)穩(wěn)定、準(zhǔn)確控制；

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：1、本發(fā)明利用垃圾焚燒爐溫控制的歷史數(shù)據(jù)，采用案例推理方法建立了模糊控制規(guī)則庫(kù)，所需時(shí)間較短，有利于實(shí)時(shí)應(yīng)用；2、避免了專家經(jīng)驗(yàn)制定模糊控制規(guī)則的主觀性；3、采用案例推理方法提取的規(guī)則能夠保證其有效性，使得爐溫的控制穩(wěn)定而準(zhǔn)確，對(duì)于減少污染排放有重要意義。

附圖說(shuō)明

圖1是案例推理提取模糊控制規(guī)則的原理圖；

圖2是爐溫偏差及其變化率、控制器輸出的隸屬函數(shù)。

具體實(shí)施方式

樣本數(shù)據(jù)來(lái)自某垃圾焚燒處理廠爐溫控制過(guò)程中產(chǎn)生的1000組數(shù)據(jù)?？刂破鬏斎胱兞?爐溫偏差x1及其變化率x2)和控制器輸出變量x3的值域分別為：x1∈[-1.5,0.3]、x2∈[-1.8,2.6]、x3∈[-1.6,7.7]。下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做進(jìn)一步說(shuō)明。

一種采用案例推理提取規(guī)則的垃圾焚燒爐溫度模糊控制方法，其特征在于包括以下步驟：

(1)聚類相似數(shù)據(jù)；對(duì)控制器輸入變量(爐溫偏差x1及其變化率x2)和控制器輸出變量x3的1000組歷史數(shù)據(jù)采用相似度評(píng)估法進(jìn)行聚類，詳細(xì)過(guò)程如下：

首先，將上述1000組歷史數(shù)據(jù)構(gòu)成案例庫(kù)c，c中的每一組歷史數(shù)據(jù)稱為源案例，每一個(gè)源案例可表示為：

其中，為第k個(gè)源案例(即第k組歷史數(shù)據(jù))；分別為爐溫偏差x1及其變化率x2、控制器輸出變量x3的第k個(gè)歷史數(shù)據(jù)。

其次，對(duì)式(1)中各變量的數(shù)據(jù)依據(jù)下式進(jìn)行歸一化：

歸一化后式(1)所表示的每個(gè)源案例可表示為

ck:(x1,k,x2,k；x3,k),k＝1,2,…,1000(3)

再次，設(shè)xi(i＝1,2,3)的論域xi(i＝1,2,3)＝{-3,-2,-1,0,1,2,3}，將xi(i＝1,2,3)劃分為5個(gè)模糊集，其中，x1的5個(gè)模糊集分別為[0,0.734]、[0.667,0.8004]、[0.734,0.8674]、[0.8004,0.9338]、[0.8674,1]，x2的5個(gè)模糊集分別為[0,0.2002]、[0.182,0.2184]、[0.2002,0.2366]、[0.2184,0.2548]、[0.2366,1]；

然后，對(duì)x1進(jìn)行聚類，設(shè)x1的5個(gè)模糊集對(duì)應(yīng)的聚類中心為：

其中，為歸一化后x1的第n個(gè)模糊集的中點(diǎn)，分別是0.367、0.734、0.8007、0.8671、0.9337；和分別為歸一化后x2與x3的均值；分別計(jì)算各聚類中心c1,n(n＝1,2,…,n)與式(3)中各源案例的相似度sim1,n,k：

設(shè)定相似度閾值sim1＝0.7，將sim1,n,k大于0.7的所有源案例進(jìn)行聚類，形成x1的5個(gè)聚類簇，各簇中的源案例總數(shù)分別為110、16、824、50、20個(gè)；

最后，在上述形成的5個(gè)聚類簇的基礎(chǔ)上對(duì)x2進(jìn)行聚類，設(shè)x2的5個(gè)模糊集對(duì)應(yīng)的聚類中心為：

其中，為歸一化后x2的第n個(gè)模糊集的中點(diǎn)，分別是0.1001、0.2002、0.2184、0.2366、0.6183；和分別為上述5個(gè)聚類簇中x1與x3的均值；如同式(5)的形式，分別計(jì)算各聚類中心c2,n(n＝1,2,…,n)與x1的每一個(gè)聚類簇中所有源案例的相似度設(shè)定相似度閾值sim2＝0.7，將大于0.7的所有源案例分別進(jìn)行聚類，每個(gè)x2的模糊集中點(diǎn)(共5個(gè))分別與x1的5個(gè)聚類簇中的所有源案例進(jìn)行相似度計(jì)算，共有5*5＝25個(gè)聚類簇，由于有6個(gè)聚類簇中沒(méi)有大于相似度閾值0.7的源案例，因而獲得19個(gè)聚類簇，其中含有源案例1036個(gè)，從而實(shí)現(xiàn)相似數(shù)據(jù)的聚類；

(2)生成初始規(guī)則庫(kù)；設(shè)xi(i＝1,2,3)的語(yǔ)言變量分別為e、ec、u，相應(yīng)的語(yǔ)言值分別為{負(fù)大(nb)，負(fù)小(ns)，零(z)，正小(ps)，正大(pb)}；取xi(i＝1,2,3)的值域到相應(yīng)論域xi(i＝1,2,3)的比例因子分別k1＝25，k2＝1.7，k3＝1；采用圖2所示的三角型隸屬函數(shù)，依據(jù)比例因子ki(i＝1,2,3)與上述生成的19個(gè)聚類簇中的1036個(gè)源案例，并利用三角隸屬函數(shù)公式計(jì)算出這些源案例中xi(i＝1,2,3)的隸屬度，并依據(jù)最大隸屬原則生成1036條初始規(guī)則；

(3)約簡(jiǎn)規(guī)則庫(kù)；對(duì)上述的1036條初始規(guī)則，依據(jù)式(5)的相似度評(píng)估方法計(jì)算這些規(guī)則之間的相似度，并刪除相似度為1的重復(fù)規(guī)則，獲得最簡(jiǎn)規(guī)則庫(kù)每一條規(guī)則表示如下：

其中，分別為x1、x2、x3的第m條規(guī)則的模糊集；

(4)檢索規(guī)則；根據(jù)xi(i＝1,2)的語(yǔ)言變量e和ec及其相應(yīng)的語(yǔ)言值，采用笛卡爾積創(chuàng)建以x1和x2的規(guī)則歸一化值為輸入條件的目標(biāo)規(guī)則集每一條規(guī)則可表示為：

其中，為第o條目標(biāo)規(guī)則的輸入變量的模糊集；為待求解的輸出變量的模糊集；計(jì)算式(8)所示目標(biāo)規(guī)則與式(7)所示每一條規(guī)則的相似度：

根據(jù)最近鄰方法，對(duì)每一條目標(biāo)規(guī)則從最簡(jiǎn)規(guī)則庫(kù)中檢索出具有最大相似度的規(guī)則待用；

(5)重用規(guī)則并構(gòu)成模糊控制規(guī)則庫(kù)；對(duì)上述檢索出的規(guī)則，重用其結(jié)論，得到式(8)中待求解的從而構(gòu)成模糊控制規(guī)則庫(kù)；

(6)溫度控制器對(duì)爐溫實(shí)現(xiàn)穩(wěn)定、準(zhǔn)確控制；基于上述的模糊控制規(guī)則庫(kù)，采用模糊控制算法設(shè)計(jì)溫度控制器并應(yīng)用實(shí)際，從而實(shí)現(xiàn)爐溫的穩(wěn)定、準(zhǔn)確控制。