r>[0114] Step3:開始遺傳操作，計(jì)算每組懲罰系數(shù)C、核寬系數(shù)gamma和不敏感損失系數(shù) eps i 1 on的均值方差，若該組下均值方差最小，設(shè)定此次懲罰系數(shù)C、核寬系數(shù)gamma和不敏 感損失系數(shù) epsilon 更新 Cbest、gbest、pbest，否則保留此前Cbest、gbest、pbest;
[0115] Step4:停止條件定為最大進(jìn)化代數(shù);未達(dá)到停止條件，執(zhí)行Step3，進(jìn)行迭代操作； 當(dāng)滿足停止條件，即已達(dá)到進(jìn)化代數(shù)，此時(shí)的Cbest、gbest、pbest即為最優(yōu)解。
[0116] 參閱圖8,本實(shí)施例中，SVR(支持向量回歸)采用的高斯徑向基函數(shù)eXp(-gamma* 1!-νΓ2)作為核函數(shù)，使用訓(xùn)練集樣本做交叉驗(yàn)證以測(cè)均方誤差作為適應(yīng)度值。使用遺傳算 法對(duì)SVR(支持向量回歸）懲罰參數(shù)C與gamma參數(shù)g和epsilon-SVR中損失函數(shù)epsilon的值ρ 進(jìn)行自動(dòng)尋優(yōu)，初始化遺傳算法中最大進(jìn)化代數(shù)maxgen = 200，種群最大數(shù)量si zepop = 20， 變量維數(shù)為3，變量的二進(jìn)制位數(shù)為20，代溝為0.9，參數(shù)c的變化范圍cbound= [cmin，cmax] cmin = 0，cmax = 100，參數(shù) g 的變化范圍gbound = [gmin，gmax]gmin = 0，gmax = 100，參數(shù) ρ 的 變化范圍pbound= [pmin，pmax]。當(dāng)遺傳代數(shù)最大是(^681:，8匕681：4匕681:即為最優(yōu)解，本實(shí) 施例中Best c = 42.6325、g = 23.7862、ρ = 0·9680。
[0117] 步驟五、軟測(cè)量模型建立；
[0118] 參閱圖9,利用對(duì)經(jīng)格羅布斯誤差處理及灰色關(guān)聯(lián)降維后的輸入數(shù)據(jù)為分解爐出 口溫度、提升機(jī)電流、分解爐爐內(nèi)溫度;輸出變量為窯尾分解率，采用SVR(支持向量回歸)建 立軟測(cè)量模型。
[0119] 采用步驟四優(yōu)化過的系數(shù)Best。= 42.63254 = 23.7862、口 = 0.9680在11^七1&13中 利用臺(tái)灣大學(xué)林智仁教授開發(fā)的1 ibsvm工具箱中如下接口函數(shù)：
[0120] model = svmtrain (training_label_vector,training_instance_matrix,' libsvm_options'）進(jìn)行SVR(支持向量回歸)軟測(cè)量建模。
[0121] SVR(支持向量回歸）回歸方程為
[0123] 其中，ai、ai*為拉格朗日算子，b為閾值，K(xj，x)為核函數(shù)本發(fā)明選擇RBF(徑向基 核函數(shù))exp(_gamma* | u_v | ~2)。
[0124] 步驟六、軟測(cè)量結(jié)果預(yù)測(cè)；
[0125] 根據(jù)當(dāng)前時(shí)刻DSC(集散控制系統(tǒng)）中的過程變量，通過步驟五辨識(shí)得到的軟測(cè)量 模型在線計(jì)算當(dāng)前時(shí)刻分解爐的窯尾分解率；
[0126]參閱圖10,將測(cè)試集數(shù)據(jù)在matlab中利用臺(tái)灣大學(xué)林智仁教授開發(fā)的libsvm工具 箱中如下接口函數(shù)：
[0127] [predicted_label, accuracy,decision_values/prob_estimates] = svmpredict (testing_label_vector, testing_instance_matrix ,model, ' libsvm_options '）進(jìn)行窯尾 分解率預(yù)測(cè)。
[0128] 步驟七、實(shí)時(shí)優(yōu)化軟測(cè)量模型；
[0129] 當(dāng)從化驗(yàn)室得出的水泥分解爐窯尾分解率結(jié)果與軟測(cè)量預(yù)測(cè)的結(jié)果相對(duì)比存在 誤差連續(xù)超出閾值(閾值可以根據(jù)需要自行設(shè)定），使用相關(guān)過程變量與實(shí)際窯尾分解率按 上述步驟四和步驟五重新進(jìn)行軟測(cè)量建模。
[0130]參閱圖11，綜上所述，本發(fā)明利用水泥生產(chǎn)廠家DCS(集散控制系統(tǒng)）中的歷史數(shù)據(jù) 及化驗(yàn)室離線化驗(yàn)結(jié)果，使用格羅布斯準(zhǔn)則、灰色關(guān)聯(lián)度分析、遺傳算法、SVR(支持向量回 歸)支持向量回歸建立水泥分解爐窯尾分解率軟測(cè)量模型，集數(shù)據(jù)處理、數(shù)理統(tǒng)計(jì)、機(jī)器學(xué) 習(xí)、神經(jīng)網(wǎng)絡(luò)為一體解決現(xiàn)階段水泥生產(chǎn)中窯尾分解率難以實(shí)時(shí)在線進(jìn)行測(cè)量的問題。本 發(fā)明無(wú)需在廠家現(xiàn)有DCS(集散控制系統(tǒng))系統(tǒng)中添加新的測(cè)量器件即可完成對(duì)水泥窯尾分 解率的在線測(cè)量，實(shí)時(shí)性高，能夠?qū)λ喾纸鉅t的優(yōu)化控制提供支持。
【主權(quán)項(xiàng)】
1. 一種水泥分解爐害尾分解率SVR軟測(cè)量方法，其特征在于，該方法包括如下步驟： 步驟一、原始變量的采集； 根據(jù)實(shí)驗(yàn)室取得的水泥害尾解率數(shù)據(jù)，確定害尾分解率的采樣時(shí)刻，選取采樣前10分 鐘內(nèi)Ξ次風(fēng)溫、分解爐爐內(nèi)溫度、分解爐爐內(nèi)壓力、分解爐出口溫度、分解爐出口壓力、提升 機(jī)電流各個(gè)量，并取其平均值作為原始變量； 步驟二、原始變量的誤差處理； 對(duì)步驟一中所采集的原始變量與害尾分解率化驗(yàn)結(jié)果依據(jù)格羅布斯準(zhǔn)則進(jìn)行誤差處 理，剔除數(shù)據(jù)中的粗大誤差； 步驟Ξ、使用灰色關(guān)聯(lián)度分析進(jìn)行原始數(shù)據(jù)降維； 對(duì)步驟二中已經(jīng)剔除粗大誤差的原始數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)度分析，選取Ξ次風(fēng)溫、分解 爐爐內(nèi)溫度、分解爐爐內(nèi)壓力、分解爐出口溫度、分解爐出口壓力、提升機(jī)電流中與害尾分 解率關(guān)聯(lián)度較高的參數(shù)做軟測(cè)量模型的輔助變量； 步驟四、使用遺傳算法對(duì)SVR進(jìn)行參數(shù)尋優(yōu)； 使用遺傳算法對(duì)SVR的懲罰系數(shù)C、核寬系數(shù)gamma和不敏感損失系數(shù)epsilon的值進(jìn)行 參數(shù)尋優(yōu)并作為最優(yōu)參數(shù)組合;其中懲罰系數(shù)C與SVR對(duì)誤差的寬容度有關(guān)，核寬系數(shù)gamma 對(duì)SVR核函數(shù)RBF的核寬有關(guān)，不敏感損失系數(shù)epsilon與模型復(fù)雜度有關(guān);SVR的回歸方程 為：其中，曰；[、曰；[*為拉格朗日算子，13為闊值，1((幻，義)為核函數(shù)6邱(-邑曰1]11]1曰*|11-￥|~2);步驟 五、軟測(cè)量模型建立； 利用對(duì)經(jīng)格羅布斯誤差處理及灰色關(guān)聯(lián)降維后的數(shù)據(jù)，W及經(jīng)遺傳算法優(yōu)化過的懲罰 系數(shù)C、核寬系數(shù)gamma和不敏感損失系數(shù)epsilon，采用SVR(支持向量回歸）建立軟測(cè)量模 型； 步驟六、軟測(cè)量結(jié)果預(yù)測(cè)； 根據(jù)當(dāng)前時(shí)刻DSC中的過程變量，通過步驟五辨識(shí)得到的軟測(cè)量模型在線計(jì)算當(dāng)前時(shí) 刻分解爐的害尾分解率； 步驟屯、實(shí)時(shí)優(yōu)化軟測(cè)量模型； 根據(jù)步驟六的測(cè)量結(jié)果與離線化驗(yàn)所得真實(shí)結(jié)果利用步驟四和步驟五再進(jìn)行模型優(yōu) 化。2. 根據(jù)權(quán)利要求1所述的一種水泥分解爐害尾分解率SVR軟測(cè)量方法，其特征在于，所 述的步驟四具體步驟包括如下： Stepl:設(shè)置懲罰系數(shù)C、核寬系數(shù)gamma和不敏感損失系數(shù)epsilon的范圍，產(chǎn)生初始群 體； Step2:使用懲罰系數(shù)C、核寬系數(shù)gamma和不敏感損失系數(shù)epsilon組合下的反應(yīng)SVR回 歸性能的均值方差作為適應(yīng)度值； Step3:開始遺傳操作，計(jì)算每組懲罰系數(shù)C、核寬系數(shù)gamma和不敏感損失系數(shù)epsilon 的下SVR(支持向量回歸)模型均方根差，若該組下均方根差最小，設(shè)定此次懲罰系數(shù)C、核寬 系數(shù)gamma和不敏感損失系數(shù)epsilon更新Cbest、gbest、pbest，否則保留此前Cbest、 gbest、pbest; Step4:停止條件定為最大進(jìn)化代數(shù);未達(dá)到停止條件，執(zhí)行Step3，進(jìn)行迭代操作；當(dāng)滿 足停止條件，即已達(dá)到進(jìn)化代數(shù)，此時(shí)的Cbest、gbest、pbest即為最優(yōu)解。
【專利摘要】本發(fā)明涉及水泥生料預(yù)分解過程的窯尾分解率軟測(cè)量技術(shù)領(lǐng)域，具體的說是一種水泥分解爐窯尾分解率SVR(支持向量回歸)軟測(cè)量方法。該方法利用格羅布斯準(zhǔn)則剔除原始數(shù)據(jù)中的粗大誤差，減少了誤差對(duì)軟測(cè)量模型的干擾。使用灰色關(guān)聯(lián)度降維，簡(jiǎn)化了軟測(cè)量模型的復(fù)雜度，減少建立軟測(cè)量模型的運(yùn)算量。利用SVR(支持向量回歸)所建軟測(cè)量模型僅需利用水泥生產(chǎn)過程中DCS(集散控制系統(tǒng))所測(cè)過程變量及廠家離線化驗(yàn)窯尾分解率，無(wú)需額外安裝其他測(cè)量器件。本發(fā)明是一種軟測(cè)量模型完全由依賴現(xiàn)場(chǎng)數(shù)據(jù)，當(dāng)分解爐運(yùn)行工況發(fā)生改變時(shí)，模型可以實(shí)時(shí)進(jìn)行修正的水泥分解爐窯尾分解率SVR軟測(cè)量方法。
【IPC分類】G06F17/50
【公開號(hào)】CN105574264
【申請(qǐng)?zhí)枴緾N201510938983
【發(fā)明人】金星, 王盛慧, 姜長(zhǎng)泓, 李冰巖, 張永恒, 徐婷, 秦石凌, 李洋洋, 李國(guó)賓
【申請(qǐng)人】長(zhǎng)春工業(yè)大學(xué)
【公開日】2016年5月11日
【申請(qǐng)日】2015年12月16日