论文部分内容阅读
[摘要]水泥生产过程具有复杂性、非线性、不确定性,这使得水泥生产的控制策略仍然过多的依靠人工。开发一套水泥熟料生产培训系统对于提高操作员工的操作水平具有重大实际意义,本文研究了支持向量机在水泥熟料生产培训系统中的应用,通过建模与对比,进一步验证了支持向量机在分解炉温度建模中的优势。
[关键词]水泥熟料OPC协议支持向量机
中图分类号:TF52.2文献标识码:TF 文章编号:1009―914X(2013)28―0504―02
1 引言
随着我国经济的迅猛发展和国家对能源消耗和环境保护越来越重视,节能降耗和可持续发展成为国家的产业政策的重要内容[1]。水泥工业是国民经济的重要基础行业之一,也是典型的能源、资源消耗型、对环境污染型原材料产业。为实现节能减排,部分先进企业采用了工艺改造、交流电动机变频改造、余热发电等节能降耗措施,使得水泥生产的单位产量电耗与煤耗大幅度下降,但是更进一步的节能降耗空间难以直接通过设备的大规模改造来扩大,而必须通过优化管理、优化控制、稳定质量、提高生产效率来取得。如何有效利用已有DCS系统所采集的历史数据,从中提炼出优秀操作人员的操作模式,如何利用现有的计算机技术对生产操作人员进行培训,使之能够熟练掌握水泥窑生产过程的特点而又不影响正常生产,是值得广泛关注的问题。
2 研究方案
2.1系统结构配置
根据生产现场的情况以及技术要求,“水泥熟料生产线操作培训系统”四部分构成:现场数据OPC服务器、培训工作站、模型计算工作站以及工业大屏幕监视屏,其拓扑结构如图2.1所示。现场数据OPC服务器是中控室内DCS系统的OPC服务器,其作用是采集现场DCS的生产运行资料;培训工作站主要完成对水泥窑熟料生产线的数据检测、动态显示以及作为培训系统时的操作控制,软件使用的是力控组态软件;模型计算工作站主要用于现场数据的处理分析、水泥熟料生产线各部分的模型分析和计算,通过模型产生类似于生产实际的运行状态,软件使用的是MATLAB,通过OPC数据接口与培训工作站进行了数据交换;大屏幕监视器用于生产监测的资料监测、生产线状况的动态显示以及作为培训系统时的操作控制等。
2.2生产过程建模
培训系统的基础是建立能够反映生产实际的系统模型,现有的一些建模技术难以对水泥窑这类非线性、不确定系统进行有效建模。本文利用支持向量机建模技术来建立水泥生产过程的数学模型,能够从大量的DCS监测数据中提取操作信息和过程的动态信息,从而建立有效反应真实系统的数学模型。
2.3获取控制策略
在生产过程中DCS记录了大量设备运转的状态信息以及操作人员的操作信息。利用企业ERP和DCS系统的海量数据,应用数据挖掘技术和智能算法,针对水泥生产的实际情况,建立操作知识库和生产优化模型,并在生产过程中不断进行在线学习,对操作员进行辅助操控提示,提供某一时刻所需的控制量和调整方向,提高窑操作的可靠性,减少工艺和设备事故,提高运转率,降低能耗和维修费用。
3 应用分析
为了实现对水泥熟料生产线的高逼真度的仿真,必须得开发一套准确、实时的水泥窑模型。因此在水泥熟料生产线操作培训系统建立的过程中,首先必须得建立描述水泥窑生产过程的数学模型即建模。然后将该模型转化成计算机上可执行的软件代替实际生产过程,从而完成对水泥窑的仿真。
3.1 支持向量机
支持向量机(Support Vector Machine)是Cortes 和Vapnik 于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其它机器学习问题中,许多学者针对SVM提出了许多改进算法[2-4],也有许多学者将SVM应用于建模研究。SVM是基于统计学习理论和结构风险最小原理[5-6],具有以下几个特点:
①SVM以非线性映像为基础利用内积核函数替代高维空间映像。
②在特征空间中选取最优超平面是SVM的终极核心目标。
③支持向量是SVM的训练结果在分类决策中起决定性作用。
④SVM适合小样本学习。
⑤SVM网络的复杂度取决于训练过程中选取的支持向量的数目,而与网络选取的输入向量的维数没有关系,很好的解决了维数灾的问题。
⑥鲁棒性好。
3.2数据预处理
考虑到数据采集过程中可能会有噪音干扰,造成采集到的数据有很多飞点,对实验效果影响较大,需要对采集到的数据进行数据预处理。输入数据的时间序列图如下图所示。
圖3.1输入变量原始数据
从图中可以看出输入变量中有很多毛刺,即噪音,需要对原始数据进行预处理。为了防止毛刺数据对我们建模过程中产生干扰,我们需要对这些毛刺数据进行数据清洗。本文采取的数据清洗方法为:如果某一时刻采集到的数据与所有数据的平均值的差在三倍标准差内,就保留该时刻的数据,否则将该时刻的资料剔除。经过多次循环清洗,就可以把所有的毛刺数据剔除。分别对五级筒出口温度,预燃室下部温度,入分解炉三次风温,分解炉出口温度进行预处理,处理后的输入变量时间序列图如图3.2所示。
图3.2预处理后的输入数据
图3.2中可以看出,处理后的数据剩下15123组,剔除率为(15830-15123)/15830=4.47%<5%在许可范围内,而且输入变量数据噪音已经得到很好的处理,数据比较集中。
3.3 建模应用
从处理后的数据剩下的15123组数据中随即抽取1000组作为训练资料,随即抽取100组作为测试资料。从733小节可以看出,分解炉温度模型可以看做是一个四输入一输出模型结构,考虑到温差变化范围,首先将样本数据做归一化处理。然后利用SVM建模。SVM参数选取如下:核函数选取RBF核函数;终止准则中的可容忍偏差0.001;利用迭代寻优,设置惩罚因子为5,松弛变数为0.45。
图3.3水泥窑二次风温度对比
从图3.3可以看出,利用SVM建立的数学模型输出基本上能够跟上实时温度变化,验证了模型的准确性与实时性。支持向量机的误差变化曲线如图3.4所示,模型误差较小,可以满足建模要求,很好的反应输入输出关系。
图3.4误差变化曲线
本文验证了BP神经网络(BP)、RBF网络(RBF)、支持向量机(SVM)在水泥窑分解炉建模中的性能比较。其中,BP神经网络参数设置如下:隐含层个数设置为1个;隐含层神经元数目设置为20个;网络训练误差设置为0.001;传递函数设置为 对数型传递函数;训练算法选取为梯度下降算法。RBF神经网络参数设置为:均方误差设置为0.001;径向基函数的扩展速度为3;神经元的最大个数设置为200;两次显示之间所加的神经元个数设置为1。比较结果如下表所示。
表3.1不同网络性能对比
训练时间(s) 训练误差 测试误差
BP 48.71 e-003 0.0856
RBF
SVM 50.36
18.56 e-003
3.5613e-004 3.1584e-002
9.6528e-003
从上表可以看出,支持向量机均方误差测试精度要好于其它神经网络算法,将该算法应用于水泥窑温度建模中,具有指导意义。
4 结语
本文详细介绍了支持向量机的建模原理与方法,对输入数据进行了预处理。最后利用支持向量机对分解炉温度进行了建模,并比较了常用的几种建模方法,进一步验证了支持向量机在分解炉温度建模中的优势。
参考文献
[1] 戴彦德.强化节能减排调控全面实现可持续发展[J].中国电力.2007(09).
[2] SYED N,LIU H,SUNG K. Incremental learning with support vector machines [C]//International Joint Conferenceon Artificial Intelligence. Sweden:Morgankaufmannpublishers,1999:352-356.
[3] GAUWENBERGHS G,POGGIO T. Incremental and decremental support vector machine [J]. Machine Learning.2001,44(13):409- 415.
[4] RALAIVOLA L,FLORENCE D’ALCHé-BUC. Incremental support vector machine learning:a local approach[C]//Proceedings of International Conference on Neural Networks. Vienna,Austria:[s.n.],2001:322-330.
[5] VAPNIK V N. 统计学习理论的本质[M].张学工,译.北京:清华大学出版社,2000.
[6] VAPNIK V N. 统计学习理论[M].许建华,张学工,译.北京:电子工业出版社,2004
[关键词]水泥熟料OPC协议支持向量机
中图分类号:TF52.2文献标识码:TF 文章编号:1009―914X(2013)28―0504―02
1 引言
随着我国经济的迅猛发展和国家对能源消耗和环境保护越来越重视,节能降耗和可持续发展成为国家的产业政策的重要内容[1]。水泥工业是国民经济的重要基础行业之一,也是典型的能源、资源消耗型、对环境污染型原材料产业。为实现节能减排,部分先进企业采用了工艺改造、交流电动机变频改造、余热发电等节能降耗措施,使得水泥生产的单位产量电耗与煤耗大幅度下降,但是更进一步的节能降耗空间难以直接通过设备的大规模改造来扩大,而必须通过优化管理、优化控制、稳定质量、提高生产效率来取得。如何有效利用已有DCS系统所采集的历史数据,从中提炼出优秀操作人员的操作模式,如何利用现有的计算机技术对生产操作人员进行培训,使之能够熟练掌握水泥窑生产过程的特点而又不影响正常生产,是值得广泛关注的问题。
2 研究方案
2.1系统结构配置
根据生产现场的情况以及技术要求,“水泥熟料生产线操作培训系统”四部分构成:现场数据OPC服务器、培训工作站、模型计算工作站以及工业大屏幕监视屏,其拓扑结构如图2.1所示。现场数据OPC服务器是中控室内DCS系统的OPC服务器,其作用是采集现场DCS的生产运行资料;培训工作站主要完成对水泥窑熟料生产线的数据检测、动态显示以及作为培训系统时的操作控制,软件使用的是力控组态软件;模型计算工作站主要用于现场数据的处理分析、水泥熟料生产线各部分的模型分析和计算,通过模型产生类似于生产实际的运行状态,软件使用的是MATLAB,通过OPC数据接口与培训工作站进行了数据交换;大屏幕监视器用于生产监测的资料监测、生产线状况的动态显示以及作为培训系统时的操作控制等。
2.2生产过程建模
培训系统的基础是建立能够反映生产实际的系统模型,现有的一些建模技术难以对水泥窑这类非线性、不确定系统进行有效建模。本文利用支持向量机建模技术来建立水泥生产过程的数学模型,能够从大量的DCS监测数据中提取操作信息和过程的动态信息,从而建立有效反应真实系统的数学模型。
2.3获取控制策略
在生产过程中DCS记录了大量设备运转的状态信息以及操作人员的操作信息。利用企业ERP和DCS系统的海量数据,应用数据挖掘技术和智能算法,针对水泥生产的实际情况,建立操作知识库和生产优化模型,并在生产过程中不断进行在线学习,对操作员进行辅助操控提示,提供某一时刻所需的控制量和调整方向,提高窑操作的可靠性,减少工艺和设备事故,提高运转率,降低能耗和维修费用。
3 应用分析
为了实现对水泥熟料生产线的高逼真度的仿真,必须得开发一套准确、实时的水泥窑模型。因此在水泥熟料生产线操作培训系统建立的过程中,首先必须得建立描述水泥窑生产过程的数学模型即建模。然后将该模型转化成计算机上可执行的软件代替实际生产过程,从而完成对水泥窑的仿真。
3.1 支持向量机
支持向量机(Support Vector Machine)是Cortes 和Vapnik 于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其它机器学习问题中,许多学者针对SVM提出了许多改进算法[2-4],也有许多学者将SVM应用于建模研究。SVM是基于统计学习理论和结构风险最小原理[5-6],具有以下几个特点:
①SVM以非线性映像为基础利用内积核函数替代高维空间映像。
②在特征空间中选取最优超平面是SVM的终极核心目标。
③支持向量是SVM的训练结果在分类决策中起决定性作用。
④SVM适合小样本学习。
⑤SVM网络的复杂度取决于训练过程中选取的支持向量的数目,而与网络选取的输入向量的维数没有关系,很好的解决了维数灾的问题。
⑥鲁棒性好。
3.2数据预处理
考虑到数据采集过程中可能会有噪音干扰,造成采集到的数据有很多飞点,对实验效果影响较大,需要对采集到的数据进行数据预处理。输入数据的时间序列图如下图所示。
圖3.1输入变量原始数据
从图中可以看出输入变量中有很多毛刺,即噪音,需要对原始数据进行预处理。为了防止毛刺数据对我们建模过程中产生干扰,我们需要对这些毛刺数据进行数据清洗。本文采取的数据清洗方法为:如果某一时刻采集到的数据与所有数据的平均值的差在三倍标准差内,就保留该时刻的数据,否则将该时刻的资料剔除。经过多次循环清洗,就可以把所有的毛刺数据剔除。分别对五级筒出口温度,预燃室下部温度,入分解炉三次风温,分解炉出口温度进行预处理,处理后的输入变量时间序列图如图3.2所示。
图3.2预处理后的输入数据
图3.2中可以看出,处理后的数据剩下15123组,剔除率为(15830-15123)/15830=4.47%<5%在许可范围内,而且输入变量数据噪音已经得到很好的处理,数据比较集中。
3.3 建模应用
从处理后的数据剩下的15123组数据中随即抽取1000组作为训练资料,随即抽取100组作为测试资料。从733小节可以看出,分解炉温度模型可以看做是一个四输入一输出模型结构,考虑到温差变化范围,首先将样本数据做归一化处理。然后利用SVM建模。SVM参数选取如下:核函数选取RBF核函数;终止准则中的可容忍偏差0.001;利用迭代寻优,设置惩罚因子为5,松弛变数为0.45。
图3.3水泥窑二次风温度对比
从图3.3可以看出,利用SVM建立的数学模型输出基本上能够跟上实时温度变化,验证了模型的准确性与实时性。支持向量机的误差变化曲线如图3.4所示,模型误差较小,可以满足建模要求,很好的反应输入输出关系。
图3.4误差变化曲线
本文验证了BP神经网络(BP)、RBF网络(RBF)、支持向量机(SVM)在水泥窑分解炉建模中的性能比较。其中,BP神经网络参数设置如下:隐含层个数设置为1个;隐含层神经元数目设置为20个;网络训练误差设置为0.001;传递函数设置为 对数型传递函数;训练算法选取为梯度下降算法。RBF神经网络参数设置为:均方误差设置为0.001;径向基函数的扩展速度为3;神经元的最大个数设置为200;两次显示之间所加的神经元个数设置为1。比较结果如下表所示。
表3.1不同网络性能对比
训练时间(s) 训练误差 测试误差
BP 48.71 e-003 0.0856
RBF
SVM 50.36
18.56 e-003
3.5613e-004 3.1584e-002
9.6528e-003
从上表可以看出,支持向量机均方误差测试精度要好于其它神经网络算法,将该算法应用于水泥窑温度建模中,具有指导意义。
4 结语
本文详细介绍了支持向量机的建模原理与方法,对输入数据进行了预处理。最后利用支持向量机对分解炉温度进行了建模,并比较了常用的几种建模方法,进一步验证了支持向量机在分解炉温度建模中的优势。
参考文献
[1] 戴彦德.强化节能减排调控全面实现可持续发展[J].中国电力.2007(09).
[2] SYED N,LIU H,SUNG K. Incremental learning with support vector machines [C]//International Joint Conferenceon Artificial Intelligence. Sweden:Morgankaufmannpublishers,1999:352-356.
[3] GAUWENBERGHS G,POGGIO T. Incremental and decremental support vector machine [J]. Machine Learning.2001,44(13):409- 415.
[4] RALAIVOLA L,FLORENCE D’ALCHé-BUC. Incremental support vector machine learning:a local approach[C]//Proceedings of International Conference on Neural Networks. Vienna,Austria:[s.n.],2001:322-330.
[5] VAPNIK V N. 统计学习理论的本质[M].张学工,译.北京:清华大学出版社,2000.
[6] VAPNIK V N. 统计学习理论[M].许建华,张学工,译.北京:电子工业出版社,2004