基于深度极限学习机的澄清过程运行优化控制方法与流程

本发明涉及自动控制领域，特别涉及一种基于深度极限学习机的澄清过程运行优化控制方法。

背景技术：

制糖业是中国的重要产业。甘蔗制糖在我国已有两千多年历史，制糖工艺是一个多工序的复杂过程，其中蔗糖的澄清工艺尤为复杂。目前国内绝大多数蔗糖的澄清工艺是使用磷酸亚硫酸法。工艺流程包括加入磷酸和石灰乳，第一次加热，硫熏中和，第二次加热等步骤。蔗汁澄清的控制过程是一个多变量强耦合且存在复杂非线性控制的过程，数据量大维数高，具有不确定性，自动控制非常难，控制不当就容易使得蔗糖分丢失严重、色值去除不理想、澄清汁纯度不够以及澄清汁含硫量偏高等一系列不良后果，严重影响蔗糖分的提取和最终产品质量。

现有的蔗糖澄清过程控制基本上都是半自动化的程度，很多参数的测定都需要以离线的方式进行操作，影响效率。能实现自动控制的环节大部分只能做到局部优化控制，针对某个关键参数或是从某个局部考虑过程控制，没有从整个过程考虑各环节和参数之间的协同优化控制问题，难以实现整体的最优(如含硫量，纯度，色值，ph值等无法达到最优值)。

随着现代多学科交叉和科学技术的发展，对于参数复杂多样、强耦合、非线性和不确定性的控制难题，有了解决的可能。

深度学习是一种多隐层结构的深层神经网络，能将输入的浅层特征逐层传递至网络高层形成抽象的特征表示，使其具有良好的特征学习能力，理论上可以无限逼近任意非线性函数。深度学习算法在大规模数据集下的优势明显，主要应用集中在文字、语音和图像识别领域，而且在控制方面也有一定的研究。但是传统深度学习算法在有监督调优过程中，需要梯度下降法反复迭代对参数进行微调，导致训练时间过长。

极限学习机具有与传统神经网络相同的全局逼近性质，其网络输入权值和偏置随机生成，只需设置隐含层节点数，由最小二乘法就可以求出输出权重，使得前馈神经网络的训练时间大大缩短，并且具有不易过拟合和良好泛化性的特点，但极限学习机在处理高维数据时建模精度和稳定性下降。

因此将深度学习与极限学习有机结合，虽然会增加算法的空间复杂度，但是为极限学习机在面临高维数据时提供了很好的解决方案。深度极限学习机可以摒除控制过程的高维度数据的噪声，并进行数据降维，从而能极大的提升极限学习机的泛化性和鲁棒性，具有更明显优势。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现要素：

本发明的目的在于提供一种基于深度极限学习机的澄清过程运行优化控制方法，用于对蔗糖澄清过程实现自动化控制，提高澄清汁的质量和产量。

为实现上述目的，本发明提供了一种基于深度极限学习机的澄清过程运行优化控制方法，作用在蔗汁澄清过程的自动控制系统上。所述蔗汁澄清过程的参数包括物质流、能量流以及信息流的参数。所述基于深度极限学习机的澄清过程运行优化控制方法的步骤包括：初始化所述参数目标值；监测所述参数当前值；接到所述自动控制系统的指令后对所述参数的当前值实施特征变换；协同优化参数的控制量；更新所述参数目标值；将过程控制量施加于所述蔗汁澄清过程的自动控制系统；以及返回继续监测所述参数当前值，如此循环往复。

优选地，上述技术方案中，所述特征变换通过深度极限学习机对物质流、能量流和信息流的参数当前值实施正交变换降维，剔除噪声数据和粗差数据。

所述协同优化包括计算所述物质流，能量流和信息流参数的相互作用对过程控制量的影响和制约和计算所述物质流，能量流和信息流各个参数对过程控制量的直接影响和作用。

与现有技术相比，本发明具有如下有益效果：

可以对蔗糖澄清过程实现自动化控制，控制整体参数使之达到最优值，提高澄清汁的质量和产量。

附图说明

图1是根据本发明的一实施方式的蔗糖澄清过程的工艺流程图。

图2是根据本发明的一实施方式的基于深度极限学习机的澄清过程运行优化控制方法的流程图。

图3是根据本发明的一实施方式的基于深度极限学习机的澄清过程运行优化控制方法的原理图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的组成部分，而并未排除其它组成部分。

图1是根据本发明的一实施方式的蔗糖澄清过程工艺流程图。

本实施方式为磷酸亚硫酸法，蔗糖的澄清过程是将混合汁11变为澄清汁16a的过程，工艺流程包括加入磷酸和石灰乳12，蒸汽13第一次加热，加入石灰乳14反应，蒸汽13第二次加热，硫熏中和等步骤。整个过程分为物质流，能量流和信息流。

物质流表示混合汁及其它物料经过整个蔗汁澄清工艺得到澄清汁及其它产物的过程，物质流包括各物质流动的当前状态数据，物质流各分量的具体参数有当前混合汁流量、当前磷酸投放量，当前石灰乳投放量，当前水投放量，当前燃料投放量，当前硫磺投放量，当前蒸汽量，当前二氧化硫投放量，当前澄清汁流量，当前滤泥量，当前废气流量等。

能量流表示能源物质的流动过程，主要包括以蒸汽为主要形式的热能的流动和将硫磺燃烧生成so2的能量等，能量流各分量的具体参数有当前蒸汽的温度，当前so2的温度等。

信息流以物质流和能量流为载体信息传递的过程，包括了物质流和能量流的大量信息以及蔗汁澄清过程的一些工艺指标，信息流各分量的具体参数有当前混合汁的还原糖含量，当前混合汁的色值，当前混合汁的ph值，当前混合汁的残硫量，当前混合汁的温度，当前液体与磷酸的反应时间和反应后ph值，第一次加热的时间，当前液体与石灰乳反应时间和反应后的ph值，第二次加热的时间，当前澄清汁的还原糖含量，当前澄清汁的色值，当前澄清汁的ph值，当前澄清汁的残硫量，当前澄清汁的温度，当前废气的残硫量，当前废气的温度，澄清汁的还原糖含量目标值，澄清汁的色值目标值，澄清汁的ph值的目标值，澄清汁的残硫量目标值等。

物质流、能量流和信息流在蔗汁澄清系统中相互作用、相互约束和相互影响，存在复杂耦合关系。物质流产生能量流和制约能量流的变化，能量流的变化影响物质流的转换效率。物质流和能量流作为信息流的载体，影响信息流指标，信息流制约着物质流和能量流的变化。“三流”中所存在的复杂耦合作用机理，难以直接通过静态物料平衡和能量守恒方法分析其运行状态和内部关系。

本发明的一实施方式中以蔗汁澄清系统为整体，研究“三流”之间的量变关系；从“三流”角度出发，以“三流”之间的约束量为主线，研究“流”内部各个分量对整个系统的影响，充分考虑整体系统和“流”内分量的影响关系，运用深度极限学习机的澄清系统运行优化控制方法来揭示蔗汁澄清系统各个量的耦合关系。

图2是基于深度极限学习机的澄清系统运行优化控制方法结构图。基于深度极限学习机的澄清系统运行优化控制方法的步骤包括：

1，初始化控制系统参数目标值；

2，监测蔗汁澄清系统参数当前值；

3，当自动控制系统的控制周期到达之后，获取物质流各个参数的当前值并实施特征变换，获取能量流各个参数的当前值并实施特征变换，获取信息流各个参数的当前值并实施特征变换：

特征变换是以极限学习机为手段，对各个流的输入数据实施正交变换和降维，剔除噪声数据和粗差数据，保留具有能够较好表述原始输入数据的特征，以提高模型的泛化能力；

4，协同优化蔗汁澄清系统的过程控制量；

5，基于滑窗方法更新控制系统参数目标值；

6，将过程控制量施加于蔗汁澄清系统；

7，如果系统不停机就继续返回监测蔗汁澄清系统参数当前值，如此循环往复，直至信息流中工艺指标达到最优。

图3是根据本发明的一实施方式的基于深度极限学习机的澄清过程运行优化控制方法的原理图。

物质流、能量流、信息流的相关参数作为输入层数据，特征提取层基于深度学习机自动编码器对对输入层数据进行特征变换，以深度极限学习机为手段，对各个流的输入数据实施正交变换降维，剔除噪声数据和粗差数据，保留具有能够较好表述原始输入层数据的特征，以提高模型的泛化能力；协同作用层用于计算物质流，能量流和信息流数据的相互作用对过程控制量的影响和制约，综合作用层用于计算物质流，能量流和信息流各个数据对过程控制量的直接影响和作用。

整个运行优化控制过程是以人工智能优化控制逼近过程机理控制，以能量流、物质流和信息流中状态数据为约束，以信息流中最优工艺指标偏差最小为优化准则，协同优化澄清系统各个过程控制量，使得整个澄清系统达到所制定的最优工艺指标。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。