基于序贯极限学习机的煮糖结晶过程控制方法
基于序贯极限学习机的煮糖结晶过程控制方法
【技术领域】
[0001] 发明属于煮糖结晶过程控制技术领域，具体设及基于序贯极限学习机的煮糖结晶 过程控制方法。
【背景技术】
[0002] 煮糖结晶过程最为关键的一个阶段就是养晶阶段。根据煮糖的工艺要求，在养晶 阶段需要把糖膏当中的细小晶粒培养成大颗粒，实现的方法就是在蒸煮过程中给煮糖结晶 罐输送低浓度的糖浆，通过蒸汽加热促使罐内糖膏吸收低浓度糖浆的糖分，从而将细小晶 粒煮成符合规格的白砂糖颗粒。经过工程师多年的经验总结，可知养晶阶段相当于是将煮 糖罐内的糖膏键度浓缩至更高的键度，同时又要求糖膏的液位跟随键度同步上升到一个高 度，如图2所示。
[0003] -般来说，在制糖生产车间中是由现场的煮糖工人控制低浓度糖浆的进给速率， 也即控制糖浆入料流量，来实现糖膏液位与键度的同步上升。由于糖罐内的细小晶粒数目 相对来说是平稳的，运就说明细小晶粒长大成大晶粒所需的养分是一定量的，不能过多也 不能过少，运就要求外部的物料进给量要根据罐内晶粒的状况所决定，并非片面地通过输 送物料来实现罐内液位的上升。同时，细小晶粒吸收糖分是需要经历一个过程的，并不是说 低浓度的糖浆输送到位后细小晶粒就能够马上吸收长成大晶粒。晶粒的吸收情况要根据当 时环境下你所进给的物料量来定，物料进给过少，糖分不够，影响了晶粒的吸收，会造成晶 粒群体的成长参差不齐，最终会使得白砂糖成品率低。物料进给过多，糖分供大于求，那么 多出来的糖分会在罐内高溫的环境下自行结晶成长为崎形晶粒，俗称伪晶，运对正常晶粒 群来说是致命的，因为崎形晶粒会时时刻刻跟正常晶粒群抢夺糖分，但崎形晶粒不会长大， 只会越来越多，最终会造成整个晶粒群被伪晶吞隧，从而引起生产事故。
[0004] 由W上的分析可知，要想成功地把细小晶粒养成符合规格的大晶粒就需要严格地 按照工艺曲线的要求去操作养晶阶段。图2所示的工艺曲线根据走向分成了 5个阶段，运就 意味着在每一个阶段中都必须驱使罐内的糖膏液位跟键度上升到该阶段所要求的点，到达 后才能进入下一个阶段。而现存的自动控制系统在实现工艺曲线跟随运一阶段的效果并不 理想，主要原因是罐内的糖膏环境非常复杂，难W建立相应的数学模型，只能通过阶段性的 模糊控制方法进行工艺曲线逼近。模糊控制的思路就是先让罐内糖膏液位首先到达阶段性 要求的点，再而关闭阀口通过蒸煮来实现糖膏键度上升，接着交替重复该动作实现每一个 阶段的工艺曲线逼近。
【发明内容】
[0005] 本发明针对上述控制方法的不足，提出基于序贯极限学习机的煮糖结晶过程控制 方法，建立煮糖结晶过程的序贯极限学习机的在线学习机制，形成滚动优化机制，建立跟随 自适应控制，实现煮糖结晶过程的自动蒸煮。
[0006] 为了解决上述技术问题，本发明的技术方案如下：
[0007] 基于序贯极限学习机的煮糖结晶过程控制方法，包括W下步骤：
[0008] (1)、将煮糖结晶过程的工艺曲线分为多个阶段，为每一阶段的键度和液位分别设 定控制目标；
[0009] (2)、W入料流量和进给时间作为输入量，糖膏的液位变化量和键度变化量作为输 出量，构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型；
[0010] (3)、采用最小二乘法构建步骤（1)控制模型的输出量与对应的控制目标之间的目 标函数；
[0011] (4)、采用粒子群优化算法求解步骤(2)的目标函数，优化最佳的入料流量和进给 时间，并作用于系统；
[0012] (5)、实时采集煮糖结晶过程的输入量和输出量，判断本阶段的键度和液位是否均 达到对应的控制目标，如果未达到，则重复执行步骤(2)至(4)，建立序贯极限学习机的在线 学习机制，形成滚动优化机制，建立跟随自适应控制；如果达到，则进入下一阶段，W下一阶 段的控制目标重复执行步骤(2)至(5)。
[0013] 所述步骤(1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方 法，包括如下步骤：
[0014] Stepl:由序贯极限学习机假设系统的输出可得下式来表示：
[0015]
(1)
[0016] 式（1)中，N为隐含层节点数，W1为输入层权重矩阵，X为系统输入矩阵，β为输入层 偏置向量，G(.)为激活函数，W2为输出层权重矩阵。
[0017] W入料流量和进给时间作为输入向量，糖膏的液位和键度作为输出向量，因此，输 入层和输出层的节点数都为2，
[001引随机生成输入层权重矩阵W1和输入层偏置向量β，得：
[0019]
[0020] 其中Ν为隐含层节点数，需根据数据的非线性复杂度而定；
[0021] Step2: W入料流量V和进给时间Δ t作为输入向量，糖膏液位Δ 1和糖膏键度Δ Β作 为输出向量，分别构建输入样本矩阵X和输出样本Y，样本数为No，得：
[0022]
[0023] Step3:按式（2)分别对输入样本矩阵X和输出样本矩阵Y的行向量进行归一化处 理，得到归一化后的输入样本矩阵义和输出样本矩阵
[0024]
(2)
[0025] Step4:计算隐含层输出矩阵Ho:
[0026] 假设隐含层的激活函数为G( ·)，则隐含层的输出矩阵为：
[0027]
(3)
[002引5*6口5:计算输出层权重矩阵％《.^
[0029] 由Step4得出隐含层的输出矩阵与输出样本矩阵F之间的关系，如式(4)所示：
[0030]
(4)
[0031] 通过线性辨识的手段即式（5)来拟合出隐含层的输出矩阵与目标矩阵之间的关 系，即极限学习机的输出层权重矩阵为：
[0032]
(5)
[0033] 式(5)可改写为式(6)的形式：
[0034]
(61
[00对式(6)中，其中由To来表示，始由w:。来表示，(/?/'y为H0T的Moore-Penrose广义 逆矩阵，
[0036]
(7)
[0037] No为训练集样本个数，N为隐含层节点数，win为输入层权重矩阵W1的第η行，xn为第η 个样本的数据，βι为偏置向量β的第1行，=4馬马f f。
[0038] 所述步骤(1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方 法，还包括所述控制模型的在线更新方法，包括W下步骤：
[0039] steps:实时采集煮糖结晶过程的输入量和输出量，设为％W)和乃馬邱，并根据 Step3进行归一化处理，得到新的训练样本：
[0040]
[0041] St邱7:将新的训练样本(；(乂。+1)，；^。+1>)代入式(3)，得出新的隐含层输出向量出：
[0042]
[0043] steps:将隐含层输出向量化与Step4得到的化代入式(6)，得到更新的输出权重矩 阵4,
[0044] 新训练方程表示为：
[0045]
脚
[0046] 根据新的训练样本片乂川)石^+。)与原训练样本玄巧^^，求得输出层权重矩阵更新 为：
[0049] Step9:根据式(9)与式（10)就得到极限学习机在线学习过程的输出权重矩阵W2的 在线更新方程为：
[0052] St邱10:重复Step6-Step9，实时在线更新所述控制模型。
[0053] 本发明的显著进步在于：
[0054] 与W往的数据建模只能在离线的条件下进行建模相比，本发明的方法先在离线的 情况下建立一个基本的数据模型，然后在线即实际生产过程中实时采集最新的数据去调整 模型参数，建立序贯极限学习机的在线学习机制，形成滚动优化机制，建立跟随自适应控 审IJ。本发明的方法能够在线检测煮糖结晶过程液位和键度的变化速率，并根据实时误差进 行入料流量的自适应调整，从而实现液位与键度同步上升的工艺要求，具备了很强的可行 性，能够代替手工操作去实现煮糖结晶过程的自动蒸煮。
【附图说明】
[0055] 图1是基于序贯极限学习机的煮糖结晶过程控制方法的流程图。
[0056] 图2煮糖结晶过程的工艺曲线示意图。
[0057] 图3是序贯极限学习机在线学习能力中液位随时间的变化关系示意图。图中，a代 表真实液位，b代表序贯极限学习机的液位输出，C代表极限学习机的液位输出。
[0058] 图4是序贯极限学习机在线学习能力中键度随时间的变化关系示意图。图中，a代 表极限学习机的键度输出，b代表序贯极限学习机的键度输出，C代表真实键度。
[0059] 图5控制算法优化得出的最佳控制量示意图。
[0060] 图6液位随时间的变化示意图。
[0061 ]图7键度随时间的变化示意图。
[0062] 图8液位与键度的变化关系示意图。
【具体实施方式】
[0063] 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。
[0064] 如图1和图2所示，基于序贯极限学习机的煮糖结晶过程控制方法，包括W下步骤：
[0065] (1)、将煮糖结晶过程的工艺曲线分为多个阶段，为每一阶段的键度和液位分别设 定控制目标；
[0066] (2)、W入料流量和进给时间作为输入量，糖膏的液位变化量和键度变化量作为输 出 量，构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型；
[0067] (3)、采用最小二乘法构建步骤（1)控制模型的输出量与对应的控制目标之间的目 标函数；
[0068] (4)、采用粒子群优化算法求解步骤(2)的目标函数，优化最佳的入料流量和进给 时间，并作用于系统；
[0069] (5)、实时采集煮糖结晶过程的输入量和输出量，判断本阶段的键度和液位是否均 达到对应的控制目标，如果未达到，则重复执行步骤(2)至(4)，建立序贯极限学习机的在线 学习机制，形成滚动优化机制，建立跟随自适应控制；如果达到，则进入下一阶段，W下一阶 段的控制目标重复执行步骤(2)至(5)。
[0070] 所述序贯极限学习机建模步骤如下所示：
[0071] Stepl:本发明为多输入多输出的系统，由极限学习机假设系统的输出可得下式来 表不：
[0072]
(1)
[0073] 其中N为隐含层节点数，W1为输入层权重矩阵，X为系统输入矩阵，β为输入层偏置 矩阵，G(.)为激活函数，W2为输出层权重矩阵。
[0074] 本发明W入料流量和进给时间作为输入向量，糖膏的液位和键度作为输出向量， 因此，输入层和输出层的节点数都为2，
[0075] 随机生成输入层权重矩阵和输入层偏置向量，其中m为隐含层节点数，需根据数据 的非线性复杂度而定，有：
[0076]
[0077] Step2: W入料流量V和进给时间Δ t作为输入向量，糖膏液位Δ 1和糖膏键度Δ B作 为输出向量，分别构建输入和输出样本矩阵，其中No为样本数，有：
[007引
[0079] Step3:根据下式，分别对输入输出样本矩阵的行向量进行归一化处理，得到新的 样本矩阵义和F;
[0080]
傑
[0081] Step4:根据w下两式，计算得出隐含层输出矩阵化；
[0082] 输入层权重矩阵W1和输入层偏置矩阵β都为随机数所组成，因此，隐含层的输入矩 阵可直接由下式求取。
[0083]
(3)
[0084] 假设隐含层的激活函数为G(.)，则隐含层的输出矩阵为：
[0085]
(4)
[00化]Step5:计算得出输出层权重矩阵vvf ;
[0087]由上步骤可W得出隐含层输出与目标矩阵之间的关系，如下式所示。
[008引
（5)
[0089] 通过线性辨识的手段来拟合出隐含层输出与目标矩阵之间的关系，即极限学习机 的输出层权重矩阵为：
[0090]
銜
[0091]其中(//(,')为H〇T的Moore-Penrose广义逆矩阵。
[0092] 由式(6)可知原训练方程可改写为：
[0093]
(7)
[0094] 式(7)中，其中戸由To来表示，14由>峰来表示，有：
[0095]
[0096]
[0097] No为训练集样本个数，N为隐含层节点数，win为输入层权重矩阵W1的第η行，xn为第η 个样本的数据，βι为偏置矩阵β的第1行。
[009引 steps:在线采集到新的样本数据和并根据Step3的步骤进行归一化 处理，得到新的训练样本;和;;
[0099]
[0100] step7:将到新的数据样本(;》1)J'W+1,)代入式(3)-(4),得出其对应的隐含层输 出向量化，有：
[0101]
[0102] steps:将新的隐含层输出向量化与先前得到的化代入(7)，更新模型的输出权重矩 阵4;
[0103] 新训练方程可表示为：
[0104]
(10)
[0105] 根据新的数据样本，极限学习机的输出层权重更新为：
[0108] 对式(11)中的矩阵进行简化，得输出权重矩阵
[0109]
(13)
[0110] Step9:根据式（12)与式（13)就可得极限学习机在线学习过程的权重更新广义方 程：
[0113] 在线对输出层权重W2进行更新时需计算J立,，为了方便起见将逆矩阵的求解换算 成其他的形式，即令巧,4=端，由式(15)可得：
[0114]
(15)
[0115] 那么输出层权重W2的在线更新方程为：
[0116]
(16)
[0117] St邱10:重复Step6-Step9的步骤，实时在线更新系统模型。
[0118] 实验验证基于序贯极限学习机建模的有效性：
[0119] 根据煮糖结晶过程的工艺要求，W建立序贯极限学习机的煮糖结晶过程模型为导 向，分别将所测得的入料流量、进给时间、糖膏的液位变化量和键度变化量作为序贯极限学 习机模型的训练样本数据，设定学习机的输入神经元和输出神经元为2,隐含层神经元为 70,选定激活函数为正切sigmoid函数。训练完毕后，对比模型的输出与实际输出，观测模型 的全局逼近性能。
[0120] 表1极限学习机性能
[0121]
[0122] 表1所示，序贯极限学习机在拟合煮糖结晶过程关键参数变化量方面表现出了极 佳的性能，模型输出与实际输出之间的误差都控制在0.005的范围内。此外，模型的训练时 间为0.011s，表明了序贯极限学习机能够适用于工程在线建模，具备了快速重构模型的潜 能，W适应工程对象的动态变化。
[0123] 在工程应用中，由于系统在运行过程中环境是处于动态变化的，导致系统也会跟 随环境而变化，从而导致大部分离线训练的模型在应用过程中出现模型的输出与实际系统 的输出有较大的偏差，也即模型失配。因此，系统除了强调模型的基本的拟合性能和快速性 之外，还更加强调了模型的跟随系统变化的能力。针对运个问题，本发明通过序贯极限学习 机进行在线学习新样本，来观察模型的自我修整能力。
[0124] 在实验数据中有运样一组数据，如表2所示：
[01巧]表2实验数据
[0126]
[0127]将入料流量和进给时间作为模型的输入量，那么模型的输出将会和实验数据吻 合，分别为0.015m的液位变化量和0.04brix的键度变化量。但由于模型是基于过去的实验 数据训练得来的，说明它只代表过去时刻的系统特性，无法100%表达系统未来的特性。假 设系统的现场条件发生了变化，蒸汽供给不足，造成糖膏吸收糖分过慢，倘若糖浆物料W 0.04m Vh的流速进给300 S时，那么系统的实际液位变化量不再是W前的0.015m，而变成了 0.025m，实际的键度变化量为0.02化rix。此时如果仍然W原先训练好的极限学习机作为系 统的模型，那么它对系统的描述仍旧是原来的0.015m和0.04brix的变化量，就会出现严重 的系统模型失配问题。因此，序贯极限学习机作为一种具备在线学习能力的模型，在检测到 模型的输出与实际系统的输出有误差时，能够在线更新模型矩阵参数，自适应跟随系统的 实际输出。如图6所示。
[0128] 在图3和图4中，在420s的时刻序贯极限学习机检测到模型的输出与实际系统输出 不匹配，此时模型在不改变隐含层矩阵和权重的情况下在线进行训练，仅更新隐含层的输 出矩阵，实现模型对新采集的数据训练过程，从而使得模型在420s之后的输出与实际系统 的输出处于平行的状态，说明模型预测的系统输出变化量与实际系统的输出变化量相吻 厶 1=1 〇
[0129] 所诉目标函数构建步骤如下所示：
[0130] 通过最小二乘法构建序贯极限学习机模型与控制目标之间的目标函数，并令其最 小化便可优化出最佳的模型输入量，有：
[0131]
(巧)[0132] 将上述的目标函数转化为单目标优化的问题，有：
[0133]
[0134]
[0135] 其中Level_set和化ix_set分别为目标液位和目标键度，Level_real和化ix_real 分别为当前液位和键度反馈值。
[0136] 所述基于粒子群优化算法求解目标函数步骤如下：
[0137] 针对目标函数式(20)中的fn(X)，W粒子群优化算法来对目标函数进行寻优，也即 根据目标液位变化量和键度变化量来优化出最佳的入料流量和进给时间。
[0138] 由目标函数式(20)可知，该优化问题为计算出最佳的变量
从而使得目 标函数的值最小化。因此，运里将最佳变量X定义为粒子群优化算法中的粒子，维度为2，有X = (f，At),并依此随机生成多个粒子组成一个群体X=(Xl，X2，. . .，Xswarms)。
[0139] 群体内每个粒子Xi = (Xil，Xi2，. . .，XiD)都有独自的粒子捜寻速度Vi= (Vil， Vi2, . . .，ViD)，所谓捜寻速度是指粒子Xi的位置变化量，通过对粒子的位置变化来逼近全局 的极值。粒子的位置和速度的更新方程为：
[0142] 其中，k代表迭代次数，i代表群体内的粒子标签，1 < i含swarms,d是指每个粒子的 数据维度，1<CKD;W是惯性权重因子，常取非负；C1和C2为加速系数，其中C1常取0.9，C2常 取0.4; ri和η是两个在区间[0，1 ]内变化的随机数。
[0143] 每个粒子的适应度计算公式为：
[0144] 脚
[0145] fn(Xi )=W2XG(wiXXi+0)
[0146] 基于粒子群优化算法的目标函数求解过程具体步骤如下：
[0147] Stepl:初始化粒子群的群体大小swarms、迭代次数iteration，权重因子W、加速系 数C1和C2W及液位和键度的期望变化量Δ液位和Δ键度；
[0148] Step2:通过随机数生成捜索群体的粒子初始位置和速度；
[0149] Step3:将粒子的初始位置代入式(23)得出粒子的初始适应度，并记录每个粒子的 最佳适应度、最佳位置W及群体的历史最佳适应度和全局最佳位置;最佳适应度和位置的 判别依据为：
[0152] Step4:根据位置和速度更新方程式(21)、（22)对群体中的粒子进行位置更新，重 复步骤3，更新群体全局最佳位置和历史最佳适应度；
[0153] steps:迭代次数完成，输出最优粒子的最佳位置和适应度，退出PS0优化捜寻。
[0154] 验证实验如下：
[0155] 将历史数据作为系统的仿真数据，即意味着给系统一定的激励，系统就会基于所 测的历史数据变化趋势反馈相应的输出，W此来验证算法控制煮糖结晶过程工艺参数的可 行性。如上所述，煮糖结晶过程的工艺要求是从基本液位0.2m逐渐上升到0.6m，期间键度从 89brix上升至91brix，并划分为5个阶段，每个阶段要保证液位和键度都上升一定的量，W 此累加直至液位和键度都达到设定值，而不是一繳而就。因此，该仿真阶段将模拟实际的煮 糖结晶过程的第一阶段，假设此时的糖膏液位为0.2m，键度为89brix，给控制器的设定值为 ΔLevel = 0.1m，Δ化iχ = 0.4b;rix，即意味着该控制阶段的控制目标是要让液位上升至 0.3m，键度浓缩至89. Abrix。
[0156] 由于工艺要求液位上升的速率与键度上升的速率相吻合，因此在控制过程中设置 了模型求解目标函数的周期，即每当检测到实际的液位变化量Δ Level_real超过0.01m或 者键度变化量A化ix_real超过0.04brix，就重新设定控制的设定值，即Δ Level = 0.3-Level_反馈，Δ化ix = 89.4-B;rix_反馈，通过目标函数的优化能够驱使系统时刻保持液位 和键度的变化率同步。
[0157] 在仿真开始阶段，序贯极限学习机及粒子群优化算法基于当前的目标量Δ Level =0.1111和/^化1义=0.413'1如尤化出了第一阶段的最佳入料流量。1〇巧=0.03211113/11和进给时 间AT = 2234s，并作用于系统。由历史测量数据可知，当给系统的入料流量为Flow = ο. 0321m3/h时，系统会有如下变化，如表3所示。其他的入料流量大小所引起系统的液位和 键度变化量W此类推。
[0158] 表3煮糖结晶过程关键参数数据
[0159]
[0160] 假设系统依据过去的历史数据走势反馈相应的输出，当入料流量Flow = 0.0321m3A的进给时间到达Δ T = 250s时，液位的变化量为Δ Level =0.01m，键度的变化量 为Δ化ix = 〇.〇28brix，即此时的液位为1^6￥61 = 0.21111，键度为化1义=89.02813'1义，则剩余 的控制量为 A Level' =0.3-0.21 =0.09m，Δ 化ix ' =89.4-89.028 = 0.37 化 rix，控制策略 据此再重新优化输入量，从而得到新的入料流量Flow = 0.029m3/h和进给时间Δ Τ= 1830s。 在当前时间T = 250s时刻入料流量下降的原因是因为算法检测到液位的上升速率快于键 度的上升速率，因此通过降低流量大小来平衡液位和键度的变化率。从工艺的角度看，液位 上升快于键度会导致糖膏没有足够的时间去吸收糖分，会造成伪晶的风险，因此降低流量 是符合工艺要求的。W入料流量Flow = 0.029m3/h从T = 250s的时刻开始作用于煮糖过程， 进给时间Δ T = 500s后到达T = 750s时，控制算法检测到糖膏键度的变化速率要快于液位的 变化速率，此时算法能够自适应地将入料流量调整至Flow = 0.038m3/h，通过加快物料供给 来平衡液位和键度的变化速率。整个实验过程控制算法能够阶段性地优化出最佳的控制 量，并作用于系统，如图5所示。
[0161] 在上述的控制量作用下，煮糖结晶过程的液位变化如图6所示。
[0162] 在上述的控制量作用下，煮糖结晶过程的键度变化如图7所示。
[0163] 整个实验过程中，键度与液位的关系如图8所示。
[0164] 通过观察图5至图8,可知本发明的方法能够在线检测煮糖结晶过程液位和键度的 变化速率，并根据实时误差进行入料流量的自适应调整，从而实现液位与键度同步上升的 工艺要求，运表明本发明的方法具备了很强的可行性，能够代替手工操作去实现煮糖结晶 过程的自动蒸煮。
【主权项】
1. 基于序贯极限学习机的煮糖结晶过程控制方法，其特征在于，包括以下步骤： (1) 、将煮糖结晶过程的工艺曲线分为多个阶段，为每一阶段的锤度和液位分别设定控 制目标； (2) 、以入料流量和进给时间作为输入量，糖膏的液位变化量和锤度变化量作为输出 量，构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型； (3) 、采用最小二乘法构建步骤（1)控制模型的输出量与对应的控制目标之间的目标函 数； (4) 、采用粒子群优化算法求解步骤(2)的目标函数，优化最佳的入料流量和进给时间， 并作用于系统； (5) 、实时采集煮糖结晶过程的输入量和输出量，判断本阶段的锤度和液位是否均达到 对应的控制目标，如果未达到，则重复执行步骤(2)至(5)，建立序贯极限学习机的在线学习 机制，形成滚动优化机制，建立跟随自适应控制;如果达到，则进入下一阶段，以下一阶段的 控制目标重复执行步骤(2)至(5)。2. 根据权利要求1所述的基于序贯极限学习机的煮糖结晶过程控制方法，其特征在于， 所述步骤（1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方法，包括 如下步骤： Stepl:由序贯极限学习机假设系统的输出可得下式来表示：式(1)中，N为隐含层节点数，W1为输入层权重矩阵，X为系统输入矩阵，β为输入层偏置向 量，G(.)为激活函数，W2为输出层权重矩阵； 以入料流量和进给时间作为输入向量，糖膏的液位和锤度作为输出向量，因此，输入层 和输出层的节点数都为2， 随机生成输入层权重矩阵Wl和输入层偏置向量β，得：其中N为隐含层节点数，需根据数据的非线性复杂度而定； Step2:以入料流量V和进给时间△ t作为输入向量，糖膏液位△ 1和糖膏锤度△ B作为输 出向量，分别构建输入样本矩阵X和输出样本Y，样本数为No，得：Step3:按式(2)分别对输入样本矩阵X和输出样本矩阵Y的行向量进行归一化处理，得 到归一化后的输入样本矩阵I和输出样本矩阵f;Step4:计算隐含层输出矩阵Ho: 假设隐含层的激活函数为G( ·)，则隐含层的输出矩阵为：Step5:计算输出层权重矩阵 由Step4得出隐含层的输出矩阵与输出样本矩阵f之间的关系，如式(4)所不：通过线性辨识的手段即式(5)来拟合出隐含层的输出矩阵与目标矩阵之间的关系，即 极限学习机的输出层权重矩阵为：式(5)可改写为式(6)的形式：式（6)中，其中产由Tq来表示，由4来表示，(//(1为Hor的Moore-Penrose广义逆矩 阵，No为训练集样本个数，N为隐含层节点数，Wln为输入层权重矩阵W1的第η行，χη为第η个样 本的数据，为偏置向量邱勺第1行，3.根据权利要求2所述的基于序贯极限学习机的煮糖结晶过程控制方法，其特征在于， 所述步骤（1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方法，还包 括所述控制模型的在线更新方法，包括以下步骤： Step6:实时采集煮糖结晶过程的输入量和输出量，设为气%+1).和乃馬,+1)，并根据Step3进 行归一化处理，得到新的训练样本：Step7:将新的训练样本1代入式(3 )，得出新的隐含层输出向量H1:Step8:将隐含层输出向量出与Step4得到的Ho代入式(6)，得到更新的输出权重矩阵％, ? 新训练方程表示为：根据新的训练样本与原训练样本X和歹,求得输出层权重矩阵更新为：Step9:根据式(9)与式（10)就得到极限学习机在线学习过程的输出权重矩阵W2的在线 更新方程为：SteplO:重复Step6-Step9，实时在线更新所述控制模型。
【专利摘要】本发明公开了基于序贯极限学习机的煮糖结晶过程控制方法，包括：以入料流量和进给时间作为输入量，液位变化量和锤度变化量作为输出量构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型；再根据工艺要求构建目标函数，并结合粒子群优化算法快速求解目标函数优化出最佳的入料流量和进给时间。本发明方法建立序贯极限学习机的在线学习机制，形成滚动优化机制，建立跟随自适应控制。本发明的方法能够在线检测煮糖结晶过程液位和锤度的变化速率，并根据实时误差进行入料流量的自适应调整，从而实现液位与锤度同步上升的工艺要求，具备了很强的可行性，能够代替手工操作去实现煮糖结晶过程的自动蒸煮。
【IPC分类】G06K9/62
【公开号】CN105488530
【申请号】CN201510848157
【发明人】蒙艳玫, 李文星, 谢延鹏, 郑康元, 胡飞红, 李广全
【申请人】广西大学
【公开日】2016年4月13日
【申请日】2015年11月30日
【技术领域】
[0001] 发明属于煮糖结晶过程控制技术领域，具体设及基于序贯极限学习机的煮糖结晶 过程控制方法。
【背景技术】
[0002] 煮糖结晶过程最为关键的一个阶段就是养晶阶段。根据煮糖的工艺要求，在养晶 阶段需要把糖膏当中的细小晶粒培养成大颗粒，实现的方法就是在蒸煮过程中给煮糖结晶 罐输送低浓度的糖浆，通过蒸汽加热促使罐内糖膏吸收低浓度糖浆的糖分，从而将细小晶 粒煮成符合规格的白砂糖颗粒。经过工程师多年的经验总结，可知养晶阶段相当于是将煮 糖罐内的糖膏键度浓缩至更高的键度，同时又要求糖膏的液位跟随键度同步上升到一个高 度，如图2所示。
[0003] -般来说，在制糖生产车间中是由现场的煮糖工人控制低浓度糖浆的进给速率， 也即控制糖浆入料流量，来实现糖膏液位与键度的同步上升。由于糖罐内的细小晶粒数目 相对来说是平稳的，运就说明细小晶粒长大成大晶粒所需的养分是一定量的，不能过多也 不能过少，运就要求外部的物料进给量要根据罐内晶粒的状况所决定，并非片面地通过输 送物料来实现罐内液位的上升。同时，细小晶粒吸收糖分是需要经历一个过程的，并不是说 低浓度的糖浆输送到位后细小晶粒就能够马上吸收长成大晶粒。晶粒的吸收情况要根据当 时环境下你所进给的物料量来定，物料进给过少，糖分不够，影响了晶粒的吸收，会造成晶 粒群体的成长参差不齐，最终会使得白砂糖成品率低。物料进给过多，糖分供大于求，那么 多出来的糖分会在罐内高溫的环境下自行结晶成长为崎形晶粒，俗称伪晶，运对正常晶粒 群来说是致命的，因为崎形晶粒会时时刻刻跟正常晶粒群抢夺糖分，但崎形晶粒不会长大， 只会越来越多，最终会造成整个晶粒群被伪晶吞隧，从而引起生产事故。
[0004] 由W上的分析可知，要想成功地把细小晶粒养成符合规格的大晶粒就需要严格地 按照工艺曲线的要求去操作养晶阶段。图2所示的工艺曲线根据走向分成了 5个阶段，运就 意味着在每一个阶段中都必须驱使罐内的糖膏液位跟键度上升到该阶段所要求的点，到达 后才能进入下一个阶段。而现存的自动控制系统在实现工艺曲线跟随运一阶段的效果并不 理想，主要原因是罐内的糖膏环境非常复杂，难W建立相应的数学模型，只能通过阶段性的 模糊控制方法进行工艺曲线逼近。模糊控制的思路就是先让罐内糖膏液位首先到达阶段性 要求的点，再而关闭阀口通过蒸煮来实现糖膏键度上升，接着交替重复该动作实现每一个 阶段的工艺曲线逼近。
【发明内容】
[0005] 本发明针对上述控制方法的不足，提出基于序贯极限学习机的煮糖结晶过程控制 方法，建立煮糖结晶过程的序贯极限学习机的在线学习机制，形成滚动优化机制，建立跟随 自适应控制，实现煮糖结晶过程的自动蒸煮。
[0006] 为了解决上述技术问题，本发明的技术方案如下：
[0007] 基于序贯极限学习机的煮糖结晶过程控制方法，包括W下步骤：
[0008] (1)、将煮糖结晶过程的工艺曲线分为多个阶段，为每一阶段的键度和液位分别设 定控制目标；
[0009] (2)、W入料流量和进给时间作为输入量，糖膏的液位变化量和键度变化量作为输 出量，构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型；
[0010] (3)、采用最小二乘法构建步骤（1)控制模型的输出量与对应的控制目标之间的目 标函数；
[0011] (4)、采用粒子群优化算法求解步骤(2)的目标函数，优化最佳的入料流量和进给 时间，并作用于系统；
[0012] (5)、实时采集煮糖结晶过程的输入量和输出量，判断本阶段的键度和液位是否均 达到对应的控制目标，如果未达到，则重复执行步骤(2)至(4)，建立序贯极限学习机的在线 学习机制，形成滚动优化机制，建立跟随自适应控制；如果达到，则进入下一阶段，W下一阶 段的控制目标重复执行步骤(2)至(5)。
[0013] 所述步骤(1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方 法，包括如下步骤：
[0014] Stepl:由序贯极限学习机假设系统的输出可得下式来表示：
[0015]
(1)
[0016] 式（1)中，N为隐含层节点数，W1为输入层权重矩阵，X为系统输入矩阵，β为输入层 偏置向量，G(.)为激活函数，W2为输出层权重矩阵。
[0017] W入料流量和进给时间作为输入向量，糖膏的液位和键度作为输出向量，因此，输 入层和输出层的节点数都为2，
[001引随机生成输入层权重矩阵W1和输入层偏置向量β，得：
[0019]
[0020] 其中Ν为隐含层节点数，需根据数据的非线性复杂度而定；
[0021] Step2: W入料流量V和进给时间Δ t作为输入向量，糖膏液位Δ 1和糖膏键度Δ Β作 为输出向量，分别构建输入样本矩阵X和输出样本Y，样本数为No，得：
[0022]
[0023] Step3:按式（2)分别对输入样本矩阵X和输出样本矩阵Y的行向量进行归一化处 理，得到归一化后的输入样本矩阵义和输出样本矩阵
[0024]
(2)
[0025] Step4:计算隐含层输出矩阵Ho:
[0026] 假设隐含层的激活函数为G( ·)，则隐含层的输出矩阵为：
[0027]
(3)
[002引5*6口5:计算输出层权重矩阵％《.^
[0029] 由Step4得出隐含层的输出矩阵与输出样本矩阵F之间的关系，如式(4)所示：
[0030]
(4)
[0031] 通过线性辨识的手段即式（5)来拟合出隐含层的输出矩阵与目标矩阵之间的关 系，即极限学习机的输出层权重矩阵为：
[0032]
(5)
[0033] 式(5)可改写为式(6)的形式：
[0034]
(61
[00对式(6)中，其中由To来表示，始由w:。来表示，(/?/'y为H0T的Moore-Penrose广义 逆矩阵，
[0036]
(7)
[0037] No为训练集样本个数，N为隐含层节点数，win为输入层权重矩阵W1的第η行，xn为第η 个样本的数据，βι为偏置向量β的第1行，=4馬马f f。
[0038] 所述步骤(1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方 法，还包括所述控制模型的在线更新方法，包括W下步骤：
[0039] steps:实时采集煮糖结晶过程的输入量和输出量，设为％W)和乃馬邱，并根据 Step3进行归一化处理，得到新的训练样本：
[0040]
[0041] St邱7:将新的训练样本(；(乂。+1)，；^。+1>)代入式(3)，得出新的隐含层输出向量出：
[0042]
[0043] steps:将隐含层输出向量化与Step4得到的化代入式(6)，得到更新的输出权重矩 阵4,
[0044] 新训练方程表示为：
[0045]
脚
[0046] 根据新的训练样本片乂川)石^+。)与原训练样本玄巧^^，求得输出层权重矩阵更新 为：
[0049] Step9:根据式(9)与式（10)就得到极限学习机在线学习过程的输出权重矩阵W2的 在线更新方程为：
[0052] St邱10:重复Step6-Step9，实时在线更新所述控制模型。
[0053] 本发明的显著进步在于：
[0054] 与W往的数据建模只能在离线的条件下进行建模相比，本发明的方法先在离线的 情况下建立一个基本的数据模型，然后在线即实际生产过程中实时采集最新的数据去调整 模型参数，建立序贯极限学习机的在线学习机制，形成滚动优化机制，建立跟随自适应控 审IJ。本发明的方法能够在线检测煮糖结晶过程液位和键度的变化速率，并根据实时误差进 行入料流量的自适应调整，从而实现液位与键度同步上升的工艺要求，具备了很强的可行 性，能够代替手工操作去实现煮糖结晶过程的自动蒸煮。
【附图说明】
[0055] 图1是基于序贯极限学习机的煮糖结晶过程控制方法的流程图。
[0056] 图2煮糖结晶过程的工艺曲线示意图。
[0057] 图3是序贯极限学习机在线学习能力中液位随时间的变化关系示意图。图中，a代 表真实液位，b代表序贯极限学习机的液位输出，C代表极限学习机的液位输出。
[0058] 图4是序贯极限学习机在线学习能力中键度随时间的变化关系示意图。图中，a代 表极限学习机的键度输出，b代表序贯极限学习机的键度输出，C代表真实键度。
[0059] 图5控制算法优化得出的最佳控制量示意图。
[0060] 图6液位随时间的变化示意图。
[0061 ]图7键度随时间的变化示意图。
[0062] 图8液位与键度的变化关系示意图。
【具体实施方式】
[0063] 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。
[0064] 如图1和图2所示，基于序贯极限学习机的煮糖结晶过程控制方法，包括W下步骤：
[0065] (1)、将煮糖结晶过程的工艺曲线分为多个阶段，为每一阶段的键度和液位分别设 定控制目标；
[0066] (2)、W入料流量和进给时间作为输入量，糖膏的液位变化量和键度变化量作为输 出 量，构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型；
[0067] (3)、采用最小二乘法构建步骤（1)控制模型的输出量与对应的控制目标之间的目 标函数；
[0068] (4)、采用粒子群优化算法求解步骤(2)的目标函数，优化最佳的入料流量和进给 时间，并作用于系统；
[0069] (5)、实时采集煮糖结晶过程的输入量和输出量，判断本阶段的键度和液位是否均 达到对应的控制目标，如果未达到，则重复执行步骤(2)至(4)，建立序贯极限学习机的在线 学习机制，形成滚动优化机制，建立跟随自适应控制；如果达到，则进入下一阶段，W下一阶 段的控制目标重复执行步骤(2)至(5)。
[0070] 所述序贯极限学习机建模步骤如下所示：
[0071] Stepl:本发明为多输入多输出的系统，由极限学习机假设系统的输出可得下式来 表不：
[0072]
(1)
[0073] 其中N为隐含层节点数，W1为输入层权重矩阵，X为系统输入矩阵，β为输入层偏置 矩阵，G(.)为激活函数，W2为输出层权重矩阵。
[0074] 本发明W入料流量和进给时间作为输入向量，糖膏的液位和键度作为输出向量， 因此，输入层和输出层的节点数都为2，
[0075] 随机生成输入层权重矩阵和输入层偏置向量，其中m为隐含层节点数，需根据数据 的非线性复杂度而定，有：
[0076]
[0077] Step2: W入料流量V和进给时间Δ t作为输入向量，糖膏液位Δ 1和糖膏键度Δ B作 为输出向量，分别构建输入和输出样本矩阵，其中No为样本数，有：
[007引
[0079] Step3:根据下式，分别对输入输出样本矩阵的行向量进行归一化处理，得到新的 样本矩阵义和F;
[0080]
傑
[0081] Step4:根据w下两式，计算得出隐含层输出矩阵化；
[0082] 输入层权重矩阵W1和输入层偏置矩阵β都为随机数所组成，因此，隐含层的输入矩 阵可直接由下式求取。
[0083]
(3)
[0084] 假设隐含层的激活函数为G(.)，则隐含层的输出矩阵为：
[0085]
(4)
[00化]Step5:计算得出输出层权重矩阵vvf ;
[0087]由上步骤可W得出隐含层输出与目标矩阵之间的关系，如下式所示。
[008引
（5)
[0089] 通过线性辨识的手段来拟合出隐含层输出与目标矩阵之间的关系，即极限学习机 的输出层权重矩阵为：
[0090]
銜
[0091]其中(//(,')为H〇T的Moore-Penrose广义逆矩阵。
[0092] 由式(6)可知原训练方程可改写为：
[0093]
(7)
[0094] 式(7)中，其中戸由To来表示，14由>峰来表示，有：
[0095]
[0096]
[0097] No为训练集样本个数，N为隐含层节点数，win为输入层权重矩阵W1的第η行，xn为第η 个样本的数据，βι为偏置矩阵β的第1行。
[009引 steps:在线采集到新的样本数据和并根据Step3的步骤进行归一化 处理，得到新的训练样本;和;;
[0099]
[0100] step7:将到新的数据样本(;》1)J'W+1,)代入式(3)-(4),得出其对应的隐含层输 出向量化，有：
[0101]
[0102] steps:将新的隐含层输出向量化与先前得到的化代入(7)，更新模型的输出权重矩 阵4;
[0103] 新训练方程可表示为：
[0104]
(10)
[0105] 根据新的数据样本，极限学习机的输出层权重更新为：
[0108] 对式(11)中的矩阵进行简化，得输出权重矩阵
[0109]
(13)
[0110] Step9:根据式（12)与式（13)就可得极限学习机在线学习过程的权重更新广义方 程：
[0113] 在线对输出层权重W2进行更新时需计算J立,，为了方便起见将逆矩阵的求解换算 成其他的形式，即令巧,4=端，由式(15)可得：
[0114]
(15)
[0115] 那么输出层权重W2的在线更新方程为：
[0116]
(16)
[0117] St邱10:重复Step6-Step9的步骤，实时在线更新系统模型。
[0118] 实验验证基于序贯极限学习机建模的有效性：
[0119] 根据煮糖结晶过程的工艺要求，W建立序贯极限学习机的煮糖结晶过程模型为导 向，分别将所测得的入料流量、进给时间、糖膏的液位变化量和键度变化量作为序贯极限学 习机模型的训练样本数据，设定学习机的输入神经元和输出神经元为2,隐含层神经元为 70,选定激活函数为正切sigmoid函数。训练完毕后，对比模型的输出与实际输出，观测模型 的全局逼近性能。
[0120] 表1极限学习机性能
[0121]
[0122] 表1所示，序贯极限学习机在拟合煮糖结晶过程关键参数变化量方面表现出了极 佳的性能，模型输出与实际输出之间的误差都控制在0.005的范围内。此外，模型的训练时 间为0.011s，表明了序贯极限学习机能够适用于工程在线建模，具备了快速重构模型的潜 能，W适应工程对象的动态变化。
[0123] 在工程应用中，由于系统在运行过程中环境是处于动态变化的，导致系统也会跟 随环境而变化，从而导致大部分离线训练的模型在应用过程中出现模型的输出与实际系统 的输出有较大的偏差，也即模型失配。因此，系统除了强调模型的基本的拟合性能和快速性 之外，还更加强调了模型的跟随系统变化的能力。针对运个问题，本发明通过序贯极限学习 机进行在线学习新样本，来观察模型的自我修整能力。
[0124] 在实验数据中有运样一组数据，如表2所示：
[01巧]表2实验数据
[0126]
[0127]将入料流量和进给时间作为模型的输入量，那么模型的输出将会和实验数据吻 合，分别为0.015m的液位变化量和0.04brix的键度变化量。但由于模型是基于过去的实验 数据训练得来的，说明它只代表过去时刻的系统特性，无法100%表达系统未来的特性。假 设系统的现场条件发生了变化，蒸汽供给不足，造成糖膏吸收糖分过慢，倘若糖浆物料W 0.04m Vh的流速进给300 S时，那么系统的实际液位变化量不再是W前的0.015m，而变成了 0.025m，实际的键度变化量为0.02化rix。此时如果仍然W原先训练好的极限学习机作为系 统的模型，那么它对系统的描述仍旧是原来的0.015m和0.04brix的变化量，就会出现严重 的系统模型失配问题。因此，序贯极限学习机作为一种具备在线学习能力的模型，在检测到 模型的输出与实际系统的输出有误差时，能够在线更新模型矩阵参数，自适应跟随系统的 实际输出。如图6所示。
[0128] 在图3和图4中，在420s的时刻序贯极限学习机检测到模型的输出与实际系统输出 不匹配，此时模型在不改变隐含层矩阵和权重的情况下在线进行训练，仅更新隐含层的输 出矩阵，实现模型对新采集的数据训练过程，从而使得模型在420s之后的输出与实际系统 的输出处于平行的状态，说明模型预测的系统输出变化量与实际系统的输出变化量相吻 厶 1=1 〇
[0129] 所诉目标函数构建步骤如下所示：
[0130] 通过最小二乘法构建序贯极限学习机模型与控制目标之间的目标函数，并令其最 小化便可优化出最佳的模型输入量，有：
[0131]
(巧)[0132] 将上述的目标函数转化为单目标优化的问题，有：
[0133]
[0134]
[0135] 其中Level_set和化ix_set分别为目标液位和目标键度，Level_real和化ix_real 分别为当前液位和键度反馈值。
[0136] 所述基于粒子群优化算法求解目标函数步骤如下：
[0137] 针对目标函数式(20)中的fn(X)，W粒子群优化算法来对目标函数进行寻优，也即 根据目标液位变化量和键度变化量来优化出最佳的入料流量和进给时间。
[0138] 由目标函数式(20)可知，该优化问题为计算出最佳的变量
从而使得目 标函数的值最小化。因此，运里将最佳变量X定义为粒子群优化算法中的粒子，维度为2，有X = (f，At),并依此随机生成多个粒子组成一个群体X=(Xl，X2，. . .，Xswarms)。
[0139] 群体内每个粒子Xi = (Xil，Xi2，. . .，XiD)都有独自的粒子捜寻速度Vi= (Vil， Vi2, . . .，ViD)，所谓捜寻速度是指粒子Xi的位置变化量，通过对粒子的位置变化来逼近全局 的极值。粒子的位置和速度的更新方程为：
[0142] 其中，k代表迭代次数，i代表群体内的粒子标签，1 < i含swarms,d是指每个粒子的 数据维度，1<CKD;W是惯性权重因子，常取非负；C1和C2为加速系数，其中C1常取0.9，C2常 取0.4; ri和η是两个在区间[0，1 ]内变化的随机数。
[0143] 每个粒子的适应度计算公式为：
[0144] 脚
[0145] fn(Xi )=W2XG(wiXXi+0)
[0146] 基于粒子群优化算法的目标函数求解过程具体步骤如下：
[0147] Stepl:初始化粒子群的群体大小swarms、迭代次数iteration，权重因子W、加速系 数C1和C2W及液位和键度的期望变化量Δ液位和Δ键度；
[0148] Step2:通过随机数生成捜索群体的粒子初始位置和速度；
[0149] Step3:将粒子的初始位置代入式(23)得出粒子的初始适应度，并记录每个粒子的 最佳适应度、最佳位置W及群体的历史最佳适应度和全局最佳位置;最佳适应度和位置的 判别依据为：
[0152] Step4:根据位置和速度更新方程式(21)、（22)对群体中的粒子进行位置更新，重 复步骤3，更新群体全局最佳位置和历史最佳适应度；
[0153] steps:迭代次数完成，输出最优粒子的最佳位置和适应度，退出PS0优化捜寻。
[0154] 验证实验如下：
[0155] 将历史数据作为系统的仿真数据，即意味着给系统一定的激励，系统就会基于所 测的历史数据变化趋势反馈相应的输出，W此来验证算法控制煮糖结晶过程工艺参数的可 行性。如上所述，煮糖结晶过程的工艺要求是从基本液位0.2m逐渐上升到0.6m，期间键度从 89brix上升至91brix，并划分为5个阶段，每个阶段要保证液位和键度都上升一定的量，W 此累加直至液位和键度都达到设定值，而不是一繳而就。因此，该仿真阶段将模拟实际的煮 糖结晶过程的第一阶段，假设此时的糖膏液位为0.2m，键度为89brix，给控制器的设定值为 ΔLevel = 0.1m，Δ化iχ = 0.4b;rix，即意味着该控制阶段的控制目标是要让液位上升至 0.3m，键度浓缩至89. Abrix。
[0156] 由于工艺要求液位上升的速率与键度上升的速率相吻合，因此在控制过程中设置 了模型求解目标函数的周期，即每当检测到实际的液位变化量Δ Level_real超过0.01m或 者键度变化量A化ix_real超过0.04brix，就重新设定控制的设定值，即Δ Level = 0.3-Level_反馈，Δ化ix = 89.4-B;rix_反馈，通过目标函数的优化能够驱使系统时刻保持液位 和键度的变化率同步。
[0157] 在仿真开始阶段，序贯极限学习机及粒子群优化算法基于当前的目标量Δ Level =0.1111和/^化1义=0.413'1如尤化出了第一阶段的最佳入料流量。1〇巧=0.03211113/11和进给时 间AT = 2234s，并作用于系统。由历史测量数据可知，当给系统的入料流量为Flow = ο. 0321m3/h时，系统会有如下变化，如表3所示。其他的入料流量大小所引起系统的液位和 键度变化量W此类推。
[0158] 表3煮糖结晶过程关键参数数据
[0159]
[0160] 假设系统依据过去的历史数据走势反馈相应的输出，当入料流量Flow = 0.0321m3A的进给时间到达Δ T = 250s时，液位的变化量为Δ Level =0.01m，键度的变化量 为Δ化ix = 〇.〇28brix，即此时的液位为1^6￥61 = 0.21111，键度为化1义=89.02813'1义，则剩余 的控制量为 A Level' =0.3-0.21 =0.09m，Δ 化ix ' =89.4-89.028 = 0.37 化 rix，控制策略 据此再重新优化输入量，从而得到新的入料流量Flow = 0.029m3/h和进给时间Δ Τ= 1830s。 在当前时间T = 250s时刻入料流量下降的原因是因为算法检测到液位的上升速率快于键 度的上升速率，因此通过降低流量大小来平衡液位和键度的变化率。从工艺的角度看，液位 上升快于键度会导致糖膏没有足够的时间去吸收糖分，会造成伪晶的风险，因此降低流量 是符合工艺要求的。W入料流量Flow = 0.029m3/h从T = 250s的时刻开始作用于煮糖过程， 进给时间Δ T = 500s后到达T = 750s时，控制算法检测到糖膏键度的变化速率要快于液位的 变化速率，此时算法能够自适应地将入料流量调整至Flow = 0.038m3/h，通过加快物料供给 来平衡液位和键度的变化速率。整个实验过程控制算法能够阶段性地优化出最佳的控制 量，并作用于系统，如图5所示。
[0161] 在上述的控制量作用下，煮糖结晶过程的液位变化如图6所示。
[0162] 在上述的控制量作用下，煮糖结晶过程的键度变化如图7所示。
[0163] 整个实验过程中，键度与液位的关系如图8所示。
[0164] 通过观察图5至图8,可知本发明的方法能够在线检测煮糖结晶过程液位和键度的 变化速率，并根据实时误差进行入料流量的自适应调整，从而实现液位与键度同步上升的 工艺要求，运表明本发明的方法具备了很强的可行性，能够代替手工操作去实现煮糖结晶 过程的自动蒸煮。
【主权项】
1. 基于序贯极限学习机的煮糖结晶过程控制方法，其特征在于，包括以下步骤： (1) 、将煮糖结晶过程的工艺曲线分为多个阶段，为每一阶段的锤度和液位分别设定控 制目标； (2) 、以入料流量和进给时间作为输入量，糖膏的液位变化量和锤度变化量作为输出 量，构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型； (3) 、采用最小二乘法构建步骤（1)控制模型的输出量与对应的控制目标之间的目标函 数； (4) 、采用粒子群优化算法求解步骤(2)的目标函数，优化最佳的入料流量和进给时间， 并作用于系统； (5) 、实时采集煮糖结晶过程的输入量和输出量，判断本阶段的锤度和液位是否均达到 对应的控制目标，如果未达到，则重复执行步骤(2)至(5)，建立序贯极限学习机的在线学习 机制，形成滚动优化机制，建立跟随自适应控制;如果达到，则进入下一阶段，以下一阶段的 控制目标重复执行步骤(2)至(5)。2. 根据权利要求1所述的基于序贯极限学习机的煮糖结晶过程控制方法，其特征在于， 所述步骤（1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方法，包括 如下步骤： Stepl:由序贯极限学习机假设系统的输出可得下式来表示：式(1)中，N为隐含层节点数，W1为输入层权重矩阵，X为系统输入矩阵，β为输入层偏置向 量，G(.)为激活函数，W2为输出层权重矩阵； 以入料流量和进给时间作为输入向量，糖膏的液位和锤度作为输出向量，因此，输入层 和输出层的节点数都为2， 随机生成输入层权重矩阵Wl和输入层偏置向量β，得：其中N为隐含层节点数，需根据数据的非线性复杂度而定； Step2:以入料流量V和进给时间△ t作为输入向量，糖膏液位△ 1和糖膏锤度△ B作为输 出向量，分别构建输入样本矩阵X和输出样本Y，样本数为No，得：Step3:按式(2)分别对输入样本矩阵X和输出样本矩阵Y的行向量进行归一化处理，得 到归一化后的输入样本矩阵I和输出样本矩阵f;Step4:计算隐含层输出矩阵Ho: 假设隐含层的激活函数为G( ·)，则隐含层的输出矩阵为：Step5:计算输出层权重矩阵 由Step4得出隐含层的输出矩阵与输出样本矩阵f之间的关系，如式(4)所不：通过线性辨识的手段即式(5)来拟合出隐含层的输出矩阵与目标矩阵之间的关系，即 极限学习机的输出层权重矩阵为：式(5)可改写为式(6)的形式：式（6)中，其中产由Tq来表示，由4来表示，(//(1为Hor的Moore-Penrose广义逆矩 阵，No为训练集样本个数，N为隐含层节点数，Wln为输入层权重矩阵W1的第η行，χη为第η个样 本的数据，为偏置向量邱勺第1行，3.根据权利要求2所述的基于序贯极限学习机的煮糖结晶过程控制方法，其特征在于， 所述步骤（1)基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型的构建方法，还包 括所述控制模型的在线更新方法，包括以下步骤： Step6:实时采集煮糖结晶过程的输入量和输出量，设为气%+1).和乃馬,+1)，并根据Step3进 行归一化处理，得到新的训练样本：Step7:将新的训练样本1代入式(3 )，得出新的隐含层输出向量H1:Step8:将隐含层输出向量出与Step4得到的Ho代入式(6)，得到更新的输出权重矩阵％, ? 新训练方程表示为：根据新的训练样本与原训练样本X和歹,求得输出层权重矩阵更新为：Step9:根据式(9)与式（10)就得到极限学习机在线学习过程的输出权重矩阵W2的在线 更新方程为：SteplO:重复Step6-Step9，实时在线更新所述控制模型。
【专利摘要】本发明公开了基于序贯极限学习机的煮糖结晶过程控制方法，包括：以入料流量和进给时间作为输入量，液位变化量和锤度变化量作为输出量构建基于序贯极限学习机的煮糖结晶过程工艺参数的控制模型；再根据工艺要求构建目标函数，并结合粒子群优化算法快速求解目标函数优化出最佳的入料流量和进给时间。本发明方法建立序贯极限学习机的在线学习机制，形成滚动优化机制，建立跟随自适应控制。本发明的方法能够在线检测煮糖结晶过程液位和锤度的变化速率，并根据实时误差进行入料流量的自适应调整，从而实现液位与锤度同步上升的工艺要求，具备了很强的可行性，能够代替手工操作去实现煮糖结晶过程的自动蒸煮。
【IPC分类】G06K9/62
【公开号】CN105488530
【申请号】CN201510848157
【发明人】蒙艳玫, 李文星, 谢延鹏, 郑康元, 胡飞红, 李广全
【申请人】广西大学
【公开日】2016年4月13日
【申请日】2015年11月30日
最新回复(0)