(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110998327.2 (22)申请日 2021.08.27 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 乔俊飞　丁海旭　汤健　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 刘萍 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) (54)发明名称 一种多输入多输出的城市固废焚烧过程模 型设计方法 (57)摘要 针对城市固废焚烧过程中被控对象模型难 以建立的问题， 本发明设计了一种多输入多输出 的城市固废焚烧过程模型设计方法； 首先， 描述 了城市固废焚烧过程的核心工艺流程并分析了 模型的影响因素； 接着， 针对城市固废焚烧过程 控制特点设计了被控对象模型的建模 策略， 该策 略由工况识别模块、 数据预处理模块、 特征约简 模块、 被控对象模型训练模块与被控对象模型测 试模块组成； 最后， 通过实验表明了城市固废焚 烧过程被控对象模型的有效性， 为研究城市固废 焚烧过程的优化控制算法奠定 了基础。 权利要求书3页 说明书8页 附图8页 CN 114186472 A 2022.03.15 CN 114186472 A 1.一种多输入多输出的城市固废焚烧过程模型设计方法， 其特 征在于， 包括以下步骤： (1)工况识别模块： 依据一次风压设定值对工况进行划分， 进而针对不同工况构建相应 的被控对象模型； (2)数据预处理模块： 本模块通过异常数据剔除与数据归一化将采集得到的数据进行 预处理， 计算步骤如下： ①异常数据剔除： 首先， 通过绘制分位数图对数据的正态分布性进行检测， 之后通过3σ 准则对异常数据进 行剔除， 采集 1～T时刻的关键被控变量： 主蒸汽流量、 炉膛温度和烟气含 氧量， 将其定义为Ys(t)， 其中s＝1,2,...,q， q为3， t＝1,2,...,T， 计算Ys(t)对应的剩余误 差 εs(t)为： 计算数据集的标准偏差σs为： 当Ys(t)对应的剩余 误差 εs(t)符合以下 条件时： | εs(t)|＞3σs    (3) 则对此Ys(t)执行剔除操作， 同时令T＝T ‑1； ②数据归一化处理： 提取城市固废焚烧过程的关键操作变量： 干燥段炉排空气流量(左 1、 右1、 左2、 右2)、 燃烧1段炉排空气流量(左1、 右1、 左2、 右2)、 燃烧2段炉排空气流量(左1、 右1、 左2、 右2)、 燃烬段炉排空气流量(左、 右)、 二次风流量、 干燥段炉排速度(左内、 右内、 左 外、 右外)、 燃烧1段炉排速度(左内、 右内、 左外、 右外)、 燃烧2段炉排速度(左内、 右内、 左外、 右外)和燃烬段炉排速度(左内、 右内)， 将 其定义为Xi(t)， 其中i＝1,2,...,N， N为29， t＝1, 2,...,T， 将采集数据Xi(t)与Ys(t)进行归一 化处理， 其计算公式如下： 式中， xi(t)表示数据Xi(t)归一化后的值， ys(t)表示数据Ys(t)归一化后的值， Xi表示第 i个参数在采集时间段的所有数据， Ys表示第s个参数在采集时间段的所有数据； (3)特征约简模块： 计算以上关键操作变量xi(t)与关键被控变量ys(t)之间的皮尔逊相 关系数， 将皮尔逊相关系数定义 为ρds， 其计算方法为： 根据计算结果， 按照ρds的绝对值进行排序， 选取排序为前3的操作变量， 将其记为xi (t)， 其中i ＝1,2,...,n， n为3； (4)多输入多输出Tak agi‑Sugeno型模糊神经网络训练模块： 本模块设计的模型结构由 前件网络与后件网络两部分组成， 其中前件网络包括输入层、 隶属 函数层、 规则层、 后件层权　利　要　求　书 1/3 页 2 CN 114186472 A 2和输出层共5层， 后件网络包括输入层、 规则层和后件层共3层， 对其数 学描述如下： ①输入层： 该层共有n个神经元， n为3， 其作用将输入值进行传递， 当第t个样本进入时， 输入层的输出为： xi(t),i＝1,2,...,n     (7) ②隶属函数层： 该层共有n ×m个神经元， m为12， 每个节点的输出代表对应输入量的隶 属度值， 隶属函数为： 式中， cij(t)与δij(t)分别为隶属度函数的中心和宽度， 其初始值由rand随机函数生成 范围在[0,2]之间均匀分布的随机实数； ③规则层： 该层设有m个神经元， 采用模糊连乘算子作为模糊逻辑规则， 规则层的输出 为： ④后件层： 该层共有m ×q个神经元， q为3， 每个节点执行T ‑S型模糊规则的线性求和， 该 层的作用是计算每条规则所对应输出的后件参数 后件参数是由后件网络计算得出 的， 后件网络输入层传入n+1个变量， 其中第0个节点的输入为常数， 即x0(t)＝1， 将后件参 数传回前件网络的后件层中， 其计算过程如下： 式中， 为模糊系统的参数， 其初始值设为0.3， x0(t) ,x1 (t),…,xn(t)为输入变量； ⑤输出层： 该层设有q个输出节点， 每个节点对输入参数执行加权求和， 其计算公式如 下： ⑥模型参数 学习： 使用梯度下降算法来调整网络参数， 首 先， 定义误差计算方法如下： 式中， ys(t)是第t个输入样本对应的第s个实际输出， 是第t个输入样本对应的第s 个计算输出， es(t)为两者之间的误差， 依据误差对网络的中心、 宽度和模糊系统参数更新 算法定义如下： 权　利　要　求　书 2/3 页 3 CN 114186472 A 3