[发明专利]一种基于群决策案例推理的溶解氧浓度软测量方法

摘要

针对污水处理过程溶解氧浓度的分析仪器测量滞后和建立估计溶解氧浓度的精确数学模型困难的问题，本发明提出一种基于群决策案例推理的溶解氧浓度软测量方法，实现溶解氧浓度的精确估计；该方法通过确定特征变量、建立软测量案例库、分配权重、获取目标案例、数值归一化、案例检索、群决策案例重用及案例存储等环节建立案例推理软测量模型，并实现算法，从而减小测量误差；解决了分析仪器测量滞后的问题，避免了建立精确数学模型的复杂过程；实验结果表明该方法能够快速、准确估计溶解氧浓度，并具有自学习能力，降低了分析仪器的采购和维护成本，有利于溶解氧浓度的实时监控。

主权项

一种基于群决策案例推理的溶解氧浓度软测量方法，其特征在于包括以下步骤：步骤1、确定影响溶解氧浓度的特征变量，分别为：进水流量、化学需氧量浓度、混合液固体悬浮物浓度、氨氮含量和曝气量，分别用x₁～x₅表示；步骤2、建立案例库；将从生产现场获得的历史数据表示成(特征描述；溶解氧浓度)的序偶形式，并存储于案例库中，其中第k个历史数据构成的源案例表示为C_k=(X_k;Y_k),k=1,2,…,p其中，X_k=(x_1,k,…,x_i,k,…,x_5,k)和Y_k分别是第k个源案例的特征描述和溶解氧浓度，p是源案例总数，x_i,_k(i=1,2,…,5)表示第k个源案例特征描述中的第i个特征变量的数值；步骤3、分配各个特征变量的权重；采用遗传算法(genetic algorithms,GA)对权重进行迭代训练后分配，具体为：(1)获取训练案例；设定训练权重的案例数量q，记为C_k′=(X_k′;Y_k′),k′=1,2,…,q；(2)将训练案例特征描述X_k′中的每一个特征变量的数值进行归一化处理，归一化后每个训练案例可表示为其中的(3)参数初始化；设定特征变量初始权重组合的组数m>1、群决策的组数N>1、迭代次数Iter>1、交叉概率P_c∈(0,1)、变异概率P_mu∈(0,1)以及对每一个权重进行二进制编码的位数n，然后随机产生由m组以n位二进制编码表示的特征变量权重组合组成的初始权重矩阵G，如下矩阵形式：$G=\left[\begin{array}{c}{G}_1\\ .\\ .\\ .\\ G_j\\ .\\ .\\ .\\ G_m\end{array}\right]=\left[\begin{array}{ccccc}{G}_{\mathrm{1,1}}& ...& G_{1,i}& ...& G_{\mathrm{1,5}}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ G_{j,1}& ...& G_{j,i}& ...& G_{j,5}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ G_{m,1}& ...& G_{m,i}& ...& G_{m,5}\end{array}\right]$其中，G_j是以二进制码表示的第j组权重组合，G_j,i表示G_j中第i个特征变量x_i的二进制码权重，表示G_j,i中的第l位数据；(4)对权重矩阵中的每一组二进制码权重组合进行十进制解码，得到以十进制表示的权重矩阵D，然后经过映射变换得到映射变换后的权重矩阵Ω，所述的权重矩阵D如下所示：$D=\left[\begin{array}{c}{D}_1\\ .\\ .\\ .\\ D_j\\ .\\ .\\ .\\ D_m\end{array}\right]=\left[\begin{array}{ccccc}{D}_{\mathrm{1,1}}& ...& D_{1,i}& ...& D_{\mathrm{1,5}}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ D_{j,1}& ...& D_{j,i}& ...& D_{j,5}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ D_{m,1}& ...& D_{m,i}& ...& D_{m,5}\end{array}\right]$其中，D_j是以十进制表示的第j组权重组合，D_j,i是十进制解码；所述的权重矩阵Ω如下所示：$\mathrm{\Ω}=\left[\begin{array}{c}{\mathrm{\Ω}}_1\\ .\\ .\\ .\\ {\mathrm{\Ω}}_j\\ .\\ .\\ .\\ {\mathrm{\Ω}}_m\end{array}\right]=\left[\begin{array}{ccccc}{\mathrm{\ω}}_{\mathrm{1,1}}& ...& {\mathrm{\ω}}_{1,i}& ...& {\mathrm{\ω}}_{\mathrm{1,5}}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ {\mathrm{\ω}}_{j,1}& ...& {\mathrm{\ω}}_{j,i}& ...& {\mathrm{\ω}}_{j,5}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ {\mathrm{\ω}}_{m,1}& ...& {\mathrm{\ω}}_{m,i}& ...& {\mathrm{\ω}}_{m,5}\end{array}\right]$其中，Ω_j是映射变换后的第j组权重组合，ω_j,i∈[0,1]是第j组权重组合中特征变量x_i的权重值；(5)计算相似度；将上步中得到的解码后的m组权重组合Ω₁～Ω_m分别用q个训练案例(即采用留一法进行训练，计算得到每组权重组合的q‑1个相似度；(6)利用相似度，依次计算权重组合Ω₁～Ω_m分别作用时溶解氧浓度估计值的平均绝对百分数误差e_j(j=1,2,…,m)，并记录本次迭代的最小误差min(e₁,e₂,…,e_m)；(7)利用误差e_j，依次计算权重组合Ω₁～Ω_m被选择的概率，然后根据权重组合Ω₁～Ω_m被选择的概率，采用轮盘赌法得到选择操作后的二进制码权重矩阵G′=[G′₁…G′_j…G′_m]^T，其中，T表示矩阵转置，G′_j是G_j经过选择操作后的第j组二进制码权重组合；(8)交叉：将上步选择后的权重矩阵G′中的m个权重组合从第一个开始，两两配对交叉，m是奇数时，最后一权重组合不参与交叉，具体为：比较设定的交叉概率P_c∈(0,1)和随机产生的实数r_pc∈(0,1)大小关系，如果随机数r_pc小于P_c，则产生一个随机整数C_point∈(0,5n)，以此整数为分界点将两两配对的权重组合分别分为左右两部分，右边不含分界点处的二进制数，然后将它们的右边部分互相交换；否则，保持原来的值不变，重复此过程，一直到所有权重组合均执行上述操作，从而形成交叉后的权重矩阵G″，如下式所示：$G^{\′\′}=\left[\begin{array}{c}{G}_1^{\′\′}\\ .\\ .\\ .\\ G_j^{\′\′}\\ .\\ .\\ .\\ G_m^{\′\′}\end{array}\right]=\left[\begin{array}{ccccc}{G}_{\mathrm{1,1}}^{\′\′}& ...& G_{1,i}^{\′\′}& ...& G_{\mathrm{1,5}}^{\′\′}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ G_{j,1}^{\′\′}& ...& G_{j.i}^{\′\′}& ...& G_{j,5}^{\′\′}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ G_{m,1}^{\′\′}& ...& G_{m,i}^{\′\′}& ...& G_{m,5}^{\′\′}\end{array}\right]$其中，G″_j是G′_j经过交叉操作后的第j组二进制码权重组合，G″_j,i表示G″_j中第i个特征变量x_i的二进制码权重；(9)变异：根据设定的变异概率P_mu∈(0,1)，对上步交叉后的权重矩阵G″中的每一个二进制位产生一个随机数r_pm∈(0,1)，如果随机数r_pm小于P_mu，则将该二进制位取反；否则，保持原来的值不变，从而形成变异后的权重矩阵G″′，如下式所示：$G^{\′\′\′}=\left[\begin{array}{c}{G}_1^{\′\′\′}\\ .\\ .\\ .\\ G_j^{\′\′\′}\\ .\\ .\\ .\\ G_m^{\′\′\′}\end{array}\right]=\left[\begin{array}{ccccc}{G}_{\mathrm{1,1}}^{\′\′\′}& ...& G_{1,i}^{\′\′\′}& ...& G_{\mathrm{1,5}}^{\′\′\′}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ G_{j,1}^{\′\′\′}& ...& G_{j.i}^{\′\′\′}& ...& G_{j,5}^{\′\′\′}\\ .& & .& & .\\ .& ...& .& ...& .\\ .& & .& & .\\ G_{m,1}^{\′\′\′}& ...& G_{m,i}^{\′\′\′}& ...& G_{m,5}^{\′\′\′}\end{array}\right]$其中，G″′_j是G″_j经过变异操作后的第j组二进制码权重组合，G″′_j，i表示G″′_j中第i个特征变量x_i的二进制码权重；(10)获取最佳权重组合；若未达到设定的迭代次数Iter，则针对上步变异后的权重矩阵，重复上述的步骤(4)～步骤(9)，直至达到设定的迭代次数Iter时为止，此时，将每次迭代过程中步骤(6)中记录的最小误差min(e₁,e₂,…,e_m)按升序排列，保留处于第1位的误差所对应的那一组权重，记为ω₁～ω₂₇；(11)如果上步获得的权重组数小于群决策组数N，则重复上述的(3)～(10)，直至得到N组ω₁～ω₂₇时为止；步骤4、获取目标案例的特征描述数据：记目标案例的特征描述数据是X_p+1=(x_1,p+1,…,x_i,p+1,…,x_5,p+1)，待估计的溶解氧浓度记为Y_p+1；步骤5、将源案例特征描述X_k=(x_1,k,…,x_i,k,…,x_5,k)，k=1,2,…,p和目标案例特征描述X_p+1=(x_1,p+1,…,x_i,p+1,…,x_5,p+1)中的特征变量的数值进行归一化处理，分别如下式所示：${\tilde{x}}_{i,k}=\frac{x_{i,k}-\min (x_{i,1},...,x_{i,p+1})}{\max (x_{i,1},...,x_{i,p+1})-\min (x_{i,1},...,x_{i,p+1})},i=\mathrm{1,2},...,5;k=\mathrm{1,2},...,p$${\tilde{x}}_{i,p+1}=\frac{x_{i,p+1}-\min (x_{i,1},...,x_{i,p+1})}{\max (x_{i,1},...,x_{i,p+1})-\min (x_{i,1},...,x_{i,p+1})},i=\mathrm{1,2},...,5$其中，为归一化后第k个源案例的特征描述中第i个特征变量的数值；为归一化后目标案例的特征描述中第i个特征变量的数值；步骤6、案例检索；根据步骤3(11)中得到的N组权重以及目标案例特征描述与源案例特征描述中归一化后的各个特征变量的数值，计算各源案例与目标案例的相似度s_k：$s_k=1-\sqrt{\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{({\tilde{x}}_{,p+1}-{\tilde{x}}_{i,k})}^2},k=\mathrm{1,2},...,p$每一组权重均得到p个相似度，分别是s₁～s_p，共有N组；步骤7、群决策案例重用；设定取用源案例的个数为p’，对案例检索环节得到的N组相似度，将每一组相似度s₁～s_p按降序排列，然后取出前p’个相似度对应的源案例中的溶解氧浓度值(分别记为)，求得每一组的均值${\stackrel{\‾}{Y}}_r=\frac{1}{p^{\′}}\underset{o=1}{\overset{p^{\′}}{\mathrm{\Σ}}}{\tilde{Y}}_{\mathrm{ro}}$然后按下式实现群决策案例重用，得到对应于目标案例X_p+1的溶解氧浓度估计值Y_p+1：$Y_{p+1}=\frac{1}{N}\underset{r=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\‾}{Y}}_r$步骤8、案例存储；将步骤7得到的溶解氧浓度估计值Y_p+1及归一化前的目标案例特征描述X_p+1=(x_1,p+1,…,x_i,p+1,…,x_5,p+1)组成新的源案例C_p+1存储于案例库中，源案例总数p增1，以此增强案例推理求解的自学习能力。