焦?fàn)t集氣管壓力控制系統(tǒng)研究論文

1、引言在煉焦生產(chǎn)過程中，焦?fàn)t集氣管壓力是煉焦生產(chǎn)中的重要參數(shù)，它的穩(wěn)定性直接影響著焦?fàn)t的使用壽命和焦碳的生產(chǎn)。焦?fàn)t集氣管壓力控制系統(tǒng)是一個具有強(qiáng)干擾、多耦合、時變、非線性的復(fù)雜多變量系統(tǒng)，利用傳統(tǒng)的建模與自動控制手段往往難以奏效，因此課題中使用不依賴系統(tǒng)精確數(shù)學(xué)模型的模糊控制。但現(xiàn)在模糊控制中的控制規(guī)則一般都是通過專家或操作人員的經(jīng)驗總結(jié)形成的，存在一定的主觀性和隨意性。使用數(shù)據(jù)挖掘的方法從生產(chǎn)過程的大量的數(shù)據(jù)中分析出模糊控制規(guī)則，這個方法不僅為模糊控制規(guī)則的生成提供了一個嶄新的思路，而且得到了一定的控制效果。隨著數(shù)據(jù)挖掘(dm)技術(shù)的發(fā)展和完善，為模糊控制規(guī)則的獲得提供了一條嶄新的途徑?？梢赃\

2、用數(shù)據(jù)挖掘中的聚類分析算法來獲取控制焦?fàn)t集氣管壓力的模糊規(guī)則。聚類算法是通過對變量的比較、把具有相似特征的數(shù)據(jù)歸為一類。因此，本課題就采用聚類的方法來建立及其關(guān)壓力模糊控制模型, 通過對運行時控制集氣管系統(tǒng)壓力的數(shù)據(jù)進(jìn)行聚類，同一類中的數(shù)據(jù)中必定有潛在規(guī)律，則此可生成可以控制集氣管壓力的模糊控制規(guī)則，從而豐富模糊控制規(guī)則表。通過聚類以后，數(shù)據(jù)集就轉(zhuǎn)化為類集。在類集中同一類數(shù)據(jù)具有相似的變量值，不同類之間的變量值不具有相似性。這些類不是事先定義好的，而是通過聚類算法采用全自動方式獲得。焦?fàn)t集氣管壓力控制系統(tǒng)是一個具有強(qiáng)干擾、多耦合、時變、非線性的復(fù)雜多變量系統(tǒng)，一個集氣管壓力產(chǎn)生波動時，就會引起

3、另一個集氣管壓力的波動，當(dāng)波動較大時，就會造成整個集氣管系統(tǒng)拉鋸，出現(xiàn)振蕩現(xiàn)象。對多輸入多輸出系統(tǒng)中輸入與輸出之間相互影響較強(qiáng)的，不能簡單地化為多個單輸入單輸出系統(tǒng)，此時必須考慮到變量間的耦合，以便對系統(tǒng)采取相應(yīng)的解耦措施后再實施有效的控制。本課題采用模糊控制與數(shù)據(jù)挖掘相結(jié)合，在不需要已知對象模型情況下求出耦合度，再進(jìn)行集氣管壓力控制模型的耦合分析和解耦設(shè)計。最后通過在matlab環(huán)境下仿真，驗證本課題所提出的生成模糊解耦控制規(guī)則方法的合理性、可行性及其優(yōu)越性。1 緒論煉焦工藝控制就是為了保證焦炭的產(chǎn)品質(zhì)量，增加荒煤氣的回收率，減少環(huán)境污染，提高經(jīng)濟(jì)效益?；拿簹馐翘炕抑械拿毫显诟邷馗绅s下產(chǎn)生

4、的煤氣，因尚未經(jīng)凈化處理，因此在習(xí)慣上稱為荒煤氣或粗煤氣?；拿簹饣厥站鸵揽炕拿簹鈱?dǎo)出設(shè)備，它包括：上升管、橋管、水封閥、集氣管、吸氣彎管、吸氣管、氨水噴灑系統(tǒng)等1。集氣管只是荒煤氣導(dǎo)出系統(tǒng)的一部分。如圖1所示。集氣管是用鋼板焊接而成的圓管或槽形結(jié)構(gòu)，沿整個焦?fàn)t縱向置于爐柱托架上，用以匯集個炭化室的荒煤氣、冷凝焦油和氨水。圖1荒煤氣導(dǎo)出系統(tǒng)1fig.1 the system of exporting rough gas1.1 數(shù)據(jù)挖掘概述1.1.1 數(shù)據(jù)挖掘的基本任務(wù)隨著數(shù)據(jù)庫技術(shù)的迅速發(fā)展以及數(shù)據(jù)庫管理系統(tǒng)的廣泛應(yīng)用，人們積累的數(shù)據(jù)越來越多。目前的數(shù)據(jù)庫系統(tǒng)可以高效地實現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)

5、計等功能，但無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則，無法根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測未來的發(fā)展趨勢。缺乏挖掘數(shù)據(jù)背后隱藏的知識的手段，導(dǎo)致了“數(shù)據(jù)爆炸但知識貧乏”的現(xiàn)象。數(shù)據(jù)挖掘就是為滿足這種要求而產(chǎn)生并迅速發(fā)展起來的,可用于開發(fā)信息資源的一種新的數(shù)據(jù)處理技術(shù)。數(shù)據(jù)挖掘技術(shù)是多學(xué)科交叉的新型技術(shù)，它主要基于統(tǒng)計學(xué)、人工智能、機(jī)器學(xué)習(xí)等技術(shù)，高度自動化地分析數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，并對未來情況進(jìn)行預(yù)測，以輔助決策者評估風(fēng)險、做出正確的決策。數(shù)據(jù)挖掘的任務(wù)就是發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式/知識4。數(shù)據(jù)挖掘任務(wù)一般可以分為兩類：描述和預(yù)測。描述性挖掘任務(wù)以簡潔概要的方式描述數(shù)據(jù)，并提供數(shù)據(jù)的有趣的一般

6、性特征；預(yù)測性挖掘任務(wù)對當(dāng)前數(shù)據(jù)進(jìn)行分析，建立一個或一組模型，并試圖預(yù)測新數(shù)據(jù)集的行為。通常情況下，為了適應(yīng)不同用戶的不同需求和應(yīng)用，數(shù)據(jù)挖掘系統(tǒng)要能夠挖掘多種類型的模式2。1.1.2 數(shù)據(jù)挖掘的挖掘步驟 數(shù)據(jù)數(shù)據(jù)挖掘系統(tǒng)可以大致分為三層結(jié)構(gòu)3第一層是數(shù)據(jù)源，包括數(shù)據(jù)庫、數(shù)據(jù)倉庫。數(shù)據(jù)挖掘不一定要建立在數(shù)據(jù)倉庫的基礎(chǔ)上，但如果數(shù)據(jù)挖掘與數(shù)據(jù)倉庫協(xié)同工作，則將大大提高數(shù)據(jù)挖掘的效率。 第二層是數(shù)據(jù)挖掘器，利用數(shù)據(jù)挖掘方法分析數(shù)據(jù)庫中的數(shù)據(jù)，包括關(guān)聯(lián)分析、序列模式分析、分類分析、聚類分析等。第三層是用戶界面，將獲取的信息以便于用戶理解和觀察的方式反映給用戶，可以使用可視化工具。數(shù)據(jù)挖掘的過程可粗略

7、的分為如下的幾步5, 6：1）問題定義：數(shù)據(jù)挖掘是為了在大量數(shù)據(jù)中發(fā)現(xiàn)有用的令人感興趣的信息，因此發(fā)現(xiàn)何種知識就成為整個過程中第一個也是最重要的一個階段。2）數(shù)據(jù)準(zhǔn)備：又可分為三個子步驟：數(shù)據(jù)選取、數(shù)據(jù)預(yù)處理和數(shù)據(jù)變換。3）數(shù)據(jù)挖掘：基本步驟，使用智能方法提取數(shù)據(jù)模式。4）結(jié)果解釋和評估：根據(jù)某種興趣度度量，識別表示知識的真正有趣的模式，并使用可視化和知識表示技術(shù)，向用戶提供挖掘的知識。1.1.3 數(shù)據(jù)挖掘的應(yīng)用和發(fā)展數(shù)據(jù)挖掘強(qiáng)調(diào)的是大數(shù)據(jù)量和算法的可伸縮性，它是一門很接近實用的學(xué)科，一出現(xiàn)就被許多部門所應(yīng)用。目前，數(shù)據(jù)挖掘的研究領(lǐng)域已遍及的行業(yè)包括金融業(yè)、電信業(yè)、網(wǎng)絡(luò)相關(guān)行業(yè)、零售商、制造業(yè)

8、、醫(yī)療保健、制藥業(yè)及科學(xué)領(lǐng)域等。例如：數(shù)據(jù)挖掘在天文學(xué)上有一個非常著名的應(yīng)用系統(tǒng)：skicat(sky image cataloging and analysis tool)，它是加州理工學(xué)院噴氣推進(jìn)實驗室與天文科學(xué)家合作開發(fā)的用于幫助天文學(xué)家發(fā)現(xiàn)遙遠(yuǎn)的類星體的一個工具；數(shù)據(jù)挖掘所能解決的典型商業(yè)問題包括：數(shù)據(jù)庫營銷、客戶群體劃分、背景分析、交叉銷售等市場分析行為,以及客戶流失性分析、客戶信用記分、欺詐發(fā)現(xiàn)等；在internet上的應(yīng)用包括三種：在搜索引擎上對文檔進(jìn)行自動分類、幫助尋找用戶感興趣的新聞以及利用數(shù)據(jù)挖掘設(shè)計一個電子新聞過濾系統(tǒng)6-11。數(shù)據(jù)挖掘的應(yīng)用很廣泛，但我國的數(shù)據(jù)挖掘應(yīng)用尚

9、處于嘗試性的萌芽階段，企業(yè)大規(guī)模地運用數(shù)據(jù)挖掘技術(shù)尚不普遍，個別企業(yè)或部門僅零星地運用數(shù)據(jù)挖掘技術(shù)。數(shù)據(jù)挖掘的應(yīng)用研究應(yīng)該尋求領(lǐng)域的探索和擴(kuò)張。在注重理論、技術(shù)研究的同時，強(qiáng)調(diào)實際應(yīng)用研究，例如在生產(chǎn)控制領(lǐng)域中，應(yīng)用數(shù)據(jù)挖掘的算法，開發(fā)出適合工業(yè)控制的系統(tǒng)等。1.2 焦?fàn)t集氣管壓力控制系統(tǒng)研究現(xiàn)狀及發(fā)展1.2.1 集氣管壓力控制系統(tǒng)的定義焦?fàn)t集氣管壓力控制系統(tǒng)是一個具有強(qiáng)干擾、多耦合、時變、非線性的復(fù)雜多變量系統(tǒng)，利用傳統(tǒng)的建模與自動控制手段往往難以奏效，因此課題中使用不依賴系統(tǒng)精確數(shù)學(xué)模型的模糊控制。集氣管煤氣系統(tǒng)簡圖如圖2所示37。圖2 集氣管煤氣系統(tǒng)簡圖fig. 2 the simply

10、 figure of air-collecting pipe system1.2.2 集氣管壓力控制系統(tǒng)的研究現(xiàn)狀及發(fā)展焦炭的生產(chǎn)過程稱為煉焦。煉焦工藝控制就是為了保證焦炭的產(chǎn)品質(zhì)量，增加荒煤氣的回收率，減少環(huán)境污染，提高經(jīng)濟(jì)效益。集氣管壓力是焦?fàn)t生產(chǎn)中重要的工藝參數(shù)，在焦化生產(chǎn)過程中，它因受多種因素：出焦、裝煤、換向、煤氣發(fā)生量、工藝設(shè)備及管道阻力等的影響而常常發(fā)生波動。對焦?fàn)t集氣管壓力進(jìn)行控制使其穩(wěn)定在生產(chǎn)工藝所需范圍內(nèi)是保證安全生產(chǎn)、提高產(chǎn)品質(zhì)量、減少環(huán)境污染、延長爐齡的重要技術(shù)措施11,12集氣管壓力是一個重要工藝指標(biāo)，壓力偏高將導(dǎo)致焦?fàn)t炭化室壓力增高，粗煤氣從爐門等處冒出，嚴(yán)重污染環(huán)

11、境并降低化產(chǎn)收率；壓力偏低將使空氣進(jìn)入炭化室，使粗煤氣和焦碳燃燒，焦碳灰份增加，質(zhì)量下降。影響集氣管壓力的因素很多，它受到焦?fàn)t煤氣發(fā)生量、壓力調(diào)節(jié)碟閥的開度、鼓風(fēng)機(jī)吸力、管道阻力、機(jī)前機(jī)后阻力等多方面因素的影響。由于集氣管與集氣管并聯(lián)，組內(nèi)和組間存在負(fù)耦合關(guān)系，當(dāng)并聯(lián)的兩集氣管壓力不同時，煤氣的流向會發(fā)生不同程度的改變，使高、低壓兩集氣管之間存在著自平衡的趨勢。趨于平衡的快慢因組內(nèi)與組間并聯(lián)管線長度和耦合的強(qiáng)弱而不同。組內(nèi)耦合關(guān)系強(qiáng)，自平衡較快，組間耦合對系統(tǒng)影響較大而自平衡較慢。焦?fàn)t與鼓風(fēng)機(jī)串聯(lián)，存在著正耦合關(guān)系，總管壓力的變化必然導(dǎo)致各單集氣管壓力的相應(yīng)變化。機(jī)前吸力增大使煤氣流量增大，在

12、其他條件不變的情況下集氣管壓力升高。集氣管壓力系統(tǒng)是一個耦合嚴(yán)重、具有嚴(yán)重非線性、擾動頻繁劇烈的多變量時變系統(tǒng)，當(dāng)一個集氣管內(nèi)的壓力波動時，就會使另一個集氣管的壓力隨之波動。若波動量較大時，就會造成整個集氣管系統(tǒng)拉踞，出現(xiàn)振蕩現(xiàn)象。而鼓風(fēng)機(jī)前吸力的變化、循環(huán)氨水流量的變化、用戶負(fù)荷的變化，又是集氣管壓力的間接擾動，很難用常規(guī)方法加以控制。在早前集氣管壓力的控制多采用液壓比例控制器，如前蘇聯(lián)“國立焦化工業(yè) 設(shè)計院焦化機(jī)械設(shè)計院”設(shè)計的集氣管壓力控制系統(tǒng)；在國內(nèi)焦?fàn)t控制系統(tǒng)多采用電動單元儀表系統(tǒng)，如馬鋼焦化廠jn60-82型焦?fàn)t采用的定制調(diào)節(jié)系統(tǒng)。這些都是比較老的技術(shù)，現(xiàn)在基本上已經(jīng)淘汰。近年來，

13、很多焦化廠采用了plc、單片機(jī)或工控機(jī)系統(tǒng)，對焦?fàn)t集氣管壓力及鼓風(fēng)機(jī)吸力進(jìn)行自動控制，如鐵嶺焦化廠用std-5801工控機(jī)構(gòu)成的crb集氣管壓力控制系統(tǒng)。雖技術(shù)上比較成熟，設(shè)計調(diào)試簡單易行，但由于影響焦?fàn)t壓力的因素多而強(qiáng)烈，而且隨焦?fàn)t工況的變化，控制對象的模型也發(fā)生變化，pid控制很難兼顧減小超調(diào)量和提高快速性的要求，系統(tǒng)的調(diào)節(jié)品質(zhì)會因參數(shù)變化而變壞，使壓力常有超出正常范圍的現(xiàn)象13。鑒于此，近年來，隨著神經(jīng)網(wǎng)絡(luò)與模糊控制理論的發(fā)展、計算機(jī)技術(shù)的成熟，人們在模糊神經(jīng)網(wǎng)絡(luò)控制，模糊控制與專家控制相結(jié)合的先進(jìn)策略技術(shù)上進(jìn)行了大量研究，且有的已經(jīng)應(yīng)用到實際中，如雞西礦局煤氣廠采用的智能系統(tǒng)13；西林

14、鋼鐵公司的焦?fàn)t集氣管壓力智能控制系統(tǒng)14。并且有人采用把plc控制和專家系統(tǒng)相結(jié)合的方法對集氣管壓力進(jìn)行控制：對單集氣管壓力進(jìn)行pid控制，對機(jī)前吸力的控制則采用專家控制15-16。1.2.3 存在的主要問題和缺陷對于集氣管壓力控制系統(tǒng)的設(shè)計可以采用不同的方法達(dá)到控制的目的，相對的每一種方法都有自己的優(yōu)勢也存在各自的不足。pid控制器結(jié)構(gòu)簡單，工作穩(wěn)定，魯棒性較強(qiáng)，使用方便，但要求獲得對象相對精確的數(shù)學(xué)模型；智能解耦控制通過分管控制補償和設(shè)點動態(tài)調(diào)整，實現(xiàn)了焦?fàn)t組內(nèi)并聯(lián)解耦，但要求擾動可測；專家控制則是將人的感性經(jīng)驗和定理算法相結(jié)合的一種傳統(tǒng)的智能控制方法，能夠根據(jù)工業(yè)對象本身的時變性和不確定

15、性以及現(xiàn)場干擾的隨機(jī)性，控制器采用不同形式的開環(huán)與閉環(huán)控制策略，其主要優(yōu)點是控制方法和知識表達(dá)靈活，但靈活性同時帶來了設(shè)計上的隨意性。模糊控制精度高，適用于數(shù)學(xué)模型未知的控制對象，已廣泛應(yīng)用于工業(yè)生產(chǎn)過程控制，但相對的這種方法對于需要快速抑制擾動的對象不能獲得較理想的控制效果8，而且在模糊規(guī)則的獲取一直是個瓶頸問題。1.3 多變量控制系統(tǒng)解耦控制方法1.3.1 多變量控制解耦控制方法工業(yè)控制中，被控系統(tǒng)大多數(shù)是多變量系統(tǒng)。與單變量系統(tǒng)相比，多變量系統(tǒng)有多個輸入和輸出，內(nèi)部結(jié)構(gòu)復(fù)雜，會帶來一些特殊問題17：(1) 關(guān)聯(lián)性在多數(shù)多變量系統(tǒng)中，一個輸入信號的變化會使多個輸出量發(fā)生變化，一個輸出也會受

16、多個輸入的影響。將輸入與輸出配對，用一個輸入和一個輸出構(gòu)成閉環(huán)控制回路時，各回路之間會存在相互影響，使得系統(tǒng)的控制品質(zhì)急劇下降，嚴(yán)重時將導(dǎo)致系統(tǒng)無法工作。(2) 模型的不確定性單變量模型多半是低階慣性環(huán)節(jié)加純延遲，控制回路簡單，涉及的參數(shù)較少，其常用的pid控制器也有很好的控制特性，因此不確定性影響不大。多變量則涉及較多參數(shù)，難以得到精確的數(shù)學(xué)模型，各控制回路聯(lián)系多，使得參數(shù)變動對整體控制效果的影響變得復(fù)雜。(3) 控制部件的失效和完整性當(dāng)系統(tǒng)的某些環(huán)節(jié)(如傳感器或執(zhí)行器)出現(xiàn)故障時，可能影響整個控制系統(tǒng)的性能，嚴(yán)重時會使控制系統(tǒng)不穩(wěn)定，造成重大事故。在多變量系統(tǒng)中有多個回路，其環(huán)節(jié)增多。因此

17、控制部件失效的可能性增大，將導(dǎo)致對其控制的難度增大。在此情況下，則要求在失效時系統(tǒng)仍不喪失某些基本性能(此特性稱為完整性)，保證控制系統(tǒng)的穩(wěn)態(tài)和動態(tài)特性不能變得太壞，即對系統(tǒng)的容錯控制。在多變量的幾個特殊問題中，回路之間的關(guān)聯(lián)最為典型，甚至在某些情況下，耦合不解除，系統(tǒng)就無法控制。多變量系統(tǒng)的解耦設(shè)計思想在控制學(xué)科發(fā)展初期就已經(jīng)形成，在boksenbomhood和錢學(xué)森的著作中就已得到了基本研究；此后，kavanagh等人將這個理論用于過程控制系統(tǒng)。在現(xiàn)代控制理論的框架內(nèi)，這個問題由morgan在1964年正式提出。隨著被控系統(tǒng)越來越復(fù)雜，被控對象存在著更多難以控制的因素，如不確定性、多外擾、

18、非線性、滯后、非最小相位特性等，使得工程對耦合控制系統(tǒng)的設(shè)計要求越來越高，設(shè)計難度也越來越大。因此，解耦問題成為學(xué)術(shù)上與工程上一大難題。 目前，在理論上研究比較成熟的解耦控制技術(shù)可分為以下幾類：傳統(tǒng)解耦方法、基于現(xiàn)代控制理論的解耦方法、自適應(yīng)解耦方法和智能解耦方法。1）傳統(tǒng)的解耦方法傳統(tǒng)解耦方法主要適用于線性定常多變量系統(tǒng)，如下所述：(1)基于古典控制理論的串聯(lián)解耦由bristol提出的相對增益分析法和由bolscnbomhood和錢學(xué)森首先提出的對角形解耦方法18，是古典解耦的代表。其基本思想是：適當(dāng)設(shè)計，使得輸入變量與輸出變量之間的系統(tǒng)傳遞函數(shù)矩陣成為對角矩陣。在此基礎(chǔ)上的進(jìn)一步改進(jìn)是改變

19、目標(biāo)矩陣的解耦，它除了解耦外，能同時改變各個控制通道特性，使之更易于控制。(2)基于多變量頻域理論的逆nyquist曲線法、序列回差法和特征曲線分析法25。這幾種方法本身引用的概念多，計算復(fù)雜。2)基于現(xiàn)代控制理論的解耦方法由falb等人發(fā)展起來的狀態(tài)變量法19,主要有線性狀態(tài)反饋解耦和線性輸出反饋解耦。其基本思想是：通過從狀態(tài)變量或輸出變量處引出一個反饋陣，使得系統(tǒng)傳遞函數(shù)陣成為一個對角形有理多項式矩陣。這種方法首先需要進(jìn)行能解耦性判定。3)自適應(yīng)解耦方法自適應(yīng)控制的思想與解耦控制技術(shù)相結(jié)合并用于多變量系統(tǒng)中，就形成了自適應(yīng)解耦方法20。自適應(yīng)解耦的目標(biāo)是使系統(tǒng)的閉環(huán)傳遞函數(shù)成為對角陣，通常

20、把耦合信號作為干擾處理。自適應(yīng)解耦實質(zhì)上采用了最優(yōu)控制的方法，建立目標(biāo)函數(shù)并對參數(shù)尋優(yōu)是該方法的核心，這是與傳統(tǒng)解耦方法的本質(zhì)區(qū)別，是解耦理論的重大突破，也是智能解耦理論的基礎(chǔ)。4)智能解耦方法近幾年來，隨著智能控制技術(shù)的發(fā)展，“智能”的思想已運用于解耦控制中并取得一定的成果。文獻(xiàn)21利用神經(jīng)網(wǎng)絡(luò)的可訓(xùn)練性與結(jié)構(gòu)通用性，引入神經(jīng)網(wǎng)絡(luò)作為補償環(huán)節(jié)而達(dá)到解耦的目的。當(dāng)對象的輸入輸出之間存在耦合，又沒有確定的映射關(guān)系，可以建立相應(yīng)的模糊規(guī)則，進(jìn)行模糊解耦。文獻(xiàn)22采用模糊概念表述相對耦合度，用模糊控制的方法設(shè)計了模糊解耦補償器，使系統(tǒng)能按不同的被控過程特性達(dá)到一定的解耦要求。文獻(xiàn)23將預(yù)測控制的思想

21、引入解耦控制中，進(jìn)行預(yù)估補償解耦控制。在多變量解耦控制系統(tǒng)中，逐漸出現(xiàn)了將自適應(yīng)控制、神經(jīng)網(wǎng)絡(luò)控制、預(yù)測控制以及模糊控制等幾種不同方法融合在一起的設(shè)計方法，以求得更好的設(shè)計效果。模糊控制系統(tǒng)的不敏感性是其突出優(yōu)點之一，尤其適用于不確定的系統(tǒng)，因此可將模糊控制應(yīng)用于解耦控制。模糊解耦主要有兩種方法：1）直接解耦法方法是先對控制對象進(jìn)行解耦，然后針對解耦而成的各單變量過程進(jìn)行模糊系統(tǒng)的設(shè)計。針對模糊控制器的直接解耦法，仍然要求操作人員對受控對象認(rèn)識的模糊信息的歸納和操作經(jīng)驗的總結(jié)建立一組模糊控制規(guī)則或控翩查詢表，這在實際應(yīng)用中是很困難的。通過將該模糊解耦控制算法用于氫氣燒結(jié)爐溫度控制可以看出，該法

22、適應(yīng)性強(qiáng)，穩(wěn)定性好，且設(shè)計思想簡潔，對多變量系統(tǒng)能較好地起解耦控制作用。2）間接解耦法間接解耦法是對控制器進(jìn)行解耦。它既能快速跟蹤設(shè)定值，又能減弱各變量之間耦合的影響，獲得良好的控制效果；但是要求已知一組多維模糊控制規(guī)則，這給實際應(yīng)用帶來了很大困難。1.3.2 集氣管壓力智能解耦控制焦?fàn)t集氣過程具有擾動變化激烈且壓力幅值變化大、耦合嚴(yán)重、強(qiáng)非線性和時變特性的特點。由于炭化室的裝煤、推焦等操作和結(jié)焦時間的變更、加熱制度的變化、鼓風(fēng)機(jī)前吸力的變化等都不同程度地影響集氣管的壓力，因此無法獲得控制對象的精確數(shù)學(xué)模型，難以用常規(guī)方法進(jìn)行控制。目前提出的焦?fàn)t集氣管壓力控制方法主要有pid控制、模糊控制、專

23、家控制、前饋補償解耦、模糊解耦控制等24。例如：文獻(xiàn)25提出了一種基于相關(guān)性分析的解耦控制算法，并與變積分常數(shù)pid控制相結(jié)合。該算法將變積分pi控制與運用相關(guān)性分析法的解耦控制有機(jī)結(jié)合，通過改變積分系數(shù)，保證單座焦?fàn)t的穩(wěn)定，通過相關(guān)性分析及補償，消除焦?fàn)t之間集氣管壓力的耦合影響，解決了具有耦合特性的多座焦?fàn)t的集氣管壓力穩(wěn)定問題；文獻(xiàn)26設(shè)計了一種專家規(guī)則與模糊控制相結(jié)合的智能控制器，在分析了集氣管耦合關(guān)系的前提下，提出了基于規(guī)則的補償解耦算法，通過分管控制補償和設(shè)定點動態(tài)調(diào)整實現(xiàn)了焦?fàn)t之間的并聯(lián)解耦；文獻(xiàn)27和28提出了一種基于pid神經(jīng)網(wǎng)絡(luò)和rbf模糊神經(jīng)網(wǎng)絡(luò)的多變量解耦控制方案，采用rb

24、f網(wǎng)絡(luò)多變量解耦控制器與被控對象構(gòu)成廣義被控對象，通過學(xué)習(xí)達(dá)到解耦，由神經(jīng)網(wǎng)絡(luò)pid控制器對解耦后的過程動態(tài)特性進(jìn)行控制，能夠根據(jù)被控對象的特點，調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值，適應(yīng)系統(tǒng)強(qiáng)擾動的干擾，從而有效地解決了集氣管壓力這類復(fù)雜對象的過程控制問題；文獻(xiàn)29提出了一種分層智能協(xié)調(diào)控制方法，將集氣管壓力控制系統(tǒng)劃分為基礎(chǔ)控制級、解耦級和協(xié)調(diào)級，通過分層結(jié)構(gòu)解決過程的復(fù)雜性問題。這些控制方法針對解耦問題都提出了較好的思路42，也取得了一定的控制效果，但是它們都只是針對對稱的焦?fàn)t集氣管進(jìn)行控制，難以解決具有焦?fàn)t容量不同、管道布局不同等不對稱特性的焦?fàn)t集氣管壓力控制問題。1.4 研究的主要內(nèi)容近年來，隨著神經(jīng)網(wǎng)

25、絡(luò)與模糊控制理論的發(fā)展、計算機(jī)技術(shù)的成熟，人們在模糊神經(jīng)網(wǎng)絡(luò)控制，模糊控制與專家控制相結(jié)合的先進(jìn)策略技術(shù)上進(jìn)行了大量研究，有的已經(jīng)應(yīng)用到實際中。但現(xiàn)在模糊控制規(guī)則的建立一般采用的都是在經(jīng)驗歸納法的基礎(chǔ)上，根據(jù)控制規(guī)則的設(shè)計原則，依靠專家知識和操作人員的經(jīng)驗積累所得到的。這種方法現(xiàn)在大量的運用在實際的生產(chǎn)中，取得了較好的控制效果。但是隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展和完善，本文為模糊控制規(guī)則的獲得提供了一個嶄新的途徑，即基于數(shù)據(jù)挖掘中的聚類分析算法來生成模糊控制規(guī)則。聚類算法是通過對變量的比較，把數(shù)據(jù)對象分組成為多個類，在同一類中的對象之間具有較高的相似性，而不同類之間的對象差別較大。因此，通過聚類以后，

26、數(shù)據(jù)集就轉(zhuǎn)化為類集，能夠識別密集的和稀疏的區(qū)域，從而發(fā)現(xiàn)全局的分布模式，以及數(shù)據(jù)屬性的關(guān)系。本課題的所有數(shù)據(jù)都來自唐鋼煉焦制氣廠。研究的具體內(nèi)容包括:1) 數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理階段主要進(jìn)行數(shù)據(jù)集成、數(shù)據(jù)凈化以及數(shù)據(jù)的應(yīng)用變換等工作。將不同采集系統(tǒng)中獲取的數(shù)據(jù)集成到同一數(shù)據(jù)庫中，然后將壞值刪除，對缺失數(shù)據(jù)進(jìn)行補齊，最后按照數(shù)據(jù)挖掘算法或需求分析的要求對數(shù)據(jù)進(jìn)行應(yīng)用變換26-28。因此本課題對在唐鋼所采集到的原始數(shù)據(jù)按照一定的方法進(jìn)行數(shù)據(jù)預(yù)處理，使數(shù)據(jù)符合研究的需要。2) 聚類分析在數(shù)據(jù)預(yù)處理和生成機(jī)理模型的基礎(chǔ)上，通過數(shù)據(jù)挖掘中的聚類分析方法對數(shù)據(jù)進(jìn)行聚類，生成個模式類(patterns)(其中

27、的值可根據(jù)實際需要人為設(shè)定)。3) 生成模糊控制規(guī)則每個模式類中的數(shù)據(jù)中必定有潛在規(guī)律，再在同一類數(shù)據(jù)中找出數(shù)據(jù)的潛在規(guī)律，則可挖掘出可以控制集氣管壓力的模糊控制規(guī)則，用來豐富模糊控制規(guī)則表。4) 利用模糊控制的方法進(jìn)行集氣管壓力控制的耦合分析及解耦設(shè)計此研究的目的是減弱耦合的影響。5) 進(jìn)行系統(tǒng)仿真和性能分析 對生成的模糊控制規(guī)則進(jìn)行計算機(jī)仿真，仿真過程將采用matlab軟件，在仿真過程中，主要是進(jìn)行模糊控制器的設(shè)計。2 數(shù)據(jù)預(yù)處理2.1數(shù)據(jù)預(yù)處理的必要性及實際數(shù)據(jù)存在的問題2.1.1 數(shù)據(jù)挖掘中數(shù)據(jù)預(yù)處理的必要性數(shù)據(jù)預(yù)處理以領(lǐng)域知識作為指導(dǎo)來組織原有的業(yè)務(wù)數(shù)據(jù)，放棄一些與挖掘目標(biāo)不相關(guān)的屬

28、性，提供高質(zhì)量的數(shù)據(jù)，從而可以減少數(shù)據(jù)挖掘的數(shù)據(jù)處理量，提高挖掘算法的效率，并能提升數(shù)據(jù)挖掘的起點和知識的準(zhǔn)確度。數(shù)據(jù)挖掘過程可粗略地理解為四部分:問題定義、數(shù)據(jù)采集及數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、以及結(jié)果的解釋評估?？梢姅?shù)據(jù)預(yù)處理是其中的重要一環(huán)，是必不可少的。數(shù)據(jù)預(yù)處理以領(lǐng)域知識作為指導(dǎo)，來組織原來的業(yè)務(wù)數(shù)據(jù)，放棄一些與挖掘目標(biāo)不相關(guān)的屬性，提供高質(zhì)量的數(shù)據(jù)，從而減少了數(shù)據(jù)挖掘的數(shù)據(jù)處理量，提高了挖掘算法的效率，提升了數(shù)據(jù)挖掘的起點和知識的準(zhǔn)確度12-13。數(shù)據(jù)挖掘中的一些成熟的算法對其處理的數(shù)據(jù)集合都有一定的要求，比如數(shù)據(jù)完整性好、數(shù)據(jù)的冗余性少、屬性之間的相關(guān)性小。然而實際系統(tǒng)中的數(shù)據(jù)一般都具

29、有不完全性、冗余性和模糊性，嚴(yán)重影響了數(shù)據(jù)挖掘算法的執(zhí)行效率。另外，海量的實際數(shù)據(jù)中無意義的成分很多，嚴(yán)重影響了數(shù)據(jù)挖掘算法的執(zhí)行效率，而且其中的噪聲干擾還會造成挖掘結(jié)果的偏差。因此，如何對原始數(shù)據(jù)進(jìn)行有效的預(yù)處理，己經(jīng)成為數(shù)據(jù)挖掘系統(tǒng)實現(xiàn)過程中的關(guān)鍵問題。2.1.2 實際數(shù)據(jù)存在的問題數(shù)據(jù)挖掘中的重要環(huán)節(jié)就是數(shù)據(jù)預(yù)處理，而且是必不可少的。在數(shù)據(jù)挖掘一些成熟的算法中對其處理的數(shù)據(jù)集合都有一定的要求，比如數(shù)據(jù)完整性好、數(shù)據(jù)的冗余性少、屬性之間的相關(guān)性小。然而實際系統(tǒng)中的數(shù)據(jù)一般都具有不完全性、冗余性和模糊性，嚴(yán)重影響了數(shù)據(jù)挖掘算法的執(zhí)行效率，而且由于其中的噪聲干擾還會造成無效的歸納。因此，數(shù)據(jù)預(yù)

30、處理已經(jīng)成為數(shù)據(jù)挖掘系統(tǒng)實現(xiàn)過程中的關(guān)鍵問題。要使數(shù)據(jù)挖掘算法有效地挖掘出知識，就必須為它提供干凈、準(zhǔn)確、簡潔的數(shù)據(jù)。然而，從實際應(yīng)用系統(tǒng)中收集到的原始數(shù)據(jù)通常存在以下幾方面的問題:1、 雜亂性：原始數(shù)據(jù)是從各個實際應(yīng)用系統(tǒng)中獲取的，由于各個實際應(yīng)用系統(tǒng)的數(shù)據(jù)缺乏統(tǒng)一標(biāo)準(zhǔn)和定義，數(shù)據(jù)結(jié)構(gòu)也有較大的差異，因此各系統(tǒng)間的數(shù)據(jù)存在較大的不一致性，往往不能直接拿來使用。2、 重復(fù)性：重復(fù)性是指對于同一個客觀事物在數(shù)據(jù)庫中存在兩個或兩個以上完全相同的物理描述。由于應(yīng)用系統(tǒng)實際使用中存在的一些問題，幾乎所有應(yīng)用系統(tǒng)中都存在數(shù)據(jù)的重復(fù)和信息的冗余現(xiàn)象。3、 不完整性：由于實際系統(tǒng)設(shè)計時存在的缺陷以及一些使用

31、過程中人為因素造成的影響，數(shù)據(jù)記錄中可能會出現(xiàn)數(shù)據(jù)屬性的值丟失或不確定的情況，這可能缺少必需的數(shù)據(jù)而造成數(shù)據(jù)不完整。2.2 對焦?fàn)t集氣管壓力各屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理本文主要從數(shù)據(jù)的集成和數(shù)據(jù)的凈化兩個方面介紹焦?fàn)t集氣管壓力各屬性數(shù)據(jù)的數(shù)據(jù)預(yù)處理。為了更好的對數(shù)據(jù)與預(yù)處理進(jìn)行分析，本文以某煉焦制氣場2#焦?fàn)t的集氣管蝶閥開度值為例，介紹數(shù)據(jù)預(yù)處理的過程。2.2.1 數(shù)據(jù)的集成 首先的工作是將某煉焦制氣廠關(guān)于2#焦?fàn)t的18個屬性的全部數(shù)據(jù)集成到同一數(shù)據(jù)庫中，由于實際中的某些原因使得在一些采樣時刻的數(shù)據(jù)并未采集到，這些數(shù)據(jù)以“bad”的形式而不是以具體的數(shù)值標(biāo)示出來，于是首先將上述“bad”值從數(shù)據(jù)庫

32、中刪除。從某煉焦制氣廠采集到的集氣管蝶閥開度原始數(shù)據(jù)格式如表1所示。集氣管壓力系統(tǒng)不同屬性的數(shù)據(jù)是從不同的實際采集系統(tǒng)中獲取的，它們具有不同的采樣周期，要將它們放在同一個數(shù)據(jù)庫中需要一個統(tǒng)一的標(biāo)準(zhǔn)。在此通過分析將時間作為統(tǒng)一的標(biāo)準(zhǔn)，即將同一時刻（精確到秒）不同屬性相應(yīng)的數(shù)據(jù)作為一條記錄。而不同屬性在采集數(shù)據(jù)時其開始時間和結(jié)束時間是不同的，經(jīng)過對比分析將統(tǒng)一時間段取為從“2010-2-2 7:36:52”開始至“2010-2-3 16:51:17”結(jié)束。表1 原始數(shù)據(jù)表table1 table of original data開度值時間39.2 %03-feb-10 11:10:2539.5 %

33、03-feb-10 11:10:2638.5 %03-feb-10 11:12:1838.1 %03-feb-10 11:12:19bad03-feb-10 15:22:0243.0 %03-feb-10 15:27:0343.5 %03-feb-10 15:27:4144.1 %03-feb-10 15:27:422.2.2 數(shù)據(jù)的凈化噪聲數(shù)據(jù)處理和缺值數(shù)據(jù)處理是數(shù)據(jù)凈化的主要工作。在原數(shù)據(jù)集中，由于受實際系統(tǒng)干擾等因素的影響，會出現(xiàn)一些噪聲數(shù)據(jù)或是偏離正常值很遠(yuǎn)的不正常數(shù)據(jù)，例如集氣管的壓力值，根據(jù)實際的生產(chǎn)可知，當(dāng)壓力值小于70pa，或大于330pa時都屬于不正常值，需要進(jìn)行數(shù)據(jù)凈化，在

34、此處理方法是將小于70pa的值用70pa來代替，大于330pa的值用330pa來代替。其他屬性的處理方法與此類似。所以，在海量的數(shù)據(jù)中，有的壓力值明顯偏離正常值，我們完全可以把它剔除出去，進(jìn)行數(shù)據(jù)凈化。當(dāng)然，在大量數(shù)據(jù)中我們不可能通過目測得到這些異常值，我們可以通過一些辦法獲得。（這里就不詳細(xì)介紹了）由于各個屬性數(shù)據(jù)在采集時其采樣周期是不同的，于是出現(xiàn)在一些時刻點（精確到秒）有的屬性有對應(yīng)的采集數(shù)據(jù)，而有的屬性則沒有，致使在同一時間段內(nèi)各個屬性數(shù)據(jù)采集到的數(shù)據(jù)個數(shù)是不同的，這不符合后續(xù)數(shù)據(jù)挖掘算法的實施要求，于是需要將采樣周期大的屬性按照采樣周期小的屬性的采樣周期依據(jù)一定的策略進(jìn)行數(shù)據(jù)的補齊，

35、使得所有屬性的所有數(shù)據(jù)在每一個時刻點都有對應(yīng)的數(shù)值。將采樣周期大的屬性按照采樣周期小的屬性的采樣周期進(jìn)行數(shù)據(jù)的補齊，不會掩蓋其變化規(guī)律。3 對數(shù)據(jù)進(jìn)行聚類分析數(shù)據(jù)挖掘領(lǐng)域最為常見的技術(shù)之一就是聚類，它用于發(fā)現(xiàn)在數(shù)據(jù)庫中未知的對象類。這種對象類劃分的依據(jù)是“物以類聚”，即考察個體或數(shù)據(jù)對象間的相似性，將滿足相似性條件的個體或數(shù)據(jù)對象劃分在一個組內(nèi)，不滿足相似性條件的個體或數(shù)據(jù)對象劃分在不同的組內(nèi)。通過聚類過程形成的每一個組稱為一個類。在數(shù)據(jù)挖掘之前，對象類劃分的數(shù)量和類型均是未知的153.1 數(shù)據(jù)挖掘概述3.1.1 數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘(dm，data mining)，又叫做知識發(fā)現(xiàn)(kdd，

36、knowledge discovery in database)，是近年來隨著人工智能和數(shù)據(jù)庫技術(shù)的發(fā)展而出現(xiàn)的一門新興的技術(shù)。數(shù)據(jù)挖掘就是從海量的，不完全的，有噪聲的，模糊的，隨機(jī)的數(shù)據(jù)中，提取含在其中的、人們事先不知道的、但又是潛在的有用信息和知識的過程。簡單地說，數(shù)據(jù)挖掘就是從海量的數(shù)據(jù)中提取或“挖掘”知識31。數(shù)據(jù)挖掘技術(shù)從一開始就是面向應(yīng)用的。但它又不僅僅是面向特定數(shù)據(jù)庫的簡單檢索查詢調(diào)用，而是要對這些數(shù)據(jù)進(jìn)行微觀或宏觀的統(tǒng)計、分析、綜合和推理，以指導(dǎo)實際問題的求解，企圖發(fā)現(xiàn)事件間的相互關(guān)聯(lián)，甚至利用已有的數(shù)據(jù)對未來的活動進(jìn)行預(yù)測。數(shù)據(jù)挖掘的研究方法主要建立在人工智能、計算智能、統(tǒng)計

37、分析等理論和方法的基礎(chǔ)上，包括：統(tǒng)計方法、機(jī)器學(xué)習(xí)方法、模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)方法、遺傳算法等32-34。在實踐中，數(shù)據(jù)挖掘的兩個基本目標(biāo)往往是預(yù)測和描述。預(yù)測涉及到使用數(shù)據(jù)集中的一些變量或者域來預(yù)測其他我們所關(guān)心變量的未知或未來的值；另一方面，描述關(guān)注的則是找出可由人類解釋的數(shù)據(jù)模式。因此，可以把數(shù)據(jù)挖掘活動分成下述兩類21：預(yù)測性數(shù)據(jù)挖掘：生成已知數(shù)據(jù)集所描述的系統(tǒng)模型。描述性數(shù)據(jù)挖掘：在可用數(shù)據(jù)集的基礎(chǔ)上生成新的、非同尋常的信息。在實際應(yīng)用中，根據(jù)挖掘的任務(wù)，可分為26：1）分類分析(classification analysis)(預(yù)測變量為離散)或回歸分析(regression

38、analysis)(預(yù)測變量為連續(xù))：預(yù)言模型以通過數(shù)據(jù)庫中的某些數(shù)據(jù)得到另外的數(shù)據(jù)目標(biāo)；2）聚類分析(clustering analysis)：用于從數(shù)據(jù)集中找出相似的數(shù)據(jù)并組成不同的組；3）關(guān)聯(lián)分析(association analysis)：發(fā)現(xiàn)描述變量之間或者數(shù)據(jù)集或其一部分的特征值之間的重要的相關(guān)性的本地模型；4）序列分析及時間序列(sequence analysis and time sequence)：說明數(shù)據(jù)中的序列信息和與時間有關(guān)的序列分析；5）孤立點分析(outlier analysis)：找出與數(shù)據(jù)一般行為或模型不一致；6）演變分析(evolution analysis)

39、：描述行為隨時間變化的對象的規(guī)律或趨勢；等等等。3.1.2 數(shù)據(jù)挖掘的結(jié)構(gòu)數(shù)據(jù)挖掘系統(tǒng)可以大致分為三層結(jié)構(gòu)27，如圖3所示。第一層是數(shù)據(jù)源，包括數(shù)據(jù)庫、數(shù)據(jù)倉庫。數(shù)據(jù)挖掘不一定要建立在數(shù)據(jù)倉庫的基礎(chǔ)上，但如果數(shù)據(jù)挖掘與數(shù)據(jù)倉庫協(xié)同工作，則將大大提高數(shù)據(jù)挖掘的效率。第二層是數(shù)據(jù)挖掘器，利用數(shù)據(jù)挖掘方法分析數(shù)據(jù)庫中的數(shù)據(jù)，包括關(guān)聯(lián)分析、序列模式分析、分類分析、聚類分析等。第三層是用戶界面，將獲取的信息以便于用戶理解和觀察的方式反映給用戶， 可以使用可視化工具。用戶界面（結(jié)果輸出)數(shù)據(jù)倉庫odbc或其它數(shù)據(jù)庫接口關(guān)聯(lián)分析.分類分析聚類分析數(shù)據(jù) 庫其它數(shù)據(jù)源 模式分析圖3 數(shù)據(jù)挖掘體系結(jié)構(gòu)fig. 3

40、 the structure of dm system結(jié) 論3.2 聚類的定義和方法3.2.1 聚類的定義聚類就是把大量的數(shù)據(jù)對象聚集成若干個類，使同一類中對象的相似性盡可能最大，而不同類中對象的相似性盡量達(dá)到最小。也就是說，形成聚類之后，同一個聚類內(nèi)對象具有很高的相似性。在應(yīng)用中經(jīng)常把同一個類中的數(shù)據(jù)對象當(dāng)成一個整體來對待。3.2.2 聚類的方法聚類的方法主要有統(tǒng)計學(xué)的方法和機(jī)器學(xué)習(xí)的方法兩種27。在統(tǒng)計學(xué)中，聚類一般稱為聚類分析，主要研究基于幾何距離的聚類。在使用上，首先要定義多維空間和距離，以距離作為相似性的判別標(biāo)準(zhǔn)。在機(jī)器學(xué)習(xí)中，聚類稱為無監(jiān)督學(xué)習(xí)，主要體現(xiàn)為聚類學(xué)習(xí)的例子或數(shù)據(jù)對象沒

41、有類別標(biāo)記，需要由聚類學(xué)習(xí)算法自動計算。而若從數(shù)據(jù)庫知識發(fā)現(xiàn)的角度來講，對聚類問題的研究是要從大量的數(shù)據(jù)集中智能地、自動地抽取出有價值的聚類知識。聚類的輸入是一組未分類的記錄，而且事先也不知道要分成幾類，它通過分析數(shù)據(jù)，根據(jù)一定的分類準(zhǔn)則，合理劃分記錄集合，從而確定每個記錄所屬的類別。在不同的聚類算法中，用于描述相似性的函數(shù)也有所不同，有的采用歐氏距離或馬氏距離，有的采用向量夾角的余弦，也有的采用其他的度量方法。當(dāng)事先不知道類型數(shù)目，或者用參數(shù)估計和非參數(shù)估計難以分辨不同類型的類概率密度函數(shù)時，就需要采用聚類分析。有些聚類分析算法可以自動地確定類型的數(shù)目k（聚類的個數(shù)），而不必以預(yù)知k為前提條

42、件，也可以給定k作為算法的終止條件。若沒有給定k，那么如何在聚類過程中自動地確定k，這是聚類分析中的一個關(guān)鍵問題。采用不同的聚類方法，同一個記錄集合可能有不同的劃分結(jié)果49。到現(xiàn)在為止，人們已經(jīng)提出了很多種聚類算法39，比如：劃分法、層次法、基于密度法、基于網(wǎng)格法和基于模型法，這些算法對于不同的研究對象各有優(yōu)缺點。3.2.3 聚類分析簡介隨著時代的發(fā)展，數(shù)據(jù)挖掘的研究方向越來越熱門，而聚類(clustering)作為數(shù)據(jù)挖掘的主要方法之一，更是引起人們的普遍關(guān)注。所謂聚類，就是把大量的維數(shù)據(jù)對象(個)聚集成個模式類()，使同一模式類內(nèi)對象的相似性盡可能最大，而不同模式類內(nèi)對象的相似性盡量達(dá)到最

43、小。也就是說，形成模式類之后，同一個模式類內(nèi)對象具有很高的相似性，而且與不屬于該模式類的對象有迥然的差異(即不相似)。在應(yīng)用中經(jīng)常把同一個模式類中的數(shù)據(jù)對象當(dāng)成一個整體來對待38。聚類是一種無監(jiān)督分類，它的輸入是一組未分類的記錄，而且事先也不知道要分成幾類，它通過分析數(shù)據(jù)，根據(jù)一定的分類準(zhǔn)則，合理劃分記錄集合，從而確定每個記錄所屬的類別。不同的聚類算法中，用于描述相似性的函數(shù)也有所不同，有的采用歐氏距離或馬氏距離，有的采用向量夾角的余弦，也有的采用其他的度量方法。當(dāng)預(yù)先不知道類型數(shù)目，或者用參數(shù)估計和非參數(shù)估計難以分辨不同類型的類概率密度函數(shù)時，就需要采用聚類分析。有些聚類分析算法可以自動地確

44、定類型的數(shù)目，而不必以預(yù)知為前提條件，也可以給定作為算法的終止條件。若沒有給定，那么如何在聚類過程中自動地確定，這是聚類分析中的一個關(guān)鍵問題。采用不同的聚類方法，同一個記錄集合可能有不同的劃分結(jié)果。聚類的結(jié)果與特征選取也有很大關(guān)系。例如對人體進(jìn)行聚類：可以根據(jù)體重進(jìn)行分類，也可以根據(jù)身高分類，也可以根據(jù)年齡分類。選取不同的特征，就會產(chǎn)生不同的結(jié)果31-38。3.3 數(shù)據(jù)預(yù)處理結(jié)果文中用到的數(shù)據(jù)都采集于唐鋼煉焦制氣廠。集氣管不同屬性的數(shù)據(jù)是從不同的實際采集系統(tǒng)中獲取的，它們具有不同的采集策略（例如采樣頻率不同），要將它們放在同一個數(shù)據(jù)庫中需要一個統(tǒng)一的標(biāo)準(zhǔn)。在此通過分析將時間作為統(tǒng)一的標(biāo)準(zhǔn)，即同

45、一時刻（精確到秒）不同屬性相應(yīng)的數(shù)據(jù)作為一條記錄。所以首先對比各屬性數(shù)據(jù)，將其統(tǒng)一到一個時間段。在原數(shù)據(jù)集中，由于受實際系統(tǒng)干擾等因素的影響，會出現(xiàn)一些噪聲數(shù)據(jù)或是偏離正常值很遠(yuǎn)的不正常數(shù)據(jù)，所以需要除去了噪聲數(shù)據(jù)和無關(guān)數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗。最后經(jīng)過預(yù)處理后，可得到如下表2所示的數(shù)據(jù)形式：表2 進(jìn)行預(yù)處理后的數(shù)據(jù)table 2 the standardized data集氣管1壓力p1蝶閥開度k1集氣管2壓力p2 蝶閥開度k2 鼓風(fēng)機(jī)機(jī)前吸力p3-11.760.4405-45.152730.51286.336-8.930.4405-44.949090.51286.339-7.1250.4405-

46、44.745450.51286.342-5.320.4405-44.541820.51286.345-4.240.4405-44.338180.51286.34816.950.413213.340.50436.25080322.330.41325.820.50436.25046827.600.4132-1.020.50436.25013432.580.4132-7.370.50436.24979937.470.4132-12.940.50436.249465由表2可以看出，經(jīng)過標(biāo)準(zhǔn)化變換后，每一個變量值都表示的是它所對應(yīng)的原始值相對于本屬性變化值。3.4多變量集氣管壓力模糊控制的解耦設(shè)計多變量

47、模糊控制系統(tǒng)是一個強(qiáng)耦合的系統(tǒng)，不能簡單地化為多個單輸入單輸出系統(tǒng)，此時必須考慮到變量間的耦合，以便對系統(tǒng)采取相應(yīng)的解耦措施后再實施有效的控制。本課題采用模糊解耦控制進(jìn)行解耦設(shè)計。模糊解耦控制器模糊控制器被控對象 _ 圖4 模糊解耦控制策略圖fig.4 policy graph of fuzzy decoupling control為第i集氣管壓力的設(shè)定值，為相應(yīng)的集氣管壓力測量值，被控對象為電動調(diào)節(jié)蝶閥。反映了相鄰?fù)ǖ缹χ魍ǖ纈的耦合作用，作為i通道模糊解耦控制器的輸入。根據(jù)圖7可得： 當(dāng)集氣管為2個時，則主通道1的為：由此可知，模糊解耦控制器的輸入實際上是相鄰集氣管壓力偏差量的差值，而模糊

48、解耦控制器的輸出是相應(yīng)蝶閥開度的變化量。解耦控制策略采用的是模糊解耦控制，再通過數(shù)據(jù)挖掘生成相應(yīng)的模糊解耦控制規(guī)則，從而完成解耦設(shè)計。在采用預(yù)處理后的數(shù)據(jù)基礎(chǔ)上進(jìn)行數(shù)據(jù)準(zhǔn)備，模糊解耦控制器的輸入和輸出，#1焦?fàn)t和#2焦?fàn)t的設(shè)定值都是145，模糊解耦控制器的輸入是集氣管壓力的差值，模糊控制器的輸出是蝶閥開度的差值變化量，所需要的數(shù)據(jù)準(zhǔn)備如下表：表3 生成模糊控制器所需數(shù)據(jù)組table 3 the needed data team of creating fuzzy controller解耦輸入p1-p2解耦輸出-49.520-0.0064-37.320-0.0046-24.1300-9.4800

49、89.4800.006879.1270.005467.595055.092077.0700007873.8400.002269.205063.390056.65003.5 k-means聚類算法k-means是一種常用的基于劃分的聚類方法，在許多實踐應(yīng)用中取得了很好的效果。本文在對數(shù)據(jù)進(jìn)行聚類分析時，將采用劃分方法中常用的k-means算法。劃分方法的基本思想是：給定要構(gòu)建的劃分的數(shù)目k，首先創(chuàng)建一個初始劃分，然后采用一種迭代的重定位技術(shù)，嘗試通過對象在劃分間移動來改進(jìn)劃分。劃分方法需要給定一個包含n個數(shù)據(jù)對象的數(shù)據(jù)庫，以及要生成的類的數(shù)目k，一個劃分方法將數(shù)據(jù)對象組織成k個劃分（kn），其中

50、每個劃分代表一個類。也就是說，它將數(shù)據(jù)劃分為k個組，同時滿足如下的要求：1）每個組至少包含一個對象；2）每個對象必須屬于且只屬于一個組（在某些模糊劃分技術(shù)中此要求可以放寬）。k-means算法在許多實際應(yīng)用中取得了很好的效果，它是以平均值作為類的“中心”的一種劃分聚類方法。假設(shè)有n個對象，將其劃分為k個類，其中，分成的聚類的個數(shù)k是采用k-means算法必須預(yù)先指定的參數(shù)。聚類的過程可以通過下述幾個步驟來描述：1）隨機(jī)的選擇k個對象，每一個對象作為一個類的“中心”，分別代表將分成的k個類；2）根據(jù)距離“中心”最近的原則，尋找與各對象最為相似的類，將其他對象分配到各個相應(yīng)的類中；3）在完成對象的

51、分配之后，針對每一個類，計算其所有對象的平均值，作為該類的新的“中心”；4）根據(jù)距離“中心”最近的原則，重新進(jìn)行所有對象到各個相應(yīng)類的分配；5）返回步驟3，直到?jīng)]有變化為止。該方法的計算復(fù)雜度為o(nkt)，其中n是對象的總數(shù)，k是分成的聚類的個數(shù)，t是迭代的次數(shù)。通常kn，tn，因此該方法可以應(yīng)用于數(shù)據(jù)量比較大的情況，這是該算法的一個優(yōu)點3.6 采用k-means算法對解耦輸入輸出數(shù)據(jù)分別進(jìn)行聚類3.6.1 程序界面數(shù)據(jù)的輸入形式采用excel格式導(dǎo)入，采用k-means算法對數(shù)據(jù)進(jìn)行聚類，是解決聚類問題的一種經(jīng)典算法，它是一種爬山式的搜索算法，程序運行界面如下圖4所示：圖5 程序界面fig

52、5 the interface of program其中，excel文件路徑是選取要分析的數(shù)據(jù)所在的excel文件，excel起始分析行選擇聚類數(shù)據(jù)開始的行數(shù)，excel待分析數(shù)據(jù)所在列是要分析數(shù)據(jù)在excel表的第幾列，聚類中心數(shù)是聚類個數(shù)。對模糊解耦控制器的輸入數(shù)據(jù)聚類如圖5所示 圖6 輸入聚類結(jié)果fig.6 the input of the clustering results對模糊解耦控制器的輸出數(shù)據(jù)聚類如圖6所示：圖7輸出聚類結(jié)果fig.7 the output of the clustering results3.6.2 設(shè)定論域及其隸屬度函數(shù)這里繼續(xù)利用前面介紹的k-means算

53、法分別對解耦輸入輸出數(shù)據(jù)組進(jìn)行聚類。在這里定義語言變量取值范圍都為 pm，ps，ze，ns，nm ，因此我們設(shè)定聚類的模式類為5個。通過聚類后每個模式類的中心值及其取值范圍都是可以確定的。如表4所示。表4 模式類的中心值及其取值范圍table 4 the center value and the range of every pattern (a) 解耦輸入模式1模式2模式3模式4模式5中心值-87.70979-27.510586.2484546.46120128.21483最大值-57.43000-10.5274026.3908087.33000244.30000最小值-234.24000-

54、57.40780-10.5221026.3914087.37500(b) 解耦輸出 模式1模式2模式3模式4模式5中心值-0.00945-0.00496-0.000310.004370.00855最大值-0.00730-0.002700.002000.006400.01400最小值-0.45490-0.007100.002600.002200.00650將每個變量的模式類的中心值按照從大到小的順序和其語言變量取pb，pm，ps，ze，ns，nm，nb一一對應(yīng)，并確定相應(yīng)的隸屬度函數(shù)。語言變量的隸屬度函數(shù)有很多種，本文中采用三角形隸屬度函數(shù)。在每一個語言變量的隸屬度函數(shù)中都把其中心值的隸屬度設(shè)置

55、為“1”，其最大值和最小值的隸屬度設(shè)置為“0”。每個語言變量的各個模糊子集(語言值)之間并沒有明確的分界線，反映在模糊集的隸屬度函數(shù)上，就是這些隸屬度函數(shù)必定是相互重疊的。因為我們利用數(shù)據(jù)挖掘中的聚類分析來生成各個語言變量，根據(jù)聚類分析的特點：同一模式類內(nèi)對象的相似性盡可能最大，而不同模式類內(nèi)對象的相似性盡量達(dá)到最小。因此我們可以確定通過聚類分析確定的各個語言變量的隸屬度函數(shù)之間必定只有很小的重疊率。4 生成模糊控制規(guī)則并仿真4.1 模糊控制的理論基礎(chǔ)模糊控制或模糊自動控制系統(tǒng)是以模糊數(shù)學(xué)，即模糊集合論、模糊語言知識表示及模糊邏輯規(guī)則推理等作為理論基礎(chǔ)；以計算機(jī)作為物質(zhì)基礎(chǔ)；以計算機(jī)控制技術(shù)、

56、自動控制理論作為技術(shù)基礎(chǔ)的自動控制系統(tǒng)。模糊控制系統(tǒng)既然是一種自動控制系統(tǒng)。它必然與其他所有的自動控制系統(tǒng)一樣有著某些共性，如系統(tǒng)的結(jié)構(gòu)組成、基本工作原理、設(shè)計方法、系統(tǒng)性能分析、建模等。4.1.1 模糊控制的基本原理模糊控制系統(tǒng)通常由模糊控制器、輸入/輸出接口、執(zhí)行機(jī)構(gòu)、被控對象及測量裝置等五部分組成，如圖7所示31。+給定值a/d模糊控制器d/a被控對象執(zhí)行機(jī)構(gòu)傳感器被控量圖8 模糊控制系統(tǒng)組成框圖 fig 8 fuzzy control system diagram 控制器是模糊控制系統(tǒng)的核心部分，采用基于模糊知識表示和規(guī)則推理的語言型“模糊控制器”，這也是模糊控制系統(tǒng)區(qū)別于其他自動控制系統(tǒng)的特點所在。一個模糊控制系統(tǒng)性能的優(yōu)劣，主要取決于模糊控制器的結(jié)構(gòu)，所采用的模糊規(guī)則，合成推理算法，以及模糊決策的方法等因素。另外，模糊控制系統(tǒng)中a/d、d/a單元必須有適用于模糊邏輯處