热风炉燃烧的CBRTC智能控制实施过程
CBRTC实际上也是一种直接专家系统控制，所不同的是采用了不同的推理决策方法和不同的知识库结构。和其他基于实例的推理方法的非实时应用一样，对于CBRTC的实际应用也要探讨它的实例库的构造和实例的知识表示、初始实例的获取、相似度的定义与计算以及实例的检索与学习等问题。 另外，由于热风炉本身具有的时变和非线性特性，直接将CBRTC控制策略应用于热风炉的燃烧控制可能会出现问题与实例的错误匹配，从而导致错误的控制决策输出。为解决这个问题，作者将CBRTC的结构和组成进行了延伸和扩展，将基于规则的推理方法与之相结合，形成了一种新型的推理控制器结构—CBRTC/RBR，并在现场得到了成功的应用。 CBRTC的实施过程 热风炉燃烧智能控制系统的核心部分是基于实例推理的实时控制器--CBRTC。作为一种实时控制器，它的实施过程可以分为数据准备和在线运行2个阶段。 CBRTC的数据准备阶段 数据准备阶段需要完成的主要任务包括： (1)调节实例的定义或知识表示，也就是确定在实例中应该包含哪些与热风炉燃烧控制决策相关的输入、扰动和输出变量，这些变量的选取需要参照专家（操作工）的经验和／或根据对历史数据的分析来确定。 (2)确定实例库的结构和索引方法，并从控制系统记录的历史数据中抽取一些调节实例，作为实例库开始运行时的初始实例(initialseed)。初始调节实例中既可以包括成功的调节实例，也可以包括一些不太成功的调节实例。 在线运行阶段包括以下4个步骤： (1)数据采集和问题提交。CBRTC从被控对象采集系统运行的实时数据，如果发现被控参数与控制要求出现偏差，比如拱顶温度上升速率较慢，或拱顶温度低于稳定值等，也就是系统遇到了一个新的需要解决的问题，就要将这个问题提交给CBRTC的推理机以寻求解决方案。 (2)检索与匹配。推理机将对新问题的描述和实例库中的实例进行查询和逐一比较，以期从存储的实例中找出与当前问题相似或相近的实例。比较的标准依据的是实例与实例之间的相似度(similarity degree)计算。 (3)采纳和复用。如果在实例库中发现了与当前的问题描述相近的成功实例，就采纳该实例中的控制决策，直接拿过来解决当前的问题；如果相近的实例是一个反例，就要对其控制决策进行取反和修正操作再输出到执行机构。 (4)评估与学习。如果没有检索到与当前问题描述相近的实例，可以采取以下两种对策之一来解决：一是可以根据已知的控制规则进行带摸索性质的调节，比如将煤气或空气阀位增加一个最小调节单位（例如l%的煤气阀门开度或2%的空气阀门开度），然后对其效果进行评估后作为新的实例添加到实例库中；二是可以采取专家人工介入的方法，让有经验的操作工做出他的判断和决策，然后经效果评估后将这次调节加入到实例库当巾。在学习和评估这一点上体现了CBRTC的学习能力。 CBRTC在线运行阶段的流程是新的待解决的问题，检索到相似实例后将其对应的控制决策输出到执行机构，若未发现相似实例，就利用摸索调节或专家介入的手段得到新的控制决策，对新决策的控制效果的评估结论为E；将只、S、E合并后得到一个新的调节实例C并添加到实例库中。 以下介绍的CBRTC的2个实施阶段，“数据准备”是在系统的手动控制阶段来进行，主要目的是搜集和整理足够多的控制实例；CBRTC的“在线运行”可以在实例库准备基本完成后就开始进行，前期先根据既有的实例为系统运行提供操作指导，同时通过专家介入和自学习的方式来进一步充实实例库的内容，这个阶段实际上是控制系统的半自动运行阶段；后期是在实例库完善后将CBRTC投入全自动运行状态，不再需要人工干预。
页:
[1]