本發明涉及發酵設備自動控制，特別涉及一種發酵設備全自動智能控制系統及方法。

背景技術：

1、好氧堆肥和厭氧堆肥是兩種常見的堆肥形式。厭氧堆肥工藝簡單、堆體溫度低，但堆期長、異味大，目前應用較少。好氧堆肥在通氣供養條件下進行，堆溫較高、發酵周期短、無害化程度高，因此國內外很多堆肥工廠多采用好氧堆肥方式。有機廢棄物好氧堆肥工藝是實現有機固體廢物無害化、穩定化以及資源化的有效手段，成為解決生態和環境問題的關鍵方案之一。

2、由于自然堆肥存在降解不徹底、營養不均衡、發酵速度慢、堆肥時間長以及惡臭污染等問題。而堆肥反應器的使用能有效解決廢棄物的處理和排放問題，從而提高發酵效率、縮短生產周期并實現機械化生產，使堆肥過程更加環保和可控。目前，常見的好氧堆肥反應器常見類型包括：塔式反應器、筒倉式反應器、隧道窯式堆肥反應器、滾筒式反應器、槽式反應器等。實際生產過程中，可以根據生產規模和生產需求進行選用。工業化堆肥過程中，有機質的發酵本質是微生物的作用過程，相關研究表明控制發酵過程的溫度、濕度和氧氣供應是整個過程的關鍵，因此需要對上述參數進行精確控制，以確保發酵過程的高效進行。

3、目前，對于好氧堆肥反應器的溫度、通氧量的控制，采用的控制方式仍為傳統的pid控制，控制方式主要有兩種：閉環控制和補償控制?，F有的控制系統是一個多輸入、擾動大、強藕合的非線性時滯系統，常規pid控制算法幾乎無法使系統達到穩定狀態。因此，為了減少超調量，一般采用微分和中間反饋方式進行調整，但控制效果并不理想，被調量仍存在較大的超調，且響應速度很慢。

4、為解決常規pid控制存在的問題，國內外專家與學者提出能夠讓pid控制系統參數隨系統運行環境變化而變化的方法，其中較為行之有效且簡單的是模糊pid控制方法和神經網絡pid控制方法，通過神經網絡學習系統的誤差信號實現自動調節pid參數，讓系統參數具有隨運行環境變化進行自我調整的能力。上述控制方法雖然能夠優化傳統pid控制算法的控制效果，但在實際生產過程中，由于不同的調節動作往往會對多種被控參量產生影響，如在進行通氧量調節動作時，隨著通氧量的變化，反應器內部的溫度也會受到影響發生改變，則系統又需要對溫度進行進一步調節，如此循環，使得在整個控制過程中，調節策略的制定和調節動作的執行總是處于被動狀態，無法根據反應器內部的實時狀態及變化趨勢對被控參量進行主動性調控。為此，我們提出一種發酵設備全自動智能控制系統及方法。

技術實現思路

1、本發明的主要目的在于提供一種發酵設備全自動智能控制系統及方法，可以有效解決背景技術中的問題。

2、為實現上述目的，本發明采取的技術方案為，

3、一種發酵設備全自動智能控制方法，包括：

4、獲取歷史發酵過程中狀態參量和被控參量的時序數據；其中，所述狀態參量包括發酵設備內的溫度、氧含量、含水率中的至少一種；所述被控參量為發酵設備內的通風量。

5、根據所述狀態參量數據對發酵設備內的發酵狀態進行分類，獲取狀態空間s＝{s1，s2，...，su}，su表示為發酵設備內的第u類發酵狀態；定義所述被控參量的調整為一次動作，根據所述被控參量的調整量對所述動作進行分類，獲取動作空間a＝{a1，a2，...，av}，av表示為第v類動作；

6、所述發酵狀態的分類流程包括以下步驟：

7、步驟s11：設定t時刻第r類所述狀態參量的最佳值為歷史發酵過程中第r類狀態參量的第q次采樣數據值為

8、步驟s12：分別計算狀態參量的q次采樣數據值與狀態參量的最佳值間的距離，記作計算公式為：以獲取的構建數據樣本集合，記作

9、步驟s13：利用sigmoid函數將獲取的數據樣本集合中各元素映射調整至[0,1]之間，并獲取各元素對應的sigmoid函數值利用函數值對各元素進行分類，分類原則具體為：

10、當時，為第一類；

11、當時，為第二類；

12、當時，為第三類；

13、以此類推，

14、當時，為第μ類；

15、其中，分別為數據樣本集合中元素的sigmoid函數值的最小值和最大值；

16、步驟s14：根據的分類情況，確定第q次狀態參量采樣數據值所對應的發酵狀態，具體為：

17、當為第一類時，狀態參量所對應的發酵狀態為第一類；

18、當為第二類時，狀態參量所對應的發酵狀態為第二類；

19、當為第三類時，狀態參量所對應的發酵狀態為第三類；

20、以此類推，

21、當為第μ類時，狀態參量所對應的發酵狀態為第μ類。

22、所述動作的分類流程包括以下步驟：

23、步驟s21：設定t時刻所述被控參量為cpt，調整步長為△cp；

24、步驟s22：將所述被控參量的調整分為增大、保持不變、減小三類，以調整量在一個調整步長△cp范圍內時，視為對所述被控參量保持不變的調整，以每增加一個調整步長△cp，視為對所述被控參量增大的調整，以每減小一個調整步長△cp，視為對所述被控參量減小的調整；

25、步驟s23：以步驟s22中，任意對所述被控參量保持不變的調整、對所述被控參量增大的調整、對所述被控參量減小的調整作為一次動作，獲取動作的分類結果；

26、步驟s24：集合所有一次動作，獲取動作空間a＝{a1，a2，...，av}。

27、提取動作空間a中任一動作aλ被執行時的狀態參量時序數據序列利用數據序列構建發酵設備內的發酵狀態的馬爾科夫鏈模型，所述模型定義為：表示為動作aλ被執行時，發酵設備內的發酵狀態由第i類經一步轉移至第j類的概率，其中，i、j∈u；λ∈v；st表示為動作aλ被執行的t時刻發酵設備內的發酵狀態；st+1表示為動作aλ被執行的一個時間步后的t+1時刻發酵設備內的發酵狀態；概率的計算公式為：

28、

29、式中，表示為數據序列中，當動作aλ被執行時，發酵設備內的發酵狀態由第i類經一步轉移至第j類的頻次。

30、定義在所述狀態空間s中，任意兩個所述發酵狀態si、sj間的轉換價值為r(si→sj)，計算動作aλ被執行的t時刻的k個時間步后的轉換價值期望gt+k，計算公式為：式中，γ表示為衰減因子，且γ∈(0,1)；rt+k(si→sj)表示為在時間步t+k的轉換價值；

31、選擇第k個時間步中，所述轉換價值期望gt+k計算結果中的最大值g(t+k)max所對應的動作，作為第k個時間步的一次動作，執行確定的一次動作，對第k個時間步的所述被控參量進行調整。

32、一種發酵設備全自動智能控制系統，包括：

33、數據獲取模塊，用于獲取歷史發酵過程中狀態參量和被控參量的時序數據；

34、第一數據處理模塊，用于根據所述狀態參量數據對發酵設備內的發酵狀態進行分類，獲取狀態空間s；

35、第二數據處理模塊，用于定義所述被控參量的調整為一次動作，根據所述被控參量的調整量對所述動作進行分類，獲取動作空間a；

36、模型構建模塊，用于提取動作空間a中任一動作aλ被執行時的狀態參量時序數據序列利用數據序列構建發酵設備內的發酵狀態的馬爾科夫鏈模型；

37、轉換價值期望計算模塊，用于定義在所述狀態空間s中，任意兩個所述發酵狀態si、sj間的轉換價值為r(si→sj)，并計算動作aλ被執行的t時刻的k個時間步后的轉換價值期望gt+k；

38、一次動作確定模塊，用于選擇第k個時間步中，所述轉換價值期望gt+k計算結果中的最大值g(t+k)max所對應的動作，作為第k個時間步的一次動作；

39、動作執行模塊，用于執行確定的一次動作，對第k個時間步的所述被控參量進行調整。

40、所述系統還包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序。

41、本發明具有如下有益效果，

42、與現有技術相比，通過獲取歷史發酵過程中狀態參量和被控參量的時序數據，根據所述狀態參量數據對發酵設備內的發酵狀態進行分類，獲取狀態空間s，定義所述被控參量的調整為一次動作，根據所述被控參量的調整量對所述動作進行分類，獲取動作空間a，提取動作空間a中任一動作aλ被執行時的狀態參量時序數據序列利用數據序列構建發酵設備內的發酵狀態的馬爾科夫鏈模型，定義在所述狀態空間s中，任意兩個所述發酵狀態si、sj間的轉換價值為r(si→sj)，計算動作aλ被執行的t時刻的k個時間步后的轉換價值期望gt+k，選擇第k個時間步中，所述轉換價值期望gt+k計算結果中的最大值g(t+k)max所對應的動作，作為第k個時間步的一次動作，執行確定的一次動作，對第k個時間步的所述被控參量進行調整，利用統計學模型綜合考慮調節動作對多種被控參量間的影響作用，根據反應器內部的實時狀態及變化趨勢對被控參量進行主動性調控，改善控制效果及被控參量的控制準確性。