基于粒子群優化支持向量機的沖天爐鐵液質量預測

劉增良 李鐵嶺

（銅陵學院，安徽 銅陵 244000）

基于粒子群優化支持向量機的沖天爐鐵液質量預測

劉增良 李鐵嶺

（銅陵學院，安徽 銅陵 244000）

沖天爐鐵液質量預測是一項復雜而有難度的技術，受到很多因素的影響。文章提出了基于粒子群優化支持向量機(PSO-SVM)的沖天爐鐵液質量預測方法,即將粒子群優化算法(PSO)用于SVM參數優化。它不僅具有很強的全局搜索能力,而且容易實現。經實驗結果證明，PSO-SVM的預測輸出與實測數據基本一致，其預測精度高于普通的SVM，所有的預測誤差都遠小于5%的工程許可誤差。

粒子群優化支持向量機；粒子群優化算法；支持向量機；沖天爐鐵液質量；預測

沖天爐鐵液質量[1-3]是受溫度、成分及成分精度，有害元素含量，非金屬夾雜物數量、氣體溶量和爐外可造性等具有高度的非線性、時變性、不精確性及難于數值化的因素影響，加上人們對于沖天爐鐵液勘查工作量的有限性及勘查技術手段的局限性，我們只能獲得沖天爐鐵液的部分信息。多年來，人們雖建立了多種沖天爐鐵液質量預測的數學模型，不少智能算法也應用于沖天爐鐵液質量預測。但是，預測的效果卻不盡如人意。因此，尋找新的智能算法和手段應用于沖天爐鐵液質量預測無疑有著非常重要的意義。而支持向量機是在統計學習理論基礎上發展起來的一種新的學習方法，它采用結構風險最小化原則[4]，具有很強的泛化能力，并克服了神經網絡中存在的過擬合、收斂速度慢、容易陷入局部極值等缺點，在沖天爐鐵液質量預測中有著很好的應用前景。然而，支持向量機(SVM)參數的選取困難影響了其實用性。粒子群優化(PSO)是一種智能群體搜索方法，它源于對鳥類捕食行為的研究。PSO[5]通過個體間的協作來尋找解，這種方法不僅具有很強的全局搜索能力，而且容易實現，幾乎沒有參數需要調整。目前已經成功解決了函數優化、人工神經網絡中參數優化等優化問題。故本文融合了粒子群優化算法和支持向量機二者的優點，應用PSO進行SVM參數優化，以達對沖天爐鐵液質量的準確預測。

1.支持向量機分類器原理及參數選擇

1.1 支持向量機原理

最小二乘支持向量機[5-6]（least square support vector machine,LS-SVM）是在支持向量機(support vector machine,SVM)的基礎上改進的一種學習方法，采用二次損失函數，將SVM中的二次規劃的難題轉化為線性方程組求解，在保證精度的同時大大降低了計算復雜性,在故障診斷、流型識別和電能質量分類中得到了廣泛應用。

對于LS-SVM,其尋優目標函數為：

LS-SVM的診斷模型雖然理論完備，但是在應用上，仍然存在模型參數的選擇問題。懲罰系數γ和核函數參數σ對分類精度有重要影響。

1.2 基于PSO的SVM參數優化

1.2.1 PSO算法原理

在PSO中,每個粒子都是解空間(n維)中具有一定速度的一個點,不同粒子具有對應于與目標函數相關的個體適應度,在每一次迭代中,粒子通過跟蹤個體極值pbest(粒子本身所找到的最優解)和全局極值gbest(整個種群目前找到的最優解)來更新自己,在跟蹤過程中,粒子通過如下兩個公式來更新自己的速度和位置:

式中，t為進化代數；vij為粒子i在j維上的速度，vij∈[-vmax，vmax]，vmax為粒子所允許移動的最高速度；pij為粒子 i在j維上的位置，pij∈[-pmax，pmax]，pmax為粒子所允許移動的最大空間位置；λ為慣性權值,用于平衡全局搜索和局部搜索；bij為粒子i在j維上的個體極值；gij為粒子i在j維上的全局極值；r1和r2是介于0和1的隨機數；β為約束因子，用于控制速度的權重，通常取為1；c1、c2是學習因子，通常取為2。

1.2.2 基于PSO的SVM參數優化

SVM參數γ、σ對其分類精度η有著很大影響。然而，很難預先確定合適的γ、σ取值。因此,本文采用粒子群優化算法(PSO)尋求較優的SVM參數。其具體步驟如下:

1)初始化。隨機產生一組粒子的初始位置和速度。

2)適應度評估。采用l-折交叉檢驗方法評估粒子的適應度，在l-折交叉檢驗中，訓練數據集被隨機的分為l個互斥的大小近似相等的子集，其中(l-1)個子集作為訓練集,剩下的那個子集作為校驗集。上述過程重復l次，以使每個子集被校驗，文中l取5[3-5]。1-CAv被定義適應度函數：

式中，CAv為校驗分類精度；γt和γf分別為正確和錯誤分類的數目。

3)根據適應度值更新個體極值pbest和全局極值gbest。

4)按式(8)和(9)更新粒子的速度和位置。

5)檢查結束條件，若滿足，則結束尋優;否則轉至2)。結束條件為尋優達到最大進化代數或評價值小于給定精度。相應流程圖如圖1所示：

2.沖天爐鐵液質量PSOSVM預測模型

2.1 沖天爐鐵液質量特征數據提取

鑄件的抗拉強度在工藝條件基本不變的情況下,能夠反映鐵液的質量,所以選取在濕砂型鑄造條件下,Φ30 mm拉伸試樣的抗拉強度作為鐵液質量預測的依據，即網絡的輸出參數為抗拉強度;然后,用期望得到的抗拉強度與實際預測的抗拉強度差值的相對值,即m=|-|/，來表示該鐵液質量合格程度。通過理論分析及實驗,以碳含量(C%)、硅含量(Si%)、石墨長度等級L、石墨形狀等級a,以及共晶團數量tu作為網絡的輸入參數，并對其進行歸一化處理，即：

圖1 參數優化流程圖

式中，cs（s=1，2，…，n）為各參量的原始值；Ts為各測點的歸一化值。

2.2 模型構建

沖天爐鐵液質量好壞取決于鑄件的抗拉強度的大小,因而在構建其預測時采用了多個SVM分類器,目前常用的SVM多分類法有“一對多”、“一對一”、“二叉樹”等[6]。沖天爐鐵液質量PSO-SVM預測模型如圖1所示。對于n個預測結果,采用“一對多”方法需要n個SVM，采用“一對一”方法需要n(n-1)/2個SVM，而采用“二叉樹”法僅需要(n-1)個SVM(如圖1所示),可見較少的SVM能提高訓練和識別的速度[7]，因此，本文采用“二叉樹”SVM多分類法構建沖天爐鐵液質量預測模型。這里采用5個PSO-SVM分類器識別鑄件抗拉強度的6種運行狀態，即正常、抗拉強度1級，抗拉強度2級,抗拉強度3級,抗拉強度4級,抗拉強度5級，如圖2所示。

圖2 沖天爐鐵液質量PSO-SVM預測模型

3.沖天爐鐵液質量預測實例

這里選用選取本溪生鐵，配以含碳0.3%廢鋼，對牌號HT100～HT350的灰鑄鐵各取10組不同成分，共60組。對所配60組爐料，采用10kg小爐體高頻感應熔煉，出爐溫度為1400℃左右。對HT250以上的鑄件加入占鐵液質量1%的孕育劑SiFe75，包內孕育。采用濕型澆注抗拉試樣，加工后尺寸為:兩端夾持部分Φ25mm×30mm，中央拉伸部分Φ20mm×60 mm。石墨長度在100倍顯微鏡下按標準[7]測定,分為8個長度等級。共晶團數量在40倍顯微鏡下按標準[8]測定，分為A、B、C、D、E 5個形狀級別。抗拉強度在萬能材料試驗機上測定。比較SVM、PSO-SVM的訓練和預測結果，其中其中50組用于模型訓練，10組用于測試。普通SVM中的參數在一定范圍內隨機選取,選取的參數及其相應的分類精度如表2所示。PSO-SVM中，利用PSO和5-折交叉校驗算法進行SVM參數優化，其優化的參數及其相應的分類精度如表3所示。

表1 本溪生鐵沖天爐鐵液質量訓練數據

表2 SVM參數選取及其分類精度

表3 PSO-SVM參數選取及其分類精度

4.結論

(1)針對SVM參數選取困難的問題,提出了基于PSO的SVM參數優化方法,試驗結果表明，利用PSO能夠選取較優的SVM參數，基于PSO-SVM的沖天爐鐵液質量預測輸出與實測數據基本一致，所有的預測誤差都遠小于5%的工程許可誤差。

(2)提出了基于PSO-SVM的沖天爐鐵液質量預測方法,通過PSO優化的SVM分類器具有較高的分類精度,并通過預測實例證明了其可行性和正確性。

(3)預測結果表明，與傳統方法相比,該種模型在處理諸如鑄造過程這類在一定程度上具有不確定性的多變量非線性對象方面,具有較強的學習能力,適應能力和泛化能力。

［1］邱東,仝彩霞,祁曉鈺,等.基于神經網絡的高爐鐵水硅含量預報模型的研究[J].冶金分析,2009，29(2):49-52.

［2］張慧書,戰東平,姜周華.基于改進BP神經網絡的鐵水預處理終點硫含量預報模型[J].鋼鐵,2007,42(3):30-32.

［3］Yang,Y.G.,Yuan,J.F.,Chen,S.Z.,2006.R/S analysis and its application in the forecast of mine inflows[J].China University of Mining&Tech,16(4):425-428.

［4］Peng Y，Lu R.Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content［J］.Post harvest Biology and Technology，2008，48(1):52－62.

［5］邵信光，楊慧中，陳剛.基于粒子群優化算法的支持向量機參數選擇及其應用[J].控制理論與應用,2006,23(05):740–743.

［6］ Qin J W，Lu R.Measurement of the optical properties of fruits and vegetables using spatially resolved hyperspectral diffuse reflectance imaging technique［J］.Post harvest Biol Techol，2008，49(3):355－365.

［7］龔淑華,李啟會.鐵水硅含量的隨機模糊神經網絡預測模型[J].中南大學學報(自然科學版).2007,38(11):125.

［8］中國機械工程學會鑄造分會.鑄造手冊·鑄鐵(第1版)[Z].北京：機械工業出版社，1993.

Cupola Molten Iron Quality Forecasting Model of Support Vector Machine Based on Particle Swarm Optimization

Liu Zeng-Liang，Li Tie-Ling
（Tongling University,Tongling Anhui 244000，China）

Prediction of the Quality of Cupola Molten Iron is an intricate task affected by many factors.Therefore,its prediction accuracy is worth attention.The proposed PSO-SVM method is applied to predict the Quality of Cupola Molten Iron in the paper,among which particle swarm optimization(PSO)is used to determine free parameters of support vector machine.The method not only has strong global search capability,but also is very easy to implement.Prediction of Quality of Cupola Molten Iron examples are used to illustrate the performance of proposed PSO-SVM method.The experimental results indicates that the PSO-SVM method can achieve the nearly same result as measured data and higher diagnostic accuracy than normal SVM consequently,w hich is far less than 5%o f the project license error.

particle swarm optimization；particle swarm optimization；Cupola Molten Iron Quality；forecast

TP273

A

1672-0547（2011）03-0098-03

2011－04-29

劉增良（1959-），男，河北滄州人，銅陵學院電氣工程系主任，教授。

2008年度高校省級自然科學研究項目《熱風沖天爐自動化控制系統開發》（編號：KJ2008B131）研究成果。