灰色模糊LSSVM預(yù)測模型在鋅凈化除鈷中的應(yīng)用

伍鐵斌，陽春華，孫 備，朱紅求，李勇剛

(1. 中南大學(xué) 信息科學(xué)與工程學(xué)院，長沙 410083；2. 湖南人文科技學(xué)院 通信與控制工程系，婁底 417000)

灰色模糊LSSVM預(yù)測模型在鋅凈化除鈷中的應(yīng)用

伍鐵斌1,2，陽春華1，孫 備1，朱紅求1，李勇剛1

(1. 中南大學(xué) 信息科學(xué)與工程學(xué)院，長沙 410083；2. 湖南人文科技學(xué)院 通信與控制工程系，婁底 417000)

針對鋅凈化除鈷過程生產(chǎn)數(shù)據(jù)存在噪聲和系統(tǒng)參數(shù)緩慢變化的問題, 提出一種基于灰色模糊LSSVM的鈷離子濃度預(yù)測模型。對樣本數(shù)據(jù)進行灰色累加，削弱原始數(shù)據(jù)序列中的噪聲，使數(shù)據(jù)規(guī)律性增強，灰色累加后數(shù)據(jù)作為LSSVM輸入，提高模型抗干擾能力和預(yù)測能力；由于鋅凈化除鈷工序的系統(tǒng)參數(shù)隨時間發(fā)生變化，提出對不同時期的樣本賦予不同的模糊加權(quán)值；利用改進PSO的全局優(yōu)化能力和快速收斂性, 優(yōu)化LSSVM模型的懲罰因子和核函數(shù)參數(shù)，避免人為選擇參數(shù)的盲目性。對硫酸鋅溶液凈化除鈷過程生產(chǎn)數(shù)據(jù)的仿真結(jié)果表明，灰色模糊LSSVM預(yù)測值能很好地跟蹤實際值的變化趨勢，滿足鈷離子濃度預(yù)測要求。

最小二乘支持向量機；微粒群算法；模糊加權(quán)；灰色累加

在鋅濕法冶煉生產(chǎn)過程中，鈷離子濃度過高會引起電解“燒板”[1]，凈化除鈷是硫酸鋅溶液電解前的一個極其重要的工序。溶液中鈷離子濃度是除鈷過程的關(guān)鍵工藝指標，由于檢測的滯后性，使得除鈷過程操作參數(shù)的調(diào)節(jié)嚴重滯后，影響全流程的優(yōu)化運行，因此，研究硫酸鋅溶液凈化除鈷過程鈷離子濃度預(yù)測方法，對鋅冶煉企業(yè)節(jié)能降耗具有重要意義，但由于硫酸鋅溶液凈化除鈷過程極為復(fù)雜，流程長達幾小時，除鈷工業(yè)現(xiàn)場環(huán)境惡劣，強酸濃霧高腐蝕性使得工業(yè)系統(tǒng)參數(shù)隨時間發(fā)生變化，且檢測數(shù)據(jù)不可避免地含有大量隨機噪聲。硫酸鋅溶液凈化除鈷過程具有強耦合、非線性、大時滯、多變量、強噪聲和系統(tǒng)參數(shù)變化等特點，使得多元線性回歸、主成分回歸等簡單的預(yù)測方法難以滿足鈷離子濃度預(yù)測的要求。神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)建模中應(yīng)用廣泛，但存在泛化性能差、訓(xùn)練易陷入局部極小值點等問題[2?4]。在SVM基礎(chǔ)上提出的最小二乘支持向量機(LSSVM)克服了神經(jīng)網(wǎng)絡(luò)的這些缺點，已成為非線性系統(tǒng)建模與預(yù)測的有力工具[5?7]。LSSVM的懲罰參數(shù)C和核函數(shù)參數(shù)σ影響預(yù)測能力，參數(shù)選擇不合適而使預(yù)測精度不高，但目前還沒有指導(dǎo)LSSVM模型參數(shù)選擇的好方法[8]。文獻[9]采用遺傳算法來優(yōu)化LSSVM參數(shù), 雖然遺傳算法不依賴于問題的數(shù)學(xué)模型, 但遺傳算法后期收斂速度慢。

本文作者通過灰色累加顯著削弱原始數(shù)據(jù)的噪聲，對不同時期樣本賦予不同模糊加權(quán)值以適應(yīng)鋅凈化除鈷系統(tǒng)參數(shù)隨時間變化的特點；由于LSSVM模型參數(shù)難以確定, 采用改進PSO算法優(yōu)化模型參數(shù)C和σ，建立了灰色模糊LSSVM預(yù)測模型，運用該預(yù)測模型對硫酸鋅溶液凈化除鈷過程鈷離子濃度進行預(yù)測，仿真結(jié)果證明了該預(yù)測模型的有效性。

1 模糊最小二乘支持向量機

在支持向量機回歸中，對于給定的訓(xùn)練樣本集Tg=(xi,yi)(其中：M維輸入xi∈RM，一維輸出yi∈R，i=1, 2, …,N)。利用非線性映射函數(shù)φ(x)將樣本非線性地映射到高維特征空間，將原樣本空間中的非線性函數(shù)估計問題轉(zhuǎn)化成高維特征空間中線性函數(shù)估計問題：

式中：w為權(quán)向量；b為偏移量。

該回歸問題根據(jù)SRM(結(jié)構(gòu)風(fēng)險最小化)原理表示為一個等式約束優(yōu)化問題[10]：

式中：C為懲罰系數(shù)；ei為松弛變量。

利用拉格朗日乘子法將式(2)和(3)的約束優(yōu)化問題轉(zhuǎn)換為無約束優(yōu)化問題：

式中：αi(i=1,…,N)為Lagrange乘子。

根據(jù)KKT條件[11]，對各變量求偏導(dǎo)，經(jīng)變換可得線性方程組

由式(5)解得α和b，即得最小二乘支持向量機輸出為

由于鋅凈化除鈷工序中的強酸、濃霧、高溫高腐蝕性，系統(tǒng)參數(shù)會隨時間發(fā)生變化，不同時期的歷史數(shù)據(jù)對預(yù)測建模的重要性顯然是不一樣的，離當前時間越遠，則重要程度越低[10]。因此，對建模樣本中每一個樣本向量引入模糊加權(quán)隸屬度iμ，目標函數(shù)式(2)可修正為

假設(shè)共有N個樣本，第1個樣本離得最近，離待預(yù)測的樣本時間間隔為t1(定義t1=0)，第2個樣本次最近，時間間隔為t2…，第N個樣本離得最遠，時間間隔為tN，那么本實驗中第i個樣本的非線性模糊加權(quán)隸屬度μi定義為

式中：ε∈[0,1]的常數(shù)，ε越小，則時間越遠的樣本其模糊加權(quán)值μi就越小。顯然，ε=μN≤…≤μ1=1。

由于懲罰參數(shù)C和核函數(shù)參數(shù)σ對LSSVM推廣預(yù)測能力有重要影響，在此，采用改進的微粒群算法優(yōu)化選擇兩個參數(shù)C和σ，在一定程度上減少主觀經(jīng)驗選擇參數(shù)的盲目性。

2 改進的微粒群算法

標準微粒群算法收斂速度較慢，在尋優(yōu)后期，隨著種群多樣性迅速降低，極易陷入局部最優(yōu)解[12?14]；難以尋優(yōu)得到LSSVM較好的一組參數(shù)。

為提高算法局部尋優(yōu)能力，加快算法收斂速度，選取適應(yīng)度值大的50%的種群以概率pc與微粒經(jīng)過的最好位置gbest進行交叉操作。

為避免陷入局部最優(yōu)解，引入遺傳算法的變異操作，提高算法的全局尋優(yōu)能力。

改進后的混合PSO算法收斂速度加快，全局尋優(yōu)能力顯著提高，能滿足LSSVM參數(shù)優(yōu)化的要求。

3 灰色模糊LSSVM預(yù)測模型在鋅凈化除鈷過程中的應(yīng)用

3.1 砷鹽凈化除鈷工藝簡介

某大型鋅冶煉企業(yè)新砷鹽凈化除鈷生產(chǎn)工藝流程如圖1所示。砷鹽除鈷是在溫度、反應(yīng)器中溶液的含固量(通過返回濃密機底流調(diào)節(jié)，主要成分為能促進除鈷的合金)、pH值在合理范圍內(nèi)，以及銅離子存在的條件下，向溶液中加入的As2O3和鋅粉，從而使溶液中的Co2+以CoAs合金形式在溶液中沉淀分離出來。

圖1 砷鹽凈化除鈷工藝流程Fig. 1 Process flow of purification-cobalt by arsenic salt

砷鹽除鈷鎳過程是典型的氧化還原過程，砷鹽除鈷鎳工藝采用氧化還原電位(ORP)控制每一個連續(xù)攪拌反應(yīng)的鋅粉添加量。控制溫度、ORP等操作變量，使鈷離子濃度按某個最優(yōu)的梯度下降，從而使得鋅粉總消耗量最少。整個流程的優(yōu)化控制中1號反應(yīng)器出口的鈷離子濃度控制尤為重要，其準確預(yù)測關(guān)系到整個流程優(yōu)化控制的成敗。

由于影響砷鹽除鈷的因素眾多，且多因素間相互耦合，本文作者采用改進的灰色關(guān)聯(lián)分析方法[15]得出對1號反應(yīng)器除鈷影響較顯著的因素主要如下：除銅后溶液流量(x1)、除銅后溶液銅離子濃度(x2)、除銅后溶液鈷離子濃度(x3)、除銅后溶液溫度(x4)、濃密機底流返回量(x5)，濃密機底流含固量(x6，一般在200～380 g/L，固體主要成分為能促進除鈷反應(yīng)的合金)，添加砷鹽的量(x7)，溶液pH值(x8)、1號反應(yīng)器ORP值(x9)。

3.2 灰色模糊LSSVM預(yù)測模型的建立

砷鹽凈化除鈷過程環(huán)境惡劣，生產(chǎn)數(shù)據(jù)含有大量噪聲，在本模擬中，對原始數(shù)據(jù)序列進行“灰色累加”，削弱原始數(shù)據(jù)序列中噪聲的影響，得到具有單調(diào)增長規(guī)律的新序列非常有利于支持向量機學(xué)習(xí)，建立比單一預(yù)測模型更優(yōu)的灰色模糊支持向量機模型。

基于灰色模型GM(1,1)和模糊LSSVM組合預(yù)測模型如圖2所示。

圖2 灰色模糊LSSVM預(yù)測模型Fig. 2 Combined grey with Fuzzy-LSSVM forecasting model

將影響除鈷的9個主要因素作為輸入，反應(yīng)器出口的鈷離子濃度為輸出。步驟如下：

Step 1：首先對原始數(shù)據(jù)序列進行灰色累加，得到累加生成序列(1-AGO)；

Step 2：然后將灰色累加生成的數(shù)據(jù)序列做為模糊LSSVM的樣本集；

Step 3：通過累減還原(IAGO：Inverse accumulating generation operator)即得原數(shù)據(jù)序列的預(yù)測模型。

利用改進的PSO算法優(yōu)化灰色模糊LSSVM預(yù)測模型的懲罰參數(shù)C和核函數(shù)參數(shù)σ。

3.3 模型驗證與分析

為檢驗灰色模糊LSSVM預(yù)測模型(模型1)在凈化除鈷過程中應(yīng)用的可行性，采用凈化除鈷過程生產(chǎn)數(shù)據(jù)進行仿真分析，并與LSSVM(模型2)進行對比仿真。由于核參數(shù)σ和懲罰參數(shù)C對RBF核的LSSVM性能影響很大，兩個模型都采用改進PSO算法對兩個關(guān)鍵參數(shù)進行優(yōu)化選擇。

選取2011年3、4月某鋅冶煉企業(yè)砷鹽凈化除鈷過程1號反應(yīng)器的生產(chǎn)數(shù)據(jù)169組，其中119組作為訓(xùn)練樣本集，另外50組作為測試樣本集。兩個預(yù)測模型的核參數(shù)σ∈[0.1, 30]，懲罰參數(shù)C∈[0.1, 360]，改進的PSO算法的慣性權(quán)重ω=0.9，最大迭代次數(shù)ITERmax=60，交叉概率pc=0.8，變異概率pm=0.15；尋優(yōu)得到灰色模糊LSSVM和LSSVM的(σ,C)參數(shù)組的最優(yōu)值分別為(5.3, 186.6)和(8.2, 167.9)。

圖3所示為2種預(yù)測模型預(yù)測結(jié)果圖，表1所列為2種預(yù)測模型相對誤差的絕對值(Ea)的統(tǒng)計結(jié)果。

圖3 2種預(yù)測模型的仿真結(jié)果Fig. 3 Simulation results of two forecasting models

表1 兩種預(yù)測模型誤差結(jié)果比較Table 1 Results comparison of two forecasting models

由圖3和表1可知，基于灰色模糊LSSVM預(yù)測模型相對誤差絕對值的平均值和最大值都小于LSSVM的。LSSVM不僅預(yù)測精度較低，且不能較好地反映實際值的變化趨勢，在實際應(yīng)用中可能造成對工況誤判斷，不利于優(yōu)化控制。灰色模糊LSSVM精度有顯著提高，且預(yù)測值能很好地跟蹤實際值，較準確地反映了鈷離子濃度的實際變化趨勢，完全能滿足凈化除鈷生產(chǎn)過程鈷離子濃度在線預(yù)測要求，充分說明該預(yù)測模型的有效性。

4 結(jié)論

1) 單一預(yù)測方法難以在不同情況下都獲得令人滿意的結(jié)果，將灰色系統(tǒng)理論的GM(1,1)模型與模糊LSSVM有機融合起來，提出一種灰色模糊LSSVM組合預(yù)測模型。

2) 由于鋅凈化過程環(huán)境惡劣，隨著時間的發(fā)展，系統(tǒng)參數(shù)會發(fā)生變化，故在預(yù)測建模時對不同時期的歷史數(shù)據(jù)賦予不同的模糊加權(quán)值；在利用LSSVM進行預(yù)測時, 參數(shù)σ和C選取極為重要，選擇不當會降低模型的預(yù)測精度。提出利用改進的微粒群算法對模糊LSSVM的參數(shù)進行尋優(yōu), 得到使模糊LSSVM預(yù)測精度最高的一組最優(yōu)參數(shù)(σ,C)。

3) 通過對砷鹽凈化除鈷過程中鈷離子濃度的預(yù)測結(jié)果表明，所提出的灰色模糊LSSVM預(yù)測模型預(yù)測精度較高，能反映實際鈷離子濃度變化，滿足工業(yè)現(xiàn)場應(yīng)用要求。

REFERENCES

[1]B?CKMAN O, ?STVOLD T. Products formed during cobalt cementation on zinc in zinc sulfate electrolytes[J]. Hydrometallurgy, 2000, 54: 65?78.

[2]晏密英, 桂衛(wèi)華, 王凌云. 基于神經(jīng)網(wǎng)絡(luò)補償灰色預(yù)測誤差的鈷離子濃度預(yù)測研究[J]. 計算機與應(yīng)用化學(xué), 2008, 25(7): 805?808. YAN Mi-ying, GUI Wei-hua, WANG Ling-yun. Research of prediction in cobalt ions concentration based on a neural network compensating the error of grey forecast[J]. Computers and Applied Chemistry, 2008, 25(7): 805?808.

[3]王 碩, 楊善林, 馬溪駿. 基于WNN-RAGA的非線性組合預(yù)測方法[J]. 系統(tǒng)工程理論與實踐, 2008, 28(12): 160?165. WANG Shuo, YANG Shan-lin, MA Xi-jun. Nonlinear combination forecasting approach based on WNN-RAGA[J]. Systems Engineering—Theory & Practice, 2008, 28(12): 160?165.

[4]鮑雅萍, 馬金元, 宋 強. 基于灰色神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦堿度組合預(yù)測[J]. 控制理論與應(yīng)用, 2008, 25(4): 791?793. BAO Ya-ping, MA Jin-yuan, SONG Qiang. Combination forecasting of sintered ore alkalinity based on grey neural network[J]. Control Theory & Applications, 2008, 25(4): 791?793.

[5]ESEN H, OZGEN F, ESEN M. Modeling of a new solar air heater through least squares support vector machine[J]. ExpertSystems with Applications, 2009, 36(7): 10673?10682.

[6]ZHAO Jun, ZHANG Xiao-ping, WANG Wei. Gradient optimized LSSVM for prediction of gas consumption in steel industry[J]. ICIC Express Letters, 2011, 4(6): 2069?2073.

[7]ISMAIL S, SHABRI A, SAMSUDIN R. A hybrid model of self-organizing maps (SOM) and least square support vector machine (LSSVM) for time-series forecasting[J]. Expert Systems with Applications, 2011, 38(8): 10574?10578.

[8]CHAPPELLE O, VAPNIK V, BOUSQUET O. Choosing multiple parameters for support vector machines[J]. Machine Learning, 2002, 46(1): 131?160.

[9]ZHEN Chen, AN Yi-huang. Modeling and simulation of the GA-LSSVM-based soft measurement for torque[J]. Applied Mechanics and Materials, 2010, 44/47: 733?737.

[10]LIN Chun-fu, WANG Sheng-de. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 465?467.

[11]SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 19(3): 293?300.

[12]KANNANA S, MARY S, SLOCHANAL R, SUBBARAJ P. Application of particle swarm optimization technique and its variants to generation expansion planning problem[J]. Electric Power Systems Research, 2004, 70(8): 203?210.

[13]楊 智, 陳志堂, 范正平. 基于改進粒子群優(yōu)化算法的PID控制器整定[J]. 控制理論與應(yīng)用, 2010, 27(10): 1345?1352. YANG Zhi, CHEN Zhi-tang, FAN Zheng-ping. Tuning of PID controller based on improved particle-swarm-optimization[J]. Control Theory & Applications, 2010, 27(10): 1345?1352.

[14]SHI Y, EBERHART R C. Empirical study of particle swarm optimization[C]//Proceedings of the 1999 IEEE Congress on Evolutionary Computation (CEC 1999). Piscataway: IEEE Press, 1999: 1945?1950.

[15]吳 靜, 吳曉燕, 陳永興, 滕江川. 基于改進灰色關(guān)聯(lián)分析的仿真模型驗證方法[J]. 系統(tǒng)工程與電子技術(shù), 2010, 32(8): 1677?1679. WU Jing, WU Xiao-yan, CHEN Yong-xing, TENG Jiang-quan. Validation of simulation models based on improved grey relational analysis[J]. Systems Engineering and Electronics, 2010, 32(8): 1677?1679.

(編輯 龍懷中)

Grey Fuzzy-LSSVM forecasting model and its application in cobalt removal from zinc electrolyte

WU Tie-bin1,2, YANG Chun-hua1, SUN Bei1, ZHU Hong-qiu1, LI Yong-gang1
(1. School of Information Science and Engineering, Central South University, Changsha 410083, China; 2. Department of Communications & Control Engineering, Hunan Institute of Humanities Science and Technology, Loudi 417000, China)

To solve the problems that noises exist in the data of cobalt removal from zinc electrolyte and the system parameters change slowly, a cobalt ion forecasting model was proposed based on the grey Fuzzy-LSSVM. Grey accumulation is carried out, which weakens the influences of the random disturbance factors in the primary data sequence and strengthens the regularity of the data. Therefore, the anti-interference ability and the predictive ability of the LSSVM model are strengthened when using the grey-accumulated data as the inputs. The system parameters of the purification process have the characteristic of time-varying. So, different fuzzy weighted values are assigned to different samples collected at different times. The two parameters of LSSVM model are optimized by PSO which has the abilities of fast convergence and global optimization, so that the blindness of artificial choice of model parameters can be avoided. The model is applied to the industrial purification process. The experiment on process data in cobalt removal from zinc electrolyte shows that, the grey fuzzy LSSVM algorithm can commendably predict the cobalt ion concentration, which meets the requirement of cobalt ion concentration prediction.

LSSVM; PSO; fuzzy weighted; grey accumulation

TP273

A

長江學(xué)者和創(chuàng)新團隊發(fā)展計劃資助項目(IRT44)；國家自然科學(xué)基金資助項目(60874069，61174133)；湖南省教育廳資助科研項目(11C0704)

2011-07-21；

2011-12-10

陽春華，教授，博士；電話：0731-88836876；E-mail: ychh@csu.edu.cn

1004-0609(2012)08-2382-05