基于MEA-BP的微波加熱褐煤溫度預測*

趙瑞勇， 周新志

(四川大學 電子信息學院，四川 成都 610065)

?

基于MEA-BP的微波加熱褐煤溫度預測*

趙瑞勇， 周新志

(四川大學 電子信息學院，四川 成都 610065)

對于微波干燥褐煤的溫度采樣數據具有多峰非平穩特性，采用小波閾值濾波能夠較好地保留原始數據的細節信息。而直接使用反向傳播(BP)神經網絡來建立對微波加熱物料溫度預測模型，具有預測精度低、收斂速度慢且容易陷入局部極小點等缺點。采用具有極強全局尋優能力的思維進化算法(MEA)來優化BP(MEA-BP)神經網絡的初始權值和閾值。實驗結果表明：經MEA-BP神經網絡具有更高的預測精度和泛化能力，預測性能得到了顯著的提高。

思維進化算法； 反向傳播(BP)神經網絡； 小波變換； 微波加熱； 溫度預測

0 引 言

物料干燥主要通過表面熱傳導加熱法和微波加熱干燥法[1]。微波加熱干燥法與傳統的表面熱傳導加熱法相比，具有即時性、整體性、選擇性、能量利用的高效性、安全衛生無污染等優良特性，因此在工業上得到了越來越廣泛的應用[2]。微波加熱褐煤時，可能出現局部“熱點”，溫度急劇升高，導致溫度失控，而傳統的基于控制微波功率源的溫度負反饋控制系統存在嚴重的時間滯后性，可能會引燃褐煤，甚至引發爆炸，因此存在嚴重的安全問題[3]。

智能實時控制微波加熱的主要問題之一就是如何控制溫度。由于溫度負反饋控制系統和微波源功率調節存在嚴重的時間滯后問題，因此，能夠對溫度進行準確的預測就顯得尤為重要。王德明等人[4]，李松等人[5]，楊建國等人[6]，Zheng Xie等人[7]都通過遺傳算法優化反向傳播(back propagation,BP)神經網絡來建立預測模型，實驗結果達到了更高的預測精度。但經典的遺傳算法由于本身結構問題，存在計算時間長，易出現早熟現象，不能保證解是全局最優等缺點，因此本文選取具有快速學習，適應性強，具有極強全局尋優能力的思維進化算法(mind evolutionary algorithm,MEA)[8]。本文首先通過相關原則優化閾值的小波對微波加熱褐煤的采集溫度進行去噪，采用MEA優化BP(MEA-BP)神經網絡的初始閾值和權值的方法進行了微波加熱褐煤溫度變化趨勢預測。實驗結果表明：經MEA-BP神經網絡具有更快的收斂性，更強的適應性和更高的預測精度。

1 微波干燥褐煤系統的溫度預測模型

1.1 小波閾值濾波對采樣溫度的處理

在微波干燥褐煤的溫度采集過程中，紅外測溫儀受到褐煤不規則形狀和水蒸氣溫度等因素的影響，使得采集到的溫度會摻雜噪聲，呈現非平穩的特性。在褐煤溫度數據預處理過程中，溫度采樣信號中出現突變的地方，不能簡單地當作噪聲來濾除，應當考慮是否出現了熱失控現象[9]。對于非平穩性信號，小波分析能同時在時頻域中對信號進行分析，很適合于分析非平穩的信號和提取信號的局部特征[10]，因此，本文選取小波閾值去噪方法。小波閾值去噪方法的效果與合適的小波基、分解層數、閾值函數和分解后每一層閾值4個方面有關[11]。

小波閾值去噪方法常用的閾值處理方法有硬閾值法和軟閾值法。由于硬閾值將絕對值小于閾值的元素置0，所以在閾值處會產生不連續的情況，而軟閾值在閾值處是連續的，所以軟閾值可以獲得比硬閾值更好的結果[12]，因此，本文選用軟閾值函數[13]，即

(1)

本文通過多次實驗的方法，尋找最優的小波基和分解層數。采用信噪比(SNR)、均方誤差(MSE)和自相關系數(R)作為評價準則。實驗結果表明，選用db7小波基去噪效果優于其他dbN小波系去噪效果；選用sym8小波基去噪效果優于其他symN小波系去噪效果。選用db7，sym8及Haar小波基和不同的分解層數后，得到的結果如圖1所示。

圖1 不同小濾基去噪后的信噪比、均方誤差和自相關系數曲線圖Fig 1 SNR curves，MSE curves，autocorrelation coefficient curves after different wavelets denoising

由圖1(a),(b),(c)分析可知，當選用db7小波基對溫度采樣數據進行1層分解去噪處理時，信噪比可以達到83.144 dB，均方誤差為1.812 7，自相關系數為0.998 93，均優于以Haar或sym8作為小波基的性能。綜上本文選用db7小波基對褐煤溫度采樣數據進行一層分解去噪處理。

1.2 MEA-BP預測溫度模型建立

1.2.1 MEA優化BP神經網絡

BP神經網絡是一種誤差BP、信號前向傳遞的多層前饋神經網絡。BP神經網絡由于其算法簡單、可塑性好的特點，是目前網絡訓練權值通常采用的方法。本文中BP神經網絡的拓撲結構為2—5—1，以微波干燥褐煤的反射功率和微波的加熱時間為輸入變量，以被干燥褐煤的溫度為輸出變量。

由于BP神經網絡采用梯度下降法進行BP學習，因而造成了誤差收斂速度慢，學習時間過長，學習過程易陷入局部極小值等缺點。通過遺傳算法優化BP神經網絡的權值和閾值，雖然擁有較強的全局搜索能力，但由于本身結構問題，依然存在易早熟、收斂時間長和不能保證解是全局最優等缺點，因此,本文選取了MEA-BP神經網絡的初始權值和閾值。相比較于遺傳算法，其主要有以下優點：1)MEA的趨同和異化可以并行，有利于提高運行效率。2)MEA可以記憶不止一代的進化信息，這些信息可以指導趨同與異化向著有利的方向進行。3)遺傳算法中的交叉與變異算子均具有雙重性，而MEA中的趨同和異化操作總是向著有利的方向。

采用MEA-BP神經網絡的初始權值和閾值，其設計步驟流程如圖2。

圖2 思維進化算法設計思路Fig 2 Design idea of mind evolutionary algorithm

1.2.2 數據來源

本文中的實驗數據取自于實際的工業生產線上采集到的數據，通過控制磁控管微波功率源的輸出，進而控制被干燥褐煤的溫度。工業現場的干燥系統主要由磁控管微波功率輸入控制系統、傳送帶、紅外測溫儀傳感器等組成。

在微波對褐煤加熱過程中，對褐煤從初始溫度加熱到擬定的上限溫度150 ℃。在系統加熱過程中，每間隔30 s對煤炭進行溫度采集并記錄，同時記錄該時刻的輸入功率和反射功率值。

2 實驗結果與分析

通過BP神經網絡預測的溫度圖，如圖3所示，BP神經網絡預測的溫度誤差百分比圖，如圖4所示。

圖3 BP神經網絡預測的溫度Fig 3 Predicted temperature of BP neural network

圖4 BP神經網絡預測的溫度誤差Fig 4 Predicted temperature error of BP neural network

在MEA-BP模型預測中，預測值與實際值如圖5所示，誤差百分比如圖6所示。

圖5 MEA-BP神經網絡預測的溫度Fig 5 Predicted temperature of MEA-BP neural network

圖6 MEA-BP神經網絡預測的溫度誤差Fig 6 Predicted temperature error of MEA-BP neural network

通過小波閾值濾波后的實際溫度采樣值與通過BP神經網絡和MEA-BP神經網絡對溫度的預測值分析，采用均方根誤差(RMSE)、自相關系數(R)和平均絕對誤差(MAE)來評價神經網絡的預測模型的性能，其對比如表1所示。

表1 神經網絡預測模型的預測性能

表1中的性能評價指標反映了MEA-BP神經網絡預測模型的均方根誤差和平均絕對誤差小于BP神經網絡預測模型，而自相關系數高于BP神經網絡預測模型。綜上，BP神經網絡對微波干燥煤炭的溫度具有一定的預測能力，但其預測溫度的誤差比較大，但是，經過思維進化算法優化過的BP神經網絡的預測誤差明顯減小。因此，MEA-BP神經網絡預測模型相對于BP神經網絡預測模型具有更高的預測精度，更好的泛化能力。

3 結 論

小波閾值去噪在時域和頻域都具有良好的局部化特性，很適合于分析非平穩的信號和提取信號的局部特征，在微波干燥褐煤的工業現場中，對于褐煤的溫度采樣信號具有多峰非平穩特性，采用小波閾值濾波能夠較好地保留原始數據的細節信息，使重構的溫度信號具有較高的精度。本文采用了全局搜索能力極強的MEA-BP神經網絡的閾值和權值，通過實驗結果表明:經過MEA-BP神經網絡具有較好的推廣能力、更高的預測精度和更快的收斂速度[14]，這將對具有時變性、非線性和滯后性的微波干燥煤炭系統提供了理論的指導，為工業生產提供了新的技術支持。

[1] 王紹林.微波加熱原理及其應用[J].物理，1997(4)：42-47.

[2] 劉志軍，張璧光.微波加熱在木材干燥中的應用[J].世界林業研究，2005(3)： 54-58.

[3] 劉長軍，申冬雨.微波加熱陶瓷中熱失控現象的分析與控制[J].中國科學：技術科學，2008(7)：1097-1105.

[4] 王德明，王 莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報:工學版，2012(5)：837-841,904.

[5] 李 松，劉力軍，解永樂.遺傳算法優化BP神經網絡的短時交通流混沌預測[J].控制與決策，2011(10)：1581-1585.[6] 楊建國，趙 虹，岑可法.基于遺傳算法優化的煤粉著火溫度BP神經網絡預測模型].煤炭學報,2006(2):211-214.

[7] Zheng Xie,Liang Mo.Study on the evaluation model of construction engineering quality based on GA-BP neural network.Communications in Information Science and Management Engineering,2012,2(6):26-30.

[8] 孫承意，謝克明，程明琦.基于思維進化機器學習的框架及新進展.太原理工大學學報，1999(5)：3-7.

[9] 黃卡瑪，盧 波.微波加熱化學反應中熱失控條件的定量研究.中國科學：技術科學，2009(2)：266-271.

[10] 吳 勇.基于小波的信號去噪方法研究.武漢：武漢理工大學，2007：13.

[11] 茹 斌,張天偉,王宇欣.基于小波去噪及ARMA模型的故障率預測方法研究].測控技術，2014(10)：43-46,50.

[12] 呂瑞蘭.小波閾值去噪的性能分析及基于能量元的小波閾值去噪方法研究].杭州：浙江大學，2003：85.

[13] Donoho D L.De-noising by soft-thresholding].IEEE Transactions on Information Theory,1995,41(3):613-627.

[14] 何小娟,曾建潮,徐玉斌.基于思維進化算法的神經網絡權值與結構優化].計算機工程與科學,2004(5):38-42.

Research on temperature prediction of microwave heating lignite based on BP neural network optimized by mind evolutionary algorithm*

ZHAO Rui-yong, ZHOU Xin-zhi

(College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China)

Temperature sampling data of microwave drying lignite has multimodal non-stationary characteristics and using wavelet threshold filtering can keep details of original data very well.The temperature prediction model for microwave heating of lignite via back propagation(BP) neural network has low precision of prediction,slow convergence speed and easy to fall into local minima and other shortcomings.The mind evolutionary algorithm has strong global optimization capability to optimize initial weights and thresholds of BP neural network.The experimental results show that the BP neural network optimized by the mind evolutionary algorithm has higher prediction precision and generalization ability.The prediction performance has been significantly improved.

mind evolutionary algorithm(MEA); back propagation(BP) neural network; wavelet transform; microwave heating; temperature forecast

2016—01—05

國家重點基礎研究發展計劃(“973”計劃)資助項目(2013CB328903)

10.13873/J.1000—9787(2016)10—0043—03

TP 183

A

1000—9787(2016)10—0043—03

趙瑞勇(1992-)，男，河北邯鄲人，碩士研究生，主要研究方向為模式識別與智能系統。