基于GA-SVR的水泥分解爐分解率軟測量方法

金 星 李冰巖 張永恒 秦石凌 徐 婷

(長春工業大學電氣與電子工程學院，長春 130012)

基于GA-SVR的水泥分解爐分解率軟測量方法

金 星 李冰巖 張永恒 秦石凌 徐 婷

(長春工業大學電氣與電子工程學院，長春 130012)

針對水泥生產企業無法對分解爐分解率進行實時在線檢測的情況，結合廠家DCS系統中現有的數據，使用灰色關聯分析法觀察相關變量與分解爐分解率的關系。利用遺傳算法對SVR中的懲罰參數C、核函數核寬g、損失系數ε進行參數尋優，使用尋優結果對分解爐分解率進行SVR軟測量建模。不同建模方法間的比較結果表明：使用GA-SVR所建的水泥分解爐分解率模型的預測結果與真實值擬合程度高、測量誤差小，能夠達到穩定水泥分解爐分解率的目的。

軟測量 GA-SVR算法 水泥分解爐

分解爐分解率是新型干法水泥生產中衡量分解爐分解效果的一項重要指標[1]。分解爐分解率的大小和穩定性不僅影響對分解爐的優化控制，對回轉窯的熟料燒成也會產生較大影響[2]。目前，分解爐分解率主要通過傳統方法進行離線化驗，由化驗室獲得的分解爐分解率周期較長，無法實時反映分解爐運行工況，其滯后性不利于分解爐后期的優化控制[3]。因而，實現對水泥分解爐分解率的實時準確在線檢測是水泥優化生產的前提。

軟測量技術與機器學習的發展為分解爐分解率的實時在線檢測提供了新思路[4]。軟測量就是通過工業生產中的可控變量和可測變量，使用機理建模、數理統計建模及神經網絡建模等方法計算或估計無法在現階段實時預測的重要變量。支持向量回歸(SVR)是目前機器學習領域的熱點，其回歸精度高、泛化能力強，在軟測量領域有較為優異的表現[5]。筆者通過分析在水泥生產過程中與分解率有關的過程變量，在廠家DCS控制系統的基礎上，提出了一種基于GA-SVR的水泥分解爐分解率軟測量建模方法。

1 新型干法水泥分解爐窯尾分解率分析

依照水泥生產的工藝流程，按比例配置的生料經四級旋風預熱器預熱后，在分解爐中進行分解并隨氣流進入五級旋風預熱器，氣固分離后進入回轉窯窯尾。為保證水泥熟料的質量，分解爐分解率一般介于85%～95%之間[6]。

按照工藝流程，分解爐分解率主要取決于分解爐的工況，三次風溫、三次風速、喂煤量及投料量等都會影響分解爐分解率的大小[7]。根據現場調研和水泥廠家DCS中的歷史數據，確定以三次風溫、分解爐爐內溫度、分解爐爐內壓力、分解爐出口溫度、分解爐出口壓力和提升機電流作為分解爐分解率軟測量的輔助變量。由廠家DCS系統的大量歷史數據確定分解爐分解率的采樣時刻，考慮水泥分解爐的滯后性，選取采樣前10min內相關過程變量的平均值作為原始數據，剔除相應粗大誤差后，最終以獲得的218組數據作為樣本數據。

所獲數據以分解爐分解率序列為參考序列、其余過程變量序列為比較序列，設定分辨系數為0.6進行灰色關聯度分析，對原始數據集降維。相關輔助變量及其對應的灰色關聯度如下：

分解爐出口溫度 0.897 7

提升機電流 0.860 7

分解爐爐內溫度 0.813 4

三次風溫 0.793 4

分解爐爐內壓力 0.760 3

分解爐出口壓力 0.742 5

以0.8為本次灰色關聯度的閾值，獲得本次軟測量最終輸入數據集合為分解爐出口溫度、提升機電流、分解爐爐內溫度，輸出變量為分解爐分解率。

分解爐出口溫度如圖1所示。

圖1 分解爐出口溫度

分解爐爐內溫度如圖2所示。

圖2 分解爐爐內溫度

提升機電流如圖3所示。

圖3 提升機電流

分解爐分解率如圖4所示。

2 分解爐分解率軟測量模型

2.1SVR理論簡介

SVR是支持向量機SVM的回歸模式，有堅實的理論依據。對給定的訓練資料(x1，y1)，…，(xn，yn)，xi∈RN，yi∈R，i=1,2,3，…,n。其中x為輸入的特征，y為該特征所對應的值。假設給定數據線性可分，對給定樣本集，任取ε>0，存在超平面f(x)=+b(w∈RN，b∈R)使得|yi-f(xi)|≤ε。

任意點(xi，yi)到超平面的距離不大于：

(1)

為使式(1)最大，回歸問題轉化為以下優化問題：

(2)

于是，引入松弛變量，并使用拉格朗日乘子法，得到優化問題的對偶形式：

(3)

上述為給定數據可分的情況，若給定數據在原始空間不是線性可分的集合，需使用一個非線性映射將給定數據的特征映射到高維空間，使映射后的特征線性可分[8]：

→K(xi,xj)=<φ(xi),φ(xj)>

其中K為有效的核函數。因此，非線性回歸的對偶問題轉化為：

(4)

求解凸二次規劃問題后計算b的值：

(5)

(6)

SVR擬合給定訓練數據(x1，y1)，…，(xn，yn)，xi∈RN，yi∈R，i=1,2,3，…,n所得的回歸方程為：

(7)

其中，ai、ai*為拉格朗日算子，b為閾值，K(xj，x)為核函數。

2.2基于遺傳算法的ε-SVR的參數優化

遺傳算法(GA)無需對所求問題進行了解，通過對算法產生的每個染色體進行評價，讓適應度高的染色體更好地繁殖，對每個個體進行優勝劣汰，形成下一代新的種群，再進行下一輪進化。主要步驟如下：

a. 隨機產生N個初始串結構數據，每個結構數據是一個個體；

b. 計算群體中每個個體的適應度；

c. 使用復制、交叉、變異操作形成下一代群體；

d. 對新的群體進行步驟b、c的迭代，直到滿足停止條件；

e. 獲得全局最優解。

依照SVR的推導過程，使用不同的核函數K(xj，x)構建出的SVR模型也不同，筆者使用高斯徑向基函數exp(-gamma*|u-v|2)作為核函數，建立SVR軟測量模型。為保證SVR模型的準確性，要先確定懲罰系數C、核寬g、損失系數ε。

懲罰系數C與SVR模型的穩定性有關，過大會提高學習精度，但會降低模型的泛化能力；過小會提高泛化能力，但會加大學習誤差。核寬g與SVR模型支持向量間聯系有關，g越小，模型越復雜[9]。損失系數ε與回歸函數對數據樣本的不敏感區域的寬度有關，增大ε會減少模型支持向量個數，減小ε提高回歸精度增加模型復雜度[10]。

基于遺傳算法的ε-SVR的參數優化(C、g、ε)步驟如下：

a. 設置懲罰系數C、核寬g、損失系數ε的范圍，產生初始群體。

b. 使用C、g、ε組合下的反映SVR回歸性能的均方差(MSE)作為適應度值。

c. 開始遺傳操作，計算每組C、g、ε的均方差(MSE)，若該組下均方差最小，設定此次C、g、ε參數更新為Cbest、gbest、εbest，否則保留此前的Cbest、gbest、εbest。

d. 停止條件定為最大進化代數。未達到停止條件時，執行步驟c，進行迭代操作；當滿足停止條件，即達到進化代數時，此時的Cbest、gbest、εbest即為最優解，按照此懲罰系數C、核寬g、損失系數ε重新對訓練集進行SVR建模，作為最終軟測量模型。

3 水泥分解爐分解率軟測量仿真實驗

選取已經預處理的218組有效歷史數據中的180組用于構建軟測量模型，剩余38組用于驗證軟測量模型的準確性。采用經遺傳算法優化的SVR進行分解爐分解率軟測量建模，遺傳算法中的參數設置為：最大進化代數200，種群最大數量20，變量維數為3，變量的二進制位數為20，代溝為0.9，參數C的變化范圍[Cmin，Cmax]，Cmin=0，Cmax=100，參數g的變化范圍[gmin，gmax]，gmin=0，gmax=100，參數ε的變化范圍[εmin，εmax]。經遺傳算法選擇后C=42.6325，g=23.7862，ε=0.9680。為驗證算法的有效性，使用交叉驗證CV-SVR與僅使用遺傳算法對C、g、ε3個參數和C、g兩個參數進行尋優做對照實驗。

使用筆者所述遺傳算法對SVR的3個參數C、g、ε進行尋優的預測結果如圖5所示。

圖5 GA-SVR算法軟測量預測結果

使用遺傳算法僅對SVR參數C、g進行尋優的預測結果如圖6所示。使用CV-SVR的預測結果如圖7所示。

圖6 C、g尋優SVR預測結果

圖7 CV-SVR預測結果

仿真結果見表1，其中平方相關系數表示與原有數據的接近程度，值越接近于1與原模型越相近。

根據上述仿真結果，使用GA-SVR建立的水泥分解爐分解率軟測量模型，準確率較高，具有良好的預測精度和泛化能力。

4 結束語

筆者針對目前新型干法水泥生產中，分解爐分解率無法在線進行測量的問題，使用遺傳算法對SVR進行參數尋優，建立了新型干法水泥分解爐分解率軟測量模型，具有良好的預測效果。仿真結果表明，本軟測量方法能夠滿足工業要求，對后期水泥生產的優化控制有一定的指導作用。

表1 預測效果對比

[1] 陳全德，蘭明章．新型干法水泥技術原理與應用講座(連載十二)第九講 回轉窯[J]．建材發展導向，2005，3(4)：22～28．

[2] 孔祥忠．中國水泥工業轉變發展方式的思路探討[J]．中國水泥，2012，(1)：15～18．

[3] 韓仲琦．中國水泥工業的歷史和發展(上)[J]．中國水泥，2002，(8)：8～12．

[4] 曹宏芳，付忠廣，齊敏芳.PSO-SVM軟測量方法在火電廠煤質發熱量測量中的應用[J]．熱能動力工程，2014，29(6)：731～735．

[5] 顧亞祥，丁世飛.支持向量機研究進展[J]．計算機科學，2011，38(2)：14～17．

[6] 李帷韜．水泥回轉窯燒成狀態識別與熟料質量指標軟測量的研究[D]．沈陽：東北大學，2012．

[7] 王秀蓮，孫旭晨，王卓，等.基于局部PSO-LSSVM的水泥f-CaO測量方法研究[J]．控制工程，2014，21(6)：807～811．

[8] 劉文光，王孝紅，于宏亮，等.基于LS-SVM的水泥熟料煅燒過程f-CaO軟測量研究[J]．控制工程，2008，15(z2)：85～88．

[9] 周云龍，王迪．基于PSO-LS-SVM的主蒸汽流量測量[J]．化工自動化及儀表，2015，42(4)：374～377．

[10] 熊偉麗，徐保國.基于PSO的SVR參數優化選擇方法研究[J]．系統仿真學報，2006，18(9)：2442～2445．

SoftMeasurementMethodforCementFurnaceDecompositionRateBasedonGA-SVR

JIN Xing, LI Bing-yan, ZHANG Yong-heng, QIN Shi-ling, XU Ting

(SchoolofElectricalandElectronicEngineering,ChangchunUniversityofTechnology,Changchun130012,China)

Considering the cement enterprise’s incapability of on-line detecting decomposition rate of the decomposing furnace at real time and basing on existing data from the enterpriser’s DCS system, making use of grey relation analysis method to analyze relationship between correlated variables and furnace’s decomposition rate was implemented, including having genetic algorithm adopted to optimize penalty parameterC, kernel widthgand loss coefficientεin SVR, and then having optimization result based to build SVR soft measurement model for the decomposition rate of the furnace. Comparing the models built through different methods proves that the decomposition rate prediction result of GA-SVR-based cement kiln decomposition model fits the true values well and has smaller errors; and it can stabilize the decomposition rate of the cement furnace.

soft measurement, GA-SVR algorithm, cement decomposing furnace

2016-01-17(修改稿)

吉林省科技廳項目(20150203003SF)

TH865

A

1000-3932(2016)08-0830-05