回轉窯煅燒配置參數的預測模型設計

林滿山+++梁欣

摘 要：文章在回轉窯煅燒過程中復雜環境下的工藝參數預測分析領域，提出了回轉窯煅燒配置參數預測模型，介紹了模型原理，模型的支撐算法K-MEANS算法、主成分分析法、BP神經網絡、粒子群算法及粒子群改進算法，通過實驗驗證，新算法相對于粒子群算法更好地避免早期收斂，具有很好的搜索效果。

關鍵詞：回轉窯；K-MEANS；主成分分析法；BP神經網絡；粒子群算法

Abstract： Under the complex environment of rotary kiln calcination process， this paper presents a prediction model for the parameters of rotary kiln calcination in the field of process parameter prediction and analysis， introduces the model principle， model support algorithm K-MEANS algorithm， principal component analysis， BP neural network， PSO and improved PSO， through the experimental verification， the new algorithm is better than PSO to avoid early convergence， and has a good search effect.

Keywords： rotary kiln； K-MEANS； principal component analysis； BP neural network； PSO

1 概述

回轉窯煅燒是陽極炭素生產的第一步，石油焦經過一系列物理化學變化變成煅后焦，提高了石油焦的真密度、導電性、機械強度和抗氧化能力，在此過程中，工藝參數對結果影響非常明顯，因此對其優化是提高產品質量、提高效率、減少資源浪費的重要舉措。2010年，Luna基于煅燒過程中生料變成熟料的物理、化學變化建立數學模型[1]，2016年，史長城提出RBF神經網絡的建模研究[2]。本文提出一種針對回轉窯煅燒過程的數據分析預測模型，希望能為其他數據分析模型的設計提供借鑒。

1995年，R.C.Eberhart和J.Kennedy通過研究鳥類群體高效的捕食行為，提出了粒子群算法，采用“群體”和“進化”的概念[3]。粒子群優化算法（PSO）依據個體（粒子）的適應值大小對個體進行評價[4]，通過個體對信息的共享使整個群體的運動從無序變為有序的演化過程。本文提出了一種基于鄰代競爭的雜交粒子群優化算法，將其用來優化BP神經網絡算法，提高了回轉窯煅燒配置參數預測模型的核心算法效率，提高了數據分析預測模型的準確性。

2 模型設計

鋁電解生產工藝的復雜性以及不可靠性造成數據分析的難度，因此需要設計一種分析模型來解決這類問題。

模型設計思想：首先，從回轉窯煅燒的結果著手，以煅后焦質量參數中的粉末電阻率和真密度作為統計維度，運用k-means聚類算法標識分類，采用時間序列的方法將石油焦煅燒質量參數與工藝參數聯系起來，對石油焦工藝參數類別標識；其次，針對煅燒過程中工藝參數較多，為了保證分析的準確性，減少不必要干擾，留下主要因素作為分析參數，采用主成分分析法對工藝參數降維，留下五個主要工藝參數；最終，使用BP神經網絡算法對工藝參數訓練和預測，并且對算法進行改進，將基于鄰代競爭的雜交粒子群優化算法融入到BP神經網絡算法中，提高算法性能。

3 模型算法

3.1 PSO算法介紹

PSO算法將個體作為D維搜索空間中一個沒有體積的微粒[5]，粒子通過兩個公式來更新自己的速度和位置，并通過適應值函數判斷個體最優位置和整體最優位置，直到誤差滿足最小精度要求結束。粒子群算法的兩個重要更新公式如下：

3.2 雜交粒子群算法介紹

雜交粒子群優化算法是通過引入雜交因子p，p在[0-1]上取值的D維隨機數，根據p選定一定比例的粒子放入雜交池，通過雜交因子孕育出新的粒子。子代child的位置和速度由親代算術交叉運算得出[6]。

3.3 一種基于鄰代競爭的雜交粒子群優化算法

在雜交粒子群算法的基礎上引進了鄰代競爭的思想，核心思想在于繼續挖掘雜交粒子群優化的潛力，從而提高雜交PSO算法的效率。

算法的設計思路如下：

（1）算法在雜交粒子群算法的基礎上，首先通過雜交因子p確定雜交池的大小，選取雜交池容量的3/4隨機雜交，將剩余雜交池1/4的粒子放入備選池中。

（2）算法對單次交叉的parent1、parent2、child求適應值，將適應值高的粒子保留在粒子群中，將適應值低的粒子保留在備選池中。

（3）采用“優勝劣汰”的競爭規則，選取鄰代的粒子適應值高的粒子放回原始粒子群。

3.4 基于鄰代競爭的雜交粒子群算法與BP算法的融合

采用改進后的PSO算法動態優化BP神經網絡的權值和閾值，改善BP算法的初始權重依賴性強的缺陷。

算法優化流程：

（1）初始化粒子群算法的加速權重c1，c2，慣性權重w，最大循環次數t，粒子初始速度。

（2）適應度函數設置為BP神經網絡中的誤差評價函數。

（3）初始化BP神經網絡閾值和權重，將權值和閾值賦予給粒子群優化算法作為粒子位置信息。

（4）經過基于鄰代競爭的雜交粒子群運算后，選取最優的權值和閾值作為BP神經網絡的閾值和權重。

（5）BP神經網絡計算，滿足要求輸出預測結果。

3.5 實驗測試

通過Griewank、Rosenbrock以及測試Sphere函數測試算法的性能。

4 結束語

本文提出的回轉窯煅燒配置參數預測模型是一種應用在回轉窯煅燒過程的數據分析的簡單模型。模型中改進了雜交粒子群算法，減少了雜交池粒子的計算復雜度，提高了算法的速度和效率，將改進后的算法應用于優化BP神經網絡算法的初始閾值和權重，提高BP算法的精度，最終提高了模型的準確率。

參考文獻

[1]D Luna，JP Nadeau，Y Jannot. Model and simulation of a solar kiln with energy storage[J]. Renewable Engery，2010，35（11）：2533-2542.

[2]史長城.水泥回轉窯RBF神經網絡建模研究[J].鄖陽師范高等專科學校學報，2016，26（3）.

[3]張美璐.航空武器裝備項目資源計劃的管理研究[D].西北工業大學，2007.

[4]林玉娥.粒子群優化算法的改進及其在管道保溫優化設計中的應用[D].大慶石油學院，2006.

[5]劉夢琳.基于微粒群優化算法的聚類分析及其在學生成績管理中的應用[D].山東師范大學，2007.

[6]王瑞峰.雜交粒子群算法在列車運行調整中的應用研究[J].計算機應用研究，2013，30（6）：1721-1723.

作者簡介：林滿山，男，高級工程師，主要研究方向為數據挖掘。

梁欣，男，碩士生，主要研究方向為數據挖掘。