GA-ELM在硫鐵礦制酸尾氣SO2濃度預測的應用①

黃遠紅,黃清寶

(廣西大學 電氣工程學院,南寧 530004)

GA-ELM在硫鐵礦制酸尾氣SO2濃度預測的應用①

黃遠紅,黃清寶

(廣西大學 電氣工程學院,南寧 530004)

基于對整個生產流程的管控,使硫鐵礦生產硫酸尾氣的SO2濃度達標排放,提出運用GA-ELM對制酸尾氣SO2濃度進行建模預測.在硫鐵礦制酸的生產過程中采集對尾氣SO2濃度影響較大的關鍵點參數,運用GAELM神經網絡對煙氣制酸尾氣SO2濃度進行預測.該方法在某廠實際檢驗,其預測結果與實際數據吻合度較高,對于調整和優化工藝指標和尾氣達標排放起到很好的指導作用.

尾氣排放; SO2濃度; 極限學習機; 預測

硫酸是化學工業的重要產品,號稱“工業之母”,其廣泛應用于冶金、化肥、石化、紡織和國防等許多工業部門; 但硫鐵礦制酸尾氣[1]的SO2達標排放卻是我國SO2污染控制和減排的重點[2],但由于生產線流程長,參數眾多且時效性、準確性、可靠性較差,在發現尾氣SO2濃度超標時再經操作人員綜合、分析、判斷后采取措施,往往已造成長時間超標排放的惡果,環境損失難以估量.

極限學習機 (Extreme learning machine,ELM,2004年由黃廣斌提出)[3]雖有學習速度快,泛化能力強的特點,但由于連接權值、閾值是隨機選擇,網絡訓練效果不是很好[4]; 提出利用遺傳算法(Genetic algorithms,GA)優化[5]得到ELM網絡最優的初始權值、閾值,二者結合的新型算法(簡稱GA_ELM算法); 并采集實際生產過程對尾氣SO2濃度有重大影響的關鍵點參數作為樣本,用GA-ELM神經網絡對尾氣SO2濃度進行快速建模,根據預測結果對工藝流程參數提前干預,優化、調整,能夠大大地減少或避免尾氣SO2濃度超標事故發生,在實際生產中有很好的效果.

1 理論基礎

1.1 極限學習機理論基礎

極限學習機基本思路[3]:極限學習機是一種簡單易用、有效的單隱層前饋神經網絡(Single-hidden layer feedforward networks),隱含層只有一層結點,網絡結構模型如圖1.

如圖1是一個典型的SLFN網絡:輸入層有n個輸入變量,中間隱含層有l個神經元,輸出層有m個神經元; 設輸入層與隱含層間的連接權值為ω,隱含層與輸出層的連接權值為β,隱含層神經元閾值為b; 網絡有Q個樣本,輸入矩陣X和輸出矩陣Y,隱含層神經元激勵函數為 g(x),由圖1網絡輸出T為:

圖1 單隱層前饋神經網絡(SLFNs)結構模型圖

式(1)可表示為:

當激活函數 g(x)無限可微時,ELM的參數無需全部調整,只需(ω和b隨機選擇,且在過程中保持不變)通過求解以下方程組的最小二乘解獲得:

解為:

式中H+為隱含層輸出矩陣H的Moore-Penrose廣義逆.

1.2 遺傳算法理論

遺傳算法[5](Genetic algorithms,GA)是 1962 年由美國Michigan大學Holland教授提出的模擬自然界遺傳機制和生物進化論而成的一種并行隨機搜索最優化方法,用“優勝劣汰,適者生存”的生物進化原理進行神經網絡參數的優化,通過遺傳的選擇、交叉、變異等對個體進行篩選,保留適應度優秀的個體,同時新的群體又繼承上一代群體的優秀基因,從而得到最優的個體.

1.3 遺傳算法優化極限學習機(GA-ELM)模型

遺傳算法-極限學習機神經網絡(GA-ELM)原理是通過GA對ELM的權值、閾值進行優化,組建最優的ELM網絡結構進行建模; 主要分為ELM網絡確定、遺傳算法優化和ELM神經網絡的訓練和預測等三大部分; 具體流程如圖2.

1.4 模型評價指標

(1)均方根誤差 (Rmse)

衡量仿真值與樣本值之間(點對點)的偏差,公式為:

式中,i為樣本個體; n 為樣本總數; yi為仿真輸出值;y樣本輸出量.

(2)相關系數 (R2)

表示兩個變量之間的緊密程度,計算公式如下:

2 ELM 應用模型的建立

2.1 工藝過程簡介

某廠硫酸生產工藝流程[6](無脫硫裝置)如圖3.

圖3 硫鐵礦為原料生產硫酸的原則流程圖

流程簡介:原料硫鐵礦經計量皮帶秤(位號WQ2201)進入焙燒爐,由鼓風機鼓風(風量FI2201)進入風室(壓力PI2201)的空氣與硫鐵礦沸騰燃燒; 在爐內(主要擴大層)產生帶SO2的爐氣,經冷卻、凈化、干燥,由主風機提壓,爐氣 (流量 FI2401,SO2濃度分析AI2401),經過轉化器 1,2,3,4 段把 SO2轉化成 SO3并用濃硫酸進行循環吸收(兩轉兩吸),產出合格硫酸; 尾氣(含SO2)經4段,由煙囪排大氣中.

2.2 影響尾氣SO2濃度的參數

關鍵參數:原料硫鐵礦的投入量(WQ2201),焙燒爐進風量(FI2201)

重要參數:風室靜壓(PI2201),過渡段溫度(TI2202),擴大段溫度(TI2203),燃燒爐出口溫度(TI2204),主風機出口風量(FI2401),爐氣SO2濃度分析以及轉化器四段出口溫度(TI2431).

3 仿真實驗

3.1 仿真數據的選取

由于生產流程較長,影響尾氣SO2濃度的因素相關性很強,在本次實驗中選取以上全部9個參數樣本的輸入變量,力求能夠真實地反映尾氣SO2濃度變化.

3.2 樣本數據的預處理

數據是直接采集生產中儀表測量的真實數據(2148組),數據離散性、突變和誤差相對較大,本實驗采用小波包降噪[7,8]和一維中值濾波對數據進行預處理.

(1)主成分 (PCA)分析[9]

由于有9個輸入變量,維數較大,對后面的網絡運算速度有很大的影響; 首先做PCA分析以降低維度,但在程序運行結果中9個變量的貢獻率在(6.8%—21.2%)間,無法降維.

(2)小波包降噪

為了減少失真,采用全局閾值默認(正交小波函數為shannon小波)的小波包降噪.

(3)一維中值濾波[10]處理

用窗寬30,分列做一維中值濾波處理.

(4)樣本數據的劃分

樣本數據等間隔抽取3/4數據(1611組)作為訓練樣本進行擬合,另外的1/4數據(537組)為測試樣本進行泛化實驗.

(5)訓練樣本、測試樣本的標準歸一化處理.

3.3 ELM神經網絡的相關參數確定

(1)隱含層神經元個數

在本次實驗中,雖然樣本訓練個數達1611個,但加入遺傳算法后,在取較小的神經元個數的情況下就能達到較好的效果,時間大大地縮短.

利用遺傳算法和ELM網絡進行訓練,根據最小適應度值來尋找最佳的連接權值和閾值b,作為最終的ELM網絡最佳參數進行仿真.

(3)隱含層神經元的激活函數:選擇無限可微函數.

3.4 遺傳算法的相關參數確定

主要元素:種群規模,個體長度、進化次數以及交叉概率、變異概率等.

交叉概率:交叉操作時,選擇種群中的二個個體,按擬定的概率交叉而得到新個體; 據一般文章認為,交叉概率的大小對于相對簡單的優化問題影響不大,本文選取交叉概率=0.5是經多次運行,在MSE基本相近的情況下,以運行時間相對短的標準來確定.

變異概率:種群中隨機選擇一個個體,按擬定概率變異達到一個新個體; 變異概率=0.3是運用本文數據多次運行,試湊法確定.

3.5 仿真實驗

(1)迭代次數對網絡的影響:其中,交叉概率 0.5,變異概率0.3,隱層神經元個數25.

表1 迭代 (進化)次數對網絡仿真性能對比結果

(2)種群規模數對網絡的影響:其中,迭代次數 50,交叉 0.5,變異 0.3,神經元個數 25.

表2 種群規模數對網絡仿真性能對比結果

(3)隱層神經元個數對網絡的影響:其中,迭代次數 50,種群規模 10,交叉概率 0.5,變異概率 0.3.

表3 隱層神經元數對網絡仿真性能對比結果

(4)普通ELM網絡與GA-ELM的仿真對比.

表4 普通ELM 與 GA-ELM 網絡性能對比結果

從上述的比對數據來看,如果用單純的ELM作為仿真該案,效果非常差,基本處于弱相關的狀態,從一定意義上說,根本就不能用普通ELM進行該案的仿真,即使它的運算時間短(因為GA-ELM運行時間受迭代次數、種群規模的大小影響很大).

(5)最佳參數(隱含層神經元個數120,權值、閾值由GA+ELM選擇)的ELM對尾氣SO2濃度擬合、泛化對比結果圖如圖4、圖5.

圖4 GA-ELM對制酸硫酸尾氣 SO2濃度擬合圖

圖5 GA-ELM對制酸硫酸尾氣 SO2濃度泛化圖

(6)仿真結果分析

經過比對分析,GA-ELM都能較好地對實際生產工況進行仿真; 遺傳進化次數、種群規模因素對仿真結果影響不大,但二者與運算時間成正比.隱含層神經元個數對整個網絡影響最大:個數越多,網絡均方根誤差越小,相關系數越大,但運行時間較長.

4 結束語

GA-ELM神經網絡具有較好的魯棒性、泛化能力;通過遺傳算法尋找最優的網絡連接權值和閾值,克服了普通ELM連接權值和閾值的隨意性所帶來網絡仿真的不確定性,同時由于ELM神經元個數(一般取樣本數)的大大減少,使得網絡訓練時間大大縮短; 在實際生產過程中面對高維、數據波動大以及數據量大、工況復雜多變的情況下準確預測,對生產、環保監測等有特別重要的現實意義.

1劉少武,齊焉,趙樹起,等.硫酸生產技術.南京:東南大學出版社,1993,12:771–771.

2程婷,劉潔嶺,蔣文舉.我國硫酸工業尾氣脫硫技術現狀分析.四川化工,2013,16(1):45–48.

3Huang GB,Zhu QY,Siew CK.Extreme learning machine:Theory and applications.Neurocomputing,2006,70(1-3):489–501.[doi:10.1016/j.neucom.2005.12.126]

4孫鑫.極限學習機結構優化及其應用研究[碩士學位論文].南寧:廣西大學,2014:5–8.

5史峰,王輝,郁磊,等.MATLAB 智能算法 30 個案例分析.北京:北京航空航天大學出版社,2011:290–295.

6崔恩選.化學工藝學.北京:高等教育出版社,1990:137–162.

7孫延奎.小波分析及其應用.北京:機械工業出版社,2005:253–256.

8胡昌華,張軍波,夏軍,等.基于 MATLAB 的系統分析與設計-4-小波分析.西安:西安電子科技大學出版社,1999:258–261.

9謝中華.MATLAB 統計分析與應用:40 個案例分析.北京:北京航空航天大學出版社,2010:354–359.

10徐明遠,劉增力.MATLAB 仿真在信號處理中的應用.西安:西安電子科技大學出版社,2007:226–235.

Application of ELM in Prediction of SO2Concentration of the Tail Gas in Producing Acid with Pyrite

HUANG Yuan-Hong,HUANG Qing-Bao

(School of Electrical Engineering,Guangxi University,Nanning 530004,China)

Based on the control of the whole production process,to make emissions of SO2concentration conform to the standards in the production of sulfuric acid with pyrite,we propose prediction for SO2concentration of tail gas with GAELM modeling.In the production of sulfuric acid by pyrite,we collect the key parameters with greater influence on the SO2concentration of exhaust gas,and use GA-ELM neural network to predict the SO2concentration while producing acid with exhaust gas.The method is tested in a factory,and the predicted results are highly identical with actual data.It plays an important guiding role for the adjustment and optimization of process index and exhaust emissions conforming to the standards.

exhaust emission; concentration of SO2; GA-ELM; prediction

黃遠紅,黃清寶.GA-ELM在硫鐵礦制酸尾氣SO2濃度預測的應用.計算機系統應用,2017,26(10):251–254.http://www.c-sa.org.cn/1003-3254/5744.html

2016-06-29; 采用時間:2016-08-08