PCA-SS-LSSVM在循環(huán)冷卻水結(jié)垢預(yù)測(cè)中的應(yīng)用

董 超 胡艷珍 李晨光

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室；2.中國(guó)石油化工股份有限公司天津分公司)

PCA-SS-LSSVM在循環(huán)冷卻水結(jié)垢預(yù)測(cè)中的應(yīng)用

董 超1胡艷珍1李晨光2

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室；2.中國(guó)石油化工股份有限公司天津分公司)

采用主成分分析-分散搜索算法-最小二乘向量機(jī)(PCA-SS-LSSVM)算法對(duì)某石化企業(yè)近幾年的生產(chǎn)數(shù)據(jù)進(jìn)行建模預(yù)測(cè)。經(jīng)過(guò)實(shí)驗(yàn)仿真表明：該算法能及時(shí)準(zhǔn)確地預(yù)測(cè)粘附速率。

PCA-SS-LSSVM算法 循環(huán)冷卻水 結(jié)垢 動(dòng)態(tài)建模 動(dòng)態(tài)仿真

循環(huán)冷卻水系統(tǒng)是遍及石化、冶金及電力等工業(yè)部門(mén)的用水系統(tǒng)，是流程工業(yè)重要的公用工程，其運(yùn)行質(zhì)量直接以及生產(chǎn)裝置和設(shè)備安全，關(guān)系到產(chǎn)品的產(chǎn)率和質(zhì)量。腐蝕和結(jié)垢是循環(huán)冷卻水系統(tǒng)中的常見(jiàn)故障。隨著循環(huán)冷卻水的不斷重復(fù)利用，受到水源、工藝條件及工藝介質(zhì)等的影響，循環(huán)冷卻水水質(zhì)會(huì)不斷惡化，容易導(dǎo)致設(shè)備形成水垢，產(chǎn)生腐蝕，進(jìn)而影響設(shè)備壽命、安全生產(chǎn)和經(jīng)濟(jì)運(yùn)行。為此，只有合理、準(zhǔn)確判斷水質(zhì)特性才能采取相應(yīng)的措施來(lái)預(yù)防腐蝕和結(jié)垢問(wèn)題[1]。循環(huán)冷卻水結(jié)垢是受多個(gè)因素影響的典型復(fù)雜非線性問(wèn)題[2]。PCA-SS-LSSVM可以很好地實(shí)現(xiàn)降維和非線性預(yù)測(cè)算法，故筆者采用該算法對(duì)結(jié)垢問(wèn)題進(jìn)行預(yù)測(cè)研究。

1 PCA-SS-LSSVM

PCA-SS-LSSVM是一種標(biāo)準(zhǔn)支持向量機(jī)的改進(jìn)組合算法。采用最小二乘線性方程代替?zhèn)鹘y(tǒng)標(biāo)準(zhǔn)向量機(jī)中ε不敏感損失函數(shù)，從而將原來(lái)的非線性約束轉(zhuǎn)變?yōu)榫€性約束[3,4]。利用分散搜索算法(SS)對(duì)懲罰因子和核函數(shù)寬度進(jìn)行尋優(yōu)，從而找到最優(yōu)組合來(lái)提高模型的精度[5,6]。由此就形成了擴(kuò)展的向量機(jī)SS-LSSVM。由于結(jié)垢問(wèn)題受到眾多因素影響，因此引入了主成分分析(PCA)對(duì)它進(jìn)行降維處理，以達(dá)到不影響模型精度的條件下提高計(jì)算速度的目的[7,8]。PCA-SS-LSSVM算法結(jié)構(gòu)框圖如圖1所示。

圖1 PCA-SS-LSSVM算法結(jié)構(gòu)框圖

由圖1可知該算法的輸入變量在經(jīng)過(guò)PCA降維處理之后得到主成分，并將它作為模型的輸入進(jìn)行訓(xùn)練建模。其中模型的參數(shù)尋優(yōu)由SS得到。經(jīng)過(guò)SS-LSSVM的建模預(yù)測(cè)之后輸出變量，當(dāng)輸出變量的誤差允許值超過(guò)設(shè)定范圍，則返回輸入重新計(jì)算。

2 基于PCA的結(jié)垢因素相關(guān)性分析

主成分分析是把各變量之間互相關(guān)聯(lián)的復(fù)雜關(guān)系進(jìn)行簡(jiǎn)化分析的方法。在力求數(shù)據(jù)信息丟失最少的原則下，對(duì)高維的變量空間降維。

本文實(shí)驗(yàn)研究中選取了天津某石化200天的實(shí)際生產(chǎn)數(shù)據(jù)，對(duì)結(jié)垢有影響的因素有15個(gè)(表1)，初始樣本見(jiàn)表2、3。

表1 參數(shù)名稱(chēng)對(duì)應(yīng)表

表2 初始樣本數(shù)據(jù)(一)

表3 初始樣本數(shù)據(jù)(二)

將上述數(shù)據(jù)導(dǎo)入SPSS軟件中進(jìn)行主成分分析，主成分貢獻(xiàn)率見(jiàn)表4，圖2為特征值的碎石分布。

表4 特征值及其累積貢獻(xiàn)率

(續(xù)表4)

從表4可以看出，前6個(gè)主成分的累積貢獻(xiàn)率已超過(guò)90%。另外，在圖2中，主成分?jǐn)?shù)在序號(hào)2處有明顯拐點(diǎn)，但要求提取的主成分包涵原信息的90%以上，為此提取的主成分個(gè)數(shù)為6，其中F1～F6為降維后的6個(gè)新變量，通過(guò)特征值向量表示為：

F1=-0.149X1+ 0.025X2-0.146X3+0.050X4+0.105X5+0.027X6+0.161X7+0.039X8+0.152X9-0.013X10+

0.157X11- 0.053X12- 0.167X13+ 0.050X14+ 0.158X15

F2=0.134X1+0.169X2+0.080X3-0.139X4-0.560X5+0.097X6-0.058X7+0.155X8-0.016X9+0.490X10-

0.054X11+0.307X12+0.053X13+0.106X14-0.071X15

F3=0.074X1+0.107X2+0.043X3+0.422X4-0.030X5+0.020X6+0.006X7+0.808X8+0.043X9+0.225X10+

0.005X11+0.180X12-0.012X13+0.129X14+0.043X15

F4=0.048X1+0.006X2+0.027X3-0.058X4+0.048X5-0.001X6+0.097X7+0.005X8+0.080X9-0.060X10+

0.062X11-0.661X12-0.158X13+0.034X14-0.050X15

F5=0.028X1+0.165X2-0.001X3+0.144X4+0.120X5-0.069X6-0.027X7-0.143X8-0.012X9+0.102X10-

0.019X11+0.248X12+0.082X13-0.845X14-0.068X15

F6=0.049X1+0.047X2+0.003X3+0.245X4-0.074X5+0.949X6+0.010X7-0.079X8+0.024X9+0.112X10+

0.009X11+0.065X12+0.007X13+0.091X14+0.036X15

圖2 特征值的碎石分布

3 基于SS-LSSVM的預(yù)測(cè)模型

3.1用SS優(yōu)化LSSVM模型

SS算法是一種功能等同于GA、PSO等的優(yōu)化算法，其目的是尋找懲罰因子與核函數(shù)寬度的最優(yōu)化解。SS算法較GA有實(shí)現(xiàn)動(dòng)態(tài)跟蹤功效，較PSO可以避免局部尋優(yōu)弊端[9～11]。

筆者利用SS算法優(yōu)化LSSVM模型，就是要尋找懲罰因子C與核函數(shù)寬度γ，使得LSSVM訓(xùn)練集中預(yù)測(cè)均方差E最小、決定系數(shù)R最大，目標(biāo)優(yōu)化模型為：

式中l(wèi)——訓(xùn)練集中樣本個(gè)數(shù)；

在訓(xùn)練LSSVM中，關(guān)于解的編碼是通過(guò)令個(gè)體I=(C,γ),其中懲罰因子C=(0.01,1000),核函數(shù)γ=[0.1,100]，另外SS算法參數(shù)設(shè)置為：初始解集的大小N=100，參考集中高質(zhì)量解集和多樣性解集的個(gè)數(shù)分別為10、10；局部搜索過(guò)程中迭代次數(shù)最多為30，終止參考集更新的迭代次數(shù)為200。在保證E最小、R最大的條件下，一次迭代計(jì)算，得到最優(yōu)的懲罰因子C=10.2751，核函數(shù)γ=0.0326。此時(shí)SS算法的收斂曲線如圖3所示。

圖3 SS算法收斂曲線

3.2實(shí)例仿真

將降維后得到的主成分作為模型的輸入，其中原始樣本的五分之四為訓(xùn)練集，五分之一為測(cè)試集。仿真結(jié)果如圖4～7所示。

圖4 SS-LSSVM仿真結(jié)果

圖5 PSO-LSSVM仿真結(jié)果

圖6 GA-LSSVM仿真結(jié)果

圖7 LSSVM仿真結(jié)果

其中mse為誤差標(biāo)準(zhǔn)。由圖可知， SS-LSSVM可達(dá)到的精度為97.945%，PSO-LSSVM可達(dá)到的精度為93.063%，GA-LSSVM可達(dá)到的精度為90.688%，LSSVM可達(dá)到的精度為84.433%。各算法的誤差見(jiàn)表5。

表5 各算法誤差比較

4 結(jié)束語(yǔ)

在標(biāo)準(zhǔn)支持向量機(jī)上進(jìn)行改進(jìn)組合，形成了SS-LSSVM算法，該算法比SVM具有精度高、收斂速度快及泛化能力更強(qiáng)等優(yōu)勢(shì)。在優(yōu)化模型時(shí)，分散搜索算法比遺傳算法(GA)、粒子群算法(PSO)有更好的服務(wù)作用。此外引入了主成分分析法對(duì)輸入變量進(jìn)行了降維，降維后輸入維數(shù)大幅降低，且所提取的主成分包含了原樣本數(shù)據(jù)90%以上的信息，保證不丟失數(shù)據(jù)的同時(shí)達(dá)到了減少計(jì)算資源等目的。通過(guò)仿真比較得出了PCA-SS-LSSVM的模型具有很高的精度，證實(shí)該算法具有很強(qiáng)的可行性和實(shí)用性，能夠?yàn)檠h(huán)冷卻水結(jié)垢的預(yù)防提供精準(zhǔn)的參考意義。

[1] 張凌峰.工業(yè)循環(huán)冷卻水智能輔助分析平臺(tái)的關(guān)鍵技術(shù)研究[D].天津：天津理工大學(xué),2012.

[2] 董超,張凌峰,李榮，等. 循環(huán)冷卻水系統(tǒng)腐蝕速率的預(yù)測(cè)模型[J].化工自動(dòng)化及儀表,2011,38(6):676～678.

[3] 顧燕萍，趙文杰，吳占松.最小二乘支持向量機(jī)的算法研究[J].清華大學(xué)學(xué)報(bào)，2010,50(7)：1063～1066，1071.

[4] Huang W, Huang F C, Song J. Water Quality Retrieval and Performance Analysis Using Landsat Thermatic Mapper Imagery Based on LS-SVM[J]. Journal of Software, 2011, 6(8):411～422.

[5] Gorjaei R G, Songolzadeh R, Torkaman M, et al. A Novel PSO-LSSVM Model for Predicting Liquid Rate of Two Phase Flow through Wellhead Chokes[J]. Journal of Natural Gas Science and Engineering, 2015, 24: 228～237.

[6] Gao J, Yu J, Leng Z.The Application of PSO-LSSVM in Fault Diagnosis of Subway Auxiliary Inverter[J]. International Journal of Research and Surveys, 2013, 4(3): 777～784.

[7] 周松林,茆美琴,蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)技術(shù),2011,35(9):128～132.

[8] 孫劉平,錢(qián)吳永. 基于主成分分析法的綜合評(píng)價(jià)方法的改進(jìn)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2009,39(18):15～20.

[9] 王曉晴，唐加福，韓毅.分散搜索算法研究進(jìn)展[J].系統(tǒng)仿真學(xué)報(bào)，2009,21(11)：3155～3160.

[10] 郭希旺,劉士新,王大志.多目標(biāo)拆卸序列優(yōu)化問(wèn)題的分散搜索算法[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,33(1):56～59.

[11] 朱文興,程泓.VISI電路劃分問(wèn)題的分散搜索算法[J].電子學(xué)報(bào),2012,40(6):1207～1212.

PCA-SS-LSSVMApplicationinPredictingtheFoulingofCirculatingCoolingWater

DONG Chao1, HU Yan-zhen1, LI Chen-guang2

(1.TianjinKeyLaboratoryofControlTheory&ApplicationinComplicatedSystems,TianjinUniversityofTechnology;2.SinopecTianjinBranchCo.)

PCA-SS-LSSVM algorithm was used to predict the production data of a petrochemical enterprise in recent years. Simulation results show that, this algorithm can predict the adhesion rate accurately and timely and it has important guiding significance in improving production efficiency and reducing operating costs.

PCA-SS-LSSVM algorithm,fouling of cirulating cooling water,dynamic modeling, dynamic simulation

董超(1978-)，副研究員，從事過(guò)程控制的研究。

聯(lián)系人胡艷珍(1992-)，碩士研究生，從事循環(huán)冷卻水腐蝕結(jié)垢預(yù)測(cè)的研究， 1484324506@qq.com。

TH865；TP391

A

1000-3932(2017)11-1056-05

2017-05-18，

2017-09-13)