回轉(zhuǎn)窯煅燒配置參數(shù)的預(yù)測模型設(shè)計

林滿山+++梁欣

摘 要：文章在回轉(zhuǎn)窯煅燒過程中復(fù)雜環(huán)境下的工藝參數(shù)預(yù)測分析領(lǐng)域，提出了回轉(zhuǎn)窯煅燒配置參數(shù)預(yù)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(jīng)網(wǎng)絡(luò)、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(guān)鍵詞：回轉(zhuǎn)窯；K-MEANS；主成分分析法；BP神經(jīng)網(wǎng)絡(luò)；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(zhuǎn)窯煅燒是陽極炭素生產(chǎn)的第一步，石油焦經(jīng)過一系列物理化學(xué)變化變成煅后焦，提高了石油焦的真密度、導(dǎo)電性、機械強度和抗氧化能力，在此過程中，工藝參數(shù)對結(jié)果影響非常明顯，因此對其優(yōu)化是提高產(chǎn)品質(zhì)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(xué)變化建立數(shù)學(xué)模型[1]，2016年，史長城提出RBF神經(jīng)網(wǎng)絡(luò)的建模研究[2]。本文提出一種針對回轉(zhuǎn)窯煅燒過程的數(shù)據(jù)分析預(yù)測模型，希望能為其他數(shù)據(jù)分析模型的設(shè)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(yōu)化算法（PSO）依據(jù)個體（粒子）的適應(yīng)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?yōu)橛行虻难莼^程。本文提出了一種基于鄰代競爭的雜交粒子群優(yōu)化算法，將其用來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法，提高了回轉(zhuǎn)窯煅燒配置參數(shù)預(yù)測模型的核心算法效率，提高了數(shù)據(jù)分析預(yù)測模型的準(zhǔn)確性。

2 模型設(shè)計

鋁電解生產(chǎn)工藝的復(fù)雜性以及不可靠性造成數(shù)據(jù)分析的難度，因此需要設(shè)計一種分析模型來解決這類問題。

模型設(shè)計思想：首先，從回轉(zhuǎn)窯煅燒的結(jié)果著手，以煅后焦質(zhì)量參數(shù)中的粉末電阻率和真密度作為統(tǒng)計維度，運用k-means聚類算法標(biāo)識分類，采用時間序列的方法將石油焦煅燒質(zhì)量參數(shù)與工藝參數(shù)聯(lián)系起來，對石油焦工藝參數(shù)類別標(biāo)識；其次，針對煅燒過程中工藝參數(shù)較多，為了保證分析的準(zhǔn)確性，減少不必要干擾，留下主要因素作為分析參數(shù)，采用主成分分析法對工藝參數(shù)降維，留下五個主要工藝參數(shù)；最終，使用BP神經(jīng)網(wǎng)絡(luò)算法對工藝參數(shù)訓(xùn)練和預(yù)測，并且對算法進行改進，將基于鄰代競爭的雜交粒子群優(yōu)化算法融入到BP神經(jīng)網(wǎng)絡(luò)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(yīng)值函數(shù)判斷個體最優(yōu)位置和整體最優(yōu)位置，直到誤差滿足最小精度要求結(jié)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(yōu)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(shù)，根據(jù)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(shù)交叉運算得出[6]。

3.3 一種基于鄰代競爭的雜交粒子群優(yōu)化算法

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

算法的設(shè)計思路如下：

（1）算法在雜交粒子群算法的基礎(chǔ)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(yīng)值，將適應(yīng)值高的粒子保留在粒子群中，將適應(yīng)值低的粒子保留在備選池中。

（3）采用“優(yōu)勝劣汰”的競爭規(guī)則，選取鄰代的粒子適應(yīng)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(tài)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，改善BP算法的初始權(quán)重依賴性強的缺陷。

算法優(yōu)化流程：

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

（2）適應(yīng)度函數(shù)設(shè)置為BP神經(jīng)網(wǎng)絡(luò)中的誤差評價函數(shù)。

（3）初始化BP神經(jīng)網(wǎng)絡(luò)閾值和權(quán)重，將權(quán)值和閾值賦予給粒子群優(yōu)化算法作為粒子位置信息。

（4）經(jīng)過基于鄰代競爭的雜交粒子群運算后，選取最優(yōu)的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)重。

（5）BP神經(jīng)網(wǎng)絡(luò)計算，滿足要求輸出預(yù)測結(jié)果。

3.5 實驗測試

通過Griewank、Rosenbrock以及測試Sphere函數(shù)測試算法的性能。

4 結(jié)束語

本文提出的回轉(zhuǎn)窯煅燒配置參數(shù)預(yù)測模型是一種應(yīng)用在回轉(zhuǎn)窯煅燒過程的數(shù)據(jù)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(fù)雜度，提高了算法的速度和效率，將改進后的算法應(yīng)用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的初始閾值和權(quán)重，提高BP算法的精度，最終提高了模型的準(zhǔn)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(zhuǎn)窯RBF神經(jīng)網(wǎng)絡(luò)建模研究[J].鄖陽師范高等專科學(xué)校學(xué)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(yè)大學(xué)，2007.

[4]林玉娥.粒子群優(yōu)化算法的改進及其在管道保溫優(yōu)化設(shè)計中的應(yīng)用[D].大慶石油學(xué)院，2006.

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

[6]王瑞峰.雜交粒子群算法在列車運行調(diào)整中的應(yīng)用研究[J].計算機應(yīng)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(shù)據(jù)挖掘。

梁欣，男，碩士生，主要研究方向為數(shù)據(jù)挖掘。