基于PSO-BP的閥冷卻系統閥門開度分類預測模型

摘要：針對閥冷卻系統內部的復雜性與外部環境的多變性，準確預測閥門開度以適應不同工況需求的問題，提出一種基于PSO-BP的閥冷卻系統閥門開度分類預測模型。利用粒子群優化（PSO）算法優化反向傳播（BP）神經網絡的初始權重和偏置，改善BP神經網絡易陷入局部最優解和收斂速度慢的情況。采用工業現場收集的閥冷卻系統實測數據對PSO-BP預測模型進行訓練和驗證，并與傳統的BP預測模型進行仿真對比分析。仿真結果表明，PSO-BP預測模型對閥門開度的分類預測準確率達到100%，且具有良好的學習和泛化能力，為閥冷卻系統的智能控制提供了一種新的解決方案。

關鍵詞：閥冷卻系統；反向傳播神經網絡；粒子群優化算法；閥門開度分類預測

中圖分類號：TH185 文獻標志碼：A 文章編號：1674-2605（2024）05-0003-07

DOI：10.3969/j.issn.1674-2605.2024.05.003 開放獲取

Valve Opening Classification and Prediction Model Based on

PSO-BP for Valve Cooling System

WU Jianchao ZHENG Haoyue

（Guangzhou Goaland Energy Conservation Tech. Co.， Ltd.， Guangzhou 510705， China）

Abstract： Valve opening classification and prediction model based on PSO-BP for valve cooling system is proposed to address the complexity of the internal system and the variability of the external environment， in order to accurately predict valve opening to meet different operating conditions. Using particle swarm optimization （PSO） algorithm to optimize the initial weights and biases of backpropagation （BP） neural network， improving the situation where BP neural network is prone to getting stuck in local optima and has slow convergence speed. Train and validate the PSO-BP prediction model using measured data from valve cooling systems collected on industrial sites， and compare and analyze it with traditional BP prediction models through simulation. The simulation results show that the PSO-BP prediction model has a classification accuracy of 100% for valve opening， and has good learning and generalization abilities， providing a new solution for intelligent control of valve cooling systems.

Keywords： valve cooling system; back propagation neural network; particle swarm optimization algorithm; valve opening classification and prediction

0 引言

在現代工業生產中，閥冷卻系統是確保設備穩定運行的關鍵環節，直接影響生產的效率和安全性。工藝上通常要求閥冷卻系統在一定的溫度范圍內工作，以保持閥門的熱狀態平衡，進而保證閥門的使用壽命和操作可靠性[1]。通過精確控制閥門開度，可有效調

節冷卻介質的流量和溫度，從而維持閥門的最佳工作狀態。

然而，閥冷卻系統受多種因素（冷卻介質的流量和溫度、閥門材料特性和環境溫度等）的影響，閥門的熱狀態存在一定的不確定性和不穩定性；且這些因素相互作用，使閥門的熱狀態難以通過傳統的經驗方

法進行精確控制。現場工人通常難以判斷合適的閥門開度，錯誤的設置可能導致閥冷卻系統過熱或過冷，影響系統性能，甚至引發安全事故，造成資源浪費和生產中斷。因此，設計一種高效、準確的閥門開度預測模型對提高閥冷卻系統的性能，確保工業生產的連續性和穩定性具有重要意義。

目前，閥門開度分類預測模型的相關研究較少。FENG等[2]針對變風量末端多變量、強耦合、高度非線性的特性，建立了基于反向傳播（back propagation， BP）神經網絡的閥門開度預測模型；與傳統的反饋調節方法相比，該模型可以直接輸出閥門開度，實現快速變風量控制；但該模型關注于連續值預測，未能充分考慮閥門開度的分類特性。在實際應用中，連續預測值可能需要進一步解析才能轉化為具體的操作指令，特別是在快速決策和響應的情況下，增加了操作的復雜性和潛在的錯誤風險。

本文針對閥冷卻系統中閥門開度的動態變化特性，構建基于PSO-BP的閥冷卻系統閥門開度分類預測模型（以下簡稱PSO-BP預測模型）。其中，粒子群優化（particle swarm optimization， PSO）算法用于優化BP神經網絡的初始權重和偏置[3]，以避免網絡陷入局部最優解，并加速權重和偏置的收斂過程。PSO-BP預測模型能夠根據實際工況將閥門開度分為不同的類別，有效提高了閥門開度分類預測的準確性和泛化能力。

1 基于PSO-BP的閥門開度分類預測

1.1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，其通過BP神經網絡來訓練網絡的權重，廣泛應用于模式識別、圖像處理、語音識別以及各種預測和分類任務[4]。

BP神經網絡由輸入層、隱藏層和輸出層組成，每層包含多個神經元。這些神經元通過權重連接，并通過激活函數引入非線性，使網絡能夠學習和模擬復雜的函數映射。BP神經網絡的拓撲結構如圖1所示[5]。

BP神經網絡算法流程圖如圖2所示。

設輸入層的輸入向量為 ；第l層隱藏層向量為 ；輸出層的輸出向量為 ，則BP神經網絡的訓練過程如下：

1） 在開始訓練前，初始化BP神經網絡的權重和偏置（閾值）；

2） 將輸入數據送入BP神經網絡的輸入層；

3） 輸入數據通過每一層的神經元計算其加權和，并利用激活函數來生成輸出，可表示為

2 PSO-BP預測模型

BP神經網絡在分類預測問題上雖然具有強大的非線性映射能力，但也存在一些明顯的弊端，如易陷入局部最優解，導致全局性能下降[8]。本文利用PSO算法對BP神經網絡的參數進行優化，可有效避免BP神經網絡的局部最小問題，加快收斂速度，提高網絡性能。PSO算法優化BP神經網絡（PSO-BP預測模型）的流程如圖4所示。

PSO算法優化BP神經網絡的具體步驟如下[9]：

1） 構建一個BP神經網絡，初始化相應的權重和偏置；根據輸入和輸出參數5eCAVeBhst5vXuEkF8v7LnolGteyxq1tq9NhGzeh+E0=的數量，確定BP神經網絡的輸入和輸出節點數；隱藏層節點數通常先通過經驗公式來估計一個初始值，再通過實際訓練網絡及觀察其性能來逐步調整，直至找到使網絡預測效果最佳的配置，隱藏層節點數常見的經驗公式為[10]

（13）

式中：q為隱藏層節點數，m為輸入層節點數，n為輸出層節點數，r為區間[0，10]內的常數；

2） 初始化PSO算法所需的參數，包括粒子群的大小、粒子的速度、位置、慣性權重、學習因子等；

3） 利用神經網絡輸出值的均方誤差（mean square error， MSE）生成目標函數，其倒數作為適應度函數，均方誤差越小，對應粒子的性能越好[11]，目標函數計算公式為

（14）

式中：n為輸出層節點數， 為網絡輸出層的預測值， 為網絡輸出層的實際值；

4） 利用PSO算法更新粒子的速度和位置，以搜索權重和偏置的最優解；

5） 重復步驟3）～4），直至獲得具有最優適應度的個體，即最優的閾值和權重。這些參數將BP神經網絡調整為最佳初始狀態，通過訓練，形成PSO-BP預測模型。

3 模型評價與對比

3.1 實驗數據

根據流體力學原理和對現場工藝流程的深入分析，確定了冷卻水進閥溫度、冷卻水出閥溫度、外風冷冷卻器出水溫度、膨脹罐液位為影響閥門開度的關鍵參數。為此，選擇以上4個參數作為PSO-BP預測模型的輸入數據。本文的實驗數據源自于某直流中心三站閥冷卻系統的3個月（2、6、8月）實測數據。閥門開度分為3個類別：2月的閥門開度約為88%，為類別1；6月的閥門開度約為80%，為類別2；8月的閥門開度約為75%，為類別3。部分實測數據如表1所示。

將2、6、8月的實測數據進行預處理，包括缺失值和異常值處理、移除不相關或冗余變量、特征編碼、歸一化等。每個類別分別選取4天的數據進行實驗。涉及的變量包括冷卻水進閥溫度、冷卻水出閥溫度、外風冷冷卻器出水溫度、膨脹罐液位、閥門開度的類別標簽。其中，選取每個類別3天的數據作為訓練集，用于建立和訓練PSO-BP預測模型；剩余的1天數據作為測試集，用于評估PSO-BP模型的預測性能。

3.2 參數設置

BP神經網絡的輸入層節點數為4；輸出分類為閥門開度75%、80%、88%，即輸出層節點數為3。通過經驗公式（13）和試錯法確定最優隱藏層節點數為9，故本文實驗采用的BP神經網絡結構為4-9-3型結構。

設置BP神經網絡的最大迭代次數為1 000，誤差目標值為10-5，學習率為0.01。設置PSO算法的學習因子為2，最大迭代次數為50，粒子數量為30，慣性權重的最大值和最小值分別為0.9和0.4，粒子的速度范圍為[-1，1]，粒子的位置范圍為[-5，5]。

3.3 實驗環境

本實驗在MATLAB R2021b下進行，使用了MATLAB的神經網絡工具箱和優化工具箱。利用newff函數構建BP神經網絡，隱藏層節點的轉移函數選用logsig，輸出層節點的轉移函數選用purelin。先通過PSO算法優化BP神經網絡的初始權重和偏置，再使用trainlm算法進行權值微調。

3.4 實驗仿真結果

為了驗證PSO-BP預測模型的有效性，采用相同的數據集對傳統的BP預測模型和PSO-BP預測模型進行仿真對比測試，分類預測結果和混淆矩陣分別如圖5～8所示。PSO-BP預測模型和傳統的BP預測模型對閥門開度的分類預測準確率如表2所示。

由表2可知：PSO-BP預測模型的閥門開度的平均分類預測準確率均達到100%；而BP預測模型的平均分類預測準確率約為97%，且類別2的分類預測準確率僅為92.3%，說明PSO算法能夠有效調整BP神經網絡的結構，提高模型的分類預測性能。

4 結論

本文針對閥門開度的動態變化特性，提出一種基于PSO-BP的閥冷卻系統閥門開度分類預測模型。利用PSO算法的全局優化搜索和BP神經網絡的局部優化搜索性能較好的特點，改善了模型易陷入局部最優解的問題，提高了閥門開度分類預測的準確性和泛化能力。該模型不僅能為閥冷卻系統的智能控制提供決策支持，而且有助于提高系統的運行效率和穩定性，減少因閥門開度不當導致的能源浪費和設備損耗。未來將探索自適應學習率策略，以動態調整PSO算法和BP算法的學習參數，進一步提高模型的收斂速度和分類預測精度。

?The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

參考文獻

[1] 武小芳，劉甲森，馬超洋.換流閥冷卻系統頻繁補氣排氣的原因分析及解決措施建議[J].自動化應用，2023，64（1）：63-65.

[2] FENG G， LEI S， Gu X， et al. Predictive control model for variable air volume terminal valve opening based on backpro-pagation neural network[J]. Building and Environment， 2021， 188：107485.

[3] 陳剛，徐敏銳，穆小星，等.基于改進神經網絡算法的互感器在線監測和故障診斷技術[J].電測與儀表，2020，57（11）：49-54; 62.

[4] 朱志均，周華英，羅坤豪，等.基于機器嗅覺結合BP神經網絡的砂仁氣味鑒別方法[J].自動化與信息工程，2018，39（4）：45-48.

[5] 宋海聲，陳召，徐大誠，等.GA-BP神經網絡結合EDXRF技術實現對中低合金鋼中Cr、Mn和Ni元素含量的預測[J].激光與光電子學進展，2022，59（12）：544-550.

[6] 黃藝航，蔡凱武，黃曉智，等.基于機器學習的通信電纜故障檢測與定位方法[J].自動化與信息工程，2024，45（1）：35-41;60.

[7] 樊懷聰，田禾，馮明文，等.基于粒子群算法優化BP神經網絡的軸承故障診斷[J].機械制造與自動化，2024，53（3）：45-49.

[8] 溫峻峰，李鑫，張浪文.基于粒子群優化的支持向量回歸車道飽和度預測[J].自動化儀表，2019，40（8）：38-42.

[9] 鄧家利，劉勁濤，王永超.基于小波包能量熵-BP神經網絡的核電站閥門遠傳機構故障診斷研究[J].沈陽工程學院學報（自然科學版），2024，20（3）：45-56;72.

[10] 卯光憲，譚偉，柴宗政，等.基于BP神經網絡的馬尾松人工林胸徑-樹高模型預測[J].浙江農林大學學報，2020，37（4）：752-760.

[11] 范國松，齊正.PSO-BP神經網絡的電力負荷預測研究[J].微型電腦應用，2022，38（10）：130-133.

作者簡介：

吳健超，男，1981年生，本科，工程師，主要研究方向：電力電子液冷、數據中心液冷控制技術設計研發。E-mail： wujc@goaland.com.cn

鄭昊岳，男，1982年生，本科，工程師，主要研究方向：電力電子液冷、數據中心液冷控制技術設計研發。E-mail： zhenghy@goaland.com.cn