基于改進粒子群算法的燒結配料預測模型

摘 要：針對燒結配料系統中的非線性、復雜性和相關性，基于BP神經網絡建立燒結配料的預測模型，并采用粒子群算法對預測模型參數進行優化。為了克服粒子群算法的局部收斂性，在迭代過程中，根據迭代次數對慣性權重進行動態非線性調整，從而提高算法的搜索能力。仿真結果表明，所提出的改進粒子群算法與傳統的粒子群算法比較，收斂速度快、迭代次數少、具有較強的全局尋優能力。

關鍵詞：配料優化；粒子群算法；BP神經網絡；慣性權重

中圖分類號： TP273 文獻標識碼：A

1 引 言

燒結是將粉狀物或細粒礦進行高溫加熱，在不完全熔化的情況下燒結成塊的過程［1］。燒結爐料的配置作為燒結的重要工藝流程，其配料參數恰當與否直接影響了燒結塊的產量和質量。為了使燒結過程充分、高效，獲得符合生產實際要求的配料參數顯得尤為重要。因此，在燒結過程中，建立燒結配料過程預測模型，合理地確定燒結礦的配料問題，具有重要的實際意義。目前，關于燒結建模與優化控制研究已經取得了一定的進展，如吳敏等［2］采用粒子群共軛梯度法來獲取最優的燒結配料；杜玉曉等［3］建立產量與質量模型，在工況較差情況下，采用聚類搜索，配合專家系統進行優化，給出了相應的指導參數；Tamure等［4］建立了估計燒結料層熱狀態的數學模型，研究了燒結生產操作條件、熱狀態與燒結礦產量和質量的關系。

本文在上述研究成果的基礎上，針對燒結過程的強非線性，建立了基于BP神經網絡的燒結配料預測模型，提出一種改進非線性變權重PSO算法（IPSO），并運用IPSO對建立的燒結預測模型進行優化，從而避免標準粒子群算法收斂速度慢和易陷入局部極值等缺點。最后通過仿真比較不同類型粒子群算法，結果驗證了該算法的有效性和可行性。

配料模型

對燒結機理的分析可知，影響轉鼓強度和燒結速度的因素主要有在配料過程第一和第二步中的SiO2、CaO、Al2O3、MgO、FeO、黏附粒子含量以及只在第二步中才有的成核粒子含量，共有13個參數。由于在燒結過程中，轉鼓強度和燒結速度對燒結質量的評判有著重要的意義。因此，本文以轉鼓強度和燒結速度最大為優化目標建立預測模型，如式(1)的目標函數：