基于LS-SVM 的煤氣發生爐關鍵參數預測

蔣少華

(韶關學院 計算機科學學院，廣東 韶關，512024)

冶金、鋼鐵、化工等行業仍廣泛采用煤氣發生爐作為能源供給設備，因此，保證煤氣發生爐的安全運行是十分重要的[1-2]。煤氣發生爐生產過程是在爐內將一系列化學能、物理能轉變為熱能, 并把爐料加熱到反應溫度, 既要把物理能轉變成熱能, 又要使原料之間發生物理和化學變化。因此，在生產運行中，由于各種原因會導致爐況異常，如果不及時處理會發生煤氣泄漏，導致人員中毒和燃燒爆炸事故。煤氣發生爐是一個綜合因素控制的集合系統，其間各參數相互輔助、相互滲透，常會導致生產過程中發生故障的復雜性[3]。由于反映故障與工藝參數之間的關系模型復雜，難以用傳統的數學模型描述，因此基于數學模型的故障檢測理論的應用受到了極大限制。

煤氣發生爐優化控制、故障分析已有相關研究[4-5]，但對煤氣發生爐故障檢測的研究文獻很少。由于生產過程復雜、現場環境惡劣等，導致信息的不完備、故障隨機性和不可預知性，以及故障診斷技術的落后帶來的缺乏科學性的盲目維護，無法對生產運行實施準確的狀態判斷和健康分析，不僅因過剩維護大大提高了運行和生產成本，而且因不足維護無法從根本上消除故障隱患、預防惡性事故發生。因此，針對煤氣發生爐生產過程的現狀，從檢測系統積累的大量數據中挖掘隱含的知識信息，進行系統故障的分類和原因分析，對反映爐況的關鍵參數進行預測，及時了解爐況指導現場操作，這對避免煤氣爐故障的發生，保證煤氣爐生產流程的安全穩定運行、降低生產成本，具有十分重要的意義。國內外有關復雜系統的預測技術研究的起步比較晚，近幾年才引起了學者們的高度重視。由于線性的方法預測實際復雜的情況，其形式過于簡單，模型的性能較差，泛化性能較差；而單一的時序預測法存在本身無法克服的缺點，如：ARX 為線性預測方法對非線性預測效果較差。近年來，非線性動態模型的建立與辨識是研究的熱點。隨著計算機技術的發展，以神經網絡(BPNN)為代表的人工智能建模技術在工業參數預測方面得到了廣泛應用。韓璞等[6]建立了基于神經網絡的煙氣含氧量模型，但存在網絡結構難以確定、過學習及易陷入局部極小點等缺點，預測精度并不理想。朱紅求等[7]采用了基于統計理論的支持向量機(SVM)構造了除鈷過程工藝指標預測模型，取得了較好的效果，但 SVM 計算復雜，限制了它們的實際應用。Suykens 等[8]提出了最小二乘支持向量機(LS-SVM)用于求解非線性函數的回歸問題。LS-SVM 在支持向量機(SVM)的基礎上用等式約束替代不等式約束，避免了求解耗時的二次規劃問題，LS-SVM 可以任意精度逼近非線性系統，是非線性系統建模的有力工具。因此，陽春華等[9-10]、王宇紅等[11]和向立志等[12-13]將LS-SVM 應用于復雜工業過程建模中，并取得了較好的結果。

本文作者考慮生產現場檢測的實時、在線控制要求，選取了LS-SVM 方法來構建預測模型。文中利用LS-SVM 建立煤氣爐關鍵參數的預測模型，通過一些可直接測量的過程變量，在線估計這些無法直接測量的變量。通過模型預測輸出與實際輸出相比較，以實現對煤氣爐參數的預測。仿真和工業應用結果表明,所提出的模型能較好預測爐況關鍵參數, 對煤氣爐安全生產、保證產品質量提供有效的指導。

1 基于LS-SVM 的煤氣爐參數預測模型的建立與評估

1.1 LS-SVM 回歸算法

支持向量機(SVM)的基本思想是通過一個非線性映射，把輸入空間的數據映射到一個高維特征空間，將實際問題轉化為一個帶不等式約束的二次規劃問題。最小二乘支持向量機(LS-SVM)是SVM 的一種擴展，是通過將最小二乘線性系統引入SVM 中，將不等式約束替代等式約束把問題轉化為一個線性矩陣求解問題，在應用中表現出運算快和精度高的優點。其具體原理如下：

對于給定的訓練樣本集S=(xi,yi)，(i=1，…，N)，其中：N 為樣本集大小，輸入向量m 維xi∈Rm，輸出向量n 維yi∈Rn。

設回歸模型yi=f (xi)+ ei，(i=1，…，N)其中：x1，…，xN是已知輸入點， f: Rd→R 是未知實數平滑函數，e1，…，eN是不相關隨機誤差且 E[ et]=0，E[ et2]=σe2＜∞。

若支持向量機(SVMs)用于估計非線性函數f，利用非線性映射函數φ(x)將樣本非線性地映射到高維特征空間，這樣就將原樣本空間中的非線性函數估計問題轉化成高維特征空間中的線性函數估計問題：

其中：w 為權值向量；b 為偏差。

最小二乘向量機(LS-SVM)的正則損失函數表示為一個等式約束的優化問題，如下式所示：

其中：γ 為正則化參數；ei為誤差變量。

為求解上述優化問題，需建立拉格朗日等式，把約束優化問題變為無約束優化問題：

其中：αi為Lagrange 乘子，根據KKT 條件得到方程組，消去ei，w 后，可以得到：

其中 ：Q=[1, …,1]；A=[α1,α2, …,αN]T；Y=[ y1, y2, …, yN]T。

再根據Mercer 條件定義：

將由式(4)求得的系數αi，b 代入式(1)，即得到最小二乘支持向量機的輸出：

核函數 K(xi, xj)是滿足Mercer 條件的正定的對稱函數，核函數選擇參考文獻[14]。經過比對，本文采用徑向基函數(Radial basis function, RBF)作為核函數：

其中：σ 為核系數。

1.2 煤氣爐參數預測模型的建立

煤氣發生爐生產裝置主要由原料系統、汽化劑系統、煤氣生成系統、洗滌除塵系統、煤氣輸送系統等組成，工藝流程見圖1 所示。

煤氣發生爐冷煤氣生產工藝，是以空氣和水蒸汽的混合物作為氣化劑，以煤或焦炭作為原料，在發生爐內進行一系列化學反應，生成的煤氣經過雙豎管和洗滌塔洗滌、冷卻，溫度降至40 ℃以下，再由煤氣加壓機送往用戶的制氣工藝。煤氣發生爐內的氣化層次從上往下可分為5 層：干燥層、干餾層、還原層、氧化層、灰層。其中灰層的作用是預熱氣化劑、支持爐內其他層次，均勻分布氣化劑，氧化層和還原層是主要的氣化層，干餾層借助高溫將煤炭中的揮發分逸出，增加煤氣中的可燃成分，干燥層的作用是將煤炭(焦炭)的水分除掉，以利于氣化。

圖1 煤氣發生爐工藝流程框圖Fig.1 Structure and produce process of gas furnace

在煤氣生產過程中，影響爐況的因素很多，包括：原料、設備、工藝操作水平等各方面因素。在原料合格，設備正常情況下，操作人員的工藝操作水平對爐況起關鍵作用。根據現場調研和專家經驗，煤氣爐主要故障狀態有5 個：熱運行、冷運行、偏運行、火層外露、紋形火層。其中，煤氣爐熱運行、冷運行、偏運行是常見的幾種故障，表現為煤氣爐出溫度偏高或偏低，產生氣體經化驗分析CO2增多、CO 與H2含量值均降低，這樣會影響產生煤氣的質量。由于CO2含量等參數的分析每3 h 才取樣化驗一次，測量結果滯后。因此爐出溫度、CO2含量的預測很有意義。

在實際生產控制過程中，很多檢測數據用于監視煤氣爐的生產狀況，實際上，能直接反映爐況的數據只有一部分，以某冶煉廠一系統1 號煤氣爐及相關輔助設備為例，其主要測量參數見表1。

表1 煤氣發生爐主要變量Table 1 Gas furnace process variable

在上述測量參數中，煤氣爐爐底壓力、爐出壓力、煤氣爐出溫度是實時檢測的重要測量參數，一旦發現爐底壓力出現下降，或者煤氣爐出溫度偏高或偏低趨勢，就說明可能出現故障，要采取措施防止故障發生。

根據多年的生產情況和專家經驗，選取4 個影響爐況的主要影響變量，包括：飽和空氣溫度(T)、爐底壓力(P1)、爐出壓力(P2)、鼓風流量(Q)，而爐況的情況主要體現在特征參數：爐出溫度、CO2含量。煤氣爐參數預測模型以4 個輸入量u=[T , P1, P2, Q]T，2 個輸出量y=[To, R]T進行建模。利用樣本數據{uk, yk}，k=1，…，N，建立煤氣爐參數預測模型。

1.3 預測模型的評估指標

本文分別使用了均方根誤差ERMSE、平均誤差EMRE和相關系數R對模型的預測準確性和跟蹤變化趨勢的能力進行了分析，所用公式如下所示[15]：

2 應用結果

本文選用某冶煉廠3AД－21 型煤氣爐作為實際研究對象進行仿真分析和研究，以驗證算法的有效性。

預測模型的訓練包括：選擇訓練數據并進行預處理、選擇最優模型參數。

2.1 數據集的準備

首先，收集煤氣爐DCS 系統上連續正常運行下的實際數據作為訓練數據集，得到720 個訓練數據。在現場每5 min 記錄1 次數據，720 個訓練數據相當于60 h 正常生產狀況參數，建立LS-SVM 預測模型，這樣，可以保證模型的可靠性。然后在訓練集中選取爐出溫度參數100 個數據、CO2含量參數20 個數據做測試數據集。

數據集使用前要進行預處理，剔去異常數據，然后對數據進行歸一化處理。

2.2 最優模型參數的選擇

LS-SVM 預測模型選擇合適的參數對模型的準確度有很大影響：正則化參數γ 選擇合適值，可使模型在最小訓練誤差情況下復雜度最小；核系數σ 影響初始特征向量的數量以及靜態模型的擬合度。

建模過程中模型參數要反復調整，γ 和σ 最優參數調整過程：可以通過實際中應用廣泛的10 折交叉驗證法來選擇。最終選擇得到最優參數值：γ=200，σ22=0.2。

BP 神經網絡預測模型的參數為學習速率為0.001，動量因子為0.32。

2.3 結果分析

下面利用BPNN 與LS-SVM 2 種預測模型來預測煤氣爐的關鍵參數：爐出溫度、CO2含量，其中，爐出溫度選取100 組測試數據至模型，CO2含量選取20組測試數據至模型(由于每3 h 取樣化驗分析一次，20組數據是煤氣爐運行60 h 采集到的檢測數據)。為了評價預測模型的性能，本文使用均方根誤差ERMSE、平均誤差EMRE和相關系數R 對模型的預測準確性進行了分析，所用公式如(8)～(10)所示。利用模型跟蹤爐況變化趨勢的能力預測輸出值與實際輸出值比對圖分別如圖2 和3 所示；對爐出溫度、CO2含量進行預測，得到各誤差如表1 和2 所示。

由圖2 和3 可以看出：用LS-SVM 的預測模型當爐況參數發生變化時，能夠很快反映出來，以此提示操作人員采用措施，及時調整過程參數以排除故障。

圖2 預測模型對煤氣爐爐出溫度的預測結果Fig.2 Predicting results of gas furnace temperature using BPNN and LS-SVM models

圖3 預測模型對煤氣爐CO2 含量的預測結果Fig.3 Predicting results of content of CO2 using BPNN and LS-SVM models

表2 不同模型對煤氣爐爐出溫度的預測結果比較Table 2 Comparisons of predictions of gas furnace temperature using different models

表3 不同模型對煤氣爐CO2 含量的預測結果比較Table 3 Comparisons of predictions of CO2 content using different models

表2 和3 所示分別為LS-SVM 預測模型對爐出溫度、CO2含量的預測性能指標。由表2 可知：LS-SVM預測爐出溫度的平均誤差為0.26%，均方根誤差約為1.681 3 ℃，相關度為0.986 8；BPNN 預測的平均誤差為 0.51%，均方根誤差約為3.262 2%，相關度為0.950 4。由表3 可知： LS-SVM 預測CO2含量的平均誤差為 1.38%，均方根誤差約為0.057 3%，相關度為0.984 2；BPNN 預測的平均誤差為 2.57%，均方根誤差約為0.081%，相關度為0.955 8。這說明 LS-SVM模型比 BP 神經網絡模型具有更好的泛化能力。

3 結論

(1) 利用最小二乘支持向量機模型預測爐出溫度、CO2含量，不需建立數學模型，模型具有自學習、自適應能力，可處理被干擾的數據。

(2) LS-SVM 預測模型，求解簡便快捷、預測精度高，性能優于 BPNN 模型，較好解決了高維數、局部極小、小樣本等機器學習問題。

(3) 對煤氣爐關鍵參數爐出溫度、CO2含量的預測迅速、及時，能較好跟蹤反映爐子的狀態，預測誤差在2%以內，在保證現場快速在線、實時檢測情況下能滿足準確性要求，對現實生產具有一定的指導作用。提出的方法還可應用于類似工業過程參數預測與故障預報、診斷。

[1] 張涌濤. 煤氣發生爐安全監測系統[J]. 河北理工學院學報,2005(1): 43-45.ZHANG Yongtao. The monitoring system for safe operation of gas producer[J]. Journal of Hebei United University (Natural Science Edition), 2005(1): 43-45.

[2] 張軍. 煤氣發生爐安全運行探析[J]. 山西科技, 2010, 25(3):92-94.ZHANG Jun. Safe running gas generators[J]. Shanxi Science and Technology, 2010, 25(3): 92-94.

[3] 荊恩芳. 煤氣發生爐故障影響分析[J]. 化學工程與裝備, 2011,8: 71-72.JING Enfang. Failure mode effects analysis of gas generator[J].Chemical Engineering & Equipment, 2011, 8: 71-72.

[4] 李宏光, 劉振娟. PLC 在煤氣發生爐控制中的應用[J]. 自動化儀表, 2001(2): 33-34.LI Hongguan, LIU Zhenjuan. The application of PLC in control of gas generator[J]. Process Automation Instrumentation,2001(2): 33-34.

[5] 楊先麟. 基于虛擬儀器技術的煤氣發生爐氣化層溫度控制系統設計[J]. 計算機工程, 2005, 31(1): 191-194.YANG Xianlin. Design of gas-generated furnace temperature control system based on virtual instrument technology[J].Computer Engineering, 2005, 31(1): 191-194.

[6] 韓璞, 王東風, 翟永杰. 基于神經網絡的火電廠煙氣含氧量軟測量[J]. 信息與控制, 2001, 30(2): 189-192.HAN Pu, WANG Dongfeng, ZHAI Yongjie. Softsensing of O2content in flue gas of power plant based on neural networks[J].Information and Control, 2001, 30(2): 189-192.

[7] 朱紅求, 陽春華, 桂衛華, 等. 基于SVM 和混沌PSO 的除鈷過程工藝指標預測[J]. 中南大學學報(自然科學版), 2010,41(4): 1424-1427.ZHU Hongqiu, YANG Chunhua, GUI Weihua, et al. Prediction of technical index for cobalt removal process based on SVM and chaotic PSO[J]. Journal of Central South University (Science and Technology), 2010, 41(4): 1424-1427.

[8] Suykens J A K, Vandewalle J. Least squares support machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.

[9] 陽春華, 任會峰, 許燦輝, 等. 基于稀疏多核最小二乘支持向量機的浮選關鍵指標軟測量[J]. 中國有色金屬學報, 2011,21(12): 3149-3154.YANG Chunhua, REN Huifeng, XU Canhui, et al. Soft sensor of key index for flotation process based on sparse multiple kernels least squares support vector machines[J]. The Chinese Journal of Nonferrous Metals, 2011, 21(12): 3149-3154.

[10] 唐春霞, 陽春華, 桂衛華, 等. 基于KPCA-LSSVM 的硅錳合金熔煉過程爐渣堿度預測研究[J]. 儀器儀表學報, 2010, 31(3):689-693.TANG Chunxia, YANG Chunhua, GUI Weihua, et al. KPCA and LSSVM model-based slag basicity prediction for silicomanganese smelting process[J]. Chinese Journal of Scientific Instrument. 2010, 31(3): 689-693.

[11] 王宇紅, 黃德先, 高東杰, 等. 基于LS-SVM 的非線性預測控制技術[J]. 控制與決策, 2004, 19(4): 383-387.WANG Yuhong, HUANG Dexian, GAO Dongjie, et al.Nonlinear predictive control based on LS-SVM[J]. Control and Decision, 2004, 19(4): 383-387.

[12] 向立志, 史運濤, 高東杰. 基于最小二乘支持向量機NARX辨識模型的非線性預測控制[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation. Dalian, China:2006: 901-905.XIANG Lizhi, SHI Yuntao, GAO Dongjie. Nonlinear model predictive control based on NARX model identification using least squares support vector machines[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation. Dalian,China: 2006: 901-905.

[13] 龍文, 梁昔明, 龍祖強. 基于混合PSO 優化的LSSVM 鍋爐煙氣含氧量預測控制[J]. 中南大學學報(自然科學版), 2012,43(3): 980-985.LONG Wen, LIANG Ximing, LONG Zhuqiang. O2content in flue gas of boilers predictive control based on hybrid PSO and LSSVM[J]. Journal of Central South University (Science and Technology), 2012, 43(3): 980-985.

[14] Scholkopf B, Smola A J. Learning with kernels[M]. Cambridge,MA: MIT Press, 2001: 222-226.

[15] MU Shenjing, ZENG Yingzhi, LIU Ruilan. Online dual updating with recursive PLS model and its application in predicting crystal size of purified terephthalic acid (PTA) process[J].Process Control, 2006, 16(6): 557-566.