基于IPSO?SVR的水泥分解爐溫度預測模型研究

金星++徐婷+冷淼

摘 要： 為建立穩定可靠的分解爐溫度預測模型，結合與分解爐溫度密切相關的幾個主要運行參數，提出一種粒子群參數優化的支持向量回歸機算法（PSO?SVR），并在粒子群算法中引入自適應慣性權重的思想，構建出分解爐溫度預測模型。與未改進的模型進行仿真對比實驗，實驗結果表明，該IPSO?SVR模型具有較佳的預測能力，預測相關系數達到0.707 5，溫度預測誤差絕對值不超過7 ℃，誤差率在0.8%以內。

關鍵詞： 分解爐溫度； 粒子群算法； 慣性權重； 支持向量回歸機； 預測模型

中圖分類號： TN911.1?34； TP273 文獻標識碼： A 文章編號： 1004?373X（2017）09?0148?04

Abstract： In order to establish a stable and reliable temperature prediction model for the decomposing furnace， in combination with several main operating parameters closely related to the decomposing furnace temperature， a particle swarm optimization based support vector regression （PSO?SVR） machine algorithm is proposed. The thought of adaptive inertia weight is introduced into the particle swarm optimization algorithm to construct the decomposing furnace temperature prediction model. The model is compared with the unimproved one by means of simulation experiment. The experimental results show that the IPSO?SVR model has better forecasting ability， the correlation coefficient reached to 0.707 5， the temperature prediction error absolute value is less than 7 ℃， and the error rate is within 0.8%.

Keywords： decomposing furnace temperature； particle swarm optimization algorithm； inertia weight； support vector regression machine； prediction model

0 引 言

水泥初級分解是新型干法水泥生產工藝的主要環節之一，分解爐是初級分解系統的核心部分，它承擔了分解系統中煤粉燃燒、氣固換熱和碳酸鹽分解任務[1]。分解爐溫度是分解爐穩定運行的主要指標，分解爐的穩定運行對生料分解率、熟料質量和產量的穩定都起著重要的作用，因此，選擇合適的方法建立分解爐溫度預測模型對分解爐溫度的有效控制乃至水泥的高效生產都具有十分重要的意義[2]。由于分解爐復雜的內部機理反應，強非線性、強耦合、強干擾等特點決定了對其建立準確的溫度預測模型的困難性，這也是目前阻礙水泥生產技術進步的一個技術難題。

對諸如水泥生產等大型生產過程的建模方法主要集中在基于機理建模、數據驅動建模以及混合建模。目前，國內針對分解爐溫度過程在這幾方面建模都有了一些研究。然而，對分解爐內部機理的研究主要是為了預測分解爐內部流場、溫度場、顆粒停留時間等參數，為分解爐結構參數的設計提供依據，對分解爐溫度建模與控制并沒有很大的參考價值[3]；在采用數據驅動方法建立分解爐出口溫度模型方面也有了一定研究，但主要集中在諸如最小二乘法[4]、回歸分析法、神經網絡和柔性神經樹等大部分面向控制而建立的控制器模型，并沒有對模型進行深入研究，也沒有對模型的相關性能進行詳細描述。

結合水泥溫度預測模型的研究現狀與不足，本文提出一種改進的粒子群參數優化的支持向量回歸機算法（IPSO?SVR），即在引入自適應權重思想克服粒子群算法容易出現早熟收斂、陷入局部極值的缺點[5]，在提高其全局搜索能力和局部改良能力的基礎上，對支持向量回歸機進行參數優化，進而對分解爐溫度建立預測模型。該IPSO?SVR模型能夠很好地預測分解爐溫度的變化趨勢，對實現分解爐溫度預測與控制具有重要意義。

1 IPSO?SVR算法

1.1 支持向量回歸機

式中：表示粒子第次迭代的速度；表示粒子第次迭代的位置；表示粒子直到第次迭代后的個體最優解；表示直到所有粒子第次迭代后的全局最優解；是0～1之間的隨機數；和是學習因子；是慣性權重因子。

為了平衡PSO算法的全局搜索能力和局部改良能力，本文采用非線性的動態慣性權重系數公式： （7）

式中：分別表示的最大值和最小值，通常取=0.4，表示微粒當前的適應度函數值，和分別表示當前所有微粒的平均適應值和最小適應值。當各微粒的適應值比較分散時，減小；當各微粒的適應值趨于一致或局部最優時，增大。同時，對于適應度函數值優于平均適應值的微粒，其對應的較小，從而保留該微粒。反之，對于適應度函數值差于平均目標值的微粒，其對應的較大，使得該微粒向較好的搜索區域靠攏。因隨微粒的適應度函數值自動改變，故稱之為自適應權重。

1.3 IPSO優化SVR模型

當用模型處理非線性回歸問題時，需要確定式（2）～式（4）中的三個參數，即不敏感損失系數懲罰系數和RBF核寬度系數。SVR模型的泛化能力完全取決于這三個參數，尤其是其間的相互影響關系。因此，尋求最優化的參數對是實現支持向量回歸機的關鍵一步。本文中，采用IPSO對該參數對同時尋優，選取能夠直接反應SVR回歸性能的均方差（MSE）為適應度函數：

式中：表示樣本的數量；表示第個樣本的實際測量值；代表第個樣本的預測值。

同時，選取相關系數作為性能評價指標，其值越接近于1，相關性越強，表示預測值與真實值越接近，模型預測效果越好。其表達式如下：

式中：表示實驗樣本的平均值；表示預測平均值。

基于IPSO的參數對迭代優化選取步驟可總結如下[4]：

（1） 初始化粒子群，確定最大迭代次數和種群規模等算法相關參數值；

（2） 將每個粒子的個體極值設置為其當前值，按式（8）計算各粒子的適應值，將全局極值設置為適應度最好的粒子的個體極值；

（3） 按照式（5）～式（7）對粒子的速度和位置以及慣性權重進行更新；

（4） 依據適應度函數（MSE）評價更新后粒子的適應值；

（5） 將更新后粒子的適應值與其極值對比，擇優作為新的個體極值；

（6） 將新的個體極值與當前全局極值對比，擇優作為新的全局極值；

（7） 判斷是否達到最大迭代次數或適應值不再變化，達到則終止，否則返回步驟（3）。

2 溫度預測仿真實驗及結果分析

2.1 數據集

以吉林省亞泰水泥有限公司雙陽建材公司2000t/d新型干法水泥生產線為研究對象。綜合分析選取包括喂煤量、分解爐出口壓力、分解爐內壓力、三次風溫、提升機電流和分解率化驗值在內的與分解爐溫度密切相關的6個主要運行參數構成數據集用做實驗研究。水泥分解爐溫度預測SVR模型輸入向量，對應以上6個相關參數，選取一維輸出向量對應分解爐預測溫度值。選取現場提供有代表性的230組數據構成數據集并隨機分成訓練集和預測集兩個子集進行訓練和預測仿真實驗。

2.2 數據預處理

鑒于數據樣本量綱和單位不統一的問題，對樣本數據進行歸一化[8]，歸一化處理后，所有樣本數據被轉換為（0，1）之間的小數，考慮到預測集歸一化處理后對應的數據最值存在超出訓練集歸一化處理后的數據范圍，即最終訓練出的SVR模型不足以滿足預測集的要求，本文將訓練集和預測集放在一起統一按維度進行歸一化，歸一化公式為：

式中：分別代表數據樣本歸一化前后的值；分別代表數據樣本中的最小值和最大值。

2.3 預測結果及分析

IPSO對粒子群即參數對的迭代尋優過程在1.3節中已詳細介紹，在此不再贅述。為了避免初始化粒子群的盲目性，選擇文獻[9]中提供的參數大致范圍：[0，0.2]，。實驗選取種群數量為20，終止迭代次數為100。

從圖1適應度曲線可以看出，適應度函數（MSE）值隨迭代次數的增加逐漸減小，當迭代次數達到38時，MSE的值趨于穩定，最終MSE=21.826 8。所尋得的最優參數值為。

將尋得的最優值分別賦給SVR模型的三個參數分別用訓練集和預測集建模與預測，實驗結果顯示訓練集和預測集的均方差值MSE值分別為0.012 1和0.013 8；相關系數值分別為0.885 8和0.707 5。從這兩個性能參數的值可以看出，實驗達到了很好的回歸預測效果。實驗效果如圖2所示。

由2.3節的實驗結果可以看出，利用改進的粒子群算法對SVR參數尋優建立的分解爐溫度模型具有很好的回歸和預測效果。為了進一步驗證該改進方法的優勢，將其與未改進模型的預測效果做對比試驗，預測效果對比與誤差分析如圖3，圖4所示。

從圖3中不難看出，基于IPSO?SVR的溫度模型表現出更好的預測效果，對分解爐溫度的預測值更接近真實值。圖4顯示出預測樣本預測溫度誤差的絕對值，實驗性能參數和預測誤差對比總結見表1。

如表1所示，在對水泥分解爐溫度進行預測時，該IPSO?SVR模型的各性能評價指標都明顯高于未改進的模型，與實際測量溫度曲線相關系數達到0.707 5，溫度預測誤差率保持在0.8%以內，在優于未改進模型誤差率的同時，高于文獻[10]中基于AdaBoost的水泥分解爐溫度過程集成輸出誤差模型預測精度為0.84%的誤差率，表現出較好的預測精度。

3 結 語

在本文中，依據水泥初級分解過程的6個運行參數，提出一種IPSO?SVR算法做分解爐溫度回歸模型和預測。通過實驗和在相同預測集情況下，與基于未改進的溫度預測模型進行對照實驗分析，該IPSO?SVR算法表現出更佳的建模、預測與泛化能力，溫度預測誤差率在0.8%以內。由此可以證明，本文提出的方法適用于分解爐穩定有效溫度預測模型的建立，并可進一步運用到諸如水泥生產等大型工業的爐溫預測與控制中。

參考文獻

[1] 陳全德，蘭明章.新型干法水泥技術原理與應用講座[J].建材發展導向，2005（4）：22?28.

[2] 孔祥忠.中國水泥工業轉變發展方式的思路探討[J].中國水泥，2012（1）：6.

[3] 姚維.水泥回轉窯分解爐溫度的模型控制[J].電子技術應用， 2000，26（11）：15?28.

[4] 王勇，張興吾.基于虛擬儀器的水泥分解爐出口溫度預測模型建立[J].云南大學學報（自然科學版），2009，31（z2）：146?149.

[5] 孟倩，馬小平，周延.改進的粒子群支持向量機預測瓦斯涌出量[J].礦業安全與環保，2015，42（2）：2?4.

[6] PEI J F， ZHU Y M. Modeling and prediction the glass transition temperature of vinyl polymers by using hybrid PSO?SVR method [J]. Journal of theoretical and computational chemistry， 2013， 12（3）： 5?13.

[7] QIN Taichun， ZENG Shengkui. Robust prognostics for state of health estimation of lithium?ion batteries based on an improved PSO?SVR model [J]. Microelectronics reliability， 2015， 55（3）： 1280?1284.

[8] 邱東，張楠，趙晨旭，等.基于灰色神經網絡的中低碳烙鐵終點硫含量預報模型研究[J].中國測試，2014，40（4）：68?70.

[9] 熊偉麗，徐保國.基于PSO的SVR參數優化選擇方法研究[J].系統仿真學報，2006，18（9）：2442?2445.

[10] 段鵬君，周曉杰.水泥生料分解爐溫度過程建模方法研究[D].沈陽：東北大學，2012：42?52.