基于PSO-LSSVM的濃縮池溢流水濃度預(yù)測

邵 清 王然風(fēng)

(太原理工大學(xué)礦業(yè)工程學(xué)院，山西省太原市，030024)

★ 煤炭科技·加工轉(zhuǎn)化>★

基于PSO-LSSVM的濃縮池溢流水濃度預(yù)測

邵 清 王然風(fēng)

(太原理工大學(xué)礦業(yè)工程學(xué)院，山西省太原市，030024)

目前針對溢流水濁度測量時存在的設(shè)備昂貴、可靠性差以及壽命短等問題，對濃縮池煤泥水處理過程帶來的不利影響，提出了一種基于PSO-LSSVM的溢流水快速可靠的預(yù)測方法。根據(jù)現(xiàn)場獲得的數(shù)據(jù)組建溢流水濁度數(shù)據(jù)庫，并將其分為訓(xùn)練集與測試集，構(gòu)建預(yù)測模型，并以粒子群算法(PSO)優(yōu)化最小二乘支持向量機(jī)(LS-SVM)模型中的相關(guān)參數(shù)。經(jīng)仿真驗(yàn)證，預(yù)測值精度可以達(dá)到92.38%，表明基于PSO-LSSVM的濃縮池溢流水濃度預(yù)測模型可以較好地實(shí)現(xiàn)溢流濁度的預(yù)測。

溢流濃度 粒子群算法 最小二乘支持向量機(jī) 煤泥水

煤泥水中含有較多細(xì)小的煤粉顆粒以及其他物質(zhì)，如果直接排放會造成污染與資源浪費(fèi)，因此對煤泥水的處理十分重要。煤泥水處理主要包括兩個過程，分別是濃縮機(jī)濃縮與壓濾機(jī)壓濾，濃縮機(jī)濃縮對煤泥水的處理效果與濃縮池溢流濃度息息相關(guān)，溢流濃度的高低直接影響煤泥水處理的質(zhì)量。因此對溢流水濃度的測量至關(guān)重要，現(xiàn)在選煤廠所使用的濁度儀中，國產(chǎn)濁度儀可靠性較差且使用壽命較短，容易被煤泥等遮擋感光口，造成測量數(shù)據(jù)不準(zhǔn)或不能使用；國外濁度儀可靠性較高，并配備雨刷，但造價較為昂貴。

針對以上情況，本文提出了一種基于最小二乘支持向量機(jī)(LS-SVM)的煤泥水處理過程中溢流水濃度預(yù)測模型，并采用粒子群算法(PSO)對模型中關(guān)鍵參數(shù)進(jìn)行優(yōu)化處理，共同構(gòu)建濃縮池溢流水濃度預(yù)測模型，該模型以預(yù)測算法代替濁度儀測量濁度，不僅降低了成本，而且提高了濁度測量的穩(wěn)定性和可靠性。

1 濁度儀測量溢流水濁度原理及意義

目前，濁度測量主要為基于光電測量原理進(jìn)行，濁度儀通過發(fā)光源發(fā)出光，通過感官部分接收光的強(qiáng)度等來確定液體濁度的大小。濃縮池濃縮效果主要通過底流濃度和溢流濃度來確定，同時根據(jù)底流和溢流濃度確定絮凝劑和凝聚劑的添加量，因此獲得準(zhǔn)確的溢流濃度對選煤廠煤泥水處理過程至關(guān)重要。底流濃度經(jīng)過濃縮機(jī)濃縮過程，濃度較高可達(dá)到200～500 g/L，對于這一濃度的測量可使用普通的差壓變送器就可以精確測量；溢流濃度通常都在50 g/L以下，此時普通差壓式變送器很難精確測量，感光式濁度儀又存在可靠性較差、壽命較短以及價格昂貴等問題，所以實(shí)現(xiàn)溢流濃度預(yù)測對藥劑添加以及整個煤泥水處理過程具有重要意義。

2 PSO-LSSVM模型原理

2.1 LS-SVM原理

LS-SVM以等式約束代替?zhèn)鹘y(tǒng)的不等式約束，解決了回歸分類的研究問題，大大降低了計算的復(fù)雜程度，提高了求解速度。其基本原理如下：給定一個訓(xùn)練集S：{(x1,y1)…(xi,yi)}，其中xi為輸入變量，xi∈Rn(n維實(shí)數(shù)空間)；yi為輸出變量，yi∈R(實(shí)數(shù)集)；i=1,…,N(N為樣本個數(shù))。運(yùn)用非線性映射φ(x)將輸入變量映射到一個高維特征空間，從而得到一個預(yù)測模型見式(1)：

(1)

式中：ω——權(quán)向量，ω∈Rn；

T——轉(zhuǎn)置；

b——偏移量，b∈R。

根據(jù)風(fēng)險最小化原則同時引入拉格朗日乘子和優(yōu)化條件得到最終預(yù)測函數(shù)見式(2)：

(2)

式中：αi——拉格朗日乘子；

K(xi,xj)——核函數(shù)。

2.2 PSO原理

在LS-SVM模型中，正則化參數(shù)(γ)與核函數(shù)參數(shù)(σ)對預(yù)測模型計算精度影響至關(guān)重要。γ和σ的大小決定了函數(shù)擬合誤差與時長，故對于γ與σ的優(yōu)化是模型建立的關(guān)鍵。粒子群優(yōu)化算法(PSO)具有運(yùn)算簡單、參數(shù)少、擬合時間短的優(yōu)點(diǎn)，因此本文采用PSO對LS-SVM的關(guān)鍵參數(shù)進(jìn)行優(yōu)化。

(3)

式中：ωmax——最大權(quán)向量；

ωmin——最小權(quán)向量；

kmax——最大迭代次數(shù)；

k——迭代次數(shù)。

3 基于PSO-LSSVM濃縮池溢流水濃度預(yù)測模型

3.1 構(gòu)建模型數(shù)據(jù)庫

本文對寺河選煤廠濃縮池溢流水濃度參數(shù)進(jìn)行分析，該模型以影響參數(shù)作為輸入變量，影響參數(shù)的主要原因有煤泥水濃度、煤泥水流量、絮凝劑添加量、凝聚劑添加量和底流濃度,LS-SVM模型的輸出變量為溢流濃度。LS-SVM溢流水濃度預(yù)測模型的函數(shù)表達(dá)式見式(4)：

(4)

式中：y——溢流濃度，g/L；

x1——煤泥水濃度，g/L；

x2——煤泥水流量，m3/h；

x3——絮凝劑添加量，kg/t；

x4——凝聚劑添加量，kg/t；

x5——底流濃度，g/L。

核函數(shù)選取對于LS-SVM濃縮池溢流水濃度預(yù)測模型十分關(guān)鍵，本文選取了泛化能力高、學(xué)習(xí)收斂速度快的徑向基函數(shù)(RBF)作為該模型的核函數(shù)見式(5)：

∕σ2

(5)

構(gòu)建LS-SVM模型的所有數(shù)據(jù)均來自寺河選煤廠的真實(shí)數(shù)據(jù)，數(shù)據(jù)由各個傳感器檢測然后由PLC采集，最后傳至上位機(jī)保存導(dǎo)出。本模型共采集90組數(shù)據(jù)，由于數(shù)據(jù)的量綱不一致，對比標(biāo)準(zhǔn)統(tǒng)一，所以為了獲得較快的收斂速度和精準(zhǔn)度，要對數(shù)據(jù)進(jìn)行歸一化處理，歸一化方法采用Z-score標(biāo)準(zhǔn)化方法見式(6)：

(6)

xij——第j類變量中第i個值；

μj——第j類變量的均值；

σj——第j類變量的標(biāo)準(zhǔn)差。

最后進(jìn)行反歸一化處理得到對應(yīng)值。

3.2 設(shè)置模型參數(shù)

圖1 PSO模型流程圖

3.3 評價指標(biāo)

本文使用PSO-LSSVM預(yù)測模型對濃縮機(jī)溢流濃度進(jìn)行預(yù)測，為了評價該模型的預(yù)測精度，引入均方根誤差(RMSE)與平均絕對誤差(MAPE)對預(yù)測結(jié)果進(jìn)行評價，見式(7)和式(8)：

(7)

(8)

式中：yi——實(shí)測值；

3.4 預(yù)測結(jié)果

溢流濃度樣本訓(xùn)練集與預(yù)測集對比圖如圖2所示。

圖2 溢流濃度樣本訓(xùn)練集與預(yù)測集對比圖

由圖2可以看出，基于PSO-LSSVM溢流水濃度預(yù)測模型中溢流水濃度預(yù)測值與樣本訓(xùn)練集(實(shí)測值)基本一致。由公式(7)得到溢流濃度預(yù)測值與實(shí)測值均方根誤差為0.189，由公式(8)得到溢流濃度預(yù)測值與實(shí)測值平均絕對百分誤差為7.62%，預(yù)測精度為92.38%。基于PSO-LSSVM溢流水濃度預(yù)測模型預(yù)測精度較高，比較適合輸入變量較少的模型預(yù)測，同時采用PSO優(yōu)化LS-SVM模型中的關(guān)鍵參數(shù)σ與γ，提高了模型的泛化能力、降低了模型誤差與時長。

4 控制系統(tǒng)構(gòu)建

濃縮池溢流水預(yù)測系統(tǒng)主要由硬件系統(tǒng)和軟件系統(tǒng)共同構(gòu)成。硬件部分由傳感器、PLC控制柜、上位機(jī)等構(gòu)成，軟件部分由PLC程序、組態(tài)與通訊等構(gòu)成。

(1)傳感器部分。本系統(tǒng)采用的傳感器有測量煤泥水流量的流量計、測量煤泥水濃度的濃度計、測量溢流濃度的濁度儀、測量底流濃度的濃度傳感器。測量溢流濃度的傳感器選用奧泰斯TSC-10S散亂光式濁度儀，安裝在01號濃縮池側(cè)壁上。測量底流濃度和入料濃度的濃度傳感器選用“E+H”的FMD633式差壓式濃度傳感器，測量底流濃度時，由于底流煤泥管傾斜，故采取傾斜安裝的方式；測量入料濃度時則采取豎直安裝的方式。測量煤泥水流量的傳感器選用科隆OPTIFLUX2100C智能診斷型流量計。絮凝劑和凝聚劑添加量通過采集變頻器的運(yùn)行信號，在PLC內(nèi)部程序轉(zhuǎn)化獲得。

(2)PLC控制柜。PLC選用AB公司Micro850PLC，CPU為2080-LC50-48QWB，數(shù)字量擴(kuò)展模塊為2085-IQ16，模擬量模塊為2080-IF4，配2085-ECR型終端蓋。

(3)上位機(jī)。上位機(jī)采用研華APC-4000型工控機(jī)。

PLC編程環(huán)境采用Connected Components Workbench軟件進(jìn)行編程，組態(tài)采用FTView進(jìn)行組態(tài)，采用SQL Server2008數(shù)據(jù)庫軟件進(jìn)行數(shù)據(jù)記錄。控制流程如圖3示。

圖3 控制流程圖

5 基于PSO-LSSVM溢流水濃度預(yù)測模型

寺河選煤廠現(xiàn)在使用兩個一級濃縮池分別為01濃縮池和04事故濃縮池，直徑均為45 m，兩個二級濃縮池分別為02和03濃縮池，直徑均為38 m。現(xiàn)根據(jù)使用情況、處理效果以及設(shè)備安裝情況，決定以01號正常使用的一級濃縮池為實(shí)驗(yàn)對象。以安裝在該濃縮池側(cè)壁上的TSC-10S散亂光式濁度儀測量的濃度為溢流濃度實(shí)測值，基于PSO-LSSVM溢流水濃度預(yù)測模型預(yù)測數(shù)據(jù)為預(yù)測值，進(jìn)行實(shí)驗(yàn)對比分析。選取90 min的溢流濃度實(shí)測值與預(yù)測值進(jìn)行對比，對比結(jié)果如圖4所示。

圖4 溢流濃度實(shí)測值與預(yù)測值對比圖

由圖4可以看出，基于PSO-LSSVM溢流水濃度預(yù)測模型可以根據(jù)煤泥水濃度、煤泥水流量、絮凝劑和凝聚劑加藥量以及底流濃度等數(shù)據(jù)自動輸出一個濃度預(yù)測值，預(yù)測結(jié)果與濁度儀測量的濃度值基本吻合，在誤差允許的范圍內(nèi)可以實(shí)現(xiàn)以預(yù)測模型預(yù)測濃度值代替濁度儀測量值。

6 結(jié)論

本文根據(jù)現(xiàn)有選煤廠測量濃縮池溢流水濃度時存在的測量設(shè)備成本較高、可靠性較差、使用壽命較短等問題，提出一種基于PSO-LSSVM溢流水濃度預(yù)測模型，模型以PSO優(yōu)化LS-SVM模型中關(guān)鍵參數(shù)，根據(jù)各相關(guān)傳感器獲取數(shù)據(jù)作為模型輸入變量，實(shí)現(xiàn)了以模型預(yù)測代替濁度儀測量溢流水濃度。經(jīng)過現(xiàn)場試驗(yàn)對比分析，基于PSO-LSSVM溢流水濃度預(yù)測模型，在誤差允許的范圍內(nèi)可以較好的實(shí)現(xiàn)濃縮池溢流水濃度預(yù)測，預(yù)測精度可以達(dá)到92.38%，該模型不僅降低了選煤廠設(shè)備成本，而且避免了濁度儀在使用過程中的可靠性低、壽命短以及維護(hù)問題，同時還為工人添加藥劑提供了可靠依據(jù)，提高了選煤廠的整體效益。

[1] 亓欣,匡亞莉,林喆等. 高灰細(xì)泥煤泥水沉降實(shí)驗(yàn)研究[J]. 煤炭工程，2011 (2)

[2] 肖寧偉,張明青,曹亦俊. 選煤廠難沉降煤泥水性質(zhì)及特點(diǎn)研究[J]. 中國煤炭，2012(6)

[3] 常建華,武煜,王志丹.基于偏振光的散射式濁度儀的設(shè)計與實(shí)現(xiàn)[J].半導(dǎo)體光電，2017 (1)

[4] 史晉森,趙敬國,葛覲銘等.三波段積分渾濁度儀的檢測和校準(zhǔn)[J].中國環(huán)境科學(xué)，2013 (8)

[5] 楊柳,孫金華,馮仲科等.基于PSO-LSSVM的森林地上生物量估測模型[J].農(nóng)業(yè)機(jī)械學(xué)報，2016 (8)

[6] 唐俊. PSO算法原理及應(yīng)用[J].計算機(jī)技術(shù)與發(fā)展，2010 (2)

[7] 煙貫發(fā),張雪萍,王書玉等. 基于改進(jìn)的PSO優(yōu)化LSSVM參數(shù)的松花江哈爾濱段懸浮物的遙感反演[J]. 環(huán)境科學(xué)學(xué)報，2014(8)

(責(zé)任編輯 王雅琴)

PredictionforoverflowwaterconcentrationofconcentratedtankbasedonPSO-LSSVM

Shao Qing, Wang Ranfeng

(College of Mining Engineering, Taiyuan University of Technology, Taiyuan, Shanxi 030024, China)

Aiming at the adverse effects of high cost, relatively poor reliability and short service life of overflow water turbidity measurement equipment on concentrated tank slime water treatment process, a quick and reliable prediction approach of overflow water based on PSO-LSSVM was put forward. The overflow water turbidity data base on the basis of the actual data was built and divided into training set and test set to build forecasting model, and the particle swarm optimization (PSO) was used to optimize the relevant parameters of the least squares support vector machine (LS-SVM) model. Verified by simulation, the prediction accuracy could reach 92.38%, which showed that the overflow concentration prediction model of concentrated tank based on POS-LSSVM was able to preferably realize the overflow turbidity prediction.

overflow density, PSO, LS-SVM, slime water

邵清，王然風(fēng). 基于PSO-LSSVM的濃縮池溢流水濃度預(yù)測[J].中國煤炭，2017，43(8)：117-120. Shao Qing,Wang Ranfeng. Prediction for overflow water concentration of concentrated tank based on PSO-LSSVM[J].China Coal，2017，43(8)：117-120.

TD926

A

邵清(1991-)，男，山東菏澤人，在讀研究生，主要從事仿真、控制與優(yōu)化等方面的研究。