基于SOA-ELM的水泥分解爐溫度預測

王盛慧，王金有

（長春工業大學電氣與電子工程學院，吉林長春130012）

基于SOA-ELM的水泥分解爐溫度預測

王盛慧，王金有

（長春工業大學電氣與電子工程學院，吉林長春130012）

在變工況的水泥生產過程中，為預知風、煤、料的投入量，提出一種基于人群搜索算法（SOA）優化極限學習機（ELM）的水泥分解爐溫度預測模型。采用現場數據，選取相關因素，用ELM建立預測模型，通過SOA對ELM的輸入輸出權值進行動態尋優，克服其初始權值的隨機性，實現分解爐溫度的預測。與未優化權值的ELM模型和利用粒子群算法（PSO）優化的ELM模型進行仿真對比，實驗表明該SOA-ELM模型具有更佳的預測能力。在隱層節點數為9時，該模型的預測值與真實值的平均相對誤差為0.0045%。該模型的建立，可為后期的分解爐溫度控制提供依據。

水泥分解爐溫度；預測模型；人群搜索算法；極限學習機

0 引言

在水泥生產線中，分解爐的作用是對水泥生料進行預分解，其分解率對于提高水泥熟料的產量與質量至關重要[1]。為了使分解爐始終保持在較高的分解效率、較好的燃燒狀態，需要將其溫度控制在一定的參數范圍內[2]。在變工況的水泥生產線中，風、煤、料的投入量需要隨工況的變化而變化，如果投入量變化不及時，就會使分解爐溫度產生較大波動，從而導致水泥質量降低[3]。因此，需要一種分解爐溫度預測模型來預知不同工況下的風、煤、料的投入量，通過提前調解減少溫度的波動。

本文采用極限學習機（extreme learning machine，ELM）與人群搜索算法（seeker optimization algorithm，SOA）對水泥分解爐溫度進行預測。首先，選取影響分解爐溫度的因素，采集現場數據，利用ELM易于實現、速度快、泛化能力強的優點建立預測模型[4]，并用SOA對ELM的輸入、輸出權值進行尋優。借助仿真，驗證本模型預測結果的準確性。

1 極限學習機

由于單隱含層反饋神經網絡缺少快速學習的方法，并且每次迭代所需時間過長，因此黃廣斌等[5]提出一種新型的神經網絡——ELM。實踐證明，ELM的泛化能力優于誤差反向傳播這類算法；并且ELM通過直接建立單隱層神經網絡，避免了傳統算法的局部最優、過擬合等問題[6]；以往一些經典的算法在訓練單隱含層神經網絡時，每次迭代需要調整n·（L+1）+L·（M+1）個值，而ELM只需要求出權重即可，大大節省了時間[7]。基于以上優點，ELM成為研究熱點。ELM的訓練模型如圖1所示。

圖1 ELM訓練模型

假設給定樣本，輸入xi=[xi1，xi2，…，xin]T∈Rn，輸出ti=[ti1，ti2，…，tim]T∈Rm，隱層節點為k個，激活函數為g（x）的ELM模型可以表示為

式中：ωi——輸入權值矩陣；

bi——隱含層偏置；

βi——輸出權值矩陣；

yj∈Rn——網絡輸出值；

g（ωi·xj+bi）——激活函數。

上述方程的矩陣形式為

式中：H——ELM的輸出矩陣；

T——輸出向量。

根據式（3），尋找最優的權值β?使得目標函數（實際值跟期望值差的平方和）最小。根據廣義逆的理論，其解為

式中H+為H的Moore-Penrose廣義逆。

2 SOA算法

2.1 SOA的基本原理

SOA的基本原理是把需要優化的問題轉化為人群尋找最佳位置的過程，每個搜尋者所在位置都是一個候選解[8]。搜尋者記錄自己的最佳歷史位置和鄰域歷史最佳位置，結合自己過去的行為和環境的反饋，決定尋找最佳位置的方向。當搜尋者位置較差時，增大搜索范圍，以快速尋找到最佳位置；當搜尋者位置較優時，縮小搜索范圍，以增加搜索準確度，搜索范圍即搜索步長[9]。在本模型中，SOA的主要作用是對ELM的權值進行優化，目標是使預測準確度達到最佳，通過迭代比較，選出最佳的搜尋者位置。

2.2 搜索步長的確定

SOA的不確定推理行為是利用模糊系統的逼近能力來模擬人的智能搜索行為，用以建立感知（目標函數值）和行為（步長）之間的聯系[10]。根據上述分析，可以采用高斯函數表示搜索步長模糊變量：

式中：μA——高斯隸屬度；

x——輸入變量；

u、δ——隸屬度函數參數。

SOA應用在不同問題中，其目標函數值往往不同，這就需要設計一個泛化能力強的系統，將目標函數值轉換為從1到S（S是種群規模）的自然數作為輸入。采用線性隸屬度函數，使隸屬度直接與函數排列順序成正比，即在最佳位置有最大隸屬度值μmax=1.0。當輸出變量超出[u-3δ，u+3δ]時，隸屬度小于0.0111，沒有實際意義，故設定最差位置有最小隸屬度μmin=0.0111。在其他位置μ〈1.0[11]，如下式：

式中：μi——目標函數值i的隸屬度；

μij——j維搜索空間目標函數值i的隸屬度；D——空間維數。

由式（7）得出隸屬度μij后，由不確定性推理可得步長：

式中：αij——j維搜索空間的搜索步長；

δij——高斯隸屬度函數參數。

δij的值為

式中：xmin、xmax——同一種群中的最小和最大函數值的位置；

ω——慣性權值，隨進化代數的增加從0.9線性遞減至0.1；

iter、itermax——當前迭代次數和最大迭代次數。

2.3 搜索方向的確定及個體位置更新

通過結合利己行為、利他行為和預動行為，得到搜索方向：

式中：dij，ego（t）——搜尋個體利己方向；

dij，alt（t）——搜尋個體利他方向；

dij，pro（t）——搜尋個體預動方向；

ω——慣性權值，隨進化代數的增加從0.9遞減至0.1；

φ1、φ2——[0，1]內的隨機數。

位置更新公式

3 SOA-ELM模型

SOA-ELM模型的原理如圖2所示。其工作流程[12]如下：

1）確定ELM的輸入、輸出和隱含層節點數目；

2）搜尋者空間維數為：隱含層節點數×（輸入節點數+輸出節點數），初始化每個搜尋者的位置；

3）利用ELM進行訓練，計算搜尋者個體的適應度值（均方差）；

4）對比選出具有最佳適應度值（均方差最小）的個體；

5）根據搜索步長與搜索方向更新搜索者位置；

6）若達到迭代次數，將最佳值賦給ELM，否則返回步驟3）。

圖2 SOA-ELM原理圖

4 仿真分析

本文選取吉林亞泰水泥有限公司雙陽建材公司2000T/D水泥生產線的100組水泥生產參數數據，其中80組用作訓練樣本，剩余20組用作測試樣本，進行仿真驗證。經過分析，選取影響分解爐溫度的相關因素：喂煤量、喂料量和3次風壓。將以上因素作為SOA-ELM模型的輸入，分解爐溫度作為輸出。SOA的參數選取：種群規模為30，最大迭代次數為50，最小與最大權值分別為0.1、0.9，隱含層神經元數為9。SOA-ELM的收斂曲線如圖3所示。

圖3 SOA-ELM模型的收斂曲線

由圖可知，SOA-ELM最終測試集誤差的均方差最佳值達到0.0205。SOA-ELM模型預測水泥分解爐溫度訓練集與測試集的預測效果如圖4、圖5所示。

其中，訓練集的平均絕對誤差為0.372℃，訓練集的平均相對誤差為0.000 092%，誤差均方差為0.3434；測試集的平均絕對誤差為0.1833℃，測試集的平均相對誤差0.0045%。可見，SOA-ELM模型預測準確度較高。

圖4 水泥分解爐SOA-ELM預測模型訓練集的預測結果

為驗證本模型的泛化性，分別在隱含層節點數為5，6，7，8，9，10，15的情況下，對SOA-ELM、PSO-ELM、ELM模型進行仿真，每組仿真20次，取均值作為最終結果。PSO的參數選取：c1、c2均為1.5，種群規模為30，最大迭代次數為50，最小與最大權值分別為0.4、0.9，隱含層神經元數為9。仿真結果見表1。

由表可知：在任一隱層節點數下，測試集中SOAELM比PSO-ELM、ELM的預測準確度高；隨著隱層節點數的增加，幾乎所有模型的訓練集預測準確度都有所提高；隨著隱層節點數的增加，SOA-ELM模型的測試集均方差先減小后增大，在隱層節點數為9時，預測準確度最好。

圖5 水泥分解爐SOA-ELM預測模型測試集的預測結果

5 結束語

1）本文提出了一種基于SOA-ELM的水泥分解爐溫度預測模型，可以替代以往復雜的分解爐溫度測量方法，并且在隱層節點數為9時，取得較高的預測準確度。

2）在不同工況下，為了維持分解爐溫度穩定，可依據本模型預知喂煤量、喂料量和3次風壓的值，縮減風煤料比例失衡的情況，以減少操作周期。

表1 SOA-ELM、PSO-ELM和ELM模型在不同隱層節點數下的預測均方差

3）本預測模型的建立，可以為后期控制分解爐溫度提供依據，為水泥生產線的優化提供便利。

[1]段鵬君.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.

[2]譚永彥.水泥生產分解爐溫度預測控制軟件的研發[D].沈陽：東北大學，2011.

[3]金星，徐婷，王盛慧，等.基于IPSO-SVR的水泥窯尾分解率軟測量研究[J].中國測試，2016，42（11）：89-93.

[4]李軍，李大超.基于優化核極限學習機的風電功率時間序列預測[J].物理學報，2016，65（13）：39-48.

[5]HUANG G B，WANG D H，LAN Y.Extreme learning machines：a survey[J].InternationalJournal of Machine Learning and Cybernetics，2011，2（2）：107-122.

[6]肖冬，王繼春，潘孝禮，等.基于改進PCA-ELM方法的穿孔機導盤轉速測量[J].控制理論與應用，2010，（1）：19-24.

[7]甘露.極限學習機的研究與應用[D].西安：西安電子科技大學，2014.

[8]陳黎卿，胡冬寶，陳無畏.基于人群搜索算法的四驅汽車扭矩分配控制策略[J].農業機械學報，2015，46（11）：369-376.

[9]余勝威，丁建明，曹中清.改進SOA算法在焊縫圖像分割中的應用[J].鐵道科學與工程學報，2015（6）：1471-1477.

[10]余勝威，曹中清.基于人群搜索算法的PID控制器參數優化[J].計算機仿真，2014，31（9）：347-350，373.

[11]丁繼國，涂嘉慶.搜尋者優化算法在電容器功率配置中的應用[J].電子元件與材料，2014，33（12）：105-106.

[12]魏立兵，趙峰，王思華.基于人群搜索算法優化參數的支持向量機短期電力負荷預測[J].電測與儀表，2016，53（8）：45-49，74.

（編輯：商丹丹）

Temperature prediction of cement decomposing furnace based on SOA-ELM

WANG Shenghui，WANG Jinyou
（College of Electrical and Electronic Engineering，Changchun University of Technology，Changchun 130012，China）

A temperature prediction model of cement decomposing furnace based on extreme learning machine(ELM)which was optimized by seeker optimization algorithm(SOA)was proposed to predict the input quantity of wind，coal and cement during cement production under variable working conditions.It could overcome the randomness of initial weight value of ELM to achieve prediction of decomposing furnace temperature based on dynamic optimization via the input and output weight of SOA to ELM and the way of establishing prediction model by using ELM according to field data and relevant factors.Simulation comparison test between it with ELM with non-optimized weight value and ELM model optimized based on particle swarm optimization(PSO)was carried out.The test results show that the SOA-ELM model has better prediction ability.When the number of nodes in hidden layer is 9，the average relative error between the predicted value and the true value of the model is 0.0045%.The establishment of this model provides a basis for the temperature control of the decomposing furnace at the later stage.

cement decomposing furnace temperature；prediction model；SOA；ELM

A

1674-5124（2017）08-0091-04

2017-02-05；

2017-03-23

吉林省科技廳項目（20150203003SF）

王盛慧（1976-），女，河北滄州市人，副教授，碩士，主要從事數字傳動與電力節能技術研究。

10.11857/j.issn.1674-5124.2017.08.019