NIFOA-BP融合算法及其在焚燒爐溫度控制中的應用

盧保昆 云濤 劉航

摘 要：污泥焚燒爐溫度控制過程中，由于投入污泥塊熱值不均以及外界環境干擾，傳統的PID控制不能快速穩定地將爐溫控制在所需范圍內。為適應環境變化，實現更高效的爐溫控制，提出一種基于NFOA-BP算法的污泥焚燒溫度控制方法。該方法將改進型果蠅算法與BP神經網絡結合，通過NFOA算法優化神經網絡的初始權重和閾值，進而提高神經網絡的全局搜索能力。將NFOA-BP算法應用于污泥焚燒爐溫度控制系統，與傳統PID溫度控制系統進行仿真對比實驗。結果表明該系統響應平穩、迅速，超調減小，正確率達到95%以上，比傳統PID調節方法提高5%左右。

關鍵詞：果蠅優化算法;神經網絡;PID溫度控制器;污泥焚燒

DOI： 10. 11907/rjdk.191397

開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319

文獻標識碼：A

文章編號：1672-7800（ 2020）001-0185-05

0 引言

污泥焚燒溫度只有控制在一定范圍內才能完全燃燒，焚燒爐溫度控制是污泥干化焚燒系統的重要環節，其性能直接影響污泥焚燒的速度和效率。由于污泥焚燒系統影響因素很多，并且該系統是一個非線性、大滯后的系統，傳統的PID溫度調節系統具有調節時間長、響應時間慢等缺點，因此探索一種快捷高效的爐溫控制方法迫在眉睫。近年來，由于魯棒映射和非線性映射性能顯著，人工神經網絡（ANN）被廣泛應用于工程優化問題求解[1-3]。事實上，人工神經網絡可以建立一個包含幾個層次的映射網絡，模擬訓練已知輸入和輸出之間的關系。人工神經網絡的主要優勢是利用現有樣本對神經網絡進行適當訓練，以較高精度和較快速度預測結果。

人工神經網絡應用在許多領域。MA等[4]建立了ANN預測模型，以確定超臨界水的傳熱系數;Shafabakhsh等[5]提出了一種用人工神經網絡對熱拌瀝青混合料的最終應變進行評價的方法。一般來說，ANN模型包含許多控制參數，這些參數決定了人工神經網絡性能。研究人員發現將人工神經網絡與智能算法結合可以提高人工神經網絡性能。采用遺傳算法（GA）和粒子群優化（PSO）等算法對人工神經網絡控制參數進行優化，提高了網絡預測能力，可解決各種優化問題[6]。Zhipeng Hu[7]提出將遺傳算法與BP神經網絡相結合用于多目標優化。果蠅優化算法（FOA）是2011年提出的一種新的進化算法，具有參數少、計算簡單以及全局尋優快的優點，但由于果蠅優化算法未能充分利用種群信息，導致算法易陷入局部極值，收斂精度下降[8]。本文提出一種自適應步長的果蠅算法，改進后的算法（NFOA）較初始果蠅優化算法（FOA）在搜索廣度和精度上得到提高。將NFOA與BP神經網絡結合，利用NFOA優化神經網絡的初始權值和閾值，使神經網絡系統擴大搜索空間、提高計算效率以及提升神經網絡的自動化程度[9]。本文主要工作有：①引入了FOA的自適應迭代步長值;②提出了一種預測精度較高的NFOA-BP模型;③將新模型應用到污泥焚燒爐溫控系統，改善了系統動態性能。

1 果蠅優化算法及其改進型NFOA

1.1 果蠅優化算法

依據果蠅搜索食物特性，果蠅優化算法步驟如下[10-11]：

（1）初始化最大迭代次數、種群規模、果蠅初始濃度值和果蠅群位置。

（2）個體利用靈敏的嗅覺搜尋并飛向感知到的食物。更新果蠅位置如式（1）所示。

公式分析：

（1）從第一次迭代到第M'次迭代，Rm隨著M'的增加而減小。特別是在算法的初始階段，較大的Rm可以保證算法以較快的速度收斂到一個較好的解。隨著迭代次數的增加，Rm逐漸減小，搜索精度逐漸提高。由式（6）可知，當m=0日寸Rm=R，m=M'時Rm=Rmin。

（2）在算法的后半部分，當m≥M'時，Rm隨m的增長呈正弦變化，其中變幅為RA，循環數為C。由于較大的步長可以提高搜索速度，而較小的步長可以提高搜索精度，所以在尋找全局最優解的過程中，自適應的步長變化可以平衡搜索速度和搜索精度，帶來更好的搜索結果。

自適應步長的果蠅優化算法能夠很好地平衡全局和局部尋優性能，在算法前期全局優化性能好，保證算法得到全局最優解;后期隨著步長呈正弦變大或變小，搜索速度與搜索精度交替提高，算法收斂性得到優化的同時提高了算法搜索精度。

2 BP神經網絡

BP神經網絡是最常用的人工神經網絡之一[14]，其特點是采用誤差反向傳播算法對其進行訓練。如圖2所示，傳統的BP神經網絡包括一個輸入層、一個或多個隱藏層和一個輸出層。輸入變量可看作是外部刺激被隱藏層的神經元感知和傳遞，然后在輸出層作出反應。

如果存在多個隱藏層，則將神經元hj的輸出視為下一個隱層中神經元輸入，以此類推。然后比較輸出值和預測值得到誤差，將誤差反向傳播給上一層用來修正連接權值，這個過程反復執行直至得到期望誤差。

3 NFOA-BP神經網絡模型及效果驗證

3.1 NFOA-BP神經網絡模型

雖然BP神經網絡在訓練過程中可以利用誤差反向傳播算法對權值和偏差進行更新，但初始網絡的權值和閾值對BP網絡性能仍有重要影響。因此，可以通過優化初始權值和閾值提高BP網絡的預測精度[15-16]。由于改進后的果蠅算法具有良好的優化能力，因此將其應用于BP模型的權值和閾值優化，實現步驟如下：①初始化BP神經網絡，確定BP神經網絡的每層神經元個數，確定輸入層、隱藏層、輸出層的神經元個數;②利用NFOA算法優化BP網絡的權值和閾值。首先，確定個體的編碼方法和字符串長度;其次，生成果蠅群的初始位置，然后個體搜索最優參數組合，定義適應度函數并計算個體的適應度值，最后完成迭代過程，找出最佳的個體和相應的參數組合;③用求得的最優權值和閾值訓練BP神經網絡;④把測試數據帶人訓練好的BP神經網絡進行驗證。

NFOA-BP流程如圖3所示。

3.2 NFOA-BP神經網絡仿真分析

3.2.1 編碼及串長

本文采用實數編碼，新模型實數編碼組合中的字符串長度取決于BP模型的詳細結構。用Num，和Num。分別表示輸入層、輸出層的神經元總數，字符串長度L如式（7）所示。

3.3.3 仿真結果分析

為驗證NFOA的有效性，采用FOA對BP神經網絡的權值和閾值參數進行優化計算，進而作對比分析[17]。FOA參數設置同NFOA -致。兩種算法的收斂曲線如圖4所示。

由圖4可知，采用FOA在超出40代時才完全收斂，而NFOA在25代時已完全收斂;NFOA的最佳適應度值為0.126，明顯優于FOA的最佳適應度值0.24。仿真結果表明，NFOA算法收斂速度和求解精度較FOA算法均有明顯提升，改進算法可行有效。NFOA優化后的BP神經網絡收斂速度加快，克服了易陷入局部最優的缺陷，提高了全局優化能力。

4 NFOA-BP模型應用

4.1 污泥焚燒爐溫度控制模型

將NFOA-BP融合算法應用于污泥焚燒溫度控制，設計的模型如圖5所示[9]。

在污泥焚燒過程中，污泥送人焚燒爐后需要一定時間才能達到燃燒溫度，所以爐溫變化具有滯后性;污泥燃燒過程中需要一定的時間才能釋放熱量，因此污泥焚燒系統具有慣性環節[18-20]。焚燒爐爐溫控制模型可以簡化為慣性環節和純滯后環節的結合，該系統傳遞函數可表示為[3]：

式（10）中，K為對象增益，T為時間常數，τ為純滯后時間。K、T、τ均與焚燒爐參數有關。

4.2 仿真分析

采用MATLAB軟件對系統進行仿真，模擬真實污泥焚燒控制系統，設定污泥焚燒系統的基本參數K =80，T=100，τ =30，初始溫度偏差e=lOOOC;用NFOA優化后的BP神經網絡對焚燒爐溫度控制模型進行仿真，得到與傳統PID調節的對比曲線如圖6所示。

由圖6可知，將NFOA-BP算法應用于污泥焚燒爐溫度控制系統，較之傳統PID溫度控制系統，該方法能使溫度調節更加穩定，超調減小，響應時間加快，且正確率達到95%以上，比傳統PID調節提高5%左右，具有更好的穩定性和準確性。

5 結語

本文引入一種自適應步長果蠅優化方法（ NFOA）對BP神經網絡的權值和閾值進行參數優化，在此基礎上建立了基于NFOA-BP神經網絡算法的污泥焚燒爐溫度控制系統仿真模型。與傳統的FOA相比，NFOA搜索精度更高，收斂更迅速。相較于傳統PID調節，NFOA-BP模型優化后的PID對爐溫的調節性能更加穩定，響應更加快速，超調量明顯降低，調節正確率在95%以上，該方法為焚燒爐溫度控制研究與應用提供了理論支撐。

參考文獻：

[1]王德望，趙敏.污水處理系統溶解氧的BP-PID控制算法[J].軟件導刊，2018（2）：68-70， 73.

[2]李燁，屈寶存.神經網絡在鍋爐溫度控制系統中的應用[J].自動化儀表，2013.34（10）：55-59.

[3] 羅瑩穎，傅迎華.基于模糊神經控制的污泥焚燒溫度控制應用[J].計算機仿真，2015，32（2）：400-404.

[4]

MA D L，ZHOU T， CHEN J，et al. Supercritical water heat transfercoefficient prediction analysis hased on BP neural network[J].Nucle-ar Engineering and Design， 2017（ 320）： 400-408.

[5]

SHAFABAKHSH G H，ANI O J，TALEBSAFA M. Artificial neuralnetwork modeling （ANN） for predicting rutting performance of na-no-modified hot-mix asphalt mixtures containing steel slag aggregates[J]. Construction and Building Materials， 2015（ 85）： 136-143.

[6]許琴，顏海斌.基于遺傳算法的BP神經網絡在電站鍋爐主蒸汽溫度控制系統中的應用研究[J].應用能源技術，2012（6）：21-24.

[7]

HU Z P.Research on application of bp neural network hased on genet-ic algorithm in multi-objective optimization[C].International Confer-ence on Information Technology in Medicine and Education， 2016：681-684.

[8]

PAN W T.Anew fruit fly optimization algorithm： taking the financialdistress model as an example [Jl. Knowledge-Based Systems， 2012（ 26）：69-74.

[9] 徐杏芳.基于果蠅算法優化的BP神經網絡[J].福建電腦，2017（ 6）：26-28.

[10] 白露.果蠅優化算法的改進及應用[D].太原：太原科技大學，2016.

[11]王林，呂盛祥.果蠅優化算法研究綜述[J].控制與決策，2017，32（7）：1154-1162.

[12]

WU L，YYANG Y， MAHESHWARI M.Parameter optimization forFPSO design using an improved FOA and IFOA-BP neural nenvork[J]. Ocean Engineering， 2019（ 175）： 50-61.

[13]

WU L， LIU Q.A new improved fruit fly optimization algorithm IA-FOA and its application to solve engineering optimization problems[J]. Knowledge-Based Systems， 2017（ 12）： 31-38.

[14]張雅，宋耀蓮，基于BP神經網絡的疾病癥狀預測模型[J].軟件導刊，2017.16（12）：1-3，8.

[15] MENG T，PAhr Q K.An Improved fruit fly optimization algorithm forsolving the multidimensional knapsack problem [J]. Applied SoftComputing， 2016（ 11）： 23-29.

[16]

HUANG D M， HE S Q， HE X H， et al. Prediction of wind loads onhigh-rise building using a BP neural network combined with POD[J]. Journal of Wind Engineering and Industrial Aerodynamics， 2017 （ 170）：1-17.

[17] 閆超，倪福佳.基于改進FOA優化BP神經網絡算法的光伏系統MPPT研究[J].電測與儀表，2018，55（8）：24-29.

[18] 張詠軍，王航宇.基于BP神經網絡的溫度模糊PID控制器設計[J].現代電子技術，2008（ 7）：133-135.

[19] 杜云，吳學禮，孟華，等.自適應模糊神經網絡在爐溫控制中的應用[J].儀器儀表學報，2002.23（ z1）：446-448 ，454.

[20] 范子榮.模糊神經網絡在煉鋼加熱爐溫度控制中的應用[J].山西大同大學學報：自然科學版，2017，33（6）：66-68.

（責任編輯：杜能鋼）

作者簡介：盧保昆（1993-），男，上海理工大學光電信息與計算機工程學院碩士研究生，研究方向為污泥干化焚燒、神經網絡。