基于GA-SVR的水泥分解爐分解率軟測(cè)量方法

金 星 李冰巖 張永恒 秦石凌 徐 婷

(長(zhǎng)春工業(yè)大學(xué)電氣與電子工程學(xué)院，長(zhǎng)春 130012)

基于GA-SVR的水泥分解爐分解率軟測(cè)量方法

金 星 李冰巖 張永恒 秦石凌 徐 婷

(長(zhǎng)春工業(yè)大學(xué)電氣與電子工程學(xué)院，長(zhǎng)春 130012)

針對(duì)水泥生產(chǎn)企業(yè)無(wú)法對(duì)分解爐分解率進(jìn)行實(shí)時(shí)在線檢測(cè)的情況，結(jié)合廠家DCS系統(tǒng)中現(xiàn)有的數(shù)據(jù)，使用灰色關(guān)聯(lián)分析法觀察相關(guān)變量與分解爐分解率的關(guān)系。利用遺傳算法對(duì)SVR中的懲罰參數(shù)C、核函數(shù)核寬g、損失系數(shù)ε進(jìn)行參數(shù)尋優(yōu)，使用尋優(yōu)結(jié)果對(duì)分解爐分解率進(jìn)行SVR軟測(cè)量建模。不同建模方法間的比較結(jié)果表明：使用GA-SVR所建的水泥分解爐分解率模型的預(yù)測(cè)結(jié)果與真實(shí)值擬合程度高、測(cè)量誤差小，能夠達(dá)到穩(wěn)定水泥分解爐分解率的目的。

軟測(cè)量 GA-SVR算法 水泥分解爐

分解爐分解率是新型干法水泥生產(chǎn)中衡量分解爐分解效果的一項(xiàng)重要指標(biāo)[1]。分解爐分解率的大小和穩(wěn)定性不僅影響對(duì)分解爐的優(yōu)化控制，對(duì)回轉(zhuǎn)窯的熟料燒成也會(huì)產(chǎn)生較大影響[2]。目前，分解爐分解率主要通過(guò)傳統(tǒng)方法進(jìn)行離線化驗(yàn)，由化驗(yàn)室獲得的分解爐分解率周期較長(zhǎng)，無(wú)法實(shí)時(shí)反映分解爐運(yùn)行工況，其滯后性不利于分解爐后期的優(yōu)化控制[3]。因而，實(shí)現(xiàn)對(duì)水泥分解爐分解率的實(shí)時(shí)準(zhǔn)確在線檢測(cè)是水泥優(yōu)化生產(chǎn)的前提。

軟測(cè)量技術(shù)與機(jī)器學(xué)習(xí)的發(fā)展為分解爐分解率的實(shí)時(shí)在線檢測(cè)提供了新思路[4]。軟測(cè)量就是通過(guò)工業(yè)生產(chǎn)中的可控變量和可測(cè)變量，使用機(jī)理建模、數(shù)理統(tǒng)計(jì)建模及神經(jīng)網(wǎng)絡(luò)建模等方法計(jì)算或估計(jì)無(wú)法在現(xiàn)階段實(shí)時(shí)預(yù)測(cè)的重要變量。支持向量回歸(SVR)是目前機(jī)器學(xué)習(xí)領(lǐng)域的熱點(diǎn)，其回歸精度高、泛化能力強(qiáng)，在軟測(cè)量領(lǐng)域有較為優(yōu)異的表現(xiàn)[5]。筆者通過(guò)分析在水泥生產(chǎn)過(guò)程中與分解率有關(guān)的過(guò)程變量，在廠家DCS控制系統(tǒng)的基礎(chǔ)上，提出了一種基于GA-SVR的水泥分解爐分解率軟測(cè)量建模方法。

1 新型干法水泥分解爐窯尾分解率分析

依照水泥生產(chǎn)的工藝流程，按比例配置的生料經(jīng)四級(jí)旋風(fēng)預(yù)熱器預(yù)熱后，在分解爐中進(jìn)行分解并隨氣流進(jìn)入五級(jí)旋風(fēng)預(yù)熱器，氣固分離后進(jìn)入回轉(zhuǎn)窯窯尾。為保證水泥熟料的質(zhì)量，分解爐分解率一般介于85%～95%之間[6]。

按照工藝流程，分解爐分解率主要取決于分解爐的工況，三次風(fēng)溫、三次風(fēng)速、喂煤量及投料量等都會(huì)影響分解爐分解率的大小[7]。根據(jù)現(xiàn)場(chǎng)調(diào)研和水泥廠家DCS中的歷史數(shù)據(jù)，確定以三次風(fēng)溫、分解爐爐內(nèi)溫度、分解爐爐內(nèi)壓力、分解爐出口溫度、分解爐出口壓力和提升機(jī)電流作為分解爐分解率軟測(cè)量的輔助變量。由廠家DCS系統(tǒng)的大量歷史數(shù)據(jù)確定分解爐分解率的采樣時(shí)刻，考慮水泥分解爐的滯后性，選取采樣前10min內(nèi)相關(guān)過(guò)程變量的平均值作為原始數(shù)據(jù)，剔除相應(yīng)粗大誤差后，最終以獲得的218組數(shù)據(jù)作為樣本數(shù)據(jù)。

所獲數(shù)據(jù)以分解爐分解率序列為參考序列、其余過(guò)程變量序列為比較序列，設(shè)定分辨系數(shù)為0.6進(jìn)行灰色關(guān)聯(lián)度分析，對(duì)原始數(shù)據(jù)集降維。相關(guān)輔助變量及其對(duì)應(yīng)的灰色關(guān)聯(lián)度如下：

分解爐出口溫度 0.897 7

提升機(jī)電流 0.860 7

分解爐爐內(nèi)溫度 0.813 4

三次風(fēng)溫 0.793 4

分解爐爐內(nèi)壓力 0.760 3

分解爐出口壓力 0.742 5

以0.8為本次灰色關(guān)聯(lián)度的閾值，獲得本次軟測(cè)量最終輸入數(shù)據(jù)集合為分解爐出口溫度、提升機(jī)電流、分解爐爐內(nèi)溫度，輸出變量為分解爐分解率。

分解爐出口溫度如圖1所示。

圖1 分解爐出口溫度

分解爐爐內(nèi)溫度如圖2所示。

圖2 分解爐爐內(nèi)溫度

提升機(jī)電流如圖3所示。

圖3 提升機(jī)電流

分解爐分解率如圖4所示。

2 分解爐分解率軟測(cè)量模型

2.1SVR理論簡(jiǎn)介

SVR是支持向量機(jī)SVM的回歸模式，有堅(jiān)實(shí)的理論依據(jù)。對(duì)給定的訓(xùn)練資料(x1，y1)，…，(xn，yn)，xi∈RN，yi∈R，i=1,2,3，…,n。其中x為輸入的特征，y為該特征所對(duì)應(yīng)的值。假設(shè)給定數(shù)據(jù)線性可分，對(duì)給定樣本集，任取ε>0，存在超平面f(x)=+b(w∈RN，b∈R)使得|yi-f(xi)|≤ε。

任意點(diǎn)(xi，yi)到超平面的距離不大于：

(1)

為使式(1)最大，回歸問(wèn)題轉(zhuǎn)化為以下優(yōu)化問(wèn)題：

(2)

于是，引入松弛變量，并使用拉格朗日乘子法，得到優(yōu)化問(wèn)題的對(duì)偶形式：

(3)

上述為給定數(shù)據(jù)可分的情況，若給定數(shù)據(jù)在原始空間不是線性可分的集合，需使用一個(gè)非線性映射將給定數(shù)據(jù)的特征映射到高維空間，使映射后的特征線性可分[8]：

→K(xi,xj)=<φ(xi),φ(xj)>

其中K為有效的核函數(shù)。因此，非線性回歸的對(duì)偶問(wèn)題轉(zhuǎn)化為：

(4)

求解凸二次規(guī)劃問(wèn)題后計(jì)算b的值：

(5)

(6)

SVR擬合給定訓(xùn)練數(shù)據(jù)(x1，y1)，…，(xn，yn)，xi∈RN，yi∈R，i=1,2,3，…,n所得的回歸方程為：

(7)

其中，ai、ai*為拉格朗日算子，b為閾值，K(xj，x)為核函數(shù)。

2.2基于遺傳算法的ε-SVR的參數(shù)優(yōu)化

遺傳算法(GA)無(wú)需對(duì)所求問(wèn)題進(jìn)行了解，通過(guò)對(duì)算法產(chǎn)生的每個(gè)染色體進(jìn)行評(píng)價(jià)，讓適應(yīng)度高的染色體更好地繁殖，對(duì)每個(gè)個(gè)體進(jìn)行優(yōu)勝劣汰，形成下一代新的種群，再進(jìn)行下一輪進(jìn)化。主要步驟如下：

a. 隨機(jī)產(chǎn)生N個(gè)初始串結(jié)構(gòu)數(shù)據(jù)，每個(gè)結(jié)構(gòu)數(shù)據(jù)是一個(gè)個(gè)體；

b. 計(jì)算群體中每個(gè)個(gè)體的適應(yīng)度；

c. 使用復(fù)制、交叉、變異操作形成下一代群體；

d. 對(duì)新的群體進(jìn)行步驟b、c的迭代，直到滿足停止條件；

e. 獲得全局最優(yōu)解。

依照SVR的推導(dǎo)過(guò)程，使用不同的核函數(shù)K(xj，x)構(gòu)建出的SVR模型也不同，筆者使用高斯徑向基函數(shù)exp(-gamma*|u-v|2)作為核函數(shù)，建立SVR軟測(cè)量模型。為保證SVR模型的準(zhǔn)確性，要先確定懲罰系數(shù)C、核寬g、損失系數(shù)ε。

懲罰系數(shù)C與SVR模型的穩(wěn)定性有關(guān)，過(guò)大會(huì)提高學(xué)習(xí)精度，但會(huì)降低模型的泛化能力；過(guò)小會(huì)提高泛化能力，但會(huì)加大學(xué)習(xí)誤差。核寬g與SVR模型支持向量間聯(lián)系有關(guān)，g越小，模型越復(fù)雜[9]。損失系數(shù)ε與回歸函數(shù)對(duì)數(shù)據(jù)樣本的不敏感區(qū)域的寬度有關(guān)，增大ε會(huì)減少模型支持向量個(gè)數(shù)，減小ε提高回歸精度增加模型復(fù)雜度[10]。

基于遺傳算法的ε-SVR的參數(shù)優(yōu)化(C、g、ε)步驟如下：

a. 設(shè)置懲罰系數(shù)C、核寬g、損失系數(shù)ε的范圍，產(chǎn)生初始群體。

b. 使用C、g、ε組合下的反映SVR回歸性能的均方差(MSE)作為適應(yīng)度值。

c. 開(kāi)始遺傳操作，計(jì)算每組C、g、ε的均方差(MSE)，若該組下均方差最小，設(shè)定此次C、g、ε參數(shù)更新為Cbest、gbest、εbest，否則保留此前的Cbest、gbest、εbest。

d. 停止條件定為最大進(jìn)化代數(shù)。未達(dá)到停止條件時(shí)，執(zhí)行步驟c，進(jìn)行迭代操作；當(dāng)滿足停止條件，即達(dá)到進(jìn)化代數(shù)時(shí)，此時(shí)的Cbest、gbest、εbest即為最優(yōu)解，按照此懲罰系數(shù)C、核寬g、損失系數(shù)ε重新對(duì)訓(xùn)練集進(jìn)行SVR建模，作為最終軟測(cè)量模型。

3 水泥分解爐分解率軟測(cè)量仿真實(shí)驗(yàn)

選取已經(jīng)預(yù)處理的218組有效歷史數(shù)據(jù)中的180組用于構(gòu)建軟測(cè)量模型，剩余38組用于驗(yàn)證軟測(cè)量模型的準(zhǔn)確性。采用經(jīng)遺傳算法優(yōu)化的SVR進(jìn)行分解爐分解率軟測(cè)量建模，遺傳算法中的參數(shù)設(shè)置為：最大進(jìn)化代數(shù)200，種群最大數(shù)量20，變量維數(shù)為3，變量的二進(jìn)制位數(shù)為20，代溝為0.9，參數(shù)C的變化范圍[Cmin，Cmax]，Cmin=0，Cmax=100，參數(shù)g的變化范圍[gmin，gmax]，gmin=0，gmax=100，參數(shù)ε的變化范圍[εmin，εmax]。經(jīng)遺傳算法選擇后C=42.6325，g=23.7862，ε=0.9680。為驗(yàn)證算法的有效性，使用交叉驗(yàn)證CV-SVR與僅使用遺傳算法對(duì)C、g、ε3個(gè)參數(shù)和C、g兩個(gè)參數(shù)進(jìn)行尋優(yōu)做對(duì)照實(shí)驗(yàn)。

使用筆者所述遺傳算法對(duì)SVR的3個(gè)參數(shù)C、g、ε進(jìn)行尋優(yōu)的預(yù)測(cè)結(jié)果如圖5所示。

圖5 GA-SVR算法軟測(cè)量預(yù)測(cè)結(jié)果

使用遺傳算法僅對(duì)SVR參數(shù)C、g進(jìn)行尋優(yōu)的預(yù)測(cè)結(jié)果如圖6所示。使用CV-SVR的預(yù)測(cè)結(jié)果如圖7所示。

圖6 C、g尋優(yōu)SVR預(yù)測(cè)結(jié)果

圖7 CV-SVR預(yù)測(cè)結(jié)果

仿真結(jié)果見(jiàn)表1，其中平方相關(guān)系數(shù)表示與原有數(shù)據(jù)的接近程度，值越接近于1與原模型越相近。

根據(jù)上述仿真結(jié)果，使用GA-SVR建立的水泥分解爐分解率軟測(cè)量模型，準(zhǔn)確率較高，具有良好的預(yù)測(cè)精度和泛化能力。

4 結(jié)束語(yǔ)

筆者針對(duì)目前新型干法水泥生產(chǎn)中，分解爐分解率無(wú)法在線進(jìn)行測(cè)量的問(wèn)題，使用遺傳算法對(duì)SVR進(jìn)行參數(shù)尋優(yōu)，建立了新型干法水泥分解爐分解率軟測(cè)量模型，具有良好的預(yù)測(cè)效果。仿真結(jié)果表明，本軟測(cè)量方法能夠滿足工業(yè)要求，對(duì)后期水泥生產(chǎn)的優(yōu)化控制有一定的指導(dǎo)作用。

表1 預(yù)測(cè)效果對(duì)比

[1] 陳全德，蘭明章．新型干法水泥技術(shù)原理與應(yīng)用講座(連載十二)第九講 回轉(zhuǎn)窯[J]．建材發(fā)展導(dǎo)向，2005，3(4)：22～28．

[2] 孔祥忠．中國(guó)水泥工業(yè)轉(zhuǎn)變發(fā)展方式的思路探討[J]．中國(guó)水泥，2012，(1)：15～18．

[3] 韓仲琦．中國(guó)水泥工業(yè)的歷史和發(fā)展(上)[J]．中國(guó)水泥，2002，(8)：8～12．

[4] 曹宏芳，付忠廣，齊敏芳.PSO-SVM軟測(cè)量方法在火電廠煤質(zhì)發(fā)熱量測(cè)量中的應(yīng)用[J]．熱能動(dòng)力工程，2014，29(6)：731～735．

[5] 顧亞祥，丁世飛.支持向量機(jī)研究進(jìn)展[J]．計(jì)算機(jī)科學(xué)，2011，38(2)：14～17．

[6] 李帷韜．水泥回轉(zhuǎn)窯燒成狀態(tài)識(shí)別與熟料質(zhì)量指標(biāo)軟測(cè)量的研究[D]．沈陽(yáng)：東北大學(xué)，2012．

[7] 王秀蓮，孫旭晨，王卓，等.基于局部PSO-LSSVM的水泥f-CaO測(cè)量方法研究[J]．控制工程，2014，21(6)：807～811．

[8] 劉文光，王孝紅，于宏亮，等.基于LS-SVM的水泥熟料煅燒過(guò)程f-CaO軟測(cè)量研究[J]．控制工程，2008，15(z2)：85～88．

[9] 周云龍，王迪．基于PSO-LS-SVM的主蒸汽流量測(cè)量[J]．化工自動(dòng)化及儀表，2015，42(4)：374～377．

[10] 熊偉麗，徐保國(guó).基于PSO的SVR參數(shù)優(yōu)化選擇方法研究[J]．系統(tǒng)仿真學(xué)報(bào)，2006，18(9)：2442～2445．

SoftMeasurementMethodforCementFurnaceDecompositionRateBasedonGA-SVR

JIN Xing, LI Bing-yan, ZHANG Yong-heng, QIN Shi-ling, XU Ting

(SchoolofElectricalandElectronicEngineering,ChangchunUniversityofTechnology,Changchun130012,China)

Considering the cement enterprise’s incapability of on-line detecting decomposition rate of the decomposing furnace at real time and basing on existing data from the enterpriser’s DCS system, making use of grey relation analysis method to analyze relationship between correlated variables and furnace’s decomposition rate was implemented, including having genetic algorithm adopted to optimize penalty parameterC, kernel widthgand loss coefficientεin SVR, and then having optimization result based to build SVR soft measurement model for the decomposition rate of the furnace. Comparing the models built through different methods proves that the decomposition rate prediction result of GA-SVR-based cement kiln decomposition model fits the true values well and has smaller errors; and it can stabilize the decomposition rate of the cement furnace.

soft measurement, GA-SVR algorithm, cement decomposing furnace

2016-01-17(修改稿)

吉林省科技廳項(xiàng)目(20150203003SF)

TH865

A

1000-3932(2016)08-0830-05