PCA-SS-LSSVM在循環(huán)冷卻水結垢預測中的應用

董 超 胡艷珍 李晨光

(1.天津理工大學天津市復雜系統(tǒng)控制理論及應用重點實驗室；2.中國石油化工股份有限公司天津分公司)

PCA-SS-LSSVM在循環(huán)冷卻水結垢預測中的應用

董 超1胡艷珍1李晨光2

(1.天津理工大學天津市復雜系統(tǒng)控制理論及應用重點實驗室；2.中國石油化工股份有限公司天津分公司)

采用主成分分析-分散搜索算法-最小二乘向量機(PCA-SS-LSSVM)算法對某石化企業(yè)近幾年的生產(chǎn)數(shù)據(jù)進行建模預測。經(jīng)過實驗仿真表明：該算法能及時準確地預測粘附速率。

PCA-SS-LSSVM算法 循環(huán)冷卻水 結垢 動態(tài)建模 動態(tài)仿真

循環(huán)冷卻水系統(tǒng)是遍及石化、冶金及電力等工業(yè)部門的用水系統(tǒng)，是流程工業(yè)重要的公用工程，其運行質(zhì)量直接以及生產(chǎn)裝置和設備安全，關系到產(chǎn)品的產(chǎn)率和質(zhì)量。腐蝕和結垢是循環(huán)冷卻水系統(tǒng)中的常見故障。隨著循環(huán)冷卻水的不斷重復利用，受到水源、工藝條件及工藝介質(zhì)等的影響，循環(huán)冷卻水水質(zhì)會不斷惡化，容易導致設備形成水垢，產(chǎn)生腐蝕，進而影響設備壽命、安全生產(chǎn)和經(jīng)濟運行。為此，只有合理、準確判斷水質(zhì)特性才能采取相應的措施來預防腐蝕和結垢問題[1]。循環(huán)冷卻水結垢是受多個因素影響的典型復雜非線性問題[2]。PCA-SS-LSSVM可以很好地實現(xiàn)降維和非線性預測算法，故筆者采用該算法對結垢問題進行預測研究。

1 PCA-SS-LSSVM

PCA-SS-LSSVM是一種標準支持向量機的改進組合算法。采用最小二乘線性方程代替?zhèn)鹘y(tǒng)標準向量機中ε不敏感損失函數(shù)，從而將原來的非線性約束轉變?yōu)榫€性約束[3,4]。利用分散搜索算法(SS)對懲罰因子和核函數(shù)寬度進行尋優(yōu)，從而找到最優(yōu)組合來提高模型的精度[5,6]。由此就形成了擴展的向量機SS-LSSVM。由于結垢問題受到眾多因素影響，因此引入了主成分分析(PCA)對它進行降維處理，以達到不影響模型精度的條件下提高計算速度的目的[7,8]。PCA-SS-LSSVM算法結構框圖如圖1所示。

圖1 PCA-SS-LSSVM算法結構框圖

由圖1可知該算法的輸入變量在經(jīng)過PCA降維處理之后得到主成分，并將它作為模型的輸入進行訓練建模。其中模型的參數(shù)尋優(yōu)由SS得到。經(jīng)過SS-LSSVM的建模預測之后輸出變量，當輸出變量的誤差允許值超過設定范圍，則返回輸入重新計算。

2 基于PCA的結垢因素相關性分析

主成分分析是把各變量之間互相關聯(lián)的復雜關系進行簡化分析的方法。在力求數(shù)據(jù)信息丟失最少的原則下，對高維的變量空間降維。

本文實驗研究中選取了天津某石化200天的實際生產(chǎn)數(shù)據(jù)，對結垢有影響的因素有15個(表1)，初始樣本見表2、3。

表1 參數(shù)名稱對應表

表2 初始樣本數(shù)據(jù)(一)

表3 初始樣本數(shù)據(jù)(二)

將上述數(shù)據(jù)導入SPSS軟件中進行主成分分析，主成分貢獻率見表4，圖2為特征值的碎石分布。

表4 特征值及其累積貢獻率

(續(xù)表4)

從表4可以看出，前6個主成分的累積貢獻率已超過90%。另外，在圖2中，主成分數(shù)在序號2處有明顯拐點，但要求提取的主成分包涵原信息的90%以上，為此提取的主成分個數(shù)為6，其中F1～F6為降維后的6個新變量，通過特征值向量表示為：

F1=-0.149X1+ 0.025X2-0.146X3+0.050X4+0.105X5+0.027X6+0.161X7+0.039X8+0.152X9-0.013X10+

0.157X11- 0.053X12- 0.167X13+ 0.050X14+ 0.158X15

F2=0.134X1+0.169X2+0.080X3-0.139X4-0.560X5+0.097X6-0.058X7+0.155X8-0.016X9+0.490X10-

0.054X11+0.307X12+0.053X13+0.106X14-0.071X15

F3=0.074X1+0.107X2+0.043X3+0.422X4-0.030X5+0.020X6+0.006X7+0.808X8+0.043X9+0.225X10+

0.005X11+0.180X12-0.012X13+0.129X14+0.043X15

F4=0.048X1+0.006X2+0.027X3-0.058X4+0.048X5-0.001X6+0.097X7+0.005X8+0.080X9-0.060X10+

0.062X11-0.661X12-0.158X13+0.034X14-0.050X15

F5=0.028X1+0.165X2-0.001X3+0.144X4+0.120X5-0.069X6-0.027X7-0.143X8-0.012X9+0.102X10-

0.019X11+0.248X12+0.082X13-0.845X14-0.068X15

F6=0.049X1+0.047X2+0.003X3+0.245X4-0.074X5+0.949X6+0.010X7-0.079X8+0.024X9+0.112X10+

0.009X11+0.065X12+0.007X13+0.091X14+0.036X15

圖2 特征值的碎石分布

3 基于SS-LSSVM的預測模型

3.1用SS優(yōu)化LSSVM模型

SS算法是一種功能等同于GA、PSO等的優(yōu)化算法，其目的是尋找懲罰因子與核函數(shù)寬度的最優(yōu)化解。SS算法較GA有實現(xiàn)動態(tài)跟蹤功效，較PSO可以避免局部尋優(yōu)弊端[9～11]。

筆者利用SS算法優(yōu)化LSSVM模型，就是要尋找懲罰因子C與核函數(shù)寬度γ，使得LSSVM訓練集中預測均方差E最小、決定系數(shù)R最大，目標優(yōu)化模型為：

式中l(wèi)——訓練集中樣本個數(shù)；

在訓練LSSVM中，關于解的編碼是通過令個體I=(C,γ),其中懲罰因子C=(0.01,1000),核函數(shù)γ=[0.1,100]，另外SS算法參數(shù)設置為：初始解集的大小N=100，參考集中高質(zhì)量解集和多樣性解集的個數(shù)分別為10、10；局部搜索過程中迭代次數(shù)最多為30，終止參考集更新的迭代次數(shù)為200。在保證E最小、R最大的條件下，一次迭代計算，得到最優(yōu)的懲罰因子C=10.2751，核函數(shù)γ=0.0326。此時SS算法的收斂曲線如圖3所示。

圖3 SS算法收斂曲線

3.2實例仿真

將降維后得到的主成分作為模型的輸入，其中原始樣本的五分之四為訓練集，五分之一為測試集。仿真結果如圖4～7所示。

圖4 SS-LSSVM仿真結果

圖5 PSO-LSSVM仿真結果

圖6 GA-LSSVM仿真結果

圖7 LSSVM仿真結果

其中mse為誤差標準。由圖可知， SS-LSSVM可達到的精度為97.945%，PSO-LSSVM可達到的精度為93.063%，GA-LSSVM可達到的精度為90.688%，LSSVM可達到的精度為84.433%。各算法的誤差見表5。

表5 各算法誤差比較

4 結束語

在標準支持向量機上進行改進組合，形成了SS-LSSVM算法，該算法比SVM具有精度高、收斂速度快及泛化能力更強等優(yōu)勢。在優(yōu)化模型時，分散搜索算法比遺傳算法(GA)、粒子群算法(PSO)有更好的服務作用。此外引入了主成分分析法對輸入變量進行了降維，降維后輸入維數(shù)大幅降低，且所提取的主成分包含了原樣本數(shù)據(jù)90%以上的信息，保證不丟失數(shù)據(jù)的同時達到了減少計算資源等目的。通過仿真比較得出了PCA-SS-LSSVM的模型具有很高的精度，證實該算法具有很強的可行性和實用性，能夠為循環(huán)冷卻水結垢的預防提供精準的參考意義。

[1] 張凌峰.工業(yè)循環(huán)冷卻水智能輔助分析平臺的關鍵技術研究[D].天津：天津理工大學,2012.

[2] 董超,張凌峰,李榮，等. 循環(huán)冷卻水系統(tǒng)腐蝕速率的預測模型[J].化工自動化及儀表,2011,38(6):676～678.

[3] 顧燕萍，趙文杰，吳占松.最小二乘支持向量機的算法研究[J].清華大學學報，2010,50(7)：1063～1066，1071.

[4] Huang W, Huang F C, Song J. Water Quality Retrieval and Performance Analysis Using Landsat Thermatic Mapper Imagery Based on LS-SVM[J]. Journal of Software, 2011, 6(8):411～422.

[5] Gorjaei R G, Songolzadeh R, Torkaman M, et al. A Novel PSO-LSSVM Model for Predicting Liquid Rate of Two Phase Flow through Wellhead Chokes[J]. Journal of Natural Gas Science and Engineering, 2015, 24: 228～237.

[6] Gao J, Yu J, Leng Z.The Application of PSO-LSSVM in Fault Diagnosis of Subway Auxiliary Inverter[J]. International Journal of Research and Surveys, 2013, 4(3): 777～784.

[7] 周松林,茆美琴,蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡的風電功率預測[J].電網(wǎng)技術,2011,35(9):128～132.

[8] 孫劉平,錢吳永. 基于主成分分析法的綜合評價方法的改進[J].數(shù)學的實踐與認識,2009,39(18):15～20.

[9] 王曉晴，唐加福，韓毅.分散搜索算法研究進展[J].系統(tǒng)仿真學報，2009,21(11)：3155～3160.

[10] 郭希旺,劉士新,王大志.多目標拆卸序列優(yōu)化問題的分散搜索算法[J].東北大學學報(自然科學版),2012,33(1):56～59.

[11] 朱文興,程泓.VISI電路劃分問題的分散搜索算法[J].電子學報,2012,40(6):1207～1212.

PCA-SS-LSSVMApplicationinPredictingtheFoulingofCirculatingCoolingWater

DONG Chao1, HU Yan-zhen1, LI Chen-guang2

(1.TianjinKeyLaboratoryofControlTheory&ApplicationinComplicatedSystems,TianjinUniversityofTechnology;2.SinopecTianjinBranchCo.)

PCA-SS-LSSVM algorithm was used to predict the production data of a petrochemical enterprise in recent years. Simulation results show that, this algorithm can predict the adhesion rate accurately and timely and it has important guiding significance in improving production efficiency and reducing operating costs.

PCA-SS-LSSVM algorithm,fouling of cirulating cooling water,dynamic modeling, dynamic simulation

董超(1978-)，副研究員，從事過程控制的研究。

聯(lián)系人胡艷珍(1992-)，碩士研究生，從事循環(huán)冷卻水腐蝕結垢預測的研究， 1484324506@qq.com。

TH865；TP391

A

1000-3932(2017)11-1056-05

2017-05-18，

2017-09-13)