基于融合策略粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)出粉量優(yōu)化

李浩然,李 力,陸金桂

(南京工業(yè)大學(xué) 機(jī)械與動力工程學(xué)院,江蘇 南京 211800)

磨煤機(jī)系統(tǒng)[1]作為鍋爐重要的輔助設(shè)備,其出粉量直接影響著鍋爐的整體性能,但是由于磨煤機(jī)出粉量受諸多耦合因素的影響,在實際生產(chǎn)中很難直接測量,通常采取一些間接方法進(jìn)行測量。在間接測量中,目前采用的差壓法[2]、功率法[3]等都是依靠單一變量判斷磨煤機(jī)出粉量,這種方法存在一定的缺陷。近幾年來,隨著測量技術(shù)的不斷發(fā)展和完善,基于多變量的軟測量[4]方法被逐漸應(yīng)用。韓洪兆[5]以證據(jù)理論對鋼球磨煤機(jī)料位進(jìn)行了軟測量的研究,采用支持向量機(jī)建立證據(jù)合成(D-S)融合法則軟測量模型，對磨煤機(jī)進(jìn)行優(yōu)化。趙凱[6]基于神經(jīng)網(wǎng)絡(luò)模型對磨煤機(jī)的一次風(fēng)量進(jìn)行了軟測量。付國仙等[7]采用反向建模法基于神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)料位軟測量模型,對料位進(jìn)行了研究和優(yōu)化。但是只優(yōu)化單一變量對改進(jìn)出粉量的效果有限,本文通過研究進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度及電流等多個參數(shù)與出粉量的關(guān)系,綜合優(yōu)化多個參數(shù),最大限度提高出粉量,提高鍋爐整體性能。

誤差反向傳播算法(BP)神經(jīng)網(wǎng)絡(luò)作為軟測量方法中數(shù)據(jù)驅(qū)動建模方法中的一種,具有建模過程簡單方便、可操作性強(qiáng)等特點,是目前軟測量建模研究的熱點[8-9]。為了提高測量精度,通常采用融合策略優(yōu)化模型。黃珍等[10]以混沌粒子群融合果蠅算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對磨礦粒度進(jìn)行軟測量?？悍品芠11]以變步長最小均方算法(LMS)和改進(jìn)相似極值的集合經(jīng)驗?zāi)B(tài)(EEMD)分解信號特征提取的方法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,進(jìn)而對粉塵濃度進(jìn)行軟測量。白建云等[12]以BP神經(jīng)網(wǎng)絡(luò)建模對鍋爐生成的NOx質(zhì)量和濃度進(jìn)行了軟測量。由于研究的對象是磨煤機(jī)多個系統(tǒng)參數(shù)和出粉量之間復(fù)雜的非線性關(guān)系,而由于權(quán)閾值的選取問題,BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)值,導(dǎo)致迭代效果較差、精度較低,影響優(yōu)化效果。本文提出基于融合策略粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[13],以小生境法[14]改進(jìn)粒子群種群多樣性,有效增加粒子群算法多樣性,并提高尋優(yōu)速度;加入非線性變化的慣性權(quán)重,將學(xué)習(xí)因子與慣性權(quán)重相結(jié)合，并引入與慣性權(quán)重相關(guān)的時間因子,在提高粒子群算法統(tǒng)一性的同時，以慣性權(quán)重、學(xué)習(xí)因子來調(diào)整全局和局部搜索的平衡,達(dá)到提高精度和效率的雙重目的。

將融合策略粒子群算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合,發(fā)揮融合策略粒子群算法的尋優(yōu)能力,在權(quán)閾值空間搜索最佳權(quán)閾值,彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)軟測量模型的權(quán)值和閾值選擇不佳的缺陷,改善BP神經(jīng)網(wǎng)絡(luò)的非線性擬合能力,提高算法的速度和精度。利用該算法對磨煤機(jī)參數(shù)和出粉量建立軟測量模型,并與實際測量結(jié)果進(jìn)行對比,最后對磨煤機(jī)參數(shù)進(jìn)行優(yōu)化。

1 融合策略粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)軟測量模型

1.1 基本思路

基于BP神經(jīng)網(wǎng)絡(luò)的軟測量原理就是通過實驗點對輸入和輸出樣本之間的非線性映射關(guān)系不斷地擬合和學(xué)習(xí),最終獲得可靠的軟測量模型。本文的軟測量模型采用反向傳播的BP神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)的識別信息是按正向傳播的；但是其誤差信息是按反向傳播的,通過這種方式訓(xùn)練軟測量模型,當(dāng)輸出的出粉量與真實出粉量有較大的誤差時,神經(jīng)網(wǎng)絡(luò)模型就會將誤差信息由輸出層傳遞到隱含層,由隱含層傳遞到輸入層逆向傳播,之后采用誤差最速下降法修正各層之間權(quán)閾值,直至輸出數(shù)據(jù)的誤差小于設(shè)定的誤差。圖1為軟測量的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 軟測量神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Neural network structure of soft measurement

以磨煤機(jī)進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度、磨煤機(jī)電流數(shù)據(jù)為輸入層xi,隱含層為yj,出粉量為輸出層zk,出粉量的期望輸出為pk,vij和wjk分別為輸入層與隱含層、隱含層與輸出層之間的連接權(quán)閾值。BP神經(jīng)網(wǎng)絡(luò)連接權(quán)閾值通常是在[0,1]范圍內(nèi)隨機(jī)選取,而該選取方式導(dǎo)致算法收斂減慢且易陷入局部最佳值。普通粒子群算法將鳥群模型中鳥類的棲息地比作所求問題空間中的可能解的位置,通過粒子間信息傳遞,引導(dǎo)整體粒子向可能解方向移動,在此過程中逐步發(fā)現(xiàn)最佳解[15]。通過融合策略改進(jìn)粒子群算法，從BP神經(jīng)網(wǎng)絡(luò)權(quán)閾值空間中搜尋全局最佳權(quán)閾值，并賦予BP神經(jīng)網(wǎng)絡(luò)作為初始權(quán)閾值,構(gòu)建磨煤機(jī)參數(shù)和出粉量之間的軟測量模型,得到最優(yōu)出粉量預(yù)測值,并以此模型對參數(shù)進(jìn)行優(yōu)化。

1.2 融合策略優(yōu)化BP神經(jīng)網(wǎng)絡(luò)軟測量算法

1.2.1 小生境方法提高種群多樣性

若某個粒子在連續(xù)多次迭代中適應(yīng)度變化量很小,為保證迭代中粒子群算法的多樣性,通過以該粒子為中心,以該粒子和距該粒子最近的粒子之間的距離為半徑，構(gòu)造一個圓形小生境[16]。則小生境子粒子群(Sj)半徑(Rj)定義為

Rj=max{‖xj,g-xj,i‖}

(1)

式中:xj,g和xj,i分別為小生境子粒子群中最優(yōu)粒子(Sj,g)和其他非最優(yōu)粒子(Sj,i)的半徑。

在算法運(yùn)行過程中,若‖xi-xj,i‖≤Rj(xi為粒子i的半徑),則代表該粒子進(jìn)入了Sj覆蓋范圍,該粒子就會被該小生境子粒子群所吸收。同時,若兩個子粒子群最優(yōu)粒子距離≤子粒子群的半徑之差,則代表兩個子粒子群相交,需要將兩個子粒子群合并。

劃分完小生境群體后,首先對每個子粒子群采用粒子群算法進(jìn)行計算,得到各子粒子群最優(yōu)值,該最優(yōu)值只代表當(dāng)前子粒子群。隨后更新群體,計算各子粒子群適應(yīng)度,淘汰適應(yīng)度過低的粒子,同時若有粒子或子粒子群進(jìn)入Sj覆蓋范圍或兩個子粒子群相交,則吸收粒子或合并相應(yīng)子粒子群。最后再對新形成的小生境子粒子群采用粒子群算法迭代計算,重復(fù)以上步驟直到完成迭代次數(shù)或得到滿足要求的結(jié)果。具體步驟:

①初始化粒子群群體;

②找到中心粒子并確定半徑,劃分小生境子粒子群;

③使用粒子群算法迭代劃分后的子粒子群,得到子粒子群最優(yōu)值,并更新子粒子群;

④計算各子粒子群適應(yīng)度,淘汰適應(yīng)度低的粒子,吸收進(jìn)入小生境子粒子群半徑范圍的粒子,合并相交的子粒子群;

⑤更新小生境子粒子群,并重復(fù)進(jìn)行步驟③和④直至達(dá)到迭代次數(shù)或滿足精度要求。

該算法較傳統(tǒng)的粒子群算法在維持種群的多樣性方面有了很大的提升,可以提高收斂成功率，并能有效減少收斂時間。但是該算法中使用了傳統(tǒng)粒子群算法的迭代方法,在迭代中會因為其他參數(shù)的影響陷入局部最優(yōu)解,所以需要對算法進(jìn)行進(jìn)一步優(yōu)化。

1.2.2 慣性權(quán)重的動態(tài)調(diào)整

由于傳統(tǒng)粒子群算法的慣性權(quán)重通常是線性變化或不變的,而缺陷識別模型的輸入與輸出關(guān)系是復(fù)雜非線性關(guān)系,采用線性函數(shù)調(diào)整慣性權(quán)重會導(dǎo)致粒子的啟發(fā)性無法提高,導(dǎo)致算法陷入局部最優(yōu)解,無法獲得準(zhǔn)確的迭代數(shù)據(jù)。為了提高粒子的搜索能力,本文采用動態(tài)調(diào)整的非線性慣性權(quán)重公式代替原有的慣性權(quán)重公式,從而提高粒子的搜索能力、算法的效率以及精度。

以Sigmod函數(shù)為參考，并配合慣性權(quán)重的特征,使該函數(shù)能更好地調(diào)整慣性權(quán)重,將Sigmod函數(shù)變形套用于慣性權(quán)重(w)的變化，如式(2)所示。

(2)

式中：wmax為慣性權(quán)重最大取值,wmin為慣性權(quán)重最小取值,N′是迭代總次數(shù),n′為當(dāng)前迭代次數(shù)。

雖然使用該方法時，由于粒子會出現(xiàn)“靠攏”現(xiàn)象,即粒子都聚集在局部極值點附近,導(dǎo)致該算法陷入局部最優(yōu)解，但本文算法采用小生境法,將聚攏的粒子劃為小生境子粒子群,所得最優(yōu)解即為子粒子群最優(yōu)解,避免該算法由于粒子“靠攏”從而陷入局部最優(yōu)解。該算法能有效地提高粒子群算法的精度,但是慣性權(quán)重的非線性變化會導(dǎo)致學(xué)習(xí)因子難以與算法進(jìn)程統(tǒng)一,同時為了提高搜索速度,需要對學(xué)習(xí)因子進(jìn)行調(diào)整。

1.2.3 時間因子的調(diào)整

在進(jìn)化迭代過程中,慣性權(quán)重與學(xué)習(xí)因子往往是各自單獨(dú)調(diào)整的,從而導(dǎo)致算法迭代中統(tǒng)一性較弱,對于復(fù)雜的非線性迭代來說,會導(dǎo)致迭代過程變得困難,影響搜索時間和模型的識別精度。因此,用慣性權(quán)重的變化來控制學(xué)習(xí)因子的變化,增強(qiáng)慣性權(quán)重和學(xué)習(xí)因子之間的關(guān)系,能有效提高算法的優(yōu)化搜索能力。同時,在算法中引入時間因子,使其隨著迭代的次數(shù)增加而能有效控制粒子飛行速度,加快搜索效率,提高粒子搜索能力。

在粒子群算法中,粒子是以一定的飛行速度來尋找全局最優(yōu)解的,在這個過程中,粒子是基于學(xué)習(xí)和認(rèn)知來更新自身的速度與位置,而學(xué)習(xí)因子c1與c2則通過影響粒子的社會學(xué)習(xí)和自我認(rèn)知,從而對其運(yùn)行軌跡進(jìn)行控制。若設(shè)置的學(xué)習(xí)因子c1過大則會導(dǎo)致粒子在局部范圍內(nèi)活動；c2設(shè)置過大則會導(dǎo)致粒子“早熟”,收斂于局部極小值。為了保證學(xué)習(xí)因子的合理設(shè)置,同時為了保證學(xué)習(xí)因子與慣性權(quán)重的一致性,采用式(3)和(4)更新學(xué)習(xí)因子。

c1=c1s-(c1s-c1e)cosw

(3)

c2=c2s+(c2s-c2e)cosw

(4)

式中:c1s、c2s分別為學(xué)習(xí)因子的初始值,c1e、c2e分別為學(xué)習(xí)因子的終止值。

以此方式更新學(xué)習(xí)因子不僅能加強(qiáng)粒子與慣性權(quán)重之間的統(tǒng)一性,有效適應(yīng)復(fù)雜的非線性優(yōu)化；在前期的迭代中提高搜索速度,增強(qiáng)全局搜索能力;在后期迭代中加強(qiáng)粒子社會學(xué)習(xí)能力,得到較高精度的全局最優(yōu)解,提高迭代的精度。

同時,在粒子群算法中,粒子位置更新是以當(dāng)前位置與當(dāng)前速度之和來計算下一個位置的。然而速度和位置的量綱不同,不可以直接進(jìn)行運(yùn)算,將速度和時間相乘才能夠表示距離，從而與位置進(jìn)行計算,所以在傳統(tǒng)粒子群算法中其實也包含了時間量綱,只不過在傳統(tǒng)粒子群中將時間因子默認(rèn)為1,該做法會導(dǎo)致粒子在最優(yōu)解附近來回震蕩。因此，為了改變粒子的時間參數(shù),提高粒子搜索能力,在粒子群算法位置更新中加入時間因子(T),如式(5)所示。

(5)

式中:vid為當(dāng)前速度,xid為當(dāng)前位置,t為當(dāng)前時刻,pid為當(dāng)前粒子位置,pgd為上一時刻粒子位置,r1、r2為常數(shù)。

將T和w相關(guān)聯(lián),使時間因子隨著慣性權(quán)重的變化而變化,由于w是非線性減小的,迭代初期，w較大導(dǎo)致T也較大,能有效進(jìn)行快速全局搜索;而迭代后期，T會越來越小,有利于粒子在局部進(jìn)行全面搜索,找到全局最優(yōu)點。

利用該算法設(shè)計的磨煤機(jī)出粉量軟測量模型如圖2所示。

圖2 磨煤機(jī)出粉量軟測量模型Fig.2 Soft measurement model of pulverized coal mill output

2 出粉量軟測量實驗

2.1 實驗數(shù)據(jù)獲取

本文的研究對象為句容某電廠1#磨煤機(jī),通過數(shù)據(jù)服務(wù)器SCADA,從電廠DCS數(shù)據(jù)庫中采集了該磨煤機(jī)10 d的歷史運(yùn)行數(shù)據(jù),共11 748組數(shù)據(jù),從中篩選每天10組，共100組數(shù)據(jù)作為樣本,這些數(shù)據(jù)采自具有代表性的不同時間段和工況條件,且基本覆蓋了該磨煤機(jī)各參數(shù)的變化范圍。

2.2 算法參數(shù)設(shè)置與對比

從樣本數(shù)據(jù)中隨機(jī)選取80組數(shù)據(jù)作為模型的訓(xùn)練樣本,剩下20組數(shù)據(jù)作為模型的測試樣本,建立磨煤機(jī)出粉量軟測量模型。在MATLAB軟件中進(jìn)行融合策略粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)軟測量實驗[17]。BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置:神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)置為3,分別為輸入層、隱含層和輸出層,輸入層輸入個數(shù)為7(磨煤機(jī)各參數(shù)),輸出層輸出個數(shù)為1(出粉量)。根據(jù)經(jīng)驗公式K=2k+1(K為隱含層節(jié)點數(shù),k為變量數(shù)),隱含層節(jié)點數(shù)取為15;學(xué)習(xí)率較小,雖會犧牲計算速度但會提高算法的精度，故設(shè)置為0.1;由于需要達(dá)到足夠精度,所以神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)為10 000次;訓(xùn)練誤差即為精度，設(shè)置為10-6。融合策略粒子群算法參數(shù)設(shè)置:種群規(guī)模設(shè)置為50;wmax=0.9,wmin=0.5;w按照式(2)動態(tài)變化;學(xué)習(xí)因子設(shè)置為c1s=c2s=2,c1e=c2e=1。

2.3 計算結(jié)果分析

基于融合策略改進(jìn)的粒子群(PSO)優(yōu)化BP算法(PSO-BP)模型預(yù)測磨煤機(jī)出粉量，并與實際值進(jìn)行對比，結(jié)果如圖3所示,絕對誤差如圖4所示,算法迭代過程如圖5所示。

圖3 融合策略改進(jìn)PSO-BP模型的磨煤機(jī)出粉量預(yù)測值和實際值對比Fig.3 Comparisons between predicted coal mill based on PSO-BP model with fusion strategy and pulverized coal mill yield

圖4 融合策略改進(jìn)PSO-BP模型的磨煤機(jī)出粉量絕對誤差Fig.4 Absolutely error of pulverized coal mill output based on PSO-BP model with fusion strategy

圖5 融合策略改進(jìn)PSO-BP算法迭代尋優(yōu)效果Fig.5 Iterative optimization effect of PSO-BP algorithm with fusion strategy

由圖5可知：融合策略改進(jìn)PSO-BP算法僅通過10次左右的迭代便基本達(dá)到了訓(xùn)練精度,在通過50次迭代之后便基本達(dá)到了設(shè)定精度,可見該算法可有效提高粒子群的尋優(yōu)能力。通過設(shè)定較高的初始慣性權(quán)重和學(xué)習(xí)因子可使算法在迭代初期快速進(jìn)行全局搜索,并且由小生境法保證粒子種群多樣性,避免算法陷入局部最優(yōu)解,從而可快速找到全局最優(yōu)區(qū)域,即10次左右迭代便基本鎖定全局最優(yōu)區(qū)域。在尋找到全局最優(yōu)區(qū)域后,依據(jù)迭代進(jìn)程降低慣性權(quán)重和學(xué)習(xí)因子并加入調(diào)整的時間因子(式(5)),保證算法在局部的搜索精度,準(zhǔn)確找到全局最優(yōu)解,避免了在全局最優(yōu)區(qū)域的多次重復(fù)迭代,有效減少了迭代次數(shù),即在50次左右即搜尋到全局最優(yōu)解,達(dá)到設(shè)定精度。同時,最終得到的出粉量預(yù)測值與實際值平均相對誤差為3.813 9%,表明該算法對于誤差的控制較為出色。

為了驗證模型的泛化能力和尋優(yōu)精度,利用所建模型對磨煤機(jī)出粉量進(jìn)行仿真,并將該模型的仿真結(jié)果與傳統(tǒng)PSO-BP模型和BP模型仿真結(jié)果進(jìn)行比較。本文采用均方相對誤差、平均絕對誤差、平均相對誤差和平方相關(guān)系數(shù)4個統(tǒng)計學(xué)檢驗數(shù)據(jù)作為模型的評價指標(biāo)[18],如式(6)—(9)所示。

(6)

(7)

(8)

(9)

表1為3種模型所得誤差結(jié)果。由表1可得出:以融合策略改進(jìn)PSO-BP模型對磨煤機(jī)出粉量進(jìn)行軟測量,各項誤差均小于傳統(tǒng)PSO-BP和BP模型測量值,可見融合策略改進(jìn)PSO-BP模型精確度較高,在實際應(yīng)用中效果較好;且融合策略改進(jìn)PSO-BP模型的R2較其他方法所得結(jié)果更加接近1,精度提高較大,更適合磨煤機(jī)出粉量的軟測量。

表1 誤差對比結(jié)果

3 磨煤機(jī)出粉量優(yōu)化

為保證磨煤機(jī)在合理工況下運(yùn)行,同時有效地提高磨煤機(jī)的出粉性能,本文提出了基于融合策略改進(jìn)的粒子群優(yōu)化BP算法，以磨煤機(jī)出粉量模型為基礎(chǔ),選取磨煤機(jī)進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度及電流作為模型輸入變量,通過磨煤機(jī)出粉量模型進(jìn)行預(yù)測,得到磨煤機(jī)出粉量這個目標(biāo)量,利用粒子群算法對其進(jìn)行尋優(yōu),求得最大出粉量和其所對應(yīng)的運(yùn)行參數(shù)。出粉量的具體優(yōu)化過程:

①基于磨煤機(jī)的型號和工作環(huán)境,確定磨煤機(jī)運(yùn)行優(yōu)化的參數(shù)，并采集相應(yīng)數(shù)據(jù);

②采用BP神經(jīng)網(wǎng)絡(luò)對選出的磨煤機(jī)樣本點進(jìn)行學(xué)習(xí)訓(xùn)練,建立磨煤機(jī)出粉量模型;

③利用融合策略粒子群算法對所建出粉量模型尋優(yōu),計算其目標(biāo)函數(shù)輸出;

④判斷算法是否達(dá)到給定的迭代次數(shù),若達(dá)到則輸出尋優(yōu)結(jié)果,結(jié)束計算,否則轉(zhuǎn)到步驟③繼續(xù)進(jìn)行尋優(yōu)計算。

選擇融合策略改進(jìn)PSO-BP算法建立磨煤機(jī)出粉量預(yù)測模型,即磨煤機(jī)出粉性能優(yōu)化目標(biāo),如式(10)所示。

maxf(x)x=(x1,x2,…，x7)

(10)

式中:f(x)為磨煤機(jī)出粉量,x1為進(jìn)出口壓差,x2為進(jìn)口一次風(fēng)量,x3為進(jìn)口一次風(fēng)壓,x4為進(jìn)口一次風(fēng)溫,x5為出口風(fēng)粉壓力,x6為出口風(fēng)粉溫度,x7為電流。

根據(jù)實際情況,將優(yōu)化變量約束條件設(shè)置為采集到的各變量所有數(shù)據(jù)的最大值以及最小值,如式(11)所示。

(11)

設(shè)置變量范圍后,并以第2.2節(jié)方式對融合策略粒子群算法進(jìn)行設(shè)置,對磨煤機(jī)出粉量進(jìn)行優(yōu)化,結(jié)果如表2所示,優(yōu)化過程中迭代次數(shù)與出粉量的關(guān)系如圖6所示。

表2 磨煤機(jī)出粉量優(yōu)化結(jié)果

圖6 出粉量優(yōu)化效果Fig.6 Effects of optimizing pulverized coal mill output

由表2可以發(fā)現(xiàn):利用融合策略粒子群算法優(yōu)化的磨煤機(jī)參數(shù)中，進(jìn)出口壓差、出口風(fēng)粉壓力、出口風(fēng)粉溫度、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓均比采集數(shù)據(jù)對應(yīng)的值大,而磨煤機(jī)進(jìn)口一次風(fēng)溫及電流比采集值小,這在一定程度上符合實際生產(chǎn)情況。優(yōu)化后的出粉量比采集值還高7.574 8 t/h。由圖6可看出:通過40次左右的迭代,出粉量基本穩(wěn)定為87.243 3 t/h,說明基于融合策略改進(jìn)的PSO-BP算法對磨煤機(jī)出粉量進(jìn)行優(yōu)化是可行的。由此可見,在實際生產(chǎn)中,按照優(yōu)化的結(jié)果進(jìn)行生產(chǎn)可以在很大程度上增大出粉量,即可通過在進(jìn)口處加裝鼓風(fēng)設(shè)備或改變進(jìn)口大小、形狀來增大磨煤機(jī)進(jìn)口一次風(fēng)量和風(fēng)壓;通過改進(jìn)磨煤機(jī)密封系統(tǒng)或通過調(diào)整分離器、煤粉分配箱減小磨煤機(jī)通風(fēng)阻力，從而增強(qiáng)進(jìn)出口壓差和出口風(fēng)粉壓力;通過使用高質(zhì)量的煤或增加燃燒室的氧氣可有效提高出口風(fēng)粉溫度;通過給水方式調(diào)節(jié)進(jìn)口一次風(fēng)溫;通過改變電路電阻的方式調(diào)節(jié)電流。

4 結(jié)論

1)通過采集磨煤機(jī)進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度及電流參數(shù)對出粉量進(jìn)行軟測量,預(yù)估磨煤機(jī)出粉量。

2)以融合策略改進(jìn)PSO-BP算法進(jìn)行出粉量軟測量建模,以采集的磨煤機(jī)參數(shù)為輸入樣本,出粉量為輸出樣本進(jìn)行訓(xùn)練,最后以20組數(shù)據(jù)進(jìn)行軟測量模型的測試。試驗結(jié)果表明：融合策略改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)軟測量模型的平均相對誤差僅為3.813 9%,有較好的精度。同時通過與傳統(tǒng)BP模型和PSO-BP模型進(jìn)行對比,進(jìn)一步地體現(xiàn)了本文算法的優(yōu)越性和精確性。

3)以融合策略改進(jìn)PSO-BP算法對磨煤機(jī)出粉量進(jìn)行優(yōu)化研究,通過設(shè)置磨煤機(jī)各參數(shù)的范圍,并以各參數(shù)為輸入,出粉量為輸出,建立優(yōu)化出粉量模型,從而優(yōu)化磨煤機(jī)的出粉性能。通過適當(dāng)提高進(jìn)出口壓差、出口風(fēng)粉壓力、出口風(fēng)粉溫度、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓和降低進(jìn)口一次風(fēng)溫、電流,能有效提高磨煤機(jī)的出粉量,計算實例表明，最終得出的出粉量提高了7.574 8 t/h,證明本文算法在磨煤機(jī)出粉量優(yōu)化中的可行性和優(yōu)越性。