[发明专利]一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法

摘要

本发明针对优化的挥发窑工况操作模式获取困难，导致其生产过程经济指标波动较大，运行状况不稳定问题，发明了一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法。本发明为使挥发窑产品质量、能耗、有害气体排放工艺指标达到最优，利用基于粒子群算法的多目标优化方法寻找最优挥发窑工况操作模式。针对寻优过程适应度值无法获取问题，根据挥发窑的输入条件以及当前状态，建立基于最小二乘支持向量机回归的挥发窑工况评价模型，预测挥发窑工艺指标值，从而获得相应的适应度值。本发明所提方法有利于挥发窑生产过程节能减排水平的提高。

主权项

1.一种融合最小二乘支持向量机回归(LSSVM)与粒子群优化的挥发窑工况操作模式优化方法，其特征在于利用基于粒子群算法的多目标优化方法寻找最优挥发窑工况操作模式，使挥发窑产品质量、能耗、有害气体排放工艺指标达到最优。针对粒子群算法寻优过程中挥发窑工艺指标难以确定，导致适应度值无法获取问题，根据挥发窑的输入条件以及当前状态，建立基于LSSVM的挥发窑工况评价模型，预测挥发窑的工艺指标值，从而获得相应的适应度值。主要分为2部分：(1)建立基于最小二乘支持向量机回归(LSSVM)的挥发窑工况评价模型，预测挥发窑的工艺指标值，从而获得相应的适应度值。为提高模型预测性能，本发明分别运用3种常见的核函数建立LSSVM模型，并运用k层交叉验证方法选取预测误差最小的LSSVM模型评判挥发窑工况。在建模过程中需要确定模型的输入/输出及根据模型性能选取核函数参数。(2)基于粒子群算法的挥发窑工况操作模式优化，包括定义挥发窑的工艺指标，确定工艺指标参数取值范围；设定粒子群算法的寻优参数包括学习因子，最大进化代数，D维空间值，粒子个数，在整个搜索空间上随机初始化整个粒子群的位置和速度以及飞行速度的上下限值；算法收敛判断。其具体寻优步骤如下：Step1：初始化，设定粒子群算法寻优参数的取值范围包括学习因子c1，c2；最大进化代数tmax，D维空间值，在D维空间随机初始化整个粒子群的位置和速度，设定在D维空间随机产生m个粒子，第d个粒子(d＝1,2,…m)的位置表示为qdh＝(qd1,qd2…qdh)，飞行速度表示为vdh＝(vd1,vd2…vdh)，(h＝1,2,…D)，以及飞行速度的上下限值，根据工艺要求输入影响工艺指标值Idh变化的参数取值范围包括锌渣含量Z，窑尾烟气温度M，废气含尘浓度Q取值范围以及权重μ1，μ2，μ3取值；Step2：计算每个粒子在当前位置处的适应度值以及对应最优适应度值的最好位置记为qbestdh，在这里本发明根据第一部分步骤，采用基于LSSVM的挥发窑工况评价模型，预测挥发窑的工艺指标Idh，从而获得适应度值fitness(Idh)，且设定qbestdh＝fitness(Idh)。在整个群体中，所有粒子经历过的最优适应度值及对应的最好位置记为gbestdh且gbestdh＝max(fitness(I11),fitness(I21)…fitness(Idh))；Step3：在每次迭代过程中，每个粒子根据下面公式更新自己的速度和位置：vdh(t+1)＝vdh(t)+c1r1(qbestdh‑qdh(t))+c2r2(gbestdh‑qdh(t))qdh(t+1)＝qdh(t)+vdh(t+1)其中c1,c2为学习因子；r1,r2是[0，1]之间的随机数；t为当前进化代数。更新qbestdh和gbestdh，如果粒子当前的适应值qbestdh更优，则置qbestdh为当前值，并设qdh位置为D维空间中的当前位置；如果粒子当前的适应值gbestdh更优，则置gbestdh为当前粒子的适应值，并设gbestdh位置为D维空间中的当前位置；Step4：判断寻优是否达到最大进化代数t_max，或|v_dh^(t+1)‑v_dh^(t)|<ε，ε是粒子相邻进化代数之间速度变化的阈值，且I₀为临界性能指标值，如果是的则输出当前最优挥发窑操作模式即输出当前窑身转速，鼓风风压，鼓风风量，窑内负压值，否则t＝t+1转Step2。