基于MEA-BP的微波加热褐煤温度预测*

赵瑞勇， 周新志

(四川大学 电子信息学院，四川 成都 610065)



基于MEA-BP的微波加热褐煤温度预测*

赵瑞勇， 周新志

(四川大学 电子信息学院，四川 成都 610065)

对于微波干燥褐煤的温度采样数据具有多峰非平稳特性，采用小波阈值滤波能够较好地保留原始数据的细节信息。而直接使用反向传播(BP)神经网络来建立对微波加热物料温度预测模型，具有预测精度低、收敛速度慢且容易陷入局部极小点等缺点。采用具有极强全局寻优能力的思维进化算法(MEA)来优化BP(MEA-BP)神经网络的初始权值和阈值。实验结果表明：经MEA-BP神经网络具有更高的预测精度和泛化能力，预测性能得到了显著的提高。

思维进化算法； 反向传播(BP)神经网络； 小波变换； 微波加热； 温度预测

0 引 言

物料干燥主要通过表面热传导加热法和微波加热干燥法[1]。微波加热干燥法与传统的表面热传导加热法相比，具有即时性、整体性、选择性、能量利用的高效性、安全卫生无污染等优良特性，因此在工业上得到了越来越广泛的应用[2]。微波加热褐煤时，可能出现局部“热点”，温度急剧升高，导致温度失控，而传统的基于控制微波功率源的温度负反馈控制系统存在严重的时间滞后性，可能会引燃褐煤，甚至引发爆炸，因此存在严重的安全问题[3]。

智能实时控制微波加热的主要问题之一就是如何控制温度。由于温度负反馈控制系统和微波源功率调节存在严重的时间滞后问题，因此，能够对温度进行准确的预测就显得尤为重要。王德明等人[4]，李松等人[5]，杨建国等人[6]，Zheng Xie等人[7]都通过遗传算法优化反向传播(back propagation,BP)神经网络来建立预测模型，实验结果达到了更高的预测精度。但经典的遗传算法由于本身结构问题，存在计算时间长，易出现早熟现象，不能保证解是全局最优等缺点，因此本文选取具有快速学习，适应性强，具有极强全局寻优能力的思维进化算法(mind evolutionary algorithm,MEA)[8]。本文首先通过相关原则优化阈值的小波对微波加热褐煤的采集温度进行去噪，采用MEA优化BP(MEA-BP)神经网络的初始阈值和权值的方法进行了微波加热褐煤温度变化趋势预测。实验结果表明：经MEA-BP神经网络具有更快的收敛性，更强的适应性和更高的预测精度。

1 微波干燥褐煤系统的温度预测模型

1.1 小波阈值滤波对采样温度的处理

在微波干燥褐煤的温度采集过程中，红外测温仪受到褐煤不规则形状和水蒸气温度等因素的影响，使得采集到的温度会掺杂噪声，呈现非平稳的特性。在褐煤温度数据预处理过程中，温度采样信号中出现突变的地方，不能简单地当作噪声来滤除，应当考虑是否出现了热失控现象[9]。对于非平稳性信号，小波分析能同时在时频域中对信号进行分析，很适合于分析非平稳的信号和提取信号的局部特征[10]，因此，本文选取小波阈值去噪方法。小波阈值去噪方法的效果与合适的小波基、分解层数、阈值函数和分解后每一层阈值4个方面有关[11]。

小波阈值去噪方法常用的阈值处理方法有硬阈值法和软阈值法。由于硬阈值将绝对值小于阈值的元素置0，所以在阈值处会产生不连续的情况，而软阈值在阈值处是连续的，所以软阈值可以获得比硬阈值更好的结果[12]，因此，本文选用软阈值函数[13]，即

(1)

本文通过多次实验的方法，寻找最优的小波基和分解层数。采用信噪比(SNR)、均方误差(MSE)和自相关系数(R)作为评价准则。实验结果表明，选用db7小波基去噪效果优于其他dbN小波系去噪效果；选用sym8小波基去噪效果优于其他symN小波系去噪效果。选用db7，sym8及Haar小波基和不同的分解层数后，得到的结果如图1所示。

图1 不同小滤基去噪后的信噪比、均方误差和自相关系数曲线图Fig 1 SNR curves，MSE curves，autocorrelation coefficient curves after different wavelets denoising

由图1(a),(b),(c)分析可知，当选用db7小波基对温度采样数据进行1层分解去噪处理时，信噪比可以达到83.144 dB，均方误差为1.812 7，自相关系数为0.998 93，均优于以Haar或sym8作为小波基的性能。综上本文选用db7小波基对褐煤温度采样数据进行一层分解去噪处理。

1.2 MEA-BP预测温度模型建立

1.2.1 MEA优化BP神经网络

BP神经网络是一种误差BP、信号前向传递的多层前馈神经网络。BP神经网络由于其算法简单、可塑性好的特点，是目前网络训练权值通常采用的方法。本文中BP神经网络的拓扑结构为2—5—1，以微波干燥褐煤的反射功率和微波的加热时间为输入变量，以被干燥褐煤的温度为输出变量。

由于BP神经网络采用梯度下降法进行BP学习，因而造成了误差收敛速度慢，学习时间过长，学习过程易陷入局部极小值等缺点。通过遗传算法优化BP神经网络的权值和阈值，虽然拥有较强的全局搜索能力，但由于本身结构问题，依然存在易早熟、收敛时间长和不能保证解是全局最优等缺点，因此,本文选取了MEA-BP神经网络的初始权值和阈值。相比较于遗传算法，其主要有以下优点：1)MEA的趋同和异化可以并行，有利于提高运行效率。2)MEA可以记忆不止一代的进化信息，这些信息可以指导趋同与异化向着有利的方向进行。3)遗传算法中的交叉与变异算子均具有双重性，而MEA中的趋同和异化操作总是向着有利的方向。

采用MEA-BP神经网络的初始权值和阈值，其设计步骤流程如图2。

图2 思维进化算法设计思路Fig 2 Design idea of mind evolutionary algorithm

1.2.2 数据来源

本文中的实验数据取自于实际的工业生产线上采集到的数据，通过控制磁控管微波功率源的输出，进而控制被干燥褐煤的温度。工业现场的干燥系统主要由磁控管微波功率输入控制系统、传送带、红外测温仪传感器等组成。

在微波对褐煤加热过程中，对褐煤从初始温度加热到拟定的上限温度150 ℃。在系统加热过程中，每间隔30 s对煤炭进行温度采集并记录，同时记录该时刻的输入功率和反射功率值。

2 实验结果与分析

通过BP神经网络预测的温度图，如图3所示，BP神经网络预测的温度误差百分比图，如图4所示。

图3 BP神经网络预测的温度Fig 3 Predicted temperature of BP neural network

图4 BP神经网络预测的温度误差Fig 4 Predicted temperature error of BP neural network

在MEA-BP模型预测中，预测值与实际值如图5所示，误差百分比如图6所示。

图5 MEA-BP神经网络预测的温度Fig 5 Predicted temperature of MEA-BP neural network

图6 MEA-BP神经网络预测的温度误差Fig 6 Predicted temperature error of MEA-BP neural network

通过小波阈值滤波后的实际温度采样值与通过BP神经网络和MEA-BP神经网络对温度的预测值分析，采用均方根误差(RMSE)、自相关系数(R)和平均绝对误差(MAE)来评价神经网络的预测模型的性能，其对比如表1所示。

表1 神经网络预测模型的预测性能

表1中的性能评价指标反映了MEA-BP神经网络预测模型的均方根误差和平均绝对误差小于BP神经网络预测模型，而自相关系数高于BP神经网络预测模型。综上，BP神经网络对微波干燥煤炭的温度具有一定的预测能力，但其预测温度的误差比较大，但是，经过思维进化算法优化过的BP神经网络的预测误差明显减小。因此，MEA-BP神经网络预测模型相对于BP神经网络预测模型具有更高的预测精度，更好的泛化能力。

3 结 论

小波阈值去噪在时域和频域都具有良好的局部化特性，很适合于分析非平稳的信号和提取信号的局部特征，在微波干燥褐煤的工业现场中，对于褐煤的温度采样信号具有多峰非平稳特性，采用小波阈值滤波能够较好地保留原始数据的细节信息，使重构的温度信号具有较高的精度。本文采用了全局搜索能力极强的MEA-BP神经网络的阈值和权值，通过实验结果表明:经过MEA-BP神经网络具有较好的推广能力、更高的预测精度和更快的收敛速度[14]，这将对具有时变性、非线性和滞后性的微波干燥煤炭系统提供了理论的指导，为工业生产提供了新的技术支持。

[1] 王绍林.微波加热原理及其应用[J].物理，1997(4)：42-47.

[2] 刘志军，张璧光.微波加热在木材干燥中的应用[J].世界林业研究，2005(3)： 54-58.

[3] 刘长军，申冬雨.微波加热陶瓷中热失控现象的分析与控制[J].中国科学：技术科学，2008(7)：1097-1105.

[4] 王德明，王 莉，张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报:工学版，2012(5)：837-841,904.

[5] 李 松，刘力军，解永乐.遗传算法优化BP神经网络的短时交通流混沌预测[J].控制与决策，2011(10)：1581-1585.[6] 杨建国，赵 虹，岑可法.基于遗传算法优化的煤粉着火温度BP神经网络预测模型].煤炭学报,2006(2):211-214.

[7] Zheng Xie,Liang Mo.Study on the evaluation model of construction engineering quality based on GA-BP neural network.Communications in Information Science and Management Engineering,2012,2(6):26-30.

[8] 孙承意，谢克明，程明琦.基于思维进化机器学习的框架及新进展.太原理工大学学报，1999(5)：3-7.

[9] 黄卡玛，卢 波.微波加热化学反应中热失控条件的定量研究.中国科学：技术科学，2009(2)：266-271.

[10] 吴 勇.基于小波的信号去噪方法研究.武汉：武汉理工大学，2007：13.

[11] 茹 斌,张天伟,王宇欣.基于小波去噪及ARMA模型的故障率预测方法研究].测控技术，2014(10)：43-46,50.

[12] 吕瑞兰.小波阈值去噪的性能分析及基于能量元的小波阈值去噪方法研究].杭州：浙江大学，2003：85.

[13] Donoho D L.De-noising by soft-thresholding].IEEE Transactions on Information Theory,1995,41(3):613-627.

[14] 何小娟,曾建潮,徐玉斌.基于思维进化算法的神经网络权值与结构优化].计算机工程与科学,2004(5):38-42.

Research on temperature prediction of microwave heating lignite based on BP neural network optimized by mind evolutionary algorithm*

ZHAO Rui-yong, ZHOU Xin-zhi

(College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China)

Temperature sampling data of microwave drying lignite has multimodal non-stationary characteristics and using wavelet threshold filtering can keep details of original data very well.The temperature prediction model for microwave heating of lignite via back propagation(BP) neural network has low precision of prediction,slow convergence speed and easy to fall into local minima and other shortcomings.The mind evolutionary algorithm has strong global optimization capability to optimize initial weights and thresholds of BP neural network.The experimental results show that the BP neural network optimized by the mind evolutionary algorithm has higher prediction precision and generalization ability.The prediction performance has been significantly improved.

mind evolutionary algorithm(MEA); back propagation(BP) neural network; wavelet transform; microwave heating; temperature forecast

2016—01—05

国家重点基础研究发展计划(“973”计划)资助项目(2013CB328903)

10.13873/J.1000—9787(2016)10—0043—03

TP 183

A

1000—9787(2016)10—0043—03

赵瑞勇(1992-)，男，河北邯郸人，硕士研究生，主要研究方向为模式识别与智能系统。