基于SOA-ELM的水泥分解炉温度预测

王盛慧，王金有

（长春工业大学电气与电子工程学院，吉林长春130012）

基于SOA-ELM的水泥分解炉温度预测

王盛慧，王金有

（长春工业大学电气与电子工程学院，吉林长春130012）

在变工况的水泥生产过程中，为预知风、煤、料的投入量，提出一种基于人群搜索算法（SOA）优化极限学习机（ELM）的水泥分解炉温度预测模型。采用现场数据，选取相关因素，用ELM建立预测模型，通过SOA对ELM的输入输出权值进行动态寻优，克服其初始权值的随机性，实现分解炉温度的预测。与未优化权值的ELM模型和利用粒子群算法（PSO）优化的ELM模型进行仿真对比，实验表明该SOA-ELM模型具有更佳的预测能力。在隐层节点数为9时，该模型的预测值与真实值的平均相对误差为0.0045%。该模型的建立，可为后期的分解炉温度控制提供依据。

水泥分解炉温度；预测模型；人群搜索算法；极限学习机

0 引言

在水泥生产线中，分解炉的作用是对水泥生料进行预分解，其分解率对于提高水泥熟料的产量与质量至关重要[1]。为了使分解炉始终保持在较高的分解效率、较好的燃烧状态，需要将其温度控制在一定的参数范围内[2]。在变工况的水泥生产线中，风、煤、料的投入量需要随工况的变化而变化，如果投入量变化不及时，就会使分解炉温度产生较大波动，从而导致水泥质量降低[3]。因此，需要一种分解炉温度预测模型来预知不同工况下的风、煤、料的投入量，通过提前调解减少温度的波动。

本文采用极限学习机（extreme learning machine，ELM）与人群搜索算法（seeker optimization algorithm，SOA）对水泥分解炉温度进行预测。首先，选取影响分解炉温度的因素，采集现场数据，利用ELM易于实现、速度快、泛化能力强的优点建立预测模型[4]，并用SOA对ELM的输入、输出权值进行寻优。借助仿真，验证本模型预测结果的准确性。

1 极限学习机

由于单隐含层反馈神经网络缺少快速学习的方法，并且每次迭代所需时间过长，因此黄广斌等[5]提出一种新型的神经网络——ELM。实践证明，ELM的泛化能力优于误差反向传播这类算法；并且ELM通过直接建立单隐层神经网络，避免了传统算法的局部最优、过拟合等问题[6]；以往一些经典的算法在训练单隐含层神经网络时，每次迭代需要调整n·（L+1）+L·（M+1）个值，而ELM只需要求出权重即可，大大节省了时间[7]。基于以上优点，ELM成为研究热点。ELM的训练模型如图1所示。

图1 ELM训练模型

假设给定样本，输入xi=[xi1，xi2，…，xin]T∈Rn，输出ti=[ti1，ti2，…，tim]T∈Rm，隐层节点为k个，激活函数为g（x）的ELM模型可以表示为

式中：ωi——输入权值矩阵；

bi——隐含层偏置；

βi——输出权值矩阵；

yj∈Rn——网络输出值；

g（ωi·xj+bi）——激活函数。

上述方程的矩阵形式为

式中：H——ELM的输出矩阵；

T——输出向量。

根据式（3），寻找最优的权值βˆ使得目标函数（实际值跟期望值差的平方和）最小。根据广义逆的理论，其解为

式中H+为H的Moore-Penrose广义逆。

2 SOA算法

2.1 SOA的基本原理

SOA的基本原理是把需要优化的问题转化为人群寻找最佳位置的过程，每个搜寻者所在位置都是一个候选解[8]。搜寻者记录自己的最佳历史位置和邻域历史最佳位置，结合自己过去的行为和环境的反馈，决定寻找最佳位置的方向。当搜寻者位置较差时，增大搜索范围，以快速寻找到最佳位置；当搜寻者位置较优时，缩小搜索范围，以增加搜索准确度，搜索范围即搜索步长[9]。在本模型中，SOA的主要作用是对ELM的权值进行优化，目标是使预测准确度达到最佳，通过迭代比较，选出最佳的搜寻者位置。

2.2 搜索步长的确定

SOA的不确定推理行为是利用模糊系统的逼近能力来模拟人的智能搜索行为，用以建立感知（目标函数值）和行为（步长）之间的联系[10]。根据上述分析，可以采用高斯函数表示搜索步长模糊变量：

式中：μA——高斯隶属度；

x——输入变量；

u、δ——隶属度函数参数。

SOA应用在不同问题中，其目标函数值往往不同，这就需要设计一个泛化能力强的系统，将目标函数值转换为从1到S（S是种群规模）的自然数作为输入。采用线性隶属度函数，使隶属度直接与函数排列顺序成正比，即在最佳位置有最大隶属度值μmax=1.0。当输出变量超出[u-3δ，u+3δ]时，隶属度小于0.0111，没有实际意义，故设定最差位置有最小隶属度μmin=0.0111。在其他位置μ〈1.0[11]，如下式：

式中：μi——目标函数值i的隶属度；

μij——j维搜索空间目标函数值i的隶属度；D——空间维数。

由式（7）得出隶属度μij后，由不确定性推理可得步长：

式中：αij——j维搜索空间的搜索步长；

δij——高斯隶属度函数参数。

δij的值为

式中：xmin、xmax——同一种群中的最小和最大函数值的位置；

ω——惯性权值，随进化代数的增加从0.9线性递减至0.1；

iter、itermax——当前迭代次数和最大迭代次数。

2.3 搜索方向的确定及个体位置更新

通过结合利己行为、利他行为和预动行为，得到搜索方向：

式中：dij，ego（t）——搜寻个体利己方向；

dij，alt（t）——搜寻个体利他方向；

dij，pro（t）——搜寻个体预动方向；

ω——惯性权值，随进化代数的增加从0.9递减至0.1；

φ1、φ2——[0，1]内的随机数。

位置更新公式

3 SOA-ELM模型

SOA-ELM模型的原理如图2所示。其工作流程[12]如下：

1）确定ELM的输入、输出和隐含层节点数目；

2）搜寻者空间维数为：隐含层节点数×（输入节点数+输出节点数），初始化每个搜寻者的位置；

3）利用ELM进行训练，计算搜寻者个体的适应度值（均方差）；

4）对比选出具有最佳适应度值（均方差最小）的个体；

5）根据搜索步长与搜索方向更新搜索者位置；

6）若达到迭代次数，将最佳值赋给ELM，否则返回步骤3）。

图2 SOA-ELM原理图

4 仿真分析

本文选取吉林亚泰水泥有限公司双阳建材公司2000T/D水泥生产线的100组水泥生产参数数据，其中80组用作训练样本，剩余20组用作测试样本，进行仿真验证。经过分析，选取影响分解炉温度的相关因素：喂煤量、喂料量和3次风压。将以上因素作为SOA-ELM模型的输入，分解炉温度作为输出。SOA的参数选取：种群规模为30，最大迭代次数为50，最小与最大权值分别为0.1、0.9，隐含层神经元数为9。SOA-ELM的收敛曲线如图3所示。

图3 SOA-ELM模型的收敛曲线

由图可知，SOA-ELM最终测试集误差的均方差最佳值达到0.0205。SOA-ELM模型预测水泥分解炉温度训练集与测试集的预测效果如图4、图5所示。

其中，训练集的平均绝对误差为0.372℃，训练集的平均相对误差为0.000 092%，误差均方差为0.3434；测试集的平均绝对误差为0.1833℃，测试集的平均相对误差0.0045%。可见，SOA-ELM模型预测准确度较高。

图4 水泥分解炉SOA-ELM预测模型训练集的预测结果

为验证本模型的泛化性，分别在隐含层节点数为5，6，7，8，9，10，15的情况下，对SOA-ELM、PSO-ELM、ELM模型进行仿真，每组仿真20次，取均值作为最终结果。PSO的参数选取：c1、c2均为1.5，种群规模为30，最大迭代次数为50，最小与最大权值分别为0.4、0.9，隐含层神经元数为9。仿真结果见表1。

由表可知：在任一隐层节点数下，测试集中SOAELM比PSO-ELM、ELM的预测准确度高；随着隐层节点数的增加，几乎所有模型的训练集预测准确度都有所提高；随着隐层节点数的增加，SOA-ELM模型的测试集均方差先减小后增大，在隐层节点数为9时，预测准确度最好。

图5 水泥分解炉SOA-ELM预测模型测试集的预测结果

5 结束语

1）本文提出了一种基于SOA-ELM的水泥分解炉温度预测模型，可以替代以往复杂的分解炉温度测量方法，并且在隐层节点数为9时，取得较高的预测准确度。

2）在不同工况下，为了维持分解炉温度稳定，可依据本模型预知喂煤量、喂料量和3次风压的值，缩减风煤料比例失衡的情况，以减少操作周期。

表1 SOA-ELM、PSO-ELM和ELM模型在不同隐层节点数下的预测均方差

3）本预测模型的建立，可以为后期控制分解炉温度提供依据，为水泥生产线的优化提供便利。

[1]段鹏君.水泥生料分解炉温度过程建模方法研究[D].沈阳：东北大学，2012.

[2]谭永彦.水泥生产分解炉温度预测控制软件的研发[D].沈阳：东北大学，2011.

[3]金星，徐婷，王盛慧，等.基于IPSO-SVR的水泥窑尾分解率软测量研究[J].中国测试，2016，42（11）：89-93.

[4]李军，李大超.基于优化核极限学习机的风电功率时间序列预测[J].物理学报，2016，65（13）：39-48.

[5]HUANG G B，WANG D H，LAN Y.Extreme learning machines：a survey[J].InternationalJournal of Machine Learning and Cybernetics，2011，2（2）：107-122.

[6]肖冬，王继春，潘孝礼，等.基于改进PCA-ELM方法的穿孔机导盘转速测量[J].控制理论与应用，2010，（1）：19-24.

[7]甘露.极限学习机的研究与应用[D].西安：西安电子科技大学，2014.

[8]陈黎卿，胡冬宝，陈无畏.基于人群搜索算法的四驱汽车扭矩分配控制策略[J].农业机械学报，2015，46（11）：369-376.

[9]余胜威，丁建明，曹中清.改进SOA算法在焊缝图像分割中的应用[J].铁道科学与工程学报，2015（6）：1471-1477.

[10]余胜威，曹中清.基于人群搜索算法的PID控制器参数优化[J].计算机仿真，2014，31（9）：347-350，373.

[11]丁继国，涂嘉庆.搜寻者优化算法在电容器功率配置中的应用[J].电子元件与材料，2014，33（12）：105-106.

[12]魏立兵，赵峰，王思华.基于人群搜索算法优化参数的支持向量机短期电力负荷预测[J].电测与仪表，2016，53（8）：45-49，74.

（编辑：商丹丹）

Temperature prediction of cement decomposing furnace based on SOA-ELM

WANG Shenghui，WANG Jinyou
（College of Electrical and Electronic Engineering，Changchun University of Technology，Changchun 130012，China）

A temperature prediction model of cement decomposing furnace based on extreme learning machine(ELM)which was optimized by seeker optimization algorithm(SOA)was proposed to predict the input quantity of wind，coal and cement during cement production under variable working conditions.It could overcome the randomness of initial weight value of ELM to achieve prediction of decomposing furnace temperature based on dynamic optimization via the input and output weight of SOA to ELM and the way of establishing prediction model by using ELM according to field data and relevant factors.Simulation comparison test between it with ELM with non-optimized weight value and ELM model optimized based on particle swarm optimization(PSO)was carried out.The test results show that the SOA-ELM model has better prediction ability.When the number of nodes in hidden layer is 9，the average relative error between the predicted value and the true value of the model is 0.0045%.The establishment of this model provides a basis for the temperature control of the decomposing furnace at the later stage.

cement decomposing furnace temperature；prediction model；SOA；ELM

A

1674-5124（2017）08-0091-04

2017-02-05；

2017-03-23

吉林省科技厅项目（20150203003SF）

王盛慧（1976-），女，河北沧州市人，副教授，硕士，主要从事数字传动与电力节能技术研究。

10.11857/j.issn.1674-5124.2017.08.019