基于多核SVR的焦炉冷鼓系统预测模型

谢进 张世峰 沈聪

摘要：针对焦炉冷鼓系统具有强非线性，很难准确预测初冷器前吸力的输出值，本文利用机器学习方法，提出一种基于多核支持向量回归机的冷鼓系统预测模型;通过分析各类核函数对数据的处理能力，对核函数进行加权组合，选取最优的权重比例，构造多核支持向量回归机模型。仿真结果表明：与单一核函数的支持向量机预测模型相比，基于多核支持向量机预测模型，对初冷器前吸力的预测值更精确，误差更小，模型的预测性能有明显的提高。

关键词：焦炉冷鼓系统;多核支持向量回归机;预测模型

中图分类号：TP273;TQ520.5;TP183 文献标志码：A 文章编号：1008-4657（2020）05-0082-06

0 引言

焦炉集气管压力大小直接反应碳化室压力的变化，对炼焦过程至关重要，其稳定性不仅关系到焦炉寿命，更直接影响煤化工产品的质量和产能[1]。焦炉冷鼓系统主要功能是调节初冷器前吸力，而初冷器前吸力又影响整个集气管压力系统的稳定，同时也是焦化生产工艺流程的重中之重[2]。因此，建立准确科学的焦炉冷鼓系统预测模型非常重要。由于冷鼓系统建立的数学模型与实际生产状况息息相关，而生产过程又有加煤、推焦、换向之类的影响，因此一般的控制策略难以达到精准的控制效果[3]。在工业技术的进步下，基于人工神经网络的非线性控制有效的解决了这一问题。然而，该方法缺乏统一的数学理论基础，需借助经验，往往局限于局部最优解[4]。而支持向量机（Support Vector Regression，SVR）擅长解决非线性、多维和局部极小点这些问题。并且核函数通过加权组合后的多核SVR预测模型具有良好的学习能力和推广能力[5]。本文将多核SVR预测模型应用于焦炉冷鼓系统，可以解决系统的不确定性、非线性等一系列问题，达到提高模型精度的目标。

1 焦炉冷鼓系统过程分析

初冷器、鼓风机等装置构成了焦炉冷鼓系统，该系统是用来控制初冷器的前吸力。冷鼓系统如图1所示。

对于焦炉冷鼓系统的生产工艺中，参照生产标准，前吸力必须控制在-1.4 kPa至-1.0 kPa区间[6]。根据产生煤气量的大小，焦化厂实际运行一般分为：正常工况、检修工况、非正常工况[7]。针对不同的工况，吸力值也需要设定不同数值。通过大循环阀门，即图1中P3来控制初冷器前吸力，由于现场工况的变化及一系列干扰造成的影响，需要对前吸力实时调节以保持焦炉冷鼓系统的稳定。将焦炉冷鼓系统作为分析对象，由于它是一个集非线性、大干扰性于一身，工艺生产过程中出焦、加煤等操作都会对系统产生干扰。因此传统的模型辨识方法不能得到满意的辨识效果，因此本文将多核SVR应用于焦炉冷鼓系统模型的预测控制。

2 基于多核SVR焦炉冷鼓系统预测控制模型

SVR通过非线性函数φ（x）将xi映射到多维空间，且找到一个能精确表明输入数据和输出数据之间关系的函数f，SVR函数表示为[8]

其中Kxi，x=φ（xi）φ（x），核函数是对向量内积的空间扩展，使非线性回归的问题在经过核函数的转换后变成一个近似线性回归的问题，而多核函数遵循Mercer条件[10]，当K1和K2是定义在X×X上的核，XRn，f是X上的实值函數，映射φ：X→Rn，K3是定义在Rn×Rn上的核，A是一个n×n的半正定对称矩阵，可以组成下列新的核函数：

由于焦炉加热燃烧过程存在着强非线性的特征，单一的核函数往往难以得到令人满意的预测精度。基于核函数都拥有其自身的优缺点，径向基核函数（Radial Basis Function，RBF）特点是较适应非线性数据，学习能力强，但泛化效果差;而多项式核函数（Polynomial Kernel Function，POLY）虽然学习能力差，但具有全局性[11]。因此本文采取了RBF核函数和POLY核函数建立多核SVR模型，其函数表达式为：

3 焦炉冷鼓系统的辨识建模与预测控制

3.1 焦炉冷鼓系统的数据辨识建模

对于冷鼓系统的单输入单输出非线性离散系统

3.2 多核svm的焦炉冷鼓系统预测控制

基于多核SVR模型的焦炉冷鼓系统预测控制系统框图如图3所示

4 仿真结果及分析

我们对正常工况下收集到的120个数据进行划分，80个数据作为训练集，从而构建多核SVR预测模型。选取不同的权值来进行核函数组合的构建，其不同权重核函数的精度见表1。

由表1可知，当RBF核函数权重系数ρ=0.7时，以均方根误差为评价指标，由此可见，该条件下模型的均方根误差最小，预测精度最高。

为了验证该多核支持向量机建模的辨识精度，选取40个数据作为测试集。实验时，核函数组为ρ=0.7的高斯核函数和多项式核函数加权，不敏感值ε=0.000 1，正则化参数C=600。通过对我们的测试集进行测试，检验多核SVR模型在测试集上的预测性能。图4为多核支持向量机预测模型与单一核函数模型的预测性能对比，由图4可知，相较于单一核函数SVR模型，多核SVR模型的预测结果都更精确。图5为多核SVR与传统SVR模型的误差对比图，建模误差达到10-3，且多核SVR模型相对于单一核函数模型的误差更小，更能满足该系统要求。

从图5中可以得出，通过加权系数后的多核模型获得的预测结果都更接近实际值，误差也更小。由于焦炉加热燃烧是一个很复杂的工业过程，因此提出的多核预测模型能够在一定程度上提高系统的预测精度。

5 总结

本文提出基于加权组合的多核SVR的焦炉冷鼓系统的预测模型提高了系统初冷器前吸力的预测精度。对于数据源多变且伴有强干扰的非线性系统，在对核函数分析的基础上，对核函数进行加权合，设计出组合预测模型，仿真实验表明：该组合预测模型辨识误差更小，且精度更高，与传统的单一核函数SVR模型预测误差对比，优于传统的单一核函数SVR预测模型。对于非线性控制系统，可以通过将核函数按不同的权重组合进行建模，以得到更精准的控制效果。

参考文献：

[1] 张世峰，程曾婉，陈威，等.基于SVR的焦炉冷鼓系统预测控制[J].重庆大学学报，2017，40（9）：76-82.

[2] 陈威，张世峰.多核在线支持向量机算法研究及应用[J].宜宾学院学报，2017，17（6）：10-14.

[3] 徐国浪，魏延.基于多核函数的模糊支持向量机学习算法[J].重庆师范大学学报（自然科学版），2012，29（6）：50-53.

[4] Ali Mehrizad，Parvin Gharbani. Application of Central Composite Design and Artificial Neural Network in Modeling of Reactive Blue 21 Dye Removal by Photo-ozonation Process[J]. Water Science & Technology，2016，74（1）： 184-193.

[5] Setiono，Rintis Hadiani. Analysis of Rainfall-runoff Neuron Input Model with Artificial Neural Network for Simulation for Availability of Discharge at Bah Bolon Watershed[J]. Procedia Engineering，2015，125： 150-157.

[6] 张凯军，梁循.一种改进的显性多核支持向量机[J].自动化学报，2014，40（10）：2 288-2 294.

[7] 雷琪，李貴君，吴敏，等.不同核函数支持向量机的烟道吸力模型[J].自动化与仪表，2010，25（8）：5-9.

[8] 关慧敏，张世峰，董鑫，等.焦炉冷鼓系统自适应PID控制器设计[J].安徽工业大学学报（自然科学版），2016，33（2）：142-147.

[9] 张祝威，张世峰，程曾婉，等.焦炉冷鼓系统基于遗传算法的PI控制[J].荆楚理工学院学报，2018，33（4）：10-14，25.

[10] Paulson J A，Harinath E，Foguth L C，et al. Nonlinear Model Predictive Control of Systems with Probabilistic Time-invariant Uncertainties[J]. 2015，48（23）：16-25.

[11] Fan Y，Yan L，Zhu W，et al. Trajectory Tracking Method Based on Predictive Control in Virtual Domain[J]. Journal of Beijing University of Aeronautics & Astronautics，2017，43（9）：1 813-1 823.

[责任编辑：郑笔耕]