基于LSSVM 的工业锅炉燃烧性能指标软测量.pdfVIP

Technology 技术纵横 文献标识码：B 文章编号：1003-0492(2012) 10-0106-04 中图分类号：TK223.7 张德钦 （广西柳州钢铁集团公司计控所 ，广西 柳州 545002 ） 基于LSSVM的工业锅炉燃烧性能指标软测量 Soft-sensing of Industrial Boiler Combustion Performance Index Based on LSSVM 摘要：为实现工业锅炉的燃烧优化，需要实时掌握飞灰含碳量、炉渣残 [4] 型，文献 基于人工神经网络方法建立了锅炉炉渣残碳量的软测 碳量等燃烧性能指标的变化。本文采用最小二乘支持向量机 （LSSVM ） 量模型，并采用遗传算法优化神经网络参数。人工神经网络存在 建立了循环流化床锅炉 （CFBB ）燃烧性能指标的软测量模型，并提出一 的过学习、易陷入局部最优等缺点，使得泛化能力有限。支持向 种基于自然选择的粒子群算法来优化LSSVM参数。在此基础上，利用工 量机 （SVM ）基于结构风险最小化作为最小错误率准则，在小样 业锅炉现场数据，进行了本文的软测量模型与神经网络软测量模型的对 比研究，结果表明：本文方法具有精度高和泛化能力强的优点，可作为 本情况下表现出很强的泛化能力。基于支持向量机的回归建模已 工业锅炉飞灰含碳量、炉渣残碳量等燃烧性能指标的有效测量工具。 [5~7] 在多个领域获得了应用 。然而不同的参数选取，很大程度上影 关键词：飞灰含碳量；炉渣残碳量；最小二乘支持向量机；P SO参数寻 [8] 响了SVM的性能，当前通常使用的参数寻优方法是交叉验证法 优；自然选择 [9][10] 及遗传算法 ，交叉验证法十分耗时，且未必能寻找到最佳参 Abstract: For the implementation of industrial boiler combustion optimization ， 数；遗传算法需针对不同优化问题设置不同形式的交叉、变异， [11] it is necessary to monitor changes of combustion performance indexes, such 实施并不方便。粒子群优化算法是另一类进化算法，陈帅等 、 as carbon content of fly ash and boiler slag ．A natural selection based particle [12] 路志英等 采用惯性权值线性递减的PSO算法优化SVM模型，并