基于最小二乘支持向量机和遗传算法氧化铝悬浮焙烧能耗估计建模.docVIP

基于最小二乘支持向量机和遗传算法氧化铝悬浮焙烧能耗估计建模 　　摘 要：针对氧化铝悬浮焙烧能耗信息表征和模型应用的实际需求，建立一种最小二乘支持向量机（LSSVM）能耗估计模型。基于该类模型结合遗传算法（GA）提出一种模型参数优化和工业应用策略。采用灰关联分析确定模型的主输入为主炉温度、烟气含氧量、原料含水量；采用K折交叉验证优化样本数据；采用比较模型预测误差确定核函数为径向基函数（RBF）核。建立输入为能耗参数，输出为模型标志的支持向量机工况模型选择器。能耗估计模型的自学习与动态优化通过样本的更新和聚类实现，模型的选择和投运通过模型选择器依据工况状态实施切换。实验结果表明，建立的焙烧能耗估计模型和模型应用策略，能提高模型的泛化能力、增强模型的工况适应性，是一种有效的焙烧能耗参数估计和分析方法。 　　关键词：氧化铝；气态悬浮炉焙烧；能耗模型；最小二乘支持向量机；遗传算法 　　0 引言 　　在氧化铝工业中，气态悬浮炉作为一种焙烧设备已被广泛应用。开展气态悬浮焙烧过程的参数状态监测和能耗估计分析，对生产过程的优化调节和管理具有重要意义。通过建立焙烧能耗描述模型，借助模型对焙烧过程能耗状况分析和预测是一种有效的优化操作和管理措施。目前有两种建立能耗估计模型的方法：1）基于机理或经验公式的过程描述，如气态悬浮焙烧过程的计算流体动力学（Computational Fluid Dynamic， CFD）建模和数值模拟[1]；2）基于数据驱动模型的描述。通过对过程参数信息的在线采集，获得大量蕴含过程信息的数据样本，基于样本数据集建立过程描述模型。描述氧化铝焙烧的数据驱动模型主要有两类应用：传统统计学的线性回归模型和人工神经网络模型[2-3]。传统统计学线性回归方法操作简单，建立的模型适合描述参数间表层的关联特性。在处理复杂焙烧过程参数关系或动态信息方面，该类模型存在缺陷。人工神经网络方法适合复杂过程的建模，特别是在具备大数据样本条件时，建立的过程模型能够描述求解问题的非线性。但该类模型存在训练耗时长，容易因“过学习”或“欠拟学习”等现象导致模型参数为自身空间中的局部最优值，并最终影响到模型的泛化能力[4-5]。基于数据驱动的建模需要具备一定数量的样本数据，而氧化铝工业的连续焙烧生产为此提供了实施条件。对焙烧能耗估计的建模而言，仍有许多问题未得到很好的解决，非常突出的有：如何深入挖掘样本数据中蕴含的信息，如何增强焙烧能耗估计模型的泛化能力，如何实现理论模型在工业生产实践中的有效应用。 　　支持向量机（Support Vector Machine， SVM）是Vapnik等[6-7]以统计学习理论为基础发展起来的机器学习算法。相对于人工神经网络的学习过程采用经验风险最小化原则，支持向量机采用综合考虑了经验风险和置信风险的结构风险最小化原则，能有效地抑制过学习和欠学习现象，并具有良好的泛化能力。标准SVM采用序列最小优化（Sequential Minimal Optimization， SMO）算法求解，在处理大样本时，模型求解时间过长[8]。最小二乘支持向量机（Least Squares Support Vector Machine， LSSVM）作为标准SVM的一种改进在处理大样本方面有优势[9-10]。本文采用LSSVM对氧化铝悬浮焙烧过程的能耗参数信息进行分析，建立一种LSSVM能耗估计模型，并结合遗传算法（Genetic Algorithm， GA）开展模型参数的优化。针对焙烧操作的特点，本文在建模过程中开展了焙烧参数信息的优化提取和建模优化。根据焙烧生产和管理的要求，提出一种模型自学习和选择投运的策略。这些举措的实施进一步增强了模型的泛化能力和工况适应性，为过程参数的状态监测和能耗分析提供了一种新方案。 　　2 能耗估计模型的建立和应用 　　2.1 模型的建立 　　以氧化铝气态悬浮焙烧过程为研究对象，能耗估计模型的输入x具体如下：氢氧化铝的下料量、氢氧化铝的含水量、燃气的流量、燃气的成分、空气的流量、主炉温度、烟气含氧量、漏风量。模型的输入y即为单位产量的焙烧能耗。实际生产是一连续过程，焙烧原料的物化特性具有批量性特点，同批次原料的物化特性较为稳定，因此本文采用单位时间内的产量来间接描述能耗。基于样本数据集{xk，yk}Nk=1建立y=f（x）函数估计模型，并使其具有良好的泛化能力，还必须解决以下关键问题： 　　1）对n维的x如何确定主要影响参数，实现x的降维； 　　2）如何划分模型训练和验证数据样本集； 　　3）如何选择核函数。 　　为此本文采用如下策略： 　　1）采用灰关联分析确定x的主因素。 　　焙烧过程x的影响因素众多，对建模而言并非所有的参数都必须考虑，实际上某些参数在定性分析中不是主因，定量标定时变化也不大。因此分析确认