李浩然,李 力,陸金桂

(南京工業(yè)大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,江蘇 南京 211800)

磨煤機(jī)系統(tǒng)[1]作為鍋爐重要的輔助設(shè)備,其出粉量直接影響著鍋爐的整體性能,但是由于磨煤機(jī)出粉量受諸多耦合因素的影響,在實(shí)際生產(chǎn)中很難直接測(cè)量,通常采取一些間接方法進(jìn)行測(cè)量。在間接測(cè)量中,目前采用的差壓法[2]、功率法[3]等都是依靠單一變量判斷磨煤機(jī)出粉量,這種方法存在一定的缺陷。近幾年來(lái),隨著測(cè)量技術(shù)的不斷發(fā)展和完善,基于多變量的軟測(cè)量[4]方法被逐漸應(yīng)用。韓洪兆[5]以證據(jù)理論對(duì)鋼球磨煤機(jī)料位進(jìn)行了軟測(cè)量的研究,采用支持向量機(jī)建立證據(jù)合成(D-S)融合法則軟測(cè)量模型，對(duì)磨煤機(jī)進(jìn)行優(yōu)化。趙凱[6]基于神經(jīng)網(wǎng)絡(luò)模型對(duì)磨煤機(jī)的一次風(fēng)量進(jìn)行了軟測(cè)量。付國(guó)仙等[7]采用反向建模法基于神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)料位軟測(cè)量模型,對(duì)料位進(jìn)行了研究和優(yōu)化。但是只優(yōu)化單一變量對(duì)改進(jìn)出粉量的效果有限,本文通過(guò)研究進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度及電流等多個(gè)參數(shù)與出粉量的關(guān)系,綜合優(yōu)化多個(gè)參數(shù),最大限度提高出粉量,提高鍋爐整體性能。

誤差反向傳播算法(BP)神經(jīng)網(wǎng)絡(luò)作為軟測(cè)量方法中數(shù)據(jù)驅(qū)動(dòng)建模方法中的一種,具有建模過(guò)程簡(jiǎn)單方便、可操作性強(qiáng)等特點(diǎn),是目前軟測(cè)量建模研究的熱點(diǎn)[8-9]。為了提高測(cè)量精度,通常采用融合策略優(yōu)化模型。黃珍等[10]以混沌粒子群融合果蠅算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對(duì)磨礦粒度進(jìn)行軟測(cè)量?？悍品芠11]以變步長(zhǎng)最小均方算法(LMS)和改進(jìn)相似極值的集合經(jīng)驗(yàn)?zāi)B(tài)(EEMD)分解信號(hào)特征提取的方法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,進(jìn)而對(duì)粉塵濃度進(jìn)行軟測(cè)量。白建云等[12]以BP神經(jīng)網(wǎng)絡(luò)建模對(duì)鍋爐生成的NOx質(zhì)量和濃度進(jìn)行了軟測(cè)量。由于研究的對(duì)象是磨煤機(jī)多個(gè)系統(tǒng)參數(shù)和出粉量之間復(fù)雜的非線性關(guān)系,而由于權(quán)閾值的選取問(wèn)題,BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)值,導(dǎo)致迭代效果較差、精度較低,影響優(yōu)化效果。本文提出基于融合策略粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[13],以小生境法[14]改進(jìn)粒子群種群多樣性,有效增加粒子群算法多樣性,并提高尋優(yōu)速度;加入非線性變化的慣性權(quán)重,將學(xué)習(xí)因子與慣性權(quán)重相結(jié)合，并引入與慣性權(quán)重相關(guān)的時(shí)間因子,在提高粒子群算法統(tǒng)一性的同時(shí)，以慣性權(quán)重、學(xué)習(xí)因子來(lái)調(diào)整全局和局部搜索的平衡,達(dá)到提高精度和效率的雙重目的。

將融合策略粒子群算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合,發(fā)揮融合策略粒子群算法的尋優(yōu)能力,在權(quán)閾值空間搜索最佳權(quán)閾值,彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型的權(quán)值和閾值選擇不佳的缺陷,改善BP神經(jīng)網(wǎng)絡(luò)的非線性擬合能力,提高算法的速度和精度。利用該算法對(duì)磨煤機(jī)參數(shù)和出粉量建立軟測(cè)量模型,并與實(shí)際測(cè)量結(jié)果進(jìn)行對(duì)比,最后對(duì)磨煤機(jī)參數(shù)進(jìn)行優(yōu)化。

1 融合策略粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型

1.1 基本思路

基于BP神經(jīng)網(wǎng)絡(luò)的軟測(cè)量原理就是通過(guò)實(shí)驗(yàn)點(diǎn)對(duì)輸入和輸出樣本之間的非線性映射關(guān)系不斷地?cái)M合和學(xué)習(xí),最終獲得可靠的軟測(cè)量模型。本文的軟測(cè)量模型采用反向傳播的BP神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)的識(shí)別信息是按正向傳播的；但是其誤差信息是按反向傳播的,通過(guò)這種方式訓(xùn)練軟測(cè)量模型,當(dāng)輸出的出粉量與真實(shí)出粉量有較大的誤差時(shí),神經(jīng)網(wǎng)絡(luò)模型就會(huì)將誤差信息由輸出層傳遞到隱含層,由隱含層傳遞到輸入層逆向傳播,之后采用誤差最速下降法修正各層之間權(quán)閾值,直至輸出數(shù)據(jù)的誤差小于設(shè)定的誤差。圖1為軟測(cè)量的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 軟測(cè)量神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Neural network structure of soft measurement

以磨煤機(jī)進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度、磨煤機(jī)電流數(shù)據(jù)為輸入層xi,隱含層為yj,出粉量為輸出層zk,出粉量的期望輸出為pk,vij和wjk分別為輸入層與隱含層、隱含層與輸出層之間的連接權(quán)閾值。BP神經(jīng)網(wǎng)絡(luò)連接權(quán)閾值通常是在[0,1]范圍內(nèi)隨機(jī)選取,而該選取方式導(dǎo)致算法收斂減慢且易陷入局部最佳值。普通粒子群算法將鳥(niǎo)群模型中鳥(niǎo)類的棲息地比作所求問(wèn)題空間中的可能解的位置,通過(guò)粒子間信息傳遞,引導(dǎo)整體粒子向可能解方向移動(dòng),在此過(guò)程中逐步發(fā)現(xiàn)最佳解[15]。通過(guò)融合策略改進(jìn)粒子群算法，從BP神經(jīng)網(wǎng)絡(luò)權(quán)閾值空間中搜尋全局最佳權(quán)閾值，并賦予BP神經(jīng)網(wǎng)絡(luò)作為初始權(quán)閾值,構(gòu)建磨煤機(jī)參數(shù)和出粉量之間的軟測(cè)量模型,得到最優(yōu)出粉量預(yù)測(cè)值,并以此模型對(duì)參數(shù)進(jìn)行優(yōu)化。

1.2 融合策略優(yōu)化BP神經(jīng)網(wǎng)絡(luò)軟測(cè)量算法

1.2.1 小生境方法提高種群多樣性

若某個(gè)粒子在連續(xù)多次迭代中適應(yīng)度變化量很小,為保證迭代中粒子群算法的多樣性,通過(guò)以該粒子為中心,以該粒子和距該粒子最近的粒子之間的距離為半徑，構(gòu)造一個(gè)圓形小生境[16]。則小生境子粒子群(Sj)半徑(Rj)定義為

Rj=max{‖xj,g-xj,i‖}

(1)

式中:xj,g和xj,i分別為小生境子粒子群中最優(yōu)粒子(Sj,g)和其他非最優(yōu)粒子(Sj,i)的半徑。

在算法運(yùn)行過(guò)程中,若‖xi-xj,i‖≤Rj(xi為粒子i的半徑),則代表該粒子進(jìn)入了Sj覆蓋范圍,該粒子就會(huì)被該小生境子粒子群所吸收。同時(shí),若兩個(gè)子粒子群最優(yōu)粒子距離≤子粒子群的半徑之差,則代表兩個(gè)子粒子群相交,需要將兩個(gè)子粒子群合并。

劃分完小生境群體后,首先對(duì)每個(gè)子粒子群采用粒子群算法進(jìn)行計(jì)算,得到各子粒子群最優(yōu)值,該最優(yōu)值只代表當(dāng)前子粒子群。隨后更新群體,計(jì)算各子粒子群適應(yīng)度,淘汰適應(yīng)度過(guò)低的粒子,同時(shí)若有粒子或子粒子群進(jìn)入Sj覆蓋范圍或兩個(gè)子粒子群相交,則吸收粒子或合并相應(yīng)子粒子群。最后再對(duì)新形成的小生境子粒子群采用粒子群算法迭代計(jì)算,重復(fù)以上步驟直到完成迭代次數(shù)或得到滿足要求的結(jié)果。具體步驟:

①初始化粒子群群體;

②找到中心粒子并確定半徑,劃分小生境子粒子群;

③使用粒子群算法迭代劃分后的子粒子群,得到子粒子群最優(yōu)值,并更新子粒子群;

④計(jì)算各子粒子群適應(yīng)度,淘汰適應(yīng)度低的粒子,吸收進(jìn)入小生境子粒子群半徑范圍的粒子,合并相交的子粒子群;

⑤更新小生境子粒子群,并重復(fù)進(jìn)行步驟③和④直至達(dá)到迭代次數(shù)或滿足精度要求。

該算法較傳統(tǒng)的粒子群算法在維持種群的多樣性方面有了很大的提升,可以提高收斂成功率，并能有效減少收斂時(shí)間。但是該算法中使用了傳統(tǒng)粒子群算法的迭代方法,在迭代中會(huì)因?yàn)槠渌麉?shù)的影響陷入局部最優(yōu)解,所以需要對(duì)算法進(jìn)行進(jìn)一步優(yōu)化。

1.2.2 慣性權(quán)重的動(dòng)態(tài)調(diào)整

由于傳統(tǒng)粒子群算法的慣性權(quán)重通常是線性變化或不變的,而缺陷識(shí)別模型的輸入與輸出關(guān)系是復(fù)雜非線性關(guān)系,采用線性函數(shù)調(diào)整慣性權(quán)重會(huì)導(dǎo)致粒子的啟發(fā)性無(wú)法提高,導(dǎo)致算法陷入局部最優(yōu)解,無(wú)法獲得準(zhǔn)確的迭代數(shù)據(jù)。為了提高粒子的搜索能力,本文采用動(dòng)態(tài)調(diào)整的非線性慣性權(quán)重公式代替原有的慣性權(quán)重公式,從而提高粒子的搜索能力、算法的效率以及精度。

以Sigmod函數(shù)為參考，并配合慣性權(quán)重的特征,使該函數(shù)能更好地調(diào)整慣性權(quán)重,將Sigmod函數(shù)變形套用于慣性權(quán)重(w)的變化，如式(2)所示。

(2)

式中：wmax為慣性權(quán)重最大取值,wmin為慣性權(quán)重最小取值,N′是迭代總次數(shù),n′為當(dāng)前迭代次數(shù)。

雖然使用該方法時(shí)，由于粒子會(huì)出現(xiàn)“靠攏”現(xiàn)象,即粒子都聚集在局部極值點(diǎn)附近,導(dǎo)致該算法陷入局部最優(yōu)解，但本文算法采用小生境法,將聚攏的粒子劃為小生境子粒子群,所得最優(yōu)解即為子粒子群最優(yōu)解,避免該算法由于粒子“靠攏”從而陷入局部最優(yōu)解。該算法能有效地提高粒子群算法的精度,但是慣性權(quán)重的非線性變化會(huì)導(dǎo)致學(xué)習(xí)因子難以與算法進(jìn)程統(tǒng)一,同時(shí)為了提高搜索速度,需要對(duì)學(xué)習(xí)因子進(jìn)行調(diào)整。

1.2.3 時(shí)間因子的調(diào)整

在進(jìn)化迭代過(guò)程中,慣性權(quán)重與學(xué)習(xí)因子往往是各自單獨(dú)調(diào)整的,從而導(dǎo)致算法迭代中統(tǒng)一性較弱,對(duì)于復(fù)雜的非線性迭代來(lái)說(shuō),會(huì)導(dǎo)致迭代過(guò)程變得困難,影響搜索時(shí)間和模型的識(shí)別精度。因此,用慣性權(quán)重的變化來(lái)控制學(xué)習(xí)因子的變化,增強(qiáng)慣性權(quán)重和學(xué)習(xí)因子之間的關(guān)系,能有效提高算法的優(yōu)化搜索能力。同時(shí),在算法中引入時(shí)間因子,使其隨著迭代的次數(shù)增加而能有效控制粒子飛行速度,加快搜索效率,提高粒子搜索能力。

在粒子群算法中,粒子是以一定的飛行速度來(lái)尋找全局最優(yōu)解的,在這個(gè)過(guò)程中,粒子是基于學(xué)習(xí)和認(rèn)知來(lái)更新自身的速度與位置,而學(xué)習(xí)因子c1與c2則通過(guò)影響粒子的社會(huì)學(xué)習(xí)和自我認(rèn)知,從而對(duì)其運(yùn)行軌跡進(jìn)行控制。若設(shè)置的學(xué)習(xí)因子c1過(guò)大則會(huì)導(dǎo)致粒子在局部范圍內(nèi)活動(dòng)；c2設(shè)置過(guò)大則會(huì)導(dǎo)致粒子“早熟”,收斂于局部極小值。為了保證學(xué)習(xí)因子的合理設(shè)置,同時(shí)為了保證學(xué)習(xí)因子與慣性權(quán)重的一致性,采用式(3)和(4)更新學(xué)習(xí)因子。

c1=c1s-(c1s-c1e)cosw

(3)

c2=c2s+(c2s-c2e)cosw

(4)

式中:c1s、c2s分別為學(xué)習(xí)因子的初始值,c1e、c2e分別為學(xué)習(xí)因子的終止值。

以此方式更新學(xué)習(xí)因子不僅能加強(qiáng)粒子與慣性權(quán)重之間的統(tǒng)一性,有效適應(yīng)復(fù)雜的非線性優(yōu)化；在前期的迭代中提高搜索速度,增強(qiáng)全局搜索能力;在后期迭代中加強(qiáng)粒子社會(huì)學(xué)習(xí)能力,得到較高精度的全局最優(yōu)解,提高迭代的精度。

同時(shí),在粒子群算法中,粒子位置更新是以當(dāng)前位置與當(dāng)前速度之和來(lái)計(jì)算下一個(gè)位置的。然而速度和位置的量綱不同,不可以直接進(jìn)行運(yùn)算,將速度和時(shí)間相乘才能夠表示距離，從而與位置進(jìn)行計(jì)算,所以在傳統(tǒng)粒子群算法中其實(shí)也包含了時(shí)間量綱,只不過(guò)在傳統(tǒng)粒子群中將時(shí)間因子默認(rèn)為1,該做法會(huì)導(dǎo)致粒子在最優(yōu)解附近來(lái)回震蕩。因此，為了改變粒子的時(shí)間參數(shù),提高粒子搜索能力,在粒子群算法位置更新中加入時(shí)間因子(T),如式(5)所示。

(5)

式中:vid為當(dāng)前速度,xid為當(dāng)前位置,t為當(dāng)前時(shí)刻,pid為當(dāng)前粒子位置,pgd為上一時(shí)刻粒子位置,r1、r2為常數(shù)。

將T和w相關(guān)聯(lián),使時(shí)間因子隨著慣性權(quán)重的變化而變化,由于w是非線性減小的,迭代初期，w較大導(dǎo)致T也較大,能有效進(jìn)行快速全局搜索;而迭代后期，T會(huì)越來(lái)越小,有利于粒子在局部進(jìn)行全面搜索,找到全局最優(yōu)點(diǎn)。

利用該算法設(shè)計(jì)的磨煤機(jī)出粉量軟測(cè)量模型如圖2所示。

圖2 磨煤機(jī)出粉量軟測(cè)量模型Fig.2 Soft measurement model of pulverized coal mill output

2 出粉量軟測(cè)量實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)獲取

本文的研究對(duì)象為句容某電廠1#磨煤機(jī),通過(guò)數(shù)據(jù)服務(wù)器SCADA,從電廠DCS數(shù)據(jù)庫(kù)中采集了該磨煤機(jī)10 d的歷史運(yùn)行數(shù)據(jù),共11 748組數(shù)據(jù),從中篩選每天10組，共100組數(shù)據(jù)作為樣本,這些數(shù)據(jù)采自具有代表性的不同時(shí)間段和工況條件,且基本覆蓋了該磨煤機(jī)各參數(shù)的變化范圍。

2.2 算法參數(shù)設(shè)置與對(duì)比

從樣本數(shù)據(jù)中隨機(jī)選取80組數(shù)據(jù)作為模型的訓(xùn)練樣本,剩下20組數(shù)據(jù)作為模型的測(cè)試樣本,建立磨煤機(jī)出粉量軟測(cè)量模型。在MATLAB軟件中進(jìn)行融合策略粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)軟測(cè)量實(shí)驗(yàn)[17]。BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置:神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)置為3,分別為輸入層、隱含層和輸出層,輸入層輸入個(gè)數(shù)為7(磨煤機(jī)各參數(shù)),輸出層輸出個(gè)數(shù)為1(出粉量)。根據(jù)經(jīng)驗(yàn)公式K=2k+1(K為隱含層節(jié)點(diǎn)數(shù),k為變量數(shù)),隱含層節(jié)點(diǎn)數(shù)取為15;學(xué)習(xí)率較小,雖會(huì)犧牲計(jì)算速度但會(huì)提高算法的精度，故設(shè)置為0.1;由于需要達(dá)到足夠精度,所以神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)為10 000次;訓(xùn)練誤差即為精度，設(shè)置為10-6。融合策略粒子群算法參數(shù)設(shè)置:種群規(guī)模設(shè)置為50;wmax=0.9,wmin=0.5;w按照式(2)動(dòng)態(tài)變化;學(xué)習(xí)因子設(shè)置為c1s=c2s=2,c1e=c2e=1。

2.3 計(jì)算結(jié)果分析

基于融合策略改進(jìn)的粒子群(PSO)優(yōu)化BP算法(PSO-BP)模型預(yù)測(cè)磨煤機(jī)出粉量，并與實(shí)際值進(jìn)行對(duì)比，結(jié)果如圖3所示,絕對(duì)誤差如圖4所示,算法迭代過(guò)程如圖5所示。

圖3 融合策略改進(jìn)PSO-BP模型的磨煤機(jī)出粉量預(yù)測(cè)值和實(shí)際值對(duì)比Fig.3 Comparisons between predicted coal mill based on PSO-BP model with fusion strategy and pulverized coal mill yield

圖4 融合策略改進(jìn)PSO-BP模型的磨煤機(jī)出粉量絕對(duì)誤差Fig.4 Absolutely error of pulverized coal mill output based on PSO-BP model with fusion strategy

圖5 融合策略改進(jìn)PSO-BP算法迭代尋優(yōu)效果Fig.5 Iterative optimization effect of PSO-BP algorithm with fusion strategy

由圖5可知：融合策略改進(jìn)PSO-BP算法僅通過(guò)10次左右的迭代便基本達(dá)到了訓(xùn)練精度,在通過(guò)50次迭代之后便基本達(dá)到了設(shè)定精度,可見(jiàn)該算法可有效提高粒子群的尋優(yōu)能力。通過(guò)設(shè)定較高的初始慣性權(quán)重和學(xué)習(xí)因子可使算法在迭代初期快速進(jìn)行全局搜索,并且由小生境法保證粒子種群多樣性,避免算法陷入局部最優(yōu)解,從而可快速找到全局最優(yōu)區(qū)域,即10次左右迭代便基本鎖定全局最優(yōu)區(qū)域。在尋找到全局最優(yōu)區(qū)域后,依據(jù)迭代進(jìn)程降低慣性權(quán)重和學(xué)習(xí)因子并加入調(diào)整的時(shí)間因子(式(5)),保證算法在局部的搜索精度,準(zhǔn)確找到全局最優(yōu)解,避免了在全局最優(yōu)區(qū)域的多次重復(fù)迭代,有效減少了迭代次數(shù),即在50次左右即搜尋到全局最優(yōu)解,達(dá)到設(shè)定精度。同時(shí),最終得到的出粉量預(yù)測(cè)值與實(shí)際值平均相對(duì)誤差為3.813 9%,表明該算法對(duì)于誤差的控制較為出色。

為了驗(yàn)證模型的泛化能力和尋優(yōu)精度,利用所建模型對(duì)磨煤機(jī)出粉量進(jìn)行仿真,并將該模型的仿真結(jié)果與傳統(tǒng)PSO-BP模型和BP模型仿真結(jié)果進(jìn)行比較。本文采用均方相對(duì)誤差、平均絕對(duì)誤差、平均相對(duì)誤差和平方相關(guān)系數(shù)4個(gè)統(tǒng)計(jì)學(xué)檢驗(yàn)數(shù)據(jù)作為模型的評(píng)價(jià)指標(biāo)[18],如式(6)—(9)所示。

(6)

(7)

(8)

(9)

表1為3種模型所得誤差結(jié)果。由表1可得出:以融合策略改進(jìn)PSO-BP模型對(duì)磨煤機(jī)出粉量進(jìn)行軟測(cè)量,各項(xiàng)誤差均小于傳統(tǒng)PSO-BP和BP模型測(cè)量值,可見(jiàn)融合策略改進(jìn)PSO-BP模型精確度較高,在實(shí)際應(yīng)用中效果較好;且融合策略改進(jìn)PSO-BP模型的R2較其他方法所得結(jié)果更加接近1,精度提高較大,更適合磨煤機(jī)出粉量的軟測(cè)量。

表1 誤差對(duì)比結(jié)果

3 磨煤機(jī)出粉量?jī)?yōu)化

為保證磨煤機(jī)在合理工況下運(yùn)行,同時(shí)有效地提高磨煤機(jī)的出粉性能,本文提出了基于融合策略改進(jìn)的粒子群優(yōu)化BP算法，以磨煤機(jī)出粉量模型為基礎(chǔ),選取磨煤機(jī)進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度及電流作為模型輸入變量,通過(guò)磨煤機(jī)出粉量模型進(jìn)行預(yù)測(cè),得到磨煤機(jī)出粉量這個(gè)目標(biāo)量,利用粒子群算法對(duì)其進(jìn)行尋優(yōu),求得最大出粉量和其所對(duì)應(yīng)的運(yùn)行參數(shù)。出粉量的具體優(yōu)化過(guò)程:

①基于磨煤機(jī)的型號(hào)和工作環(huán)境,確定磨煤機(jī)運(yùn)行優(yōu)化的參數(shù)，并采集相應(yīng)數(shù)據(jù);

②采用BP神經(jīng)網(wǎng)絡(luò)對(duì)選出的磨煤機(jī)樣本點(diǎn)進(jìn)行學(xué)習(xí)訓(xùn)練,建立磨煤機(jī)出粉量模型;

③利用融合策略粒子群算法對(duì)所建出粉量模型尋優(yōu),計(jì)算其目標(biāo)函數(shù)輸出;

④判斷算法是否達(dá)到給定的迭代次數(shù),若達(dá)到則輸出尋優(yōu)結(jié)果,結(jié)束計(jì)算,否則轉(zhuǎn)到步驟③繼續(xù)進(jìn)行尋優(yōu)計(jì)算。

選擇融合策略改進(jìn)PSO-BP算法建立磨煤機(jī)出粉量預(yù)測(cè)模型,即磨煤機(jī)出粉性能優(yōu)化目標(biāo),如式(10)所示。

maxf(x)x=(x1,x2,…，x7)

(10)

式中:f(x)為磨煤機(jī)出粉量,x1為進(jìn)出口壓差,x2為進(jìn)口一次風(fēng)量,x3為進(jìn)口一次風(fēng)壓,x4為進(jìn)口一次風(fēng)溫,x5為出口風(fēng)粉壓力,x6為出口風(fēng)粉溫度,x7為電流。

根據(jù)實(shí)際情況,將優(yōu)化變量約束條件設(shè)置為采集到的各變量所有數(shù)據(jù)的最大值以及最小值,如式(11)所示。

(11)

設(shè)置變量范圍后,并以第2.2節(jié)方式對(duì)融合策略粒子群算法進(jìn)行設(shè)置,對(duì)磨煤機(jī)出粉量進(jìn)行優(yōu)化,結(jié)果如表2所示,優(yōu)化過(guò)程中迭代次數(shù)與出粉量的關(guān)系如圖6所示。

表2 磨煤機(jī)出粉量?jī)?yōu)化結(jié)果

圖6 出粉量?jī)?yōu)化效果Fig.6 Effects of optimizing pulverized coal mill output

由表2可以發(fā)現(xiàn):利用融合策略粒子群算法優(yōu)化的磨煤機(jī)參數(shù)中，進(jìn)出口壓差、出口風(fēng)粉壓力、出口風(fēng)粉溫度、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓均比采集數(shù)據(jù)對(duì)應(yīng)的值大,而磨煤機(jī)進(jìn)口一次風(fēng)溫及電流比采集值小,這在一定程度上符合實(shí)際生產(chǎn)情況。優(yōu)化后的出粉量比采集值還高7.574 8 t/h。由圖6可看出:通過(guò)40次左右的迭代,出粉量基本穩(wěn)定為87.243 3 t/h,說(shuō)明基于融合策略改進(jìn)的PSO-BP算法對(duì)磨煤機(jī)出粉量進(jìn)行優(yōu)化是可行的。由此可見(jiàn),在實(shí)際生產(chǎn)中,按照優(yōu)化的結(jié)果進(jìn)行生產(chǎn)可以在很大程度上增大出粉量,即可通過(guò)在進(jìn)口處加裝鼓風(fēng)設(shè)備或改變進(jìn)口大小、形狀來(lái)增大磨煤機(jī)進(jìn)口一次風(fēng)量和風(fēng)壓;通過(guò)改進(jìn)磨煤機(jī)密封系統(tǒng)或通過(guò)調(diào)整分離器、煤粉分配箱減小磨煤機(jī)通風(fēng)阻力，從而增強(qiáng)進(jìn)出口壓差和出口風(fēng)粉壓力;通過(guò)使用高質(zhì)量的煤或增加燃燒室的氧氣可有效提高出口風(fēng)粉溫度;通過(guò)給水方式調(diào)節(jié)進(jìn)口一次風(fēng)溫;通過(guò)改變電路電阻的方式調(diào)節(jié)電流。

4 結(jié)論

1)通過(guò)采集磨煤機(jī)進(jìn)出口壓差、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓、進(jìn)口一次風(fēng)溫、出口風(fēng)粉壓力、出口風(fēng)粉溫度及電流參數(shù)對(duì)出粉量進(jìn)行軟測(cè)量,預(yù)估磨煤機(jī)出粉量。

2)以融合策略改進(jìn)PSO-BP算法進(jìn)行出粉量軟測(cè)量建模,以采集的磨煤機(jī)參數(shù)為輸入樣本,出粉量為輸出樣本進(jìn)行訓(xùn)練,最后以20組數(shù)據(jù)進(jìn)行軟測(cè)量模型的測(cè)試。試驗(yàn)結(jié)果表明：融合策略改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型的平均相對(duì)誤差僅為3.813 9%,有較好的精度。同時(shí)通過(guò)與傳統(tǒng)BP模型和PSO-BP模型進(jìn)行對(duì)比,進(jìn)一步地體現(xiàn)了本文算法的優(yōu)越性和精確性。

3)以融合策略改進(jìn)PSO-BP算法對(duì)磨煤機(jī)出粉量進(jìn)行優(yōu)化研究,通過(guò)設(shè)置磨煤機(jī)各參數(shù)的范圍,并以各參數(shù)為輸入,出粉量為輸出,建立優(yōu)化出粉量模型,從而優(yōu)化磨煤機(jī)的出粉性能。通過(guò)適當(dāng)提高進(jìn)出口壓差、出口風(fēng)粉壓力、出口風(fēng)粉溫度、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)壓和降低進(jìn)口一次風(fēng)溫、電流,能有效提高磨煤機(jī)的出粉量,計(jì)算實(shí)例表明，最終得出的出粉量提高了7.574 8 t/h,證明本文算法在磨煤機(jī)出粉量?jī)?yōu)化中的可行性和優(yōu)越性。