摘要：針對(duì)閥冷卻系統(tǒng)內(nèi)部的復(fù)雜性與外部環(huán)境的多變性，準(zhǔn)確預(yù)測(cè)閥門開度以適應(yīng)不同工況需求的問題，提出一種基于PSO-BP的閥冷卻系統(tǒng)閥門開度分類預(yù)測(cè)模型。利用粒子群優(yōu)化（PSO）算法優(yōu)化反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和偏置，改善BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)解和收斂速度慢的情況。采用工業(yè)現(xiàn)場(chǎng)收集的閥冷卻系統(tǒng)實(shí)測(cè)數(shù)據(jù)對(duì)PSO-BP預(yù)測(cè)模型進(jìn)行訓(xùn)練和驗(yàn)證，并與傳統(tǒng)的BP預(yù)測(cè)模型進(jìn)行仿真對(duì)比分析。仿真結(jié)果表明，PSO-BP預(yù)測(cè)模型對(duì)閥門開度的分類預(yù)測(cè)準(zhǔn)確率達(dá)到100%，且具有良好的學(xué)習(xí)和泛化能力，為閥冷卻系統(tǒng)的智能控制提供了一種新的解決方案。

關(guān)鍵詞：閥冷卻系統(tǒng)；反向傳播神經(jīng)網(wǎng)絡(luò)；粒子群優(yōu)化算法；閥門開度分類預(yù)測(cè)

中圖分類號(hào)：TH185 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-2605（2024）05-0003-07

DOI：10.3969/j.issn.1674-2605.2024.05.003 開放獲取

Valve Opening Classification and Prediction Model Based on

PSO-BP for Valve Cooling System

WU Jianchao ZHENG Haoyue

（Guangzhou Goaland Energy Conservation Tech. Co.， Ltd.， Guangzhou 510705， China）

Abstract： Valve opening classification and prediction model based on PSO-BP for valve cooling system is proposed to address the complexity of the internal system and the variability of the external environment， in order to accurately predict valve opening to meet different operating conditions. Using particle swarm optimization （PSO） algorithm to optimize the initial weights and biases of backpropagation （BP） neural network， improving the situation where BP neural network is prone to getting stuck in local optima and has slow convergence speed. Train and validate the PSO-BP prediction model using measured data from valve cooling systems collected on industrial sites， and compare and analyze it with traditional BP prediction models through simulation. The simulation results show that the PSO-BP prediction model has a classification accuracy of 100% for valve opening， and has good learning and generalization abilities， providing a new solution for intelligent control of valve cooling systems.

Keywords： valve cooling system; back propagation neural network; particle swarm optimization algorithm; valve opening classification and prediction

0 引言

在現(xiàn)代工業(yè)生產(chǎn)中，閥冷卻系統(tǒng)是確保設(shè)備穩(wěn)定運(yùn)行的關(guān)鍵環(huán)節(jié)，直接影響生產(chǎn)的效率和安全性。工藝上通常要求閥冷卻系統(tǒng)在一定的溫度范圍內(nèi)工作，以保持閥門的熱狀態(tài)平衡，進(jìn)而保證閥門的使用壽命和操作可靠性[1]。通過精確控制閥門開度，可有效調(diào)

節(jié)冷卻介質(zhì)的流量和溫度，從而維持閥門的最佳工作狀態(tài)。

然而，閥冷卻系統(tǒng)受多種因素（冷卻介質(zhì)的流量和溫度、閥門材料特性和環(huán)境溫度等）的影響，閥門的熱狀態(tài)存在一定的不確定性和不穩(wěn)定性；且這些因素相互作用，使閥門的熱狀態(tài)難以通過傳統(tǒng)的經(jīng)驗(yàn)方

法進(jìn)行精確控制?，F(xiàn)場(chǎng)工人通常難以判斷合適的閥門開度，錯(cuò)誤的設(shè)置可能導(dǎo)致閥冷卻系統(tǒng)過熱或過冷，影響系統(tǒng)性能，甚至引發(fā)安全事故，造成資源浪費(fèi)和生產(chǎn)中斷。因此，設(shè)計(jì)一種高效、準(zhǔn)確的閥門開度預(yù)測(cè)模型對(duì)提高閥冷卻系統(tǒng)的性能，確保工業(yè)生產(chǎn)的連續(xù)性和穩(wěn)定性具有重要意義。

目前，閥門開度分類預(yù)測(cè)模型的相關(guān)研究較少。FENG等[2]針對(duì)變風(fēng)量末端多變量、強(qiáng)耦合、高度非線性的特性，建立了基于反向傳播（back propagation， BP）神經(jīng)網(wǎng)絡(luò)的閥門開度預(yù)測(cè)模型；與傳統(tǒng)的反饋調(diào)節(jié)方法相比，該模型可以直接輸出閥門開度，實(shí)現(xiàn)快速變風(fēng)量控制；但該模型關(guān)注于連續(xù)值預(yù)測(cè)，未能充分考慮閥門開度的分類特性。在實(shí)際應(yīng)用中，連續(xù)預(yù)測(cè)值可能需要進(jìn)一步解析才能轉(zhuǎn)化為具體的操作指令，特別是在快速?zèng)Q策和響應(yīng)的情況下，增加了操作的復(fù)雜性和潛在的錯(cuò)誤風(fēng)險(xiǎn)。

本文針對(duì)閥冷卻系統(tǒng)中閥門開度的動(dòng)態(tài)變化特性，構(gòu)建基于PSO-BP的閥冷卻系統(tǒng)閥門開度分類預(yù)測(cè)模型（以下簡(jiǎn)稱PSO-BP預(yù)測(cè)模型）。其中，粒子群優(yōu)化（particle swarm optimization， PSO）算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和偏置[3]，以避免網(wǎng)絡(luò)陷入局部最優(yōu)解，并加速權(quán)重和偏置的收斂過程。PSO-BP預(yù)測(cè)模型能夠根據(jù)實(shí)際工況將閥門開度分為不同的類別，有效提高了閥門開度分類預(yù)測(cè)的準(zhǔn)確性和泛化能力。

1 基于PSO-BP的閥門開度分類預(yù)測(cè)

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其通過BP神經(jīng)網(wǎng)絡(luò)來訓(xùn)練網(wǎng)絡(luò)的權(quán)重，廣泛應(yīng)用于模式識(shí)別、圖像處理、語音識(shí)別以及各種預(yù)測(cè)和分類任務(wù)[4]。

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，每層包含多個(gè)神經(jīng)元。這些神經(jīng)元通過權(quán)重連接，并通過激活函數(shù)引入非線性，使網(wǎng)絡(luò)能夠?qū)W習(xí)和模擬復(fù)雜的函數(shù)映射。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示[5]。

BP神經(jīng)網(wǎng)絡(luò)算法流程圖如圖2所示。

設(shè)輸入層的輸入向量為 ；第l層隱藏層向量為 ；輸出層的輸出向量為 ，則BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如下：

1） 在開始訓(xùn)練前，初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置（閾值）；

2） 將輸入數(shù)據(jù)送入BP神經(jīng)網(wǎng)絡(luò)的輸入層；

3） 輸入數(shù)據(jù)通過每一層的神經(jīng)元計(jì)算其加權(quán)和，并利用激活函數(shù)來生成輸出，可表示為

2 PSO-BP預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)在分類預(yù)測(cè)問題上雖然具有強(qiáng)大的非線性映射能力，但也存在一些明顯的弊端，如易陷入局部最優(yōu)解，導(dǎo)致全局性能下降[8]。本文利用PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，可有效避免BP神經(jīng)網(wǎng)絡(luò)的局部最小問題，加快收斂速度，提高網(wǎng)絡(luò)性能。PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（PSO-BP預(yù)測(cè)模型）的流程如圖4所示。

PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體步驟如下[9]：

1） 構(gòu)建一個(gè)BP神經(jīng)網(wǎng)絡(luò)，初始化相應(yīng)的權(quán)重和偏置；根據(jù)輸入和輸出參數(shù)5eCAVeBhst5vXuEkF8v7LnolGteyxq1tq9NhGzeh+E0=的數(shù)量，確定BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出節(jié)點(diǎn)數(shù)；隱藏層節(jié)點(diǎn)數(shù)通常先通過經(jīng)驗(yàn)公式來估計(jì)一個(gè)初始值，再通過實(shí)際訓(xùn)練網(wǎng)絡(luò)及觀察其性能來逐步調(diào)整，直至找到使網(wǎng)絡(luò)預(yù)測(cè)效果最佳的配置，隱藏層節(jié)點(diǎn)數(shù)常見的經(jīng)驗(yàn)公式為[10]

（13）

式中：q為隱藏層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)，r為區(qū)間[0，10]內(nèi)的常數(shù)；

2） 初始化PSO算法所需的參數(shù)，包括粒子群的大小、粒子的速度、位置、慣性權(quán)重、學(xué)習(xí)因子等；

3） 利用神經(jīng)網(wǎng)絡(luò)輸出值的均方誤差（mean square error， MSE）生成目標(biāo)函數(shù)，其倒數(shù)作為適應(yīng)度函數(shù)，均方誤差越小，對(duì)應(yīng)粒子的性能越好[11]，目標(biāo)函數(shù)計(jì)算公式為

（14）

式中：n為輸出層節(jié)點(diǎn)數(shù)， 為網(wǎng)絡(luò)輸出層的預(yù)測(cè)值， 為網(wǎng)絡(luò)輸出層的實(shí)際值；

4） 利用PSO算法更新粒子的速度和位置，以搜索權(quán)重和偏置的最優(yōu)解；

5） 重復(fù)步驟3）～4），直至獲得具有最優(yōu)適應(yīng)度的個(gè)體，即最優(yōu)的閾值和權(quán)重。這些參數(shù)將BP神經(jīng)網(wǎng)絡(luò)調(diào)整為最佳初始狀態(tài)，通過訓(xùn)練，形成PSO-BP預(yù)測(cè)模型。

3 模型評(píng)價(jià)與對(duì)比

3.1 實(shí)驗(yàn)數(shù)據(jù)

根據(jù)流體力學(xué)原理和對(duì)現(xiàn)場(chǎng)工藝流程的深入分析，確定了冷卻水進(jìn)閥溫度、冷卻水出閥溫度、外風(fēng)冷冷卻器出水溫度、膨脹罐液位為影響閥門開度的關(guān)鍵參數(shù)。為此，選擇以上4個(gè)參數(shù)作為PSO-BP預(yù)測(cè)模型的輸入數(shù)據(jù)。本文的實(shí)驗(yàn)數(shù)據(jù)源自于某直流中心三站閥冷卻系統(tǒng)的3個(gè)月（2、6、8月）實(shí)測(cè)數(shù)據(jù)。閥門開度分為3個(gè)類別：2月的閥門開度約為88%，為類別1；6月的閥門開度約為80%，為類別2；8月的閥門開度約為75%，為類別3。部分實(shí)測(cè)數(shù)據(jù)如表1所示。

將2、6、8月的實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失值和異常值處理、移除不相關(guān)或冗余變量、特征編碼、歸一化等。每個(gè)類別分別選取4天的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。涉及的變量包括冷卻水進(jìn)閥溫度、冷卻水出閥溫度、外風(fēng)冷冷卻器出水溫度、膨脹罐液位、閥門開度的類別標(biāo)簽。其中，選取每個(gè)類別3天的數(shù)據(jù)作為訓(xùn)練集，用于建立和訓(xùn)練PSO-BP預(yù)測(cè)模型；剩余的1天數(shù)據(jù)作為測(cè)試集，用于評(píng)估PSO-BP模型的預(yù)測(cè)性能。

3.2 參數(shù)設(shè)置

BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為4；輸出分類為閥門開度75%、80%、88%，即輸出層節(jié)點(diǎn)數(shù)為3。通過經(jīng)驗(yàn)公式（13）和試錯(cuò)法確定最優(yōu)隱藏層節(jié)點(diǎn)數(shù)為9，故本文實(shí)驗(yàn)采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-9-3型結(jié)構(gòu)。

設(shè)置BP神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為1 000，誤差目標(biāo)值為10-5，學(xué)習(xí)率為0.01。設(shè)置PSO算法的學(xué)習(xí)因子為2，最大迭代次數(shù)為50，粒子數(shù)量為30，慣性權(quán)重的最大值和最小值分別為0.9和0.4，粒子的速度范圍為[-1，1]，粒子的位置范圍為[-5，5]。

3.3 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)在MATLAB R2021b下進(jìn)行，使用了MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱和優(yōu)化工具箱。利用newff函數(shù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，隱藏層節(jié)點(diǎn)的轉(zhuǎn)移函數(shù)選用logsig，輸出層節(jié)點(diǎn)的轉(zhuǎn)移函數(shù)選用purelin。先通過PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和偏置，再使用trainlm算法進(jìn)行權(quán)值微調(diào)。

3.4 實(shí)驗(yàn)仿真結(jié)果

為了驗(yàn)證PSO-BP預(yù)測(cè)模型的有效性，采用相同的數(shù)據(jù)集對(duì)傳統(tǒng)的BP預(yù)測(cè)模型和PSO-BP預(yù)測(cè)模型進(jìn)行仿真對(duì)比測(cè)試，分類預(yù)測(cè)結(jié)果和混淆矩陣分別如圖5～8所示。PSO-BP預(yù)測(cè)模型和傳統(tǒng)的BP預(yù)測(cè)模型對(duì)閥門開度的分類預(yù)測(cè)準(zhǔn)確率如表2所示。

由表2可知：PSO-BP預(yù)測(cè)模型的閥門開度的平均分類預(yù)測(cè)準(zhǔn)確率均達(dá)到100%；而BP預(yù)測(cè)模型的平均分類預(yù)測(cè)準(zhǔn)確率約為97%，且類別2的分類預(yù)測(cè)準(zhǔn)確率僅為92.3%，說明PSO算法能夠有效調(diào)整BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，提高模型的分類預(yù)測(cè)性能。

4 結(jié)論

本文針對(duì)閥門開度的動(dòng)態(tài)變化特性，提出一種基于PSO-BP的閥冷卻系統(tǒng)閥門開度分類預(yù)測(cè)模型。利用PSO算法的全局優(yōu)化搜索和BP神經(jīng)網(wǎng)絡(luò)的局部?jī)?yōu)化搜索性能較好的特點(diǎn)，改善了模型易陷入局部最優(yōu)解的問題，提高了閥門開度分類預(yù)測(cè)的準(zhǔn)確性和泛化能力。該模型不僅能為閥冷卻系統(tǒng)的智能控制提供決策支持，而且有助于提高系統(tǒng)的運(yùn)行效率和穩(wěn)定性，減少因閥門開度不當(dāng)導(dǎo)致的能源浪費(fèi)和設(shè)備損耗。未來將探索自適應(yīng)學(xué)習(xí)率策略，以動(dòng)態(tài)調(diào)整PSO算法和BP算法的學(xué)習(xí)參數(shù)，進(jìn)一步提高模型的收斂速度和分類預(yù)測(cè)精度。

?The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

參考文獻(xiàn)

[1] 武小芳，劉甲森，馬超洋.換流閥冷卻系統(tǒng)頻繁補(bǔ)氣排氣的原因分析及解決措施建議[J].自動(dòng)化應(yīng)用，2023，64（1）：63-65.

[2] FENG G， LEI S， Gu X， et al. Predictive control model for variable air volume terminal valve opening based on backpro-pagation neural network[J]. Building and Environment， 2021， 188：107485.

[3] 陳剛，徐敏銳，穆小星，等.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的互感器在線監(jiān)測(cè)和故障診斷技術(shù)[J].電測(cè)與儀表，2020，57（11）：49-54; 62.

[4] 朱志均，周華英，羅坤豪，等.基于機(jī)器嗅覺結(jié)合BP神經(jīng)網(wǎng)絡(luò)的砂仁氣味鑒別方法[J].自動(dòng)化與信息工程，2018，39（4）：45-48.

[5] 宋海聲，陳召，徐大誠，等.GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)合EDXRF技術(shù)實(shí)現(xiàn)對(duì)中低合金鋼中Cr、Mn和Ni元素含量的預(yù)測(cè)[J].激光與光電子學(xué)進(jìn)展，2022，59（12）：544-550.

[6] 黃藝航，蔡凱武，黃曉智，等.基于機(jī)器學(xué)習(xí)的通信電纜故障檢測(cè)與定位方法[J].自動(dòng)化與信息工程，2024，45（1）：35-41;60.

[7] 樊懷聰，田禾，馮明文，等.基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J].機(jī)械制造與自動(dòng)化，2024，53（3）：45-49.

[8] 溫峻峰，李鑫，張浪文.基于粒子群優(yōu)化的支持向量回歸車道飽和度預(yù)測(cè)[J].自動(dòng)化儀表，2019，40（8）：38-42.

[9] 鄧家利，劉勁濤，王永超.基于小波包能量熵-BP神經(jīng)網(wǎng)絡(luò)的核電站閥門遠(yuǎn)傳機(jī)構(gòu)故障診斷研究[J].沈陽工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2024，20（3）：45-56;72.

[10] 卯光憲，譚偉，柴宗政，等.基于BP神經(jīng)網(wǎng)絡(luò)的馬尾松人工林胸徑-樹高模型預(yù)測(cè)[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2020，37（4）：752-760.

[11] 范國(guó)松，齊正.PSO-BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)研究[J].微型電腦應(yīng)用，2022，38（10）：130-133.

作者簡(jiǎn)介：

吳健超，男，1981年生，本科，工程師，主要研究方向：電力電子液冷、數(shù)據(jù)中心液冷控制技術(shù)設(shè)計(jì)研發(fā)。E-mail： wujc@goaland.com.cn

鄭昊岳，男，1982年生，本科，工程師，主要研究方向：電力電子液冷、數(shù)據(jù)中心液冷控制技術(shù)設(shè)計(jì)研發(fā)。E-mail： zhenghy@goaland.com.cn