黃遠(yuǎn)紅,黃清寶

(廣西大學(xué) 電氣工程學(xué)院,南寧 530004)

GA-ELM在硫鐵礦制酸尾氣SO2濃度預(yù)測(cè)的應(yīng)用①

黃遠(yuǎn)紅,黃清寶

(廣西大學(xué) 電氣工程學(xué)院,南寧 530004)

基于對(duì)整個(gè)生產(chǎn)流程的管控,使硫鐵礦生產(chǎn)硫酸尾氣的SO2濃度達(dá)標(biāo)排放,提出運(yùn)用GA-ELM對(duì)制酸尾氣SO2濃度進(jìn)行建模預(yù)測(cè).在硫鐵礦制酸的生產(chǎn)過程中采集對(duì)尾氣SO2濃度影響較大的關(guān)鍵點(diǎn)參數(shù),運(yùn)用GAELM神經(jīng)網(wǎng)絡(luò)對(duì)煙氣制酸尾氣SO2濃度進(jìn)行預(yù)測(cè).該方法在某廠實(shí)際檢驗(yàn),其預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)吻合度較高,對(duì)于調(diào)整和優(yōu)化工藝指標(biāo)和尾氣達(dá)標(biāo)排放起到很好的指導(dǎo)作用.

尾氣排放; SO2濃度; 極限學(xué)習(xí)機(jī); 預(yù)測(cè)

硫酸是化學(xué)工業(yè)的重要產(chǎn)品,號(hào)稱“工業(yè)之母”,其廣泛應(yīng)用于冶金、化肥、石化、紡織和國防等許多工業(yè)部門; 但硫鐵礦制酸尾氣[1]的SO2達(dá)標(biāo)排放卻是我國SO2污染控制和減排的重點(diǎn)[2],但由于生產(chǎn)線流程長(zhǎng),參數(shù)眾多且時(shí)效性、準(zhǔn)確性、可靠性較差,在發(fā)現(xiàn)尾氣SO2濃度超標(biāo)時(shí)再經(jīng)操作人員綜合、分析、判斷后采取措施,往往已造成長(zhǎng)時(shí)間超標(biāo)排放的惡果,環(huán)境損失難以估量.

極限學(xué)習(xí)機(jī) (Extreme learning machine,ELM,2004年由黃廣斌提出)[3]雖有學(xué)習(xí)速度快,泛化能力強(qiáng)的特點(diǎn),但由于連接權(quán)值、閾值是隨機(jī)選擇,網(wǎng)絡(luò)訓(xùn)練效果不是很好[4]; 提出利用遺傳算法(Genetic algorithms,GA)優(yōu)化[5]得到ELM網(wǎng)絡(luò)最優(yōu)的初始權(quán)值、閾值,二者結(jié)合的新型算法(簡(jiǎn)稱GA_ELM算法); 并采集實(shí)際生產(chǎn)過程對(duì)尾氣SO2濃度有重大影響的關(guān)鍵點(diǎn)參數(shù)作為樣本,用GA-ELM神經(jīng)網(wǎng)絡(luò)對(duì)尾氣SO2濃度進(jìn)行快速建模,根據(jù)預(yù)測(cè)結(jié)果對(duì)工藝流程參數(shù)提前干預(yù),優(yōu)化、調(diào)整,能夠大大地減少或避免尾氣SO2濃度超標(biāo)事故發(fā)生,在實(shí)際生產(chǎn)中有很好的效果.

1 理論基礎(chǔ)

1.1 極限學(xué)習(xí)機(jī)理論基礎(chǔ)

極限學(xué)習(xí)機(jī)基本思路[3]:極限學(xué)習(xí)機(jī)是一種簡(jiǎn)單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidden layer feedforward networks),隱含層只有一層結(jié)點(diǎn),網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1.

如圖1是一個(gè)典型的SLFN網(wǎng)絡(luò):輸入層有n個(gè)輸入變量,中間隱含層有l(wèi)個(gè)神經(jīng)元,輸出層有m個(gè)神經(jīng)元; 設(shè)輸入層與隱含層間的連接權(quán)值為ω,隱含層與輸出層的連接權(quán)值為β,隱含層神經(jīng)元閾值為b; 網(wǎng)絡(luò)有Q個(gè)樣本,輸入矩陣X和輸出矩陣Y,隱含層神經(jīng)元激勵(lì)函數(shù)為 g(x),由圖1網(wǎng)絡(luò)輸出T為:

圖1 單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)結(jié)構(gòu)模型圖

式(1)可表示為:

當(dāng)激活函數(shù) g(x)無限可微時(shí),ELM的參數(shù)無需全部調(diào)整,只需(ω和b隨機(jī)選擇,且在過程中保持不變)通過求解以下方程組的最小二乘解獲得:

解為:

式中H+為隱含層輸出矩陣H的Moore-Penrose廣義逆.

1.2 遺傳算法理論

遺傳算法[5](Genetic algorithms,GA)是 1962 年由美國Michigan大學(xué)Holland教授提出的模擬自然界遺傳機(jī)制和生物進(jìn)化論而成的一種并行隨機(jī)搜索最優(yōu)化方法,用“優(yōu)勝劣汰,適者生存”的生物進(jìn)化原理進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化,通過遺傳的選擇、交叉、變異等對(duì)個(gè)體進(jìn)行篩選,保留適應(yīng)度優(yōu)秀的個(gè)體,同時(shí)新的群體又繼承上一代群體的優(yōu)秀基因,從而得到最優(yōu)的個(gè)體.

1.3 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)(GA-ELM)模型

遺傳算法-極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)(GA-ELM)原理是通過GA對(duì)ELM的權(quán)值、閾值進(jìn)行優(yōu)化,組建最優(yōu)的ELM網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行建模; 主要分為ELM網(wǎng)絡(luò)確定、遺傳算法優(yōu)化和ELM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)等三大部分; 具體流程如圖2.

1.4 模型評(píng)價(jià)指標(biāo)

(1)均方根誤差 (Rmse)

衡量仿真值與樣本值之間(點(diǎn)對(duì)點(diǎn))的偏差,公式為:

式中,i為樣本個(gè)體; n 為樣本總數(shù); yi為仿真輸出值;y樣本輸出量.

(2)相關(guān)系數(shù) (R2)

表示兩個(gè)變量之間的緊密程度,計(jì)算公式如下:

2 ELM 應(yīng)用模型的建立

2.1 工藝過程簡(jiǎn)介

某廠硫酸生產(chǎn)工藝流程[6](無脫硫裝置)如圖3.

圖3 硫鐵礦為原料生產(chǎn)硫酸的原則流程圖

流程簡(jiǎn)介:原料硫鐵礦經(jīng)計(jì)量皮帶秤(位號(hào)WQ2201)進(jìn)入焙燒爐,由鼓風(fēng)機(jī)鼓風(fēng)(風(fēng)量FI2201)進(jìn)入風(fēng)室(壓力PI2201)的空氣與硫鐵礦沸騰燃燒; 在爐內(nèi)(主要擴(kuò)大層)產(chǎn)生帶SO2的爐氣,經(jīng)冷卻、凈化、干燥,由主風(fēng)機(jī)提壓,爐氣 (流量 FI2401,SO2濃度分析AI2401),經(jīng)過轉(zhuǎn)化器 1,2,3,4 段把 SO2轉(zhuǎn)化成 SO3并用濃硫酸進(jìn)行循環(huán)吸收(兩轉(zhuǎn)兩吸),產(chǎn)出合格硫酸; 尾氣(含SO2)經(jīng)4段,由煙囪排大氣中.

2.2 影響尾氣SO2濃度的參數(shù)

關(guān)鍵參數(shù):原料硫鐵礦的投入量(WQ2201),焙燒爐進(jìn)風(fēng)量(FI2201)

重要參數(shù):風(fēng)室靜壓(PI2201),過渡段溫度(TI2202),擴(kuò)大段溫度(TI2203),燃燒爐出口溫度(TI2204),主風(fēng)機(jī)出口風(fēng)量(FI2401),爐氣SO2濃度分析以及轉(zhuǎn)化器四段出口溫度(TI2431).

3 仿真實(shí)驗(yàn)

3.1 仿真數(shù)據(jù)的選取

由于生產(chǎn)流程較長(zhǎng),影響尾氣SO2濃度的因素相關(guān)性很強(qiáng),在本次實(shí)驗(yàn)中選取以上全部9個(gè)參數(shù)樣本的輸入變量,力求能夠真實(shí)地反映尾氣SO2濃度變化.

3.2 樣本數(shù)據(jù)的預(yù)處理

數(shù)據(jù)是直接采集生產(chǎn)中儀表測(cè)量的真實(shí)數(shù)據(jù)(2148組),數(shù)據(jù)離散性、突變和誤差相對(duì)較大,本實(shí)驗(yàn)采用小波包降噪[7,8]和一維中值濾波對(duì)數(shù)據(jù)進(jìn)行預(yù)處理.

(1)主成分 (PCA)分析[9]

由于有9個(gè)輸入變量,維數(shù)較大,對(duì)后面的網(wǎng)絡(luò)運(yùn)算速度有很大的影響; 首先做PCA分析以降低維度,但在程序運(yùn)行結(jié)果中9個(gè)變量的貢獻(xiàn)率在(6.8%—21.2%)間,無法降維.

(2)小波包降噪

為了減少失真,采用全局閾值默認(rèn)(正交小波函數(shù)為shannon小波)的小波包降噪.

(3)一維中值濾波[10]處理

用窗寬30,分列做一維中值濾波處理.

(4)樣本數(shù)據(jù)的劃分

樣本數(shù)據(jù)等間隔抽取3/4數(shù)據(jù)(1611組)作為訓(xùn)練樣本進(jìn)行擬合,另外的1/4數(shù)據(jù)(537組)為測(cè)試樣本進(jìn)行泛化實(shí)驗(yàn).

(5)訓(xùn)練樣本、測(cè)試樣本的標(biāo)準(zhǔn)歸一化處理.

3.3 ELM神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)確定

(1)隱含層神經(jīng)元個(gè)數(shù)

在本次實(shí)驗(yàn)中,雖然樣本訓(xùn)練個(gè)數(shù)達(dá)1611個(gè),但加入遺傳算法后,在取較小的神經(jīng)元個(gè)數(shù)的情況下就能達(dá)到較好的效果,時(shí)間大大地縮短.

利用遺傳算法和ELM網(wǎng)絡(luò)進(jìn)行訓(xùn)練,根據(jù)最小適應(yīng)度值來尋找最佳的連接權(quán)值和閾值b,作為最終的ELM網(wǎng)絡(luò)最佳參數(shù)進(jìn)行仿真.

(3)隱含層神經(jīng)元的激活函數(shù):選擇無限可微函數(shù).

3.4 遺傳算法的相關(guān)參數(shù)確定

主要元素:種群規(guī)模,個(gè)體長(zhǎng)度、進(jìn)化次數(shù)以及交叉概率、變異概率等.

交叉概率:交叉操作時(shí),選擇種群中的二個(gè)個(gè)體,按擬定的概率交叉而得到新個(gè)體; 據(jù)一般文章認(rèn)為,交叉概率的大小對(duì)于相對(duì)簡(jiǎn)單的優(yōu)化問題影響不大,本文選取交叉概率=0.5是經(jīng)多次運(yùn)行,在MSE基本相近的情況下,以運(yùn)行時(shí)間相對(duì)短的標(biāo)準(zhǔn)來確定.

變異概率:種群中隨機(jī)選擇一個(gè)個(gè)體,按擬定概率變異達(dá)到一個(gè)新個(gè)體; 變異概率=0.3是運(yùn)用本文數(shù)據(jù)多次運(yùn)行,試湊法確定.

3.5 仿真實(shí)驗(yàn)

(1)迭代次數(shù)對(duì)網(wǎng)絡(luò)的影響:其中,交叉概率 0.5,變異概率0.3,隱層神經(jīng)元個(gè)數(shù)25.

表1 迭代 (進(jìn)化)次數(shù)對(duì)網(wǎng)絡(luò)仿真性能對(duì)比結(jié)果

(2)種群規(guī)模數(shù)對(duì)網(wǎng)絡(luò)的影響:其中,迭代次數(shù) 50,交叉 0.5,變異 0.3,神經(jīng)元個(gè)數(shù) 25.

表2 種群規(guī)模數(shù)對(duì)網(wǎng)絡(luò)仿真性能對(duì)比結(jié)果

(3)隱層神經(jīng)元個(gè)數(shù)對(duì)網(wǎng)絡(luò)的影響:其中,迭代次數(shù) 50,種群規(guī)模 10,交叉概率 0.5,變異概率 0.3.

表3 隱層神經(jīng)元數(shù)對(duì)網(wǎng)絡(luò)仿真性能對(duì)比結(jié)果

(4)普通ELM網(wǎng)絡(luò)與GA-ELM的仿真對(duì)比.

表4 普通ELM 與 GA-ELM 網(wǎng)絡(luò)性能對(duì)比結(jié)果

從上述的比對(duì)數(shù)據(jù)來看,如果用單純的ELM作為仿真該案,效果非常差,基本處于弱相關(guān)的狀態(tài),從一定意義上說,根本就不能用普通ELM進(jìn)行該案的仿真,即使它的運(yùn)算時(shí)間短(因?yàn)镚A-ELM運(yùn)行時(shí)間受迭代次數(shù)、種群規(guī)模的大小影響很大).

(5)最佳參數(shù)(隱含層神經(jīng)元個(gè)數(shù)120,權(quán)值、閾值由GA+ELM選擇)的ELM對(duì)尾氣SO2濃度擬合、泛化對(duì)比結(jié)果圖如圖4、圖5.

圖4 GA-ELM對(duì)制酸硫酸尾氣 SO2濃度擬合圖

圖5 GA-ELM對(duì)制酸硫酸尾氣 SO2濃度泛化圖

(6)仿真結(jié)果分析

經(jīng)過比對(duì)分析,GA-ELM都能較好地對(duì)實(shí)際生產(chǎn)工況進(jìn)行仿真; 遺傳進(jìn)化次數(shù)、種群規(guī)模因素對(duì)仿真結(jié)果影響不大,但二者與運(yùn)算時(shí)間成正比.隱含層神經(jīng)元個(gè)數(shù)對(duì)整個(gè)網(wǎng)絡(luò)影響最大:個(gè)數(shù)越多,網(wǎng)絡(luò)均方根誤差越小,相關(guān)系數(shù)越大,但運(yùn)行時(shí)間較長(zhǎng).

4 結(jié)束語

GA-ELM神經(jīng)網(wǎng)絡(luò)具有較好的魯棒性、泛化能力;通過遺傳算法尋找最優(yōu)的網(wǎng)絡(luò)連接權(quán)值和閾值,克服了普通ELM連接權(quán)值和閾值的隨意性所帶來網(wǎng)絡(luò)仿真的不確定性,同時(shí)由于ELM神經(jīng)元個(gè)數(shù)(一般取樣本數(shù))的大大減少,使得網(wǎng)絡(luò)訓(xùn)練時(shí)間大大縮短; 在實(shí)際生產(chǎn)過程中面對(duì)高維、數(shù)據(jù)波動(dòng)大以及數(shù)據(jù)量大、工況復(fù)雜多變的情況下準(zhǔn)確預(yù)測(cè),對(duì)生產(chǎn)、環(huán)保監(jiān)測(cè)等有特別重要的現(xiàn)實(shí)意義.

1劉少武,齊焉,趙樹起,等.硫酸生產(chǎn)技術(shù).南京:東南大學(xué)出版社,1993,12:771–771.

2程婷,劉潔嶺,蔣文舉.我國硫酸工業(yè)尾氣脫硫技術(shù)現(xiàn)狀分析.四川化工,2013,16(1):45–48.

3Huang GB,Zhu QY,Siew CK.Extreme learning machine:Theory and applications.Neurocomputing,2006,70(1-3):489–501.[doi:10.1016/j.neucom.2005.12.126]

4孫鑫.極限學(xué)習(xí)機(jī)結(jié)構(gòu)優(yōu)化及其應(yīng)用研究[碩士學(xué)位論文].南寧:廣西大學(xué),2014:5–8.

5史峰,王輝,郁磊,等.MATLAB 智能算法 30 個(gè)案例分析.北京:北京航空航天大學(xué)出版社,2011:290–295.

6崔恩選.化學(xué)工藝學(xué).北京:高等教育出版社,1990:137–162.

7孫延奎.小波分析及其應(yīng)用.北京:機(jī)械工業(yè)出版社,2005:253–256.

8胡昌華,張軍波,夏軍,等.基于 MATLAB 的系統(tǒng)分析與設(shè)計(jì)-4-小波分析.西安:西安電子科技大學(xué)出版社,1999:258–261.

9謝中華.MATLAB 統(tǒng)計(jì)分析與應(yīng)用:40 個(gè)案例分析.北京:北京航空航天大學(xué)出版社,2010:354–359.

10徐明遠(yuǎn),劉增力.MATLAB 仿真在信號(hào)處理中的應(yīng)用.西安:西安電子科技大學(xué)出版社,2007:226–235.

Application of ELM in Prediction of SO2Concentration of the Tail Gas in Producing Acid with Pyrite

HUANG Yuan-Hong,HUANG Qing-Bao

(School of Electrical Engineering,Guangxi University,Nanning 530004,China)

Based on the control of the whole production process,to make emissions of SO2concentration conform to the standards in the production of sulfuric acid with pyrite,we propose prediction for SO2concentration of tail gas with GAELM modeling.In the production of sulfuric acid by pyrite,we collect the key parameters with greater influence on the SO2concentration of exhaust gas,and use GA-ELM neural network to predict the SO2concentration while producing acid with exhaust gas.The method is tested in a factory,and the predicted results are highly identical with actual data.It plays an important guiding role for the adjustment and optimization of process index and exhaust emissions conforming to the standards.

exhaust emission; concentration of SO2; GA-ELM; prediction

黃遠(yuǎn)紅,黃清寶.GA-ELM在硫鐵礦制酸尾氣SO2濃度預(yù)測(cè)的應(yīng)用.計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(10):251–254.http://www.c-sa.org.cn/1003-3254/5744.html

2016-06-29; 采用時(shí)間:2016-08-08