(合肥工業(yè)大學 電氣與自動化工程學院，安徽 合肥 230009)

水泥工業(yè)是我國國民經(jīng)濟建設(shè)的重要基礎(chǔ)材料產(chǎn)業(yè),也是高能源消耗和高污染排放的行業(yè)之一[1]，所以節(jié)能環(huán)保的生產(chǎn)方式尤為重要。預分解是新干法水泥生產(chǎn)技術(shù)的核心步驟[2]，而分解爐出口溫度是反映分解爐運行工況優(yōu)劣的關(guān)鍵指標，對水泥生產(chǎn)的質(zhì)量、產(chǎn)量及能耗起著至關(guān)重要的作用，所以對分解爐出口溫度的研究具有重要意義[3]。近年來，許多學者圍繞分解爐溫度的預測和控制展開研究。文獻[4]提出基于遺傳算法優(yōu)化的BP網(wǎng)絡(luò)出口溫度預測模型，并進行了仿真驗證；文獻[5]在極限學習機與回歸分析的基礎(chǔ)上，建立了出口溫度的T-S模糊模型；文獻[6]和文獻[7]分別運用神經(jīng)網(wǎng)絡(luò)與自適應(yīng)PID的方法，實現(xiàn)了對分解爐溫度的控制；文獻[8]提出一種基于參數(shù)優(yōu)化的支持向量回歸的方法預測分解爐溫度，取得了預期的預測效果。但是上述研究在關(guān)于影響分解爐溫度的變量選擇上，大都是采用傳統(tǒng)的經(jīng)驗法，以風(三級風)、料(生料量)、煤(喂煤量)等主要變量對分解爐系統(tǒng)進行研究。由于分解爐內(nèi)部結(jié)構(gòu)復雜、變量眾多、理化反應(yīng)交織，人為經(jīng)驗法選取的少數(shù)變量難以全面概括分解爐系統(tǒng)的內(nèi)部規(guī)律，易造成預測精度不高，模型的泛化能力較弱等問題。而將多元統(tǒng)計分析方法與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的數(shù)據(jù)驅(qū)動建模方法，由于包含可能影響系統(tǒng)的全部變量，又具有神經(jīng)網(wǎng)絡(luò)強大的計算擬合能力，所以能夠更為科學準確地把握系統(tǒng)特性，因此更適用于多變量、非線性和不確定性的分解爐出口溫度建模預測。

本文提出基于動態(tài)主元分析(Dynamic Principal Component Analysis，DPCA)與極限學習機(Extreme Learning Machine，ELM)相結(jié)合的DPCA-ELM預測模型對分解爐出口溫度進行預測。利用DPCA消除變量之間的相關(guān)性，計算出各輸入變量在不同時序下對輸出的影響，降低數(shù)據(jù)的冗余和噪聲，減少ELM的輸入維度。然后將降維所得的主元作為極限學習機的輸入層，再通過PSO粒子群尋優(yōu)算法求得ELM網(wǎng)絡(luò)的最優(yōu)權(quán)值和偏置，再由方程組計算確定隱含層至輸出層的權(quán)值，經(jīng)訓練、調(diào)參，從而完成對出口溫度的建模預測。經(jīng)仿真驗證表明，基于DPCA-ELM的分解爐出口溫度預測模型具有良好的預測精度，同時也為其他復雜、非線性、多變量工業(yè)系統(tǒng)建模提供參考。

1 理論分析

1.1 主元分析法與動態(tài)主元分析法

主元分析(PCA)的基本原理就是將多維的線性相關(guān)的原始數(shù)據(jù)Xn×m轉(zhuǎn)化為低維且線性無關(guān)的新數(shù)據(jù)Tn×k，其中k

(1)

X的標準化S又可以表示為得分矩陣和相關(guān)系數(shù)矩陣的外積形式:

S=Tn×mRm×m

(2)

式中，矩陣R=(r1,r2,…,rm)為S的相關(guān)系數(shù)矩陣；T=(t1,t2,…,tm)為S的得分矩陣。若‖t1‖>‖t2‖>…>‖tm‖，則t1即為第一主元，代表X在其對應(yīng)方向的投影最大。

取前k個主元，可得S=TkRk+E，式中E為殘差矩陣，主元Tn×k=(t1,t2,…,tk)即為降維后的新數(shù)據(jù)。

雖然傳統(tǒng)的PCA算法可以降低變量維度，減少數(shù)據(jù)冗余，但是對于有時序的系統(tǒng)模型，傳統(tǒng)的PCA會忽略某些變量對模型輸出的動態(tài)影響，從而影響模型的可靠性，而DPCA可以通過添加前h時刻的增廣矩陣彌補傳統(tǒng)PCA的靜態(tài)不足的問題。增廣矩陣為

(3)

式中，x為t時刻在訓練集中的m維觀測向量對于滯后因子h的確定，由遞推公式(4)遞推至rn(h)>0：

(4)

經(jīng)計算當h=2時，rn(h)>0，故確定滯后因子為2。

1.2 極限學習機

極限學習機算法是由新加坡學者黃廣斌等人在2004年提出的一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)學習算法，具有預測精度高，訓練速度快等優(yōu)點。

對于單隱含層神經(jīng)網(wǎng)絡(luò)，設(shè)有n組多變量輸入樣本Xi=[xi1,xi2,…,xin]T∈Rn，多變量輸出樣本Ti=[ti1,ti2,…,tim]T∈Rm。則網(wǎng)絡(luò)的輸出可以表示為

(5)

式中，j=1,2,…,n；L為隱含層節(jié)點數(shù)；βi為輸出權(quán)值；f(x)為網(wǎng)絡(luò)的激活函數(shù)；Wi=[wi,1,wi,2,…,wi,n]T為輸入層到隱含層權(quán)值；Xj為網(wǎng)絡(luò)輸入；bi為第i個隱含層節(jié)點的偏置。網(wǎng)絡(luò)學習的目的是實際輸出Oj與目標的誤差盡可能的逼近于0，可以表示為

(6)

等價于存在βi，Wi和bi，使得式(7)成立。

(7)

式(7)又可以等價表示為Hβ=T，其中，H是隱含層節(jié)點的輸出，β為輸出層的權(quán)值，T為網(wǎng)絡(luò)期望輸出。式中，β、T、H可以表示為[12]

(8)

(9)

(10)

式中，i=1,2，…,L,求解式(10)等價于求解損失函數(shù)的最小值：

(11)

(12)

2 出口溫度建模預測

水泥分解爐作為新干法水泥生產(chǎn)的核心部分，承擔了燃燒加熱、氣固換熱、物料反應(yīng)與分解等多個步驟。因此機理建模預測在水泥分解爐系統(tǒng)中的建立顯得尤為困難。故本文采用數(shù)據(jù)驅(qū)動建模的方法，建立了基于水泥生產(chǎn)過程中所采集的生產(chǎn)數(shù)據(jù)的DPCA-ELM分解爐出口溫度預測模型，并在Matlab環(huán)境下，完成仿真驗證。

2.1 數(shù)據(jù)來源與變量篩選

本文數(shù)據(jù)來自2014年6月，某水泥公司6000 t/d水泥生產(chǎn)線的現(xiàn)場數(shù)據(jù),采集數(shù)據(jù)的時間間隔為1 min。從穩(wěn)定工況下選取400組作為訓練樣本，再選取100組測試樣本用來測試模型的有效性。水泥分解爐的系統(tǒng)結(jié)構(gòu)復雜，其內(nèi)部理化反應(yīng)眾多，故本文參考水泥生產(chǎn)實際過程和文獻確定與模型輸出相關(guān)的輸入變量，其中包括：生料量、喂煤量、三級風風溫和風壓、各級旋風筒出口溫度以及氣壓、高溫風機電流、轉(zhuǎn)速等。訓練樣本原始數(shù)據(jù)見表1。

表1 訓練集樣本原始數(shù)據(jù)

2.2 KMO檢驗與PCA降維

選取如上輸入變量中生料量、喂煤量等19個變量，經(jīng)計算滯后因子h=2，故添加前兩個時刻的數(shù)據(jù)構(gòu)成主元分析的增廣矩陣，再采用DPCA算法對輸入變量進行降維，以簡化ELM網(wǎng)絡(luò)輸入單元個數(shù)。

在進行主元分析前，首先要判斷各變量之間是否存在相關(guān)性，以檢驗主元分析的適用與否。所以本文采用KMO統(tǒng)計檢驗方法，KMO的值δ越接近1，數(shù)據(jù)越適宜采用主元分析。其檢驗公式如下：

(13)

式中，rij為所有變量的簡單相關(guān)系數(shù);aij為所有變量的偏相關(guān)系數(shù)。經(jīng)檢驗計算，篩選后變量的KMO值δ=0.9518，故篩選后的變量非常適宜使用主元分析進行降維。

將篩選后的數(shù)據(jù)標準化，消除因量綱不同所產(chǎn)生的不利影響。再求出相關(guān)系數(shù)陣的特征值λ1,λ2,…,λi,…,λ57，及其對應(yīng)的特征向量p1,p2,…,pi,…,p57，并將特征向量按其對應(yīng)特征值由大到小排列。計算特征值累積貢獻率(Cumulative Percent Variance,CPV)其公式為

(14)

式中，分母為所有特征值的累加值；分子為主元的累加值。設(shè)定CPV的期望值為85%，經(jīng)計算得k為18時，CPV的值達到85.8077%，故取主元個數(shù)為18，其特征值及主元貢獻率見表2。

表2 特征值及主元貢獻率

最后由原始數(shù)據(jù)X和主元的特征向量的乘積求得降維后的主元Tn×k=(t1,t2,…,ti,…,t43)，式中，ti=Xpi。

2.3 DPCA-ELM預測模型參數(shù)設(shè)置與訓練

將主元作為極限學習機網(wǎng)絡(luò)的輸入層，即網(wǎng)絡(luò)有18個輸入節(jié)點。選取激活函數(shù)為sigmoid函數(shù)，其表達式為

(15)

選取性能函數(shù)為均方誤差MSE(Mean Squared Error)與擬合優(yōu)度R2(R-square)，其表達式為

(16)

(17)

在ELM中，輸入權(quán)值與隱含層偏置隨機產(chǎn)生，無需迭代，輸出權(quán)值由式(12)確定。但由此產(chǎn)生的參數(shù)隨機性較大，且所需隱含層節(jié)點數(shù)過多，易導致模型復雜度加大，泛化能力下降。故本文采用粒子群尋優(yōu)算法(PSO)代替ELM權(quán)值偏置隨機產(chǎn)生。

PSO優(yōu)化算法的參數(shù)設(shè)置參考文獻[14]所述，并驗證其在本模型的可行性。其具體設(shè)置為：粒子數(shù)30；最大和最小慣性權(quán)重分別為0.9和0.4；學習因子c1，c2同為1.4961；最大迭代次數(shù)為80次；激活函數(shù)為sigmoid函數(shù)；適應(yīng)度函數(shù)為MSE。

PSO算法適應(yīng)度隨迭代次數(shù)變化曲線如圖1所示，當?shù)螖?shù)在70次左右時，適應(yīng)度值穩(wěn)定在0.0373不再變化，訓練收斂，權(quán)值和偏置尋優(yōu)過程結(jié)束。

圖1 適應(yīng)度隨迭代次數(shù)變化曲線

對于ELM隱含層節(jié)點個數(shù)的確定，參考文獻[15]，設(shè)定初始隱含層節(jié)點數(shù)為20，再以5為增幅進行訓練預測，每個節(jié)點重復預測20次，并對所得性能指標取平均值。不同隱含層節(jié)點個數(shù)預測的平均性能指標如表3所示。

表3 不同隱含層節(jié)點個數(shù)性能指標

由表3看出,隨著隱含層節(jié)點個數(shù)的增加，訓練樣本預測效果越好，測試樣本預測效果在節(jié)點數(shù)為80時預測效果最佳，當隱含層節(jié)點個數(shù)由80繼續(xù)增加時，測試樣本預測效果變差。其性能函數(shù)隨節(jié)點數(shù)變化趨勢如圖2所示。

圖2 預測效果隨節(jié)點個數(shù)變化趨勢

由圖2可以看出，在節(jié)點個數(shù)為80時，測試集MSE最小，擬合優(yōu)度R2最大，對測試樣本數(shù)據(jù)的預測結(jié)果最佳。故確定隱含層節(jié)點數(shù)為80時，模型預測與泛化能力最佳，其訓練時間為50.8255 s。出口溫度預測模型如圖3所示。

圖3 DPCA-ELM預測模型

其中，Zi為時滯h為2的原始變量，Xi為動態(tài)主元分析降維所得的18個主元，即ELM的輸入層，W為輸入層權(quán)值，bi為第i個隱含層節(jié)點的偏置，βi為第i個隱含層節(jié)點的輸出權(quán)值，y為輸出的預測出口溫度。

3 仿真驗證

3.1 測試數(shù)據(jù)及預測

將選取的100組測試集樣本變量數(shù)據(jù)導入DPCA-ELM預測模型，100組測試集樣本如表4所示。

表4 測試集樣本原始數(shù)據(jù)

經(jīng)DPCA-ELM模型預測后，得到測試集預測輸出。100組出口溫度預測結(jié)果與實際數(shù)據(jù)對比及誤差如表5所示。由表5可以看出測試集預測效果良好且穩(wěn)定。

經(jīng)計算，DPCA-ELM模型預測的最大誤差約為5.1294 ℃，平均預測誤差約為1.2013 ℃，相對誤差平均值約為0.1285%。

表5 測試樣本預測結(jié)果與誤差

3.2 預測結(jié)果對比分析

為了進一步驗證DPCA-ELM模型的有效性與優(yōu)勢，將其與文獻[4]所提出的GA-BP模型的預測效果進行對比。

設(shè)置遺傳算法參數(shù)：進化代數(shù)：100；種群規(guī)模：50；交叉概率：0.7；變異概率：0.1。

重復試驗觀察后，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)為45；激活函數(shù)設(shè)置為動量梯度下降法(Gradient Descent with Momentum)函數(shù)traingdm；迭代次數(shù)為200；學習步長為0.01；性能函數(shù)為MSE；目標值為0.001。

GA-BP模型的訓練時間為21.7242 s。經(jīng)訓練后，建立了遺傳算法優(yōu)化的BP網(wǎng)絡(luò)的出口溫度預測模型，將測試樣本數(shù)據(jù)導入模型，得到測試樣本預測輸出。DPCA-ELM模型和GA-BP模型預測結(jié)果與測試樣本實際對比如圖4所示。

由圖4可以看出，基于DPCA-ELM模型的出口溫度預測效果良好，GA-BP模型預測效果稍差。其預測結(jié)果與誤差對比如表6所示。

由表6可以得出：基于DPCA-ELM的出口溫度預測模型具有精度高、擬合度好、訓練速度快等優(yōu)勢?；贕A-BP網(wǎng)絡(luò)的預測模型，由于輸入維度高，遺傳算法編碼復雜，所需迭代參數(shù)較多，故訓練速度較慢，泛化能力較弱，影響對出口溫度預測的精度。

圖4 測試樣本預測效果對比

模型MSER2EmaxEmeanGA-BP10.57910.63257.08122.8773DPCA-ELM2.36750.91315.12941.2013

4 結(jié)束語

本文提出了一種數(shù)據(jù)驅(qū)動建模方法：首先進行KMO統(tǒng)計檢驗，驗證PCA的適用性，然后計算出滯后因子，使用DPCA降低影響分解爐出口溫度變量的維度，消除變量之間的相關(guān)性。在此基礎(chǔ)上，構(gòu)建以低維數(shù)據(jù)為輸入層的ELM預測模型，再使用PSO算法優(yōu)化參數(shù)，通過訓練、調(diào)參，最終求得最優(yōu)DPCA-ELM出口溫度預測模型，并使用該模型對測試樣本進行預測。最后通過與GA-BP神經(jīng)網(wǎng)絡(luò)預測模型的對比分析，體現(xiàn)DPCA-ELM預測模型良好的預測精度和泛化能力。