[发明专利]一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法

说明书

本发明针对优化的挥发窑工况操作模式获取困难，导致其生产过程经济指标波动较大，运行状况不稳定问题，发明了一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法。本发明为使挥发窑产品质量、能耗、有害气体排放工艺指标达到最优，利用基于粒子群算法的多目标优化方法寻找最优挥发窑工况操作模式。针对寻优过程适应度值无法获取问题，根据挥发窑的输入条件以及当前状态，建立基于最小二乘支持向量机回归的挥发窑工况评价模型，预测挥发窑工艺指标值，从而获得相应的适应度值。本发明所提方法有利于挥发窑生产过程节能减排水平的提高。

技术领域

本发明涉及一种挥发窑工况操作模式优化方法，具体的说就是一种融合最小二乘支持向量机回归(LSSVM)与粒子群优化的挥发窑工况操作模式优化方法。

背景技术

挥发窑广泛用于冶金、建材、化工和造纸等领域，挥发窑处理物料的过程是一个典型的热工反应过程，由于窑的主要部分在回转，检测仪器通常安装在窑的两端，导致关键工艺参数不能准确及时测量，窑内热工状况难以定量描述。目前挥发窑生产过程多依赖操作人员经验根据窑头火焰的燃烧情况手动调整窑转速、鼓风量等操作参数，这使得挥发窑生产过程技术经济指标波动较大，运行状况不稳定，单位产品的能耗、原材料消耗和有害气体排放较高，严重制约企业节能减排水平的提高。

目前挥发窑工况识别常通过表征窑特征的模型实现，模型分为机理模型与数据驱动模型两类。由于挥发窑生产过程反应机理复杂，很难建立精确的机理模型实现操作参数的在线识别，基于机理模型的识别方法一般需要做一些假设简化建模过程，机理模型简化带入的误差以及生产扰动带来的不确定性导致模型的精确性不高，因此传统的机理模型很少有直接应用于挥发窑实际生产过程的报道。基于数据驱动模型的识别方法能依据大量的实际生产数据实现挥发窑操作参数的优化，但是神经网络存在结构(神经网络类型、隐层层数等)、隐层节点数难以确定等问题，降低了它的应用效果。同样对于利用模糊模型识别操作参数而言，由于挥发窑的生产条件一直在缓慢变化，操作规律也随之变化，故如何获取模糊规则成为解决问题的瓶颈，常见的基于专家知识的方法受限于领域专家的主观意志、知识水平和操作经验，很难及时更新，可能导致规则冗余或不完整。最小二乘支持向量机(Least Square Support Vector Machine，LSSVM)是一种新兴的统计学方法，目前在挥发窑生产中LSSVM回归理论还应用得很少，将LSSVM方法用于挥发窑工况操作模式识别和性能预测，有利于克服上述智能算法的不足。

在挥发窑工况操作模式优化过程中，通常按产品质量、能耗、有害气体排放工艺指标进行评价，这实际上是一个多目标优化决策问题，目前在挥发窑的文献中还很少有这方面的报道。

发明内容

技术问题：利用基于最小二乘支持向量机回归模型(LSSVM)预测挥发窑工艺指标，并利用粒子群优化算法寻找优化的挥发窑工况操作模式，使挥发窑长期运行在优化的操作模式区域。

技术方案：挥发窑工况操作模式定义为：由一定的输入条件F，与之对应的操作参数O，状态参数J和性能工艺指标I组成的向量[F O J I]，其中参数可以是连续或离散的。挥发窑工况操作模式优化定义为：根据挥发窑的输入条件以及当前状态,寻找合适的工况操作参数,使得挥发窑的产品质量、能耗、有害气体排放工艺指标达到最优。本发明提出的挥发窑工况操作模式优化方法分为2 部分：

(1)建立基于最小二乘支持向量机的挥发窑工况评价模型

如附图1所示建立基于最小二乘支持向量机的挥发窑工况评价模型,设 (x_i，y_i)＝[F O J I]_i且{(x_i，y_i)|x_i∈Rⁿ，y_i∈R，i＝1，2，…N}，根据LSSVM理论，利用结构风险最小化原则，函数拟合问题可描述为最优化问题：