盧保昆 云濤 劉航

摘 要：污泥焚燒爐溫度控制過程中，由于投入污泥塊熱值不均以及外界環(huán)境干擾，傳統(tǒng)的PID控制不能快速穩(wěn)定地將爐溫控制在所需范圍內(nèi)。為適應環(huán)境變化，實現(xiàn)更高效的爐溫控制，提出一種基于NFOA-BP算法的污泥焚燒溫度控制方法。該方法將改進型果蠅算法與BP神經(jīng)網(wǎng)絡結(jié)合，通過NFOA算法優(yōu)化神經(jīng)網(wǎng)絡的初始權(quán)重和閾值，進而提高神經(jīng)網(wǎng)絡的全局搜索能力。將NFOA-BP算法應用于污泥焚燒爐溫度控制系統(tǒng)，與傳統(tǒng)PID溫度控制系統(tǒng)進行仿真對比實驗。結(jié)果表明該系統(tǒng)響應平穩(wěn)、迅速，超調(diào)減小，正確率達到95%以上，比傳統(tǒng)PID調(diào)節(jié)方法提高5%左右。

關(guān)鍵詞：果蠅優(yōu)化算法;神經(jīng)網(wǎng)絡;PID溫度控制器;污泥焚燒

DOI： 10. 11907/rjdk.191397

開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319

文獻標識碼：A

文章編號：1672-7800（ 2020）001-0185-05

0 引言

污泥焚燒溫度只有控制在一定范圍內(nèi)才能完全燃燒，焚燒爐溫度控制是污泥干化焚燒系統(tǒng)的重要環(huán)節(jié)，其性能直接影響污泥焚燒的速度和效率。由于污泥焚燒系統(tǒng)影響因素很多，并且該系統(tǒng)是一個非線性、大滯后的系統(tǒng)，傳統(tǒng)的PID溫度調(diào)節(jié)系統(tǒng)具有調(diào)節(jié)時間長、響應時間慢等缺點，因此探索一種快捷高效的爐溫控制方法迫在眉睫。近年來，由于魯棒映射和非線性映射性能顯著，人工神經(jīng)網(wǎng)絡（ANN）被廣泛應用于工程優(yōu)化問題求解[1-3]。事實上，人工神經(jīng)網(wǎng)絡可以建立一個包含幾個層次的映射網(wǎng)絡，模擬訓練已知輸入和輸出之間的關(guān)系。人工神經(jīng)網(wǎng)絡的主要優(yōu)勢是利用現(xiàn)有樣本對神經(jīng)網(wǎng)絡進行適當訓練，以較高精度和較快速度預測結(jié)果。

人工神經(jīng)網(wǎng)絡應用在許多領(lǐng)域。MA等[4]建立了ANN預測模型，以確定超臨界水的傳熱系數(shù);Shafabakhsh等[5]提出了一種用人工神經(jīng)網(wǎng)絡對熱拌瀝青混合料的最終應變進行評價的方法。一般來說，ANN模型包含許多控制參數(shù)，這些參數(shù)決定了人工神經(jīng)網(wǎng)絡性能。研究人員發(fā)現(xiàn)將人工神經(jīng)網(wǎng)絡與智能算法結(jié)合可以提高人工神經(jīng)網(wǎng)絡性能。采用遺傳算法（GA）和粒子群優(yōu)化（PSO）等算法對人工神經(jīng)網(wǎng)絡控制參數(shù)進行優(yōu)化，提高了網(wǎng)絡預測能力，可解決各種優(yōu)化問題[6]。Zhipeng Hu[7]提出將遺傳算法與BP神經(jīng)網(wǎng)絡相結(jié)合用于多目標優(yōu)化。果蠅優(yōu)化算法（FOA）是2011年提出的一種新的進化算法，具有參數(shù)少、計算簡單以及全局尋優(yōu)快的優(yōu)點，但由于果蠅優(yōu)化算法未能充分利用種群信息，導致算法易陷入局部極值，收斂精度下降[8]。本文提出一種自適應步長的果蠅算法，改進后的算法（NFOA）較初始果蠅優(yōu)化算法（FOA）在搜索廣度和精度上得到提高。將NFOA與BP神經(jīng)網(wǎng)絡結(jié)合，利用NFOA優(yōu)化神經(jīng)網(wǎng)絡的初始權(quán)值和閾值，使神經(jīng)網(wǎng)絡系統(tǒng)擴大搜索空間、提高計算效率以及提升神經(jīng)網(wǎng)絡的自動化程度[9]。本文主要工作有：①引入了FOA的自適應迭代步長值;②提出了一種預測精度較高的NFOA-BP模型;③將新模型應用到污泥焚燒爐溫控系統(tǒng)，改善了系統(tǒng)動態(tài)性能。

1 果蠅優(yōu)化算法及其改進型NFOA

1.1 果蠅優(yōu)化算法

依據(jù)果蠅搜索食物特性，果蠅優(yōu)化算法步驟如下[10-11]：

（1）初始化最大迭代次數(shù)、種群規(guī)模、果蠅初始濃度值和果蠅群位置。

（2）個體利用靈敏的嗅覺搜尋并飛向感知到的食物。更新果蠅位置如式（1）所示。

公式分析：

（1）從第一次迭代到第M'次迭代，Rm隨著M'的增加而減小。特別是在算法的初始階段，較大的Rm可以保證算法以較快的速度收斂到一個較好的解。隨著迭代次數(shù)的增加，Rm逐漸減小，搜索精度逐漸提高。由式（6）可知，當m=0日寸Rm=R，m=M'時Rm=Rmin。

（2）在算法的后半部分，當m≥M'時，Rm隨m的增長呈正弦變化，其中變幅為RA，循環(huán)數(shù)為C。由于較大的步長可以提高搜索速度，而較小的步長可以提高搜索精度，所以在尋找全局最優(yōu)解的過程中，自適應的步長變化可以平衡搜索速度和搜索精度，帶來更好的搜索結(jié)果。

自適應步長的果蠅優(yōu)化算法能夠很好地平衡全局和局部尋優(yōu)性能，在算法前期全局優(yōu)化性能好，保證算法得到全局最優(yōu)解;后期隨著步長呈正弦變大或變小，搜索速度與搜索精度交替提高，算法收斂性得到優(yōu)化的同時提高了算法搜索精度。

2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是最常用的人工神經(jīng)網(wǎng)絡之一[14]，其特點是采用誤差反向傳播算法對其進行訓練。如圖2所示，傳統(tǒng)的BP神經(jīng)網(wǎng)絡包括一個輸入層、一個或多個隱藏層和一個輸出層。輸入變量可看作是外部刺激被隱藏層的神經(jīng)元感知和傳遞，然后在輸出層作出反應。

如果存在多個隱藏層，則將神經(jīng)元hj的輸出視為下一個隱層中神經(jīng)元輸入，以此類推。然后比較輸出值和預測值得到誤差，將誤差反向傳播給上一層用來修正連接權(quán)值，這個過程反復執(zhí)行直至得到期望誤差。

3 NFOA-BP神經(jīng)網(wǎng)絡模型及效果驗證

3.1 NFOA-BP神經(jīng)網(wǎng)絡模型

雖然BP神經(jīng)網(wǎng)絡在訓練過程中可以利用誤差反向傳播算法對權(quán)值和偏差進行更新，但初始網(wǎng)絡的權(quán)值和閾值對BP網(wǎng)絡性能仍有重要影響。因此，可以通過優(yōu)化初始權(quán)值和閾值提高BP網(wǎng)絡的預測精度[15-16]。由于改進后的果蠅算法具有良好的優(yōu)化能力，因此將其應用于BP模型的權(quán)值和閾值優(yōu)化，實現(xiàn)步驟如下：①初始化BP神經(jīng)網(wǎng)絡，確定BP神經(jīng)網(wǎng)絡的每層神經(jīng)元個數(shù)，確定輸入層、隱藏層、輸出層的神經(jīng)元個數(shù);②利用NFOA算法優(yōu)化BP網(wǎng)絡的權(quán)值和閾值。首先，確定個體的編碼方法和字符串長度;其次，生成果蠅群的初始位置，然后個體搜索最優(yōu)參數(shù)組合，定義適應度函數(shù)并計算個體的適應度值，最后完成迭代過程，找出最佳的個體和相應的參數(shù)組合;③用求得的最優(yōu)權(quán)值和閾值訓練BP神經(jīng)網(wǎng)絡;④把測試數(shù)據(jù)帶人訓練好的BP神經(jīng)網(wǎng)絡進行驗證。

NFOA-BP流程如圖3所示。

3.2 NFOA-BP神經(jīng)網(wǎng)絡仿真分析

3.2.1 編碼及串長

本文采用實數(shù)編碼，新模型實數(shù)編碼組合中的字符串長度取決于BP模型的詳細結(jié)構(gòu)。用Num，和Num。分別表示輸入層、輸出層的神經(jīng)元總數(shù)，字符串長度L如式（7）所示。

3.3.3 仿真結(jié)果分析

為驗證NFOA的有效性，采用FOA對BP神經(jīng)網(wǎng)絡的權(quán)值和閾值參數(shù)進行優(yōu)化計算，進而作對比分析[17]。FOA參數(shù)設置同NFOA -致。兩種算法的收斂曲線如圖4所示。

由圖4可知，采用FOA在超出40代時才完全收斂，而NFOA在25代時已完全收斂;NFOA的最佳適應度值為0.126，明顯優(yōu)于FOA的最佳適應度值0.24。仿真結(jié)果表明，NFOA算法收斂速度和求解精度較FOA算法均有明顯提升，改進算法可行有效。NFOA優(yōu)化后的BP神經(jīng)網(wǎng)絡收斂速度加快，克服了易陷入局部最優(yōu)的缺陷，提高了全局優(yōu)化能力。

4 NFOA-BP模型應用

4.1 污泥焚燒爐溫度控制模型

將NFOA-BP融合算法應用于污泥焚燒溫度控制，設計的模型如圖5所示[9]。

在污泥焚燒過程中，污泥送人焚燒爐后需要一定時間才能達到燃燒溫度，所以爐溫變化具有滯后性;污泥燃燒過程中需要一定的時間才能釋放熱量，因此污泥焚燒系統(tǒng)具有慣性環(huán)節(jié)[18-20]。焚燒爐爐溫控制模型可以簡化為慣性環(huán)節(jié)和純滯后環(huán)節(jié)的結(jié)合，該系統(tǒng)傳遞函數(shù)可表示為[3]：

式（10）中，K為對象增益，T為時間常數(shù)，τ為純滯后時間。K、T、τ均與焚燒爐參數(shù)有關(guān)。

4.2 仿真分析

采用MATLAB軟件對系統(tǒng)進行仿真，模擬真實污泥焚燒控制系統(tǒng)，設定污泥焚燒系統(tǒng)的基本參數(shù)K =80，T=100，τ =30，初始溫度偏差e=lOOOC;用NFOA優(yōu)化后的BP神經(jīng)網(wǎng)絡對焚燒爐溫度控制模型進行仿真，得到與傳統(tǒng)PID調(diào)節(jié)的對比曲線如圖6所示。

由圖6可知，將NFOA-BP算法應用于污泥焚燒爐溫度控制系統(tǒng)，較之傳統(tǒng)PID溫度控制系統(tǒng)，該方法能使溫度調(diào)節(jié)更加穩(wěn)定，超調(diào)減小，響應時間加快，且正確率達到95%以上，比傳統(tǒng)PID調(diào)節(jié)提高5%左右，具有更好的穩(wěn)定性和準確性。

5 結(jié)語

本文引入一種自適應步長果蠅優(yōu)化方法（ NFOA）對BP神經(jīng)網(wǎng)絡的權(quán)值和閾值進行參數(shù)優(yōu)化，在此基礎(chǔ)上建立了基于NFOA-BP神經(jīng)網(wǎng)絡算法的污泥焚燒爐溫度控制系統(tǒng)仿真模型。與傳統(tǒng)的FOA相比，NFOA搜索精度更高，收斂更迅速。相較于傳統(tǒng)PID調(diào)節(jié)，NFOA-BP模型優(yōu)化后的PID對爐溫的調(diào)節(jié)性能更加穩(wěn)定，響應更加快速，超調(diào)量明顯降低，調(diào)節(jié)正確率在95%以上，該方法為焚燒爐溫度控制研究與應用提供了理論支撐。

參考文獻：

[1]王德望，趙敏.污水處理系統(tǒng)溶解氧的BP-PID控制算法[J].軟件導刊，2018（2）：68-70， 73.

[2]李燁，屈寶存.神經(jīng)網(wǎng)絡在鍋爐溫度控制系統(tǒng)中的應用[J].自動化儀表，2013.34（10）：55-59.

[3] 羅瑩穎，傅迎華.基于模糊神經(jīng)控制的污泥焚燒溫度控制應用[J].計算機仿真，2015，32（2）：400-404.

[4]

MA D L，ZHOU T， CHEN J，et al. Supercritical water heat transfercoefficient prediction analysis hased on BP neural network[J].Nucle-ar Engineering and Design， 2017（ 320）： 400-408.

[5]

SHAFABAKHSH G H，ANI O J，TALEBSAFA M. Artificial neuralnetwork modeling （ANN） for predicting rutting performance of na-no-modified hot-mix asphalt mixtures containing steel slag aggregates[J]. Construction and Building Materials， 2015（ 85）： 136-143.

[6]許琴，顏海斌.基于遺傳算法的BP神經(jīng)網(wǎng)絡在電站鍋爐主蒸汽溫度控制系統(tǒng)中的應用研究[J].應用能源技術(shù)，2012（6）：21-24.

[7]

HU Z P.Research on application of bp neural network hased on genet-ic algorithm in multi-objective optimization[C].International Confer-ence on Information Technology in Medicine and Education， 2016：681-684.

[8]

PAN W T.Anew fruit fly optimization algorithm： taking the financialdistress model as an example [Jl. Knowledge-Based Systems， 2012（ 26）：69-74.

[9] 徐杏芳.基于果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡[J].福建電腦，2017（ 6）：26-28.

[10] 白露.果蠅優(yōu)化算法的改進及應用[D].太原：太原科技大學，2016.

[11]王林，呂盛祥.果蠅優(yōu)化算法研究綜述[J].控制與決策，2017，32（7）：1154-1162.

[12]

WU L，YYANG Y， MAHESHWARI M.Parameter optimization forFPSO design using an improved FOA and IFOA-BP neural nenvork[J]. Ocean Engineering， 2019（ 175）： 50-61.

[13]

WU L， LIU Q.A new improved fruit fly optimization algorithm IA-FOA and its application to solve engineering optimization problems[J]. Knowledge-Based Systems， 2017（ 12）： 31-38.

[14]張雅，宋耀蓮，基于BP神經(jīng)網(wǎng)絡的疾病癥狀預測模型[J].軟件導刊，2017.16（12）：1-3，8.

[15] MENG T，PAhr Q K.An Improved fruit fly optimization algorithm forsolving the multidimensional knapsack problem [J]. Applied SoftComputing， 2016（ 11）： 23-29.

[16]

HUANG D M， HE S Q， HE X H， et al. Prediction of wind loads onhigh-rise building using a BP neural network combined with POD[J]. Journal of Wind Engineering and Industrial Aerodynamics， 2017 （ 170）：1-17.

[17] 閆超，倪福佳.基于改進FOA優(yōu)化BP神經(jīng)網(wǎng)絡算法的光伏系統(tǒng)MPPT研究[J].電測與儀表，2018，55（8）：24-29.

[18] 張詠軍，王航宇.基于BP神經(jīng)網(wǎng)絡的溫度模糊PID控制器設計[J].現(xiàn)代電子技術(shù)，2008（ 7）：133-135.

[19] 杜云，吳學禮，孟華，等.自適應模糊神經(jīng)網(wǎng)絡在爐溫控制中的應用[J].儀器儀表學報，2002.23（ z1）：446-448 ，454.

[20] 范子榮.模糊神經(jīng)網(wǎng)絡在煉鋼加熱爐溫度控制中的應用[J].山西大同大學學報：自然科學版，2017，33（6）：66-68.

（責任編輯：杜能鋼）

作者簡介：盧保昆（1993-），男，上海理工大學光電信息與計算機工程學院碩士研究生，研究方向為污泥干化焚燒、神經(jīng)網(wǎng)絡。