亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)WOA-LSTM 的焦炭質(zhì)量預(yù)測(cè)

        2022-03-24 09:16:10劉立邦楊頌王志堅(jiān)賀欣欣趙文磊劉守軍杜文廣米杰
        化工學(xué)報(bào) 2022年3期
        關(guān)鍵詞:見(jiàn)式焦炭鯨魚(yú)

        劉立邦,楊頌,王志堅(jiān),賀欣欣,趙文磊,劉守軍,杜文廣,米杰

        (1 太原理工大學(xué)化學(xué)工程與技術(shù)學(xué)院,山西 太原 030024; 2 太原理工大學(xué)省部共建煤基能源清潔高效利用國(guó)家重點(diǎn)實(shí)驗(yàn)室,山西 太原 030024; 3 山西省民用潔凈燃料工程研究中心,山西 太原 030024;4 中北大學(xué)機(jī)械工程學(xué)院,山西 太原 030051)

        引 言

        在“雙碳”背景下,對(duì)于鋼鐵行業(yè)的高質(zhì)量發(fā)展提出了更高的要求。焦炭作為當(dāng)前高爐冶煉中關(guān)鍵原料之一,其質(zhì)量對(duì)生產(chǎn)能效、CO2排放、鋼鐵質(zhì)量等影響重大。因此,如何調(diào)控與提升焦炭質(zhì)量意義重大。在實(shí)際生產(chǎn)中,通過(guò)擴(kuò)大煉焦煤種類(lèi)與配煤煉焦,可得到符合要求的焦炭。然而,配煤煉焦是一個(gè)極其復(fù)雜的工業(yè)生產(chǎn)過(guò)程,不僅配合煤質(zhì)量對(duì)焦炭質(zhì)量影響重大,煉焦過(guò)程中的操作參數(shù)亦是影響焦炭質(zhì)量的關(guān)鍵環(huán)節(jié)(如爐溫和結(jié)焦時(shí)間)。配合煤在半焦收縮階段,焦炭氣孔率隨溫度的增加而減小,雖然焦炭的耐磨強(qiáng)度有所提高,但由于微裂紋的增加導(dǎo)致耐磨強(qiáng)度隨之降低。縮短結(jié)焦時(shí)間,可增加膠質(zhì)體內(nèi)粒子的接觸,改善配合煤的黏結(jié)性,提升焦炭的機(jī)械強(qiáng)度。但若煉焦時(shí)間過(guò)短,導(dǎo)致配合煤無(wú)法完全形成焦炭。此外,配合煤的灰分、硫分、揮發(fā)分、黏結(jié)指數(shù)、水分以及細(xì)度等參數(shù)不僅影響焦炭的化學(xué)組成,對(duì)其機(jī)械強(qiáng)度也有較大影響。煉焦過(guò)程的復(fù)雜性使得焦炭質(zhì)量的預(yù)測(cè)變得極為困難。針對(duì)這一問(wèn)題,研究者們多采用基于線(xiàn)性回歸、神經(jīng)網(wǎng)絡(luò)等方法來(lái)進(jìn)行焦炭質(zhì)量預(yù)測(cè),并取得較大進(jìn)展[1-3]。傳統(tǒng)的線(xiàn)性回歸是主要的焦炭質(zhì)量預(yù)測(cè)方法。高志芳等[4]提出一種多元線(xiàn)性回歸的方法,并建立利用配合煤煤質(zhì)指標(biāo)來(lái)預(yù)測(cè)焦炭質(zhì)量的預(yù)測(cè)模型。張進(jìn)春等[5]運(yùn)用多重多元線(xiàn)性回歸的方法搭建模型,通過(guò)配合煤煤質(zhì)指標(biāo)預(yù)測(cè)焦炭質(zhì)量。謝海深等[6]采用線(xiàn)性加修正的處理方法預(yù)測(cè)配合煤的各項(xiàng)指標(biāo),結(jié)合多元回歸和逐步回歸方法分別建立焦炭機(jī)械強(qiáng)度模型,其焦炭灰分、硫分的預(yù)測(cè)平均誤差在2%以?xún)?nèi),焦炭冷態(tài)強(qiáng)度的預(yù)測(cè)平均誤差在5%以?xún)?nèi)。然而,不論選用多個(gè)還是單個(gè)因子,傳統(tǒng)的預(yù)測(cè)方法雖能得到較理想的預(yù)測(cè)結(jié)果,但由于煉焦過(guò)程的復(fù)雜性與非線(xiàn)性,導(dǎo)致回歸分析中某些因子的不可預(yù)測(cè)性,使得線(xiàn)性回歸模型預(yù)測(cè)受限。

        人工神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的非線(xiàn)性擬合與并行計(jì)算能力,近年來(lái)得到了廣泛的關(guān)注。趙樹(shù)果等[7]采用ANN(artificial neutral network)建立煉焦配煤質(zhì)量預(yù)測(cè)模型對(duì)選取的參數(shù)樣本進(jìn)行訓(xùn)練,得到了黏結(jié)指數(shù)誤差小于0.11%、硫分相對(duì)誤差小于2.63%、揮發(fā)分相對(duì)誤差小于1.45%、灰分的預(yù)測(cè)值與實(shí)測(cè)值的相對(duì)誤差小于1.17%,雖然可以滿(mǎn)足實(shí)際需要,但ANN 只考慮配合煤特性而未考慮焦?fàn)t加熱制度,難以全面反映影響焦炭質(zhì)量的因素。此外,該網(wǎng)絡(luò)結(jié)構(gòu)不易確定,訓(xùn)練時(shí)誤差易陷入局部最小,易導(dǎo)致“過(guò)學(xué)習(xí)”現(xiàn)象,具體表現(xiàn)為:其只能較好地?cái)M合已有數(shù)據(jù),但預(yù)測(cè)結(jié)果精度偏低。隨著機(jī)器學(xué)習(xí)的飛速發(fā)展,其應(yīng)用也越來(lái)越廣泛?;诮y(tǒng)計(jì)學(xué)習(xí)的BP(back propagation)多層前饋網(wǎng)絡(luò),具有自適應(yīng)、自學(xué)習(xí)能力以及非線(xiàn)性等特性,為焦炭質(zhì)量預(yù)測(cè)帶來(lái)新的方向。周洪等[8]以配合煤的揮發(fā)分、灰分、黏結(jié)指數(shù)和硫分作為輸入,以用于評(píng)估焦炭質(zhì)量的硫分、灰分、耐磨強(qiáng)度和抗碎強(qiáng)度作為輸出,搭建3 層BP 神經(jīng)網(wǎng)絡(luò),對(duì)焦炭冷強(qiáng)度進(jìn)行預(yù)測(cè)。結(jié)果表明,預(yù)測(cè)相對(duì)誤差小于5%,符合工業(yè)要求。馮立穎[9]提出一種基于壓縮映射的遺傳算法,可對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的算法,極大地縮短了訓(xùn)練步數(shù)和訓(xùn)練時(shí)間。盡管針對(duì)基于機(jī)器學(xué)習(xí)構(gòu)建模型預(yù)測(cè)焦炭質(zhì)量的研究已取得較多成果,但其普遍存在著算法與配合煤煤質(zhì)參數(shù)貼合程度差的問(wèn)題,其選取模型與預(yù)測(cè)的煤質(zhì)質(zhì)量指標(biāo)適配性不高,具體表現(xiàn)在計(jì)算精度高但卻脫離了參數(shù)意義??紤]到可采用高維數(shù)據(jù)替代,但又存在著運(yùn)算復(fù)雜度高、運(yùn)算時(shí)間長(zhǎng)等問(wèn)題。采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò),可提高運(yùn)算時(shí)間,但將帶來(lái)梯度爆炸、梯度消失等問(wèn)題[10-17]。長(zhǎng)短期記憶LSTM(long short-term memory)在傳統(tǒng)的RNN 結(jié)構(gòu)上做出了相對(duì)復(fù)雜的改進(jìn),依靠其特有的記憶性,可成功解決梯度消失、梯度爆炸的問(wèn)題。由于其優(yōu)秀的泛化能力,并能有效減少模型的預(yù)測(cè)誤差,被作為機(jī)器學(xué)習(xí)發(fā)展史上的里程碑而廣泛應(yīng)用于各個(gè)領(lǐng)域。受鐘南山院士團(tuán)隊(duì)將LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)用于新冠病毒傳播與預(yù)測(cè)研究的啟發(fā)[18],本文嘗試將該模型應(yīng)用于化工生產(chǎn)實(shí)踐中。典型LSTM 中存在著超參數(shù)即隱藏神經(jīng)元個(gè)數(shù)m以及時(shí)間步長(zhǎng)c,其中隱藏神經(jīng)元個(gè)數(shù)決定模型的擬合效果,時(shí)間步長(zhǎng)決定訓(xùn)練過(guò)程。這些過(guò)分依靠經(jīng)驗(yàn)得到的超參數(shù),將對(duì)預(yù)測(cè)精度產(chǎn)生影響。群體智能優(yōu)化算法是一種模擬自然界中各種生物的社會(huì)活動(dòng)新的優(yōu)化算法,鯨魚(yú)優(yōu)化算法WOA(whale optimization algorithm)是Mirjalili 等[16]提出的一種新型群體智能優(yōu)化算法,將該方法用于優(yōu)化LSTM 超參數(shù)上,可展現(xiàn)出操作簡(jiǎn)單、參數(shù)少以及跳出局部最優(yōu)解能力強(qiáng)等優(yōu)點(diǎn)。

        基于此,本文提出一種優(yōu)化LSTM 的算法,即基于自適應(yīng)全局搜索改進(jìn)鯨魚(yú)優(yōu)化算法的LSTM——AGWOA-LSTM(adaptive global whale optimization algorithm long short-term memory)焦炭質(zhì)量預(yù)測(cè)模型,用于配煤煉焦中焦炭關(guān)鍵性質(zhì)的在線(xiàn)監(jiān)測(cè),并結(jié)合實(shí)際測(cè)試結(jié)果對(duì)其有效性進(jìn)行驗(yàn)證。將主成分分析PCA(principal component analysis)和工藝條件相結(jié)合,用來(lái)解決焦炭質(zhì)量預(yù)測(cè)模型中關(guān)鍵參數(shù)的選擇,其目的是使算法與焦炭質(zhì)量預(yù)測(cè)更適配;采用LSTM 算法用于解決網(wǎng)絡(luò)的梯度消失、梯度爆炸;利用WOA 優(yōu)化LSTM 中的超參數(shù),以提升運(yùn)行速度;引入混沌特性初始化種群改進(jìn)WOA 算法可提高模型預(yù)測(cè)精度,引入自適應(yīng)權(quán)重和最佳領(lǐng)域擾動(dòng)算法避免模型陷入局部最優(yōu)。相較于傳統(tǒng)算法,該模型與焦炭質(zhì)量預(yù)測(cè)的適配性更好、運(yùn)行速度更快、預(yù)測(cè)精度更高。將新的智能算法應(yīng)用到焦炭的預(yù)測(cè)模型中,不僅可提升焦炭質(zhì)量達(dá)標(biāo)率,亦是對(duì)煤炭資源的合理利用。本研究將為煉焦行業(yè)高效低耗生產(chǎn)提供理論支撐。

        1 AGWOA-LSTM 神經(jīng)網(wǎng)絡(luò)模型

        1.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

        LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN(rerrent neural network)的優(yōu)化。由于RNN在每一時(shí)刻的隱藏狀態(tài)均由上一時(shí)刻隱藏層的值與該時(shí)刻輸入值共同決定,故針對(duì)長(zhǎng)期記憶并不具有優(yōu)勢(shì)。LSTM 可通過(guò)“門(mén)控裝置”有效緩解該問(wèn)題,能夠選擇性地存儲(chǔ)信息。LSTM 在RNN 的基礎(chǔ)上增加輸入門(mén)、遺忘門(mén)、輸出門(mén)用于控制全局的記憶元胞,其結(jié)構(gòu)如圖1所示??煽闯鯨STM 中一個(gè)memory cell 具有4 個(gè)input 和1 個(gè)output,以及三個(gè)控制gate 的門(mén)控信號(hào)。三個(gè)門(mén)均采用sigmoid 函數(shù)表示取值范圍為[0,1],用于表示gate 打開(kāi)的程度;激活函數(shù)采用tanh 奇函數(shù)表示取值范圍為[-1,1],用于歸一標(biāo)準(zhǔn)化,從而避免因特征差異造成不必要的權(quán)重影響。完整的LSTM 公式如式(1)~式(6)所示。根據(jù)具體結(jié)構(gòu)(如圖2 所示),與公式結(jié)合解釋LSTM 的各個(gè)模塊。LSTM 的關(guān)鍵在于細(xì)胞狀態(tài)c,在圖2的上方其貫穿始終。第一層是遺忘門(mén),通過(guò)sigmoid函數(shù)處理決定是否從記憶細(xì)胞中丟棄一些信息。遺忘門(mén)接收來(lái)自輸入和上一層隱狀態(tài)的值進(jìn)行加權(quán)處理,將新事物X<t>和現(xiàn)有經(jīng)驗(yàn)a<t-1>相結(jié)合判斷記憶中的事物c正確與否,計(jì)算公式見(jiàn)式(1)。其中Wf是遺忘門(mén)的權(quán)重矩陣,[a<t-1>,X<t>]表示將兩個(gè)向量連接成一個(gè)更長(zhǎng)的向量,bf表示遺忘門(mén)的偏置項(xiàng)。對(duì)于更新門(mén)、輸出門(mén),權(quán)重矩陣、偏置項(xiàng)的表達(dá)方式相同。在更新門(mén)中對(duì)存入細(xì)胞狀態(tài)的信息進(jìn)行選擇,通過(guò)tanh 得到記憶細(xì)胞的候選值,更新門(mén)與候選值的計(jì)算公式見(jiàn)式(2)、式(3)。將新事物與現(xiàn)有經(jīng)驗(yàn)相結(jié)合判斷信息正誤后,存入記憶c中。根據(jù)遺忘門(mén)、更新門(mén)、上層記憶細(xì)胞值以及記憶細(xì)胞候選值共同決定更新當(dāng)前細(xì)胞狀態(tài),其計(jì)算公式見(jiàn)式(4)。LSTM 提供單獨(dú)的輸出門(mén),利用新事物與現(xiàn)有經(jīng)驗(yàn)對(duì)新的記憶c進(jìn)行梳理得到新的經(jīng)驗(yàn)a<t>和記憶c<t>見(jiàn)式(5)、式(6)[19-24]。

        圖1 LSTM神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖Fig.1 Structure of LSTM

        圖2 LSTM 神經(jīng)網(wǎng)絡(luò)詳細(xì)結(jié)構(gòu)圖Fig.2 Unfold of LSTM

        1.2 鯨魚(yú)優(yōu)化算法WOA

        鯨魚(yú)優(yōu)化算法是近年來(lái)提出的一種智能優(yōu)化算法。根據(jù)模擬自然界座頭鯨捕獲獵物的行為搜索得到最優(yōu)解。其主要包括三種算子,通過(guò)收縮包圍機(jī)制和螺旋更新機(jī)制實(shí)現(xiàn)局部搜索后,采用隨機(jī)搜索策略實(shí)現(xiàn)算法的全局搜索,由于精準(zhǔn)度高且收斂速度快的特點(diǎn),在求解優(yōu)化問(wèn)題中展現(xiàn)出優(yōu)良的性能和廣泛的應(yīng)用前景。座頭鯨采用兩種方式進(jìn)行捕獲獵物,首先將獵物包圍后選取泡泡網(wǎng)攻擊,且每次攻擊選取方式不同,在最優(yōu)位置與隨機(jī)鯨魚(yú)個(gè)體中更新,并向更新后的位置靠攏。

        (1)包圍獵物(encircling prey):當(dāng)座頭鯨包圍獵物時(shí),它會(huì)選擇最適合定位和包圍方向,計(jì)算公式見(jiàn)式(7)、式(8)。

        其中,t表示迭代次數(shù);A、C為系數(shù)向量;X*是獵物的位置向量;X為其余鯨魚(yú)的位置向量。在計(jì)算過(guò)程中通過(guò)調(diào)節(jié)向量A、C的值進(jìn)而尋找X在最優(yōu)解周?chē)奈恢?。A、C的計(jì)算公式見(jiàn)式(9)、式(10)。其中作為調(diào)整向量的a從2線(xiàn)性減小到0;r向量是[0,1]中的隨機(jī)向量。

        (2)泡泡網(wǎng)攻擊方式(bubble-net attacking method):通過(guò)兩種方式模擬座頭鯨的泡泡網(wǎng)行為。

        收縮包圍機(jī)制:可通過(guò)減少式(9)中a值實(shí)現(xiàn),當(dāng)a由2 線(xiàn)性減小到0 時(shí),向量A是[-a,a]中的隨機(jī)數(shù),即搜索代理的下一個(gè)位置是初始位置和當(dāng)前最佳位置之間的值。當(dāng)a減小時(shí),A的變化范圍也會(huì)縮小,a的計(jì)算公式見(jiàn)式(11)。

        螺旋更新位置:首先計(jì)算出鯨魚(yú)個(gè)體位置與獵物位置距離,為模擬座頭鯨的螺旋狩獵方式建立如式(12)、式(13)的螺旋方程式。其中b用于定義對(duì)數(shù)螺旋形狀,l為隨機(jī)數(shù)[0,1]。

        (3)搜索獵物(search for prey):座頭鯨具有獨(dú)特的搜索獵物方式,可根據(jù)鯨魚(yú)彼此的位置而非獵物位置進(jìn)行隨機(jī)搜索,數(shù)學(xué)表達(dá)見(jiàn)式(14)、式(15),其中隨機(jī)選中的鯨魚(yú)個(gè)體位置用Xrand表示。將在搜索階段根據(jù)最近選擇的搜索代理而非最佳搜索代理進(jìn)行更新,|A|>1 可強(qiáng)制搜索代理遠(yuǎn)離參考鯨魚(yú),并允許WOA算法進(jìn)行全局搜索。

        首先,通過(guò)生成[0,1]的隨機(jī)數(shù)p判斷算法是否進(jìn)入泡泡網(wǎng)攻擊機(jī)制,p>0.5 時(shí)開(kāi)始泡泡網(wǎng)攻擊,否則根據(jù)系數(shù)向量A的絕對(duì)值判斷系統(tǒng)是否進(jìn)入搜索獵物或包圍獵物階段,|A|<1 時(shí)進(jìn)入獵物包圍階段;|A|≥1 時(shí)進(jìn)入搜索獵物階段。隨著迭代次數(shù)不斷增加,a逐漸由2 減小到0,算法從搜索獵物階段過(guò)渡到包圍獵物階段[25-36]。

        1.3 鯨魚(yú)優(yōu)化算法WOA的改進(jìn)

        鯨魚(yú)優(yōu)化算法由于可提高模型準(zhǔn)確度,在國(guó)內(nèi)外廣受關(guān)注。但作為一種新型智能種群優(yōu)化算法,WOA通過(guò)概率分布實(shí)現(xiàn)算法種群的隨機(jī)分布,導(dǎo)致其收斂速度低,面臨無(wú)法跳出局部最優(yōu)的困擾。為此引入基于自適應(yīng)全局搜索改進(jìn)WOA。

        (1)混沌特性初始化種群:優(yōu)化領(lǐng)域中多采用混沌映射可對(duì)提高WOA 收斂速度、搜索精度有所幫助,本文采用Singer 映射改進(jìn)算法得到種群初值,Singer 映射可產(chǎn)生相對(duì)較均勻的序列,計(jì)算公式見(jiàn)式(16)。

        (2)自適應(yīng)權(quán)重:削弱鯨魚(yú)最優(yōu)位置對(duì)當(dāng)前個(gè)體位置的影響,有助于跳出局部最優(yōu)。在位置更新中加入自適應(yīng)權(quán)重w,其隨迭代次數(shù)而變化,逐漸提升最優(yōu)位置在算法中的影響。算法前期權(quán)重較小,變化速度快;后期權(quán)值增大,變化速度減小。w計(jì)算公式見(jiàn)式(17)。

        動(dòng)態(tài)調(diào)整w大小,使得鯨魚(yú)個(gè)體與最優(yōu)鯨魚(yú)位置即使在不同時(shí)刻均緊密聯(lián)系,充分保證其他鯨魚(yú)種群可盡快收斂到最佳位置,加快算法收斂速度。改進(jìn)后的位置更新計(jì)算見(jiàn)式(18)、式(19)。

        (3) 最佳鄰域擾動(dòng):由于在WOA 優(yōu)化算法迭代過(guò)程中,只有超越最優(yōu)界限時(shí),最優(yōu)位置才會(huì)發(fā)生更新,但更新次數(shù)減少將會(huì)導(dǎo)致算法預(yù)測(cè)精度下降,故引入最佳鄰域攪動(dòng)策略,優(yōu)先在最佳鯨魚(yú)位置附近進(jìn)行隨機(jī)搜索遍歷,進(jìn)而尋找最佳全局值,有利于跳出局部最優(yōu),并提高收斂速度。

        針對(duì)鄰域擾動(dòng)公式見(jiàn)式(20),其中X?是更新后位置,如果生成的位置比原位置更優(yōu),則將其更新為全局最優(yōu),反之不變。

        結(jié)合上述的改進(jìn)策略,提出基于自適應(yīng)全局搜索改進(jìn)鯨魚(yú)優(yōu)化算法的LSTM算法流程如圖3所示。

        圖3 AGWOA-LSTM 算法流程Fig.3 Algorithm flowchart for AGWOA-LSTM

        2 實(shí)例分析

        2.1 數(shù)據(jù)來(lái)源

        實(shí)驗(yàn)樣本數(shù)據(jù)均采自山西晉南某焦化企業(yè),其中樣本集為配合煤各項(xiàng)指標(biāo)以及焦炭各項(xiàng)指標(biāo),共計(jì)261個(gè)樣本。通過(guò)二級(jí)冶金焦標(biāo)準(zhǔn)來(lái)評(píng)定每個(gè)焦炭樣本的質(zhì)量,詳見(jiàn)表1。

        表1 原始數(shù)據(jù)部分樣本Table 1 Part of the raw data

        2.2 數(shù)據(jù)預(yù)處理

        原始樣本數(shù)據(jù)中指標(biāo)的量綱以及物理意義不相同,為避免數(shù)值大的數(shù)據(jù)特征掩蓋小數(shù)值特征,例如

        2.3 主成分分析PCA可視化

        除配合煤的水分、灰分、揮發(fā)分、黏結(jié)指數(shù)、硫分等參數(shù)將影響焦炭質(zhì)量外,配合煤的細(xì)度也不可忽略,因此選擇上述6 個(gè)變量為初選因子。但如何進(jìn)一步選取重要因子作為焦炭質(zhì)量預(yù)測(cè)模型的輸入變量是后續(xù)預(yù)測(cè)精度的關(guān)鍵,通常使用的方法有灰關(guān)聯(lián)分析法、遺傳算法以及PCA。通過(guò)數(shù)學(xué)降維更新數(shù)據(jù)信息是PCA 的特點(diǎn)之一,將具有線(xiàn)性關(guān)系的變量轉(zhuǎn)化為相互獨(dú)立的成分,且指標(biāo)之間的相關(guān)性越高,降維效果越好,PCA 顯著性越高。將更新后的數(shù)據(jù)計(jì)算方差,按照降序排列。方差最大的為焦炭質(zhì)量預(yù)測(cè)模型中,黏結(jié)指數(shù)與全硫的變動(dòng)區(qū)間相差較大,在網(wǎng)絡(luò)訓(xùn)練前通過(guò)歸一化處理使得所有參數(shù)取值范圍為[0,1]??赏ㄟ^(guò)式(21)計(jì)算,遍歷每一個(gè)數(shù)據(jù),將Max 和Min 存儲(chǔ),其中Max-Min 作為基數(shù)(即Min=0,Max=1)進(jìn)行數(shù)據(jù)更新。對(duì)樣本數(shù)據(jù)采用預(yù)處理的方法讓尋優(yōu)過(guò)程更平緩、更易收斂到最優(yōu)情況。第一變量,其變異性最大,也稱(chēng)為第一主成分;第二個(gè)變量的方差大小次之,稱(chēng)為第二主成分。以此類(lèi)推,且主成分之間是相互獨(dú)立的。當(dāng)m個(gè)主成分的方差累計(jì)貢獻(xiàn)率達(dá)到80%時(shí),可認(rèn)為這m個(gè)主成分充分反映了所需信息。通過(guò)PCA 算法將6個(gè)初選變量降維,計(jì)算其解釋的變異性百分比。表2 為主成分解釋的各項(xiàng)變異性,前三個(gè)成分即可解釋所有變異性的92.99%,將其數(shù)據(jù)進(jìn)行可視化,如圖4所示。

        圖4 前三個(gè)主成分空間中可視化Fig.4 Visualization in the first three principal component spaces

        表2 主成分解釋的各項(xiàng)變異性Table 2 Variability of principal component explanations

        選擇配合煤指標(biāo)中的水分Mt,灰分Ad,揮發(fā)分Vdaf,硫分St,d,黏結(jié)指數(shù)G作為模型的外部輸入變量對(duì)LSTM網(wǎng)絡(luò)進(jìn)行優(yōu)化。

        2.4 基于改進(jìn)WOA-LSTM 建立焦炭質(zhì)量預(yù)測(cè)模型

        對(duì)連續(xù)生產(chǎn)過(guò)程中的261 d 數(shù)據(jù)進(jìn)行分析,依據(jù)PCA 得到的解釋變異性較大的5 個(gè)指標(biāo),同時(shí)加入爐溫、加熱時(shí)長(zhǎng)等兩項(xiàng)過(guò)程工藝條件指標(biāo),即將261×7 的數(shù)組作為輸入序列。選擇衡量焦炭質(zhì)量的6 個(gè)指標(biāo),分別為焦炭的水分、灰分、全硫、揮發(fā)分、M25、M10,即將261×6 的數(shù)組作為輸出序列。利用改進(jìn)后的自適應(yīng)全局鯨魚(yú)優(yōu)化算法對(duì)LSTM 的超參數(shù)進(jìn)行迭代優(yōu)化。通過(guò)目標(biāo)函數(shù)fitness 最優(yōu)原則,可判斷是否達(dá)到循環(huán)迭代條件,模型以學(xué)習(xí)率為0.001來(lái)增加學(xué)習(xí)速度,在保證損失函數(shù)盡可能低的情況下提高學(xué)習(xí)率,隱層激活函數(shù)為“sigmoid”,最大迭代次數(shù)為250 以防止過(guò)擬合,輸出最優(yōu)的模型結(jié)構(gòu)參數(shù):LSTM 長(zhǎng)短記憶網(wǎng)絡(luò)中超參數(shù)的神經(jīng)元個(gè)數(shù)m以及時(shí)間步長(zhǎng)c分別選取10 和3。由于WOA 與其他種群優(yōu)化算法對(duì)比其精確度更高,收斂速度更快,加之采用Singer 映射改進(jìn)算法從而得到種群初值;加入自適應(yīng)權(quán)重以及最佳領(lǐng)域擾動(dòng)算法,削弱最優(yōu)位置對(duì)當(dāng)前個(gè)體位置的影響,避免更新次數(shù)減少引發(fā)精度降低的問(wèn)題。從而得到的LSTM 超參數(shù)即為最優(yōu)參數(shù)組合。相對(duì)傳統(tǒng)算法自適應(yīng)全局搜索改進(jìn)WOA 模型與焦炭預(yù)測(cè)的適配性更好、算法收斂速度更快、預(yù)測(cè)精度更高。

        3 結(jié)果與討論

        3.1 基于鯨魚(yú)優(yōu)化算法LSTM預(yù)測(cè)實(shí)驗(yàn)結(jié)果分析

        為驗(yàn)證AGWOA 優(yōu)化LSTM 的性能,將典型LSTM、WOA 優(yōu)化LSTM、與AGWOA 優(yōu)化LSTM 進(jìn)行性能對(duì)比。為了避免偶然性影響實(shí)驗(yàn)結(jié)果的精確程度,采用十次實(shí)驗(yàn)結(jié)果取平均值表明其平均水平。將AGWOA-LSTM 與WOA-LSTM、LSTM 的迭代情況進(jìn)行對(duì)比,如圖5所示,可以看出改進(jìn)后的鯨魚(yú)優(yōu)化算法LSTM 相較于另外兩種模型,能更快得到最優(yōu)解,收斂效果更好。圖6 為AGWOA-LSTM的參數(shù)空間。

        圖5 AGWOA-LSTM 與WOA-LSTM、LSTM迭代對(duì)比Fig.5 Iterative comparison of AGWOA-LSTM with WOALSTM and LSTM

        圖6 AGWOA-LSTM 的參數(shù)空間Fig.6 Parameter spacec of AGWOA-LSTM

        為更好地描述算法模型的訓(xùn)練結(jié)果,本文選用均方根誤差(RMSE)和R2來(lái)檢驗(yàn)算法。均方根誤差RMSE的計(jì)算方法為預(yù)測(cè)值和實(shí)際值偏差的平方和與次數(shù)n比值的平方根。RMSE 可評(píng)價(jià)數(shù)據(jù)的變化程度,其值越小,表明該預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)的精確度越高。由圖7 可以看出,每一階段的大部分輸出值都與目標(biāo)值非常吻合,且誤差大部分在0.01以下。因此AGWOA-LSTM 可以很好地用來(lái)解決焦炭的質(zhì)量預(yù)測(cè)問(wèn)題。

        圖7 AGWOA-LSTM 的誤差情況Fig.7 Error fitting of AGWOA-LSTM

        R2誤差的大小意味著模型的擬合度的好壞。R2誤差取值范圍為0~1,值越接近1說(shuō)明模型的擬合度越好。將AGWOA-LSTM 與WOA-LSTM、LSTM進(jìn)行對(duì)比,實(shí)驗(yàn)均迭代250次達(dá)到收斂條件,此時(shí)的各算法性能對(duì)比見(jiàn)表3。

        如表3所示,自適應(yīng)全局搜索鯨魚(yú)優(yōu)化算法LSTM訓(xùn)練時(shí)長(zhǎng)為366 s,RMSE 為2.09×10-3,R2為0.98。在相同的收斂次數(shù)下,與其他算法相比運(yùn)行速度更快;誤差指標(biāo)明顯小于其余模型;預(yù)測(cè)效果突出。AGWOA-LSTM 模型具有更快的運(yùn)行速度以及較高的預(yù)測(cè)精度,將該模型應(yīng)用于焦炭指標(biāo)預(yù)測(cè),其泛化性以及預(yù)測(cè)的精確度均優(yōu)于WOA-LSTM、LSTM模型。

        表3 模型性能對(duì)比Table 3 Performance comparison of models

        通過(guò)對(duì)以上結(jié)果分析,本文采用的自適應(yīng)全局搜索模型對(duì)焦炭質(zhì)量指標(biāo)預(yù)測(cè)效果良好,預(yù)測(cè)結(jié)果穩(wěn)健,對(duì)煉焦產(chǎn)業(yè)生產(chǎn)具有一定的理論指導(dǎo)意義。

        3.2 焦炭質(zhì)量分類(lèi)可視化

        在程序中編譯,將二級(jí)冶金焦標(biāo)準(zhǔn)可視化。選取全部數(shù)據(jù)利用AGWOA-LSTM 網(wǎng)絡(luò)模型的測(cè)試結(jié)果,運(yùn)行調(diào)用函數(shù)得到焦炭質(zhì)量,將預(yù)測(cè)的焦炭各指標(biāo)數(shù)據(jù)進(jìn)行可視化評(píng)估。按照同天樣本將預(yù)測(cè)和實(shí)際的焦炭質(zhì)量分類(lèi)結(jié)果進(jìn)行對(duì)比,如圖8所示。圖中以實(shí)際目標(biāo)值為橫坐標(biāo),預(yù)測(cè)輸出值為縱坐標(biāo)??砂l(fā)現(xiàn)輸出和目標(biāo)近似擬合在虛線(xiàn)上,即二者近似相等。此外R值近似等于1 也能得出上述結(jié)論。

        圖8 預(yù)測(cè)和實(shí)際焦炭質(zhì)量的分類(lèi)擬合Fig.8 Classification fit for predicted and actual coke quality

        4 結(jié) 論

        針對(duì)煉焦行業(yè)在線(xiàn)實(shí)時(shí)監(jiān)測(cè)難,且焦炭質(zhì)量預(yù)測(cè)模型存在的運(yùn)算速度慢、精確度低等問(wèn)題。本文采用主成分分析特征提取的方法設(shè)定網(wǎng)絡(luò)參數(shù),加入自適應(yīng)慣性權(quán)重與最佳擾動(dòng)更新改進(jìn)鯨魚(yú)算法優(yōu)化LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò),可解決在時(shí)間序列的預(yù)測(cè)問(wèn)題。將模型算法應(yīng)用于預(yù)測(cè)焦炭質(zhì)量指標(biāo)中,在一定程度上縮短了網(wǎng)絡(luò)訓(xùn)練時(shí)長(zhǎng),均方根誤差減小為2.09×10-3,R2為0.98 接近于1,都可證明該模型與預(yù)測(cè)焦炭指標(biāo)的適配性良好,通過(guò)與典型LSTM、WOA-LSTM 對(duì)比,發(fā)現(xiàn)自適應(yīng)全局搜索改進(jìn)WOALSTM 網(wǎng)絡(luò)模型在模擬和實(shí)驗(yàn)的精度與運(yùn)行速度方面均有提升。本研究為焦炭質(zhì)量預(yù)測(cè)提供了新的思路,在理論指導(dǎo)焦炭在線(xiàn)生產(chǎn)方面具有一定價(jià)值。

        猜你喜歡
        見(jiàn)式焦炭鯨魚(yú)
        高速公路下穿既有鐵路橋橋墩基底承載力驗(yàn)算*
        低溫下船用鋼材彈塑性曲線(xiàn)研究
        河南科技(2023年1期)2023-02-11 12:17:04
        小鯨魚(yú)
        幼兒100(2022年41期)2022-11-24 03:20:20
        Effects of Landau damping and collision on stimulated Raman scattering with various phase-space distributions
        2020年我國(guó)累計(jì)出口焦炭349萬(wàn)t
        焦炭塔鼓脹變形合于使用評(píng)價(jià)
        迷途鯨魚(yú)
        橋(門(mén))式起重機(jī)起升機(jī)構(gòu)高速浮動(dòng)軸設(shè)計(jì)
        鯨魚(yú)
        不同焦鋼比下未來(lái)7億t粗鋼對(duì)焦炭需求的預(yù)測(cè)(按照全國(guó)焦炭產(chǎn)量計(jì)算)
        煤化工(2019年3期)2019-08-06 02:30:14
        一级一级毛片无码免费视频 | 少妇被按摩出高潮了一区二区| 国产精品无码素人福利不卡| 亚洲高潮喷水无码av电影| 亚洲AV无码乱码1区久久| 亚洲男人在线天堂av| 人妻少妇不满足中文字幕| 99精品国产一区二区三区| 亚洲成人福利在线观看| 91蜜桃国产成人精品区在线| 男女av免费视频网站| 中文人妻熟妇乱又伦精品| 国产成人v爽在线免播放观看| av网页在线免费观看| 国产桃色一区二区三区| 日本一卡2卡3卡4卡无卡免费网站| 国产一国产一级新婚之夜| 一本久久a久久精品综合| 视频在线国产一区二区| 国产精品欧美福利久久| 国产精品天堂avav在线| 在线视频免费自拍亚洲| 久久天堂av综合合色| 真实国产乱啪福利露脸 | 国产黄色一区二区福利| 久久久国产精品123| 夜先锋av资源网站| 思思99热| 亚洲av天堂在线免费观看| 天天摸天天做天天爽水多| 日韩精品无码一区二区中文字幕| 久国产精品久久精品国产四虎| 国产乱淫h侵犯在线观看| 玩弄丰满奶水的女邻居| 香蕉视频毛片| 日本人妻三级在线观看| 疯狂三人交性欧美| 粗了大了 整进去好爽视频| 亚洲美女性生活一级片| av在线免费高清观看| 最近2019年好看中文字幕视频 |