基于MEA-BP的微波加熱褐煤溫度預(yù)測*

趙瑞勇， 周新志

(四川大學(xué) 電子信息學(xué)院，四川 成都 610065)

?

基于MEA-BP的微波加熱褐煤溫度預(yù)測*

趙瑞勇， 周新志

(四川大學(xué) 電子信息學(xué)院，四川 成都 610065)

對于微波干燥褐煤的溫度采樣數(shù)據(jù)具有多峰非平穩(wěn)特性，采用小波閾值濾波能夠較好地保留原始數(shù)據(jù)的細(xì)節(jié)信息。而直接使用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)來建立對微波加熱物料溫度預(yù)測模型，具有預(yù)測精度低、收斂速度慢且容易陷入局部極小點(diǎn)等缺點(diǎn)。采用具有極強(qiáng)全局尋優(yōu)能力的思維進(jìn)化算法(MEA)來優(yōu)化BP(MEA-BP)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。實(shí)驗(yàn)結(jié)果表明：經(jīng)MEA-BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測精度和泛化能力，預(yù)測性能得到了顯著的提高。

思維進(jìn)化算法； 反向傳播(BP)神經(jīng)網(wǎng)絡(luò)； 小波變換； 微波加熱； 溫度預(yù)測

0 引 言

物料干燥主要通過表面熱傳導(dǎo)加熱法和微波加熱干燥法[1]。微波加熱干燥法與傳統(tǒng)的表面熱傳導(dǎo)加熱法相比，具有即時(shí)性、整體性、選擇性、能量利用的高效性、安全衛(wèi)生無污染等優(yōu)良特性，因此在工業(yè)上得到了越來越廣泛的應(yīng)用[2]。微波加熱褐煤時(shí)，可能出現(xiàn)局部“熱點(diǎn)”，溫度急劇升高，導(dǎo)致溫度失控，而傳統(tǒng)的基于控制微波功率源的溫度負(fù)反饋控制系統(tǒng)存在嚴(yán)重的時(shí)間滯后性，可能會(huì)引燃褐煤，甚至引發(fā)爆炸，因此存在嚴(yán)重的安全問題[3]。

智能實(shí)時(shí)控制微波加熱的主要問題之一就是如何控制溫度。由于溫度負(fù)反饋控制系統(tǒng)和微波源功率調(diào)節(jié)存在嚴(yán)重的時(shí)間滯后問題，因此，能夠?qū)囟冗M(jìn)行準(zhǔn)確的預(yù)測就顯得尤為重要。王德明等人[4]，李松等人[5]，楊建國等人[6]，Zheng Xie等人[7]都通過遺傳算法優(yōu)化反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)來建立預(yù)測模型，實(shí)驗(yàn)結(jié)果達(dá)到了更高的預(yù)測精度。但經(jīng)典的遺傳算法由于本身結(jié)構(gòu)問題，存在計(jì)算時(shí)間長，易出現(xiàn)早熟現(xiàn)象，不能保證解是全局最優(yōu)等缺點(diǎn)，因此本文選取具有快速學(xué)習(xí)，適應(yīng)性強(qiáng)，具有極強(qiáng)全局尋優(yōu)能力的思維進(jìn)化算法(mind evolutionary algorithm,MEA)[8]。本文首先通過相關(guān)原則優(yōu)化閾值的小波對微波加熱褐煤的采集溫度進(jìn)行去噪，采用MEA優(yōu)化BP(MEA-BP)神經(jīng)網(wǎng)絡(luò)的初始閾值和權(quán)值的方法進(jìn)行了微波加熱褐煤溫度變化趨勢預(yù)測。實(shí)驗(yàn)結(jié)果表明：經(jīng)MEA-BP神經(jīng)網(wǎng)絡(luò)具有更快的收斂性，更強(qiáng)的適應(yīng)性和更高的預(yù)測精度。

1 微波干燥褐煤系統(tǒng)的溫度預(yù)測模型

1.1 小波閾值濾波對采樣溫度的處理

在微波干燥褐煤的溫度采集過程中，紅外測溫儀受到褐煤不規(guī)則形狀和水蒸氣溫度等因素的影響，使得采集到的溫度會(huì)摻雜噪聲，呈現(xiàn)非平穩(wěn)的特性。在褐煤溫度數(shù)據(jù)預(yù)處理過程中，溫度采樣信號中出現(xiàn)突變的地方，不能簡單地當(dāng)作噪聲來濾除，應(yīng)當(dāng)考慮是否出現(xiàn)了熱失控現(xiàn)象[9]。對于非平穩(wěn)性信號，小波分析能同時(shí)在時(shí)頻域中對信號進(jìn)行分析，很適合于分析非平穩(wěn)的信號和提取信號的局部特征[10]，因此，本文選取小波閾值去噪方法。小波閾值去噪方法的效果與合適的小波基、分解層數(shù)、閾值函數(shù)和分解后每一層閾值4個(gè)方面有關(guān)[11]。

小波閾值去噪方法常用的閾值處理方法有硬閾值法和軟閾值法。由于硬閾值將絕對值小于閾值的元素置0，所以在閾值處會(huì)產(chǎn)生不連續(xù)的情況，而軟閾值在閾值處是連續(xù)的，所以軟閾值可以獲得比硬閾值更好的結(jié)果[12]，因此，本文選用軟閾值函數(shù)[13]，即

(1)

本文通過多次實(shí)驗(yàn)的方法，尋找最優(yōu)的小波基和分解層數(shù)。采用信噪比(SNR)、均方誤差(MSE)和自相關(guān)系數(shù)(R)作為評價(jià)準(zhǔn)則。實(shí)驗(yàn)結(jié)果表明，選用db7小波基去噪效果優(yōu)于其他dbN小波系去噪效果；選用sym8小波基去噪效果優(yōu)于其他symN小波系去噪效果。選用db7，sym8及Haar小波基和不同的分解層數(shù)后，得到的結(jié)果如圖1所示。

圖1 不同小濾基去噪后的信噪比、均方誤差和自相關(guān)系數(shù)曲線圖Fig 1 SNR curves，MSE curves，autocorrelation coefficient curves after different wavelets denoising

由圖1(a),(b),(c)分析可知，當(dāng)選用db7小波基對溫度采樣數(shù)據(jù)進(jìn)行1層分解去噪處理時(shí)，信噪比可以達(dá)到83.144 dB，均方誤差為1.812 7，自相關(guān)系數(shù)為0.998 93，均優(yōu)于以Haar或sym8作為小波基的性能。綜上本文選用db7小波基對褐煤溫度采樣數(shù)據(jù)進(jìn)行一層分解去噪處理。

1.2 MEA-BP預(yù)測溫度模型建立

1.2.1 MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種誤差BP、信號前向傳遞的多層前饋神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)由于其算法簡單、可塑性好的特點(diǎn)，是目前網(wǎng)絡(luò)訓(xùn)練權(quán)值通常采用的方法。本文中BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為2—5—1，以微波干燥褐煤的反射功率和微波的加熱時(shí)間為輸入變量，以被干燥褐煤的溫度為輸出變量。

由于BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法進(jìn)行BP學(xué)習(xí)，因而造成了誤差收斂速度慢，學(xué)習(xí)時(shí)間過長，學(xué)習(xí)過程易陷入局部極小值等缺點(diǎn)。通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，雖然擁有較強(qiáng)的全局搜索能力，但由于本身結(jié)構(gòu)問題，依然存在易早熟、收斂時(shí)間長和不能保證解是全局最優(yōu)等缺點(diǎn)，因此,本文選取了MEA-BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。相比較于遺傳算法，其主要有以下優(yōu)點(diǎn)：1)MEA的趨同和異化可以并行，有利于提高運(yùn)行效率。2)MEA可以記憶不止一代的進(jìn)化信息，這些信息可以指導(dǎo)趨同與異化向著有利的方向進(jìn)行。3)遺傳算法中的交叉與變異算子均具有雙重性，而MEA中的趨同和異化操作總是向著有利的方向。

采用MEA-BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，其設(shè)計(jì)步驟流程如圖2。

圖2 思維進(jìn)化算法設(shè)計(jì)思路Fig 2 Design idea of mind evolutionary algorithm

1.2.2 數(shù)據(jù)來源

本文中的實(shí)驗(yàn)數(shù)據(jù)取自于實(shí)際的工業(yè)生產(chǎn)線上采集到的數(shù)據(jù)，通過控制磁控管微波功率源的輸出，進(jìn)而控制被干燥褐煤的溫度。工業(yè)現(xiàn)場的干燥系統(tǒng)主要由磁控管微波功率輸入控制系統(tǒng)、傳送帶、紅外測溫儀傳感器等組成。

在微波對褐煤加熱過程中，對褐煤從初始溫度加熱到擬定的上限溫度150 ℃。在系統(tǒng)加熱過程中，每間隔30 s對煤炭進(jìn)行溫度采集并記錄，同時(shí)記錄該時(shí)刻的輸入功率和反射功率值。

2 實(shí)驗(yàn)結(jié)果與分析

通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測的溫度圖，如圖3所示，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的溫度誤差百分比圖，如圖4所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的溫度Fig 3 Predicted temperature of BP neural network

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的溫度誤差Fig 4 Predicted temperature error of BP neural network

在MEA-BP模型預(yù)測中，預(yù)測值與實(shí)際值如圖5所示，誤差百分比如圖6所示。

圖5 MEA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測的溫度Fig 5 Predicted temperature of MEA-BP neural network

圖6 MEA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測的溫度誤差Fig 6 Predicted temperature error of MEA-BP neural network

通過小波閾值濾波后的實(shí)際溫度采樣值與通過BP神經(jīng)網(wǎng)絡(luò)和MEA-BP神經(jīng)網(wǎng)絡(luò)對溫度的預(yù)測值分析，采用均方根誤差(RMSE)、自相關(guān)系數(shù)(R)和平均絕對誤差(MAE)來評價(jià)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的性能，其對比如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測性能

表1中的性能評價(jià)指標(biāo)反映了MEA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的均方根誤差和平均絕對誤差小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，而自相關(guān)系數(shù)高于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。綜上，BP神經(jīng)網(wǎng)絡(luò)對微波干燥煤炭的溫度具有一定的預(yù)測能力，但其預(yù)測溫度的誤差比較大，但是，經(jīng)過思維進(jìn)化算法優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差明顯減小。因此，MEA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相對于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更高的預(yù)測精度，更好的泛化能力。

3 結(jié) 論

小波閾值去噪在時(shí)域和頻域都具有良好的局部化特性，很適合于分析非平穩(wěn)的信號和提取信號的局部特征，在微波干燥褐煤的工業(yè)現(xiàn)場中，對于褐煤的溫度采樣信號具有多峰非平穩(wěn)特性，采用小波閾值濾波能夠較好地保留原始數(shù)據(jù)的細(xì)節(jié)信息，使重構(gòu)的溫度信號具有較高的精度。本文采用了全局搜索能力極強(qiáng)的MEA-BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，通過實(shí)驗(yàn)結(jié)果表明:經(jīng)過MEA-BP神經(jīng)網(wǎng)絡(luò)具有較好的推廣能力、更高的預(yù)測精度和更快的收斂速度[14]，這將對具有時(shí)變性、非線性和滯后性的微波干燥煤炭系統(tǒng)提供了理論的指導(dǎo)，為工業(yè)生產(chǎn)提供了新的技術(shù)支持。

[1] 王紹林.微波加熱原理及其應(yīng)用[J].物理，1997(4)：42-47.

[2] 劉志軍，張璧光.微波加熱在木材干燥中的應(yīng)用[J].世界林業(yè)研究，2005(3)： 54-58.

[3] 劉長軍，申冬雨.微波加熱陶瓷中熱失控現(xiàn)象的分析與控制[J].中國科學(xué)：技術(shù)科學(xué)，2008(7)：1097-1105.

[4] 王德明，王 莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J].浙江大學(xué)學(xué)報(bào):工學(xué)版，2012(5)：837-841,904.

[5] 李 松，劉力軍，解永樂.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測[J].控制與決策，2011(10)：1581-1585.[6] 楊建國，趙 虹，岑可法.基于遺傳算法優(yōu)化的煤粉著火溫度BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型].煤炭學(xué)報(bào),2006(2):211-214.

[7] Zheng Xie,Liang Mo.Study on the evaluation model of construction engineering quality based on GA-BP neural network.Communications in Information Science and Management Engineering,2012,2(6):26-30.

[8] 孫承意，謝克明，程明琦.基于思維進(jìn)化機(jī)器學(xué)習(xí)的框架及新進(jìn)展.太原理工大學(xué)學(xué)報(bào)，1999(5)：3-7.

[9] 黃卡瑪，盧 波.微波加熱化學(xué)反應(yīng)中熱失控條件的定量研究.中國科學(xué)：技術(shù)科學(xué)，2009(2)：266-271.

[10] 吳 勇.基于小波的信號去噪方法研究.武漢：武漢理工大學(xué)，2007：13.

[11] 茹 斌,張?zhí)靷?王宇欣.基于小波去噪及ARMA模型的故障率預(yù)測方法研究].測控技術(shù)，2014(10)：43-46,50.

[12] 呂瑞蘭.小波閾值去噪的性能分析及基于能量元的小波閾值去噪方法研究].杭州：浙江大學(xué)，2003：85.

[13] Donoho D L.De-noising by soft-thresholding].IEEE Transactions on Information Theory,1995,41(3):613-627.

[14] 何小娟,曾建潮,徐玉斌.基于思維進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)權(quán)值與結(jié)構(gòu)優(yōu)化].計(jì)算機(jī)工程與科學(xué),2004(5):38-42.

Research on temperature prediction of microwave heating lignite based on BP neural network optimized by mind evolutionary algorithm*

ZHAO Rui-yong, ZHOU Xin-zhi

(College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China)

Temperature sampling data of microwave drying lignite has multimodal non-stationary characteristics and using wavelet threshold filtering can keep details of original data very well.The temperature prediction model for microwave heating of lignite via back propagation(BP) neural network has low precision of prediction,slow convergence speed and easy to fall into local minima and other shortcomings.The mind evolutionary algorithm has strong global optimization capability to optimize initial weights and thresholds of BP neural network.The experimental results show that the BP neural network optimized by the mind evolutionary algorithm has higher prediction precision and generalization ability.The prediction performance has been significantly improved.

mind evolutionary algorithm(MEA); back propagation(BP) neural network; wavelet transform; microwave heating; temperature forecast

2016—01—05

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(“973”計(jì)劃)資助項(xiàng)目(2013CB328903)

10.13873/J.1000—9787(2016)10—0043—03

TP 183

A

1000—9787(2016)10—0043—03

趙瑞勇(1992-)，男，河北邯鄲人，碩士研究生，主要研究方向?yàn)槟Ｊ阶R別與智能系統(tǒng)。