林满山+++梁欣
摘 要：文章在回转窑煅烧过程中复杂环境下的工艺参数预测分析领域，提出了回转窑煅烧配置参数预测模型，介绍了模型原理，模型的支撑算法K-MEANS算法、主成分分析法、BP神经网络、粒子群算法及粒子群改进算法，通过实验验证，新算法相对于粒子群算法更好地避免早期收敛，具有很好的搜索效果。
关键词：回转窑；K-MEANS；主成分分析法；BP神经网络；粒子群算法
Abstract： Under the complex environment of rotary kiln calcination process， this paper presents a prediction model for the parameters of rotary kiln calcination in the field of process parameter prediction and analysis， introduces the model principle， model support algorithm K-MEANS algorithm， principal component analysis， BP neural network， PSO and improved PSO， through the experimental verification， the new algorithm is better than PSO to avoid early convergence， and has a good search effect.
Keywords： rotary kiln； K-MEANS； principal component analysis； BP neural network； PSO
1 概述
回转窑煅烧是阳极炭素生产的第一步，石油焦经过一系列物理化学变化变成煅后焦，提高了石油焦的真密度、导电性、机械强度和抗氧化能力，在此过程中，工艺参数对结果影响非常明显，因此对其优化是提高产品质量、提高效率、减少资源浪费的重要举措。2010年，Luna基于煅烧过程中生料变成熟料的物理、化学变化建立数学模型[1]，2016年，史长城提出RBF神经网络的建模研究[2]。本文提出一种针对回转窑煅烧过程的数据分析预测模型，希望能为其他数据分析模型的设计提供借鉴。
1995年，R.C.Eberhart和J.Kennedy通过研究鸟类群体高效的捕食行为，提出了粒子群算法，采用“群体”和“进化”的概念[3]。粒子群优化算法（PSO）依据个体（粒子）的适应值大小对个体进行评价[4]，通过个体对信息的共享使整个群体的运动从无序变为有序的演化过程。本文提出了一种基于邻代竞争的杂交粒子群优化算法，将其用来优化BP神经网络算法，提高了回转窑煅烧配置参数预测模型的核心算法效率，提高了数据分析预测模型的准确性。
2 模型设计
铝电解生产工艺的复杂性以及不可靠性造成数据分析的难度，因此需要设计一种分析模型来解决这类问题。
模型设计思想：首先，从回转窑煅烧的结果着手，以煅后焦质量参数中的粉末电阻率和真密度作为统计维度，运用k-means聚类算法标识分类，采用时间序列的方法将石油焦煅烧质量参数与工艺参数联系起来，对石油焦工艺参数类别标识；其次，针对煅烧过程中工艺参数较多，为了保证分析的准确性，减少不必要干扰，留下主要因素作为分析参数，采用主成分分析法对工艺参数降维，留下五个主要工艺参数；最终，使用BP神经网络算法对工艺参数训练和预测，并且对算法进行改进，将基于邻代竞争的杂交粒子群优化算法融入到BP神经网络算法中，提高算法性能。
3 模型算法
3.1 PSO算法介绍
PSO算法将个体作为D维搜索空间中一个没有体积的微粒[5]，粒子通过两个公式来更新自己的速度和位置，并通过适应值函数判断个体最优位置和整体最优位置，直到误差满足最小精度要求结束。粒子群算法的两个重要更新公式如下：
3.2 杂交粒子群算法介绍
杂交粒子群优化算法是通过引入杂交因子p，p在[0-1]上取值的D维随机数，根据p选定一定比例的粒子放入杂交池，通过杂交因子孕育出新的粒子。子代child的位置和速度由亲代算术交叉运算得出[6]。
3.3 一种基于邻代竞争的杂交粒子群优化算法
在杂交粒子群算法的基础上引进了邻代竞争的思想，核心思想在于继续挖掘杂交粒子群优化的潜力，从而提高杂交PSO算法的效率。
算法的设计思路如下：
（1）算法在杂交粒子群算法的基础上，首先通过杂交因子p确定杂交池的大小，选取杂交池容量的3/4随机杂交，将剩余杂交池1/4的粒子放入备选池中。
（2）算法对单次交叉的parent1、parent2、child求适应值，将适应值高的粒子保留在粒子群中，将适应值低的粒子保留在备选池中。
（3）采用“优胜劣汰”的竞争规则，选取邻代的粒子适应值高的粒子放回原始粒子群。
3.4 基于邻代竞争的杂交粒子群算法与BP算法的融合
采用改进后的PSO算法动态优化BP神经网络的权值和阈值，改善BP算法的初始权重依赖性强的缺陷。
算法优化流程：
（1）初始化粒子群算法的加速权重c1，c2，惯性权重w，最大循环次数t，粒子初始速度。
（2）适应度函数设置为BP神经网络中的误差评价函数。
（3）初始化BP神经网络阈值和权重，将权值和阈值赋予给粒子群优化算法作为粒子位置信息。
（4）经过基于邻代竞争的杂交粒子群运算后，选取最优的权值和阈值作为BP神经网络的阈值和权重。
（5）BP神经网络计算，满足要求输出预测结果。
3.5 实验测试
通过Griewank、Rosenbrock以及测试Sphere函数测试算法的性能。
4 结束语
本文提出的回转窑煅烧配置参数预测模型是一种应用在回转窑煅烧过程的数据分析的简单模型。模型中改进了杂交粒子群算法，减少了杂交池粒子的计算复杂度，提高了算法的速度和效率，将改进后的算法应用于优化BP神经网络算法的初始阈值和权重，提高BP算法的精度，最终提高了模型的准确率。
参考文献
[1]D Luna，JP Nadeau，Y Jannot. Model and simulation of a solar kiln with energy storage[J]. Renewable Engery，2010，35（11）：2533-2542.
[2]史长城.水泥回转窑RBF神经网络建模研究[J].郧阳师范高等专科学校学报，2016，26（3）.
[3]张美璐.航空武器装备项目资源计划的管理研究[D].西北工业大学，2007.
[4]林玉娥.粒子群优化算法的改进及其在管道保温优化设计中的应用[D].大庆石油学院，2006.
[5]刘梦琳.基于微粒群优化算法的聚类分析及其在学生成绩管理中的应用[D].山东师范大学，2007.
[6]王瑞峰.杂交粒子群算法在列车运行调整中的应用研究[J].计算机应用研究，2013，30（6）：1721-1723.
作者简介：林满山，男，高級工程师，主要研究方向为数据挖掘。
梁欣，男，硕士生，主要研究方向为数据挖掘。
