CN113111577B - 基于多目标布谷鸟搜索的水泥磨运行指标决策方法 - Google Patents

Abstract

本发明提供一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法，具体操作步骤为：首先从水泥企业生产数据库中提取相关数据，进行预处理；接着利用预处理的数据对预测模型进行训练，获取预测目标值，并作为水泥磨优化模型的目标函数；然后对水泥磨优化模型进行滚动优化；最后判断是否满足迭代停止条件，若满足，则输出产生的最优解；若不满足，则继续进行迭代；判断是否满足滚动优化停止条件，若满足，则输出结果；若不满足，则继续计算。本发明基于LSTM建立水泥比表面积以及水泥粉磨系统电耗预测模型，通过基于多目标布谷鸟搜索的滚动优化，保证了有效地探索空间，更容易实现水泥粉磨系统运行指标动态优化。

Description

基于多目标布谷鸟搜索的水泥磨运行指标决策方法

技术领域

本发明涉及工业运行流程优化领域，特别涉及一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法。

背景技术

水泥产业属于高耗能产业，其能源消耗占全国能源消耗的7％，水泥粉磨系统所消耗的电力占水泥生产总电耗的70％以上。水泥粉磨系统是新型干法水泥生产线上的核心设备，其运行工况不仅会影响能耗而且会直接影响水泥比表面积这一质量指标。但目前水泥工业过程的运行指标是通过操作员的经验进行设定，由于水泥工业过程的复杂性，人工经验方法已经越来越不适用。因此通过建立精确的运行指标优化决策模型来提高水泥粉磨系统的控制能力，对保证比表面积合格，降低水泥粉磨系统能耗具有重要意义。

针对水泥粉磨系统非线性强耦合的特点，郑立召研究了一种面向能耗优化的水泥磨运行指标决策方法研究并将其应用到水泥粉磨过程控制中，达到了优化水泥比表面积同时降低了能耗的目的。

发明内容

针对现有技术存在的问题，本发明提供一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法，主要是通过布谷鸟搜索，减少算法参数少，同时满足全局收敛性要求且具有局部和全局搜索能力，其次是利用了Lévy flight(莱维飞行)进行全局搜索而不是基于高斯过程的标准随机游走，保证更加有效地探索空间，因此可以更加有效地发现全局最优，更容易实现水泥粉磨系统运行指标动态优化。

本发明提供了一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法，具体实施步骤如下：

S1、从水泥企业生产数据库中提取相关数据，并进行数据预处理：

分析整个水泥粉磨过程的工艺流程，从水泥企业生产数据库中提取与优化目标相关性大的11个输入变量，并进行归一化处理；

S2、利用步骤S1预处理的数据对预测模型进行训练，获取预测目标值，并作为水泥磨优化模型的目标函数；

以水泥磨实际运行中的设备运行能力为约束，在满足水泥比表面积合格的前提下，以最小化水泥磨电耗为目标函数构建水泥磨运行指标的决策模型，具体表达式如下：

f₁＝min(e)            (1)

f₂＝min|Q-350|          (2)

X_{i_min}≤X_i≤X_{i_max}，i＝1，2，…11     (3)

其中，e为水泥磨单位电耗，Q为水泥比表面积，X_i为选取水泥磨的运行指标；

S3、对水泥磨优化模型进行滚动优化：

S31、通过布谷鸟搜索随机生成有N个个体的初始种群，并输入至步骤S2训练好的预测模型中进行预测并计算目标函数的比表面积预测值Q_j和电耗预测值E_j，得到N组目标值|Q_j-350|和E_j；

S32、对步骤S31获得的目标值|Q_j-350|、E_j进行快速非支配排序和拥挤度排序，以最小化目标值|Q_j-350|和E_j为排序准则，经过排序得到pareto最优面中的最优解集；

S33、在步骤S32获得的最优解集中寻找电耗预测值E_j最小的解，并将其作为本次迭代的最优解；

S34、将步骤S33获得的最优解引入布谷鸟搜索中，并进行更新巢穴的过程：

S341、给定步骤S1中11个变量的上下界组成搜索空间，并进行布谷鸟搜索，更新后产生新的巢穴，通过Lévy flight进行全局搜索寻找宿主鸟巢的位置和路径，对布谷鸟搜索的相关路径进行改进，改进后解的更新过程如下：

其中

为t时刻的解，

为经步长缩放因子

与Lévy flight公式

计算在

基础上得到的t+1时刻的新解；

其中，步长缩放因子的表达式如下：

式中α₀＝0.1，

为t时刻随机解

与当前最优解

的巢穴相减，将最优解引入步长缩放因子计算过程，可以使搜索过程更快速的收敛；

Lévy flight的表达式如下：

其中，A＝1.5，Γ为伽马函数，S为步长公式

μ为服从N～(0，σ_u)正态分布，其中

最好在(1，2)之间，伽马函数公式为

v服从N～(0，σ_v)，σ_v＝1。

S342、通过步骤S341进行位置更新后进行布谷鸟搜索的抛弃过程，生成随机数rand(rand∈[0，1])，并将rand与抛弃概率P_a进行比较，如果rand＜Pa，就随机更新一次鸟巢的位置，否则鸟巢位置不变，改进后解的抛弃过程表达式如下：

其中，抛弃概率Pa＝0.25，

为t时刻4个巢穴相互组合计算，rand为0到1中的随机数，当rand小于pa则进行巢穴抛弃生成新解，相反则保持

不变，经过此过程得到抛弃后的解

S35、将步骤S341抛弃后的有N个个体的新种群和具有N个个体的初始种群混合为有2N个个体的混合种群，采用精英策略进行快速非支配排序和拥挤度距离计算，将排序后比表面积差值与电耗均较小的前N个个体作为下一次迭代的初始种群；

S4、判断是否满足迭代停止条件，若满足迭代停止条件，则输出步骤S33产生的最优解；若不满足迭代停止条件，则重复步骤S31至步骤S35继续进行迭代；

S5、判断是否满足滚动优化停止条件，若满足滚动优化停止条件，则输出结果；若不满足滚动优化停止条件，则返回步骤S3。

可优选的是，S1中的11个输入变量分别为：选粉机入口负压、喂料提升机电流、磨尾收尘机反馈、辊压机挡板开度、水泥磨主机电流、选粉机转速反馈、循环风机变频反馈、喂料量、选粉机电流反馈、循环风机挡板开度和出磨斗提电流。

可优选的是，步骤S1中的11个输入变量的取值范围分别为：选粉机入口负压：-3800＜X₁＜-3200、喂料提升机电流120＜X₂＜170、磨尾收尘机反馈50＜X₃＜270、辊压机挡板开度58＜X₄＜85、水泥磨主机电流275＜X₅＜290、选粉机转速反馈900＜X₆＜1500、循环风机变频反馈33＜X₇＜55、喂料量110＜X₈＜175、选粉机电流反馈155＜X₉＜270、循环风机挡板开度35＜X₁₀＜48和出磨斗提电流50＜X₁₁＜56。

可优选的是，步骤S2中的预测模型选取的是长短时记忆网络(LSTM)，公式(1)和(2)为水泥磨优化模型的目标函数，公式(1)为最小化电耗，公式(2)为最小比表面积Q-350，公式(3)为水泥磨运行指标的约束条件。

可优选的是，取水泥比表面积中数值350作为算法的标准值。

本发明与现有技术相比，具有如下优点：

1.本发明基于工艺分析，从水泥粉磨系统数据库中选取与水泥比表面积和水泥粉磨系统电耗相关的十一个变量，结合相关度将变量分别输入基于LSTM的水泥比表面积以及水泥粉磨系统电耗预测模型。

2.本发明中的多目标优化模型将预测结果进行排序得到pareto(较优个体的集合组成的凸面)最优面，根据需求求得最小电耗对应的个体并得到电耗最小个体对应的比表面积与标差值的差值；最终将得到的最优决策输入至控制系统对控制系统进行一次在线优化。

3.本发明基于此过程进行滚动优化，使其优化过程为动态优化，使其更加符合实际工况。

附图说明

图1为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中水泥粉磨系统生产过程示意图；

图2为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中LSTM循环神经网络循环体结构图；

图3为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中多目标布谷鸟搜索算法流程图；

图4为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中运行指标动态优化决策示意图；

图5为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中基于LSTM的水泥磨电耗预测图；

图6为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中基于LSTM的水泥比表面积预测图；

图7为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中多目标布鸟搜索第1次迭代与第50次迭代的pareto前沿面；

图8为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中50次迭代后水泥磨电耗图与50次迭代比表面积图。

图9为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中滚动优化50次后电耗值在优化前后的对比图；

图10为本发明基于多目标布谷鸟搜索的水泥磨运行指标决策方法中滚动优化50次后比表面积差值在优化前后的对比图。

具体实施方式

为详尽本发明之技术内容、所达成目的及功效，以下将结合说明书附图进行详细说明。

水泥磨复杂的运行工况导致无法获取精确的机理建模，但运行指标决策过程需要模型为决策提供目标函数。随着人工智能的发展，基于数据驱动的建模方法提供了新的建模途径。结合水泥工艺，如图1所示，将水泥磨电耗预测和水泥比表面积预测作为目标函数。水泥磨数据有时序特征，所以采用长短时记忆网络(LSTM)对水泥磨电耗和比表面积进行建模。目标函数的建立只是为水泥磨生产调度提供依据，在实际应用中，受到多方面因素影响，人工经验很难选取最优运行指标，这大大降低了目标函数的作用。为了实现水泥磨运行指标自动寻优，针对水泥磨生产过程中的约束问题，设计了一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法。

本发明是这样实现的：

S1、从水泥企业生产数据库中提取相关数据，并进行数据预处理。

S2、利用步骤S1预处理的数据对预测模型进行训练，得到如图5和图6的预测图，其中预测算法使用长短时记忆网络(LSTM)其循环体结构图如图2所示，经过预测获取预测目标值，并作为水泥磨优化模型的目标函数。

S3、对水泥磨优化模型进行滚动优化，其具体流程如图3所示。

S4、判断是否满足迭代停止条件，若满足迭代停止条件，则输出步骤S33产生的最优解；若不满足迭代停止条件，则重复步骤S31至步骤S35继续进行迭代。

S5、判断是否满足滚动优化停止条件，若满足滚动优化停止条件，则输出结果；若不满足滚动优化停止条件，则返回步骤S3。

基于多目标布谷鸟搜索的水泥磨运行指标决策方法，如图4所示，具体实施步骤如下：

S1、从水泥企业生产数据库中提取相关数据，并进行数据预处理：

分析整个水泥粉磨过程的工艺流程，如图1所示，分析粉磨过程中与优化目标相关性大的11个输入变量，从水泥企业生产数据库中提取。由于各变量量纲不同，数值差异较大，为避免变量数值差异过大对模型建立的影响，对选取的各变量进行归一化处理。

具体而言，11个变量根据其与比表面积和水泥粉磨系统电耗的相关度对输入不同模型的变量进行了选取，11个输入变量的具体名称分别为：选粉机入口负压、喂料提升机电流、磨尾收尘机反馈、辊压机挡板开度、水泥磨主机电流、选粉机转速反馈、循环风机变频反馈、喂料量、选粉机电流反馈、循环风机挡板开度和出磨斗提电流。

进一步地，为了保证优化的结果，考虑设备运行能力和实际工况的限制，在水泥磨数据库中每个变量挑选10万个数据进行数据分析确定其上下限范围，其范围分别为：选粉机入口负压：-3800＜X₁＜-3200、喂料提升机电流120＜X₂＜170、磨尾收尘机反馈50＜X₃＜270、辊压机挡板开度58＜X₄＜85、水泥磨主机电流275＜X₅＜290、选粉机转速反馈900＜X₆＜1500、循环风机变频反馈33＜X₇＜55、喂料量110＜X₈＜175、选粉机电流反馈155＜X₉＜270、循环风机挡板开度35＜X₁₀＜48和出磨斗提电流50＜X₁₁＜56。上述输入变量选取与其约束的确定方法如下式(3)。

S2、利用步骤S1预处理的数据对预测模型进行训练，获取预测目标值，并作为水泥磨优化模型的目标函数；由于水泥工艺的时变时延特征，需采用一个可以解决此问题的预测模型，故采用长短时记忆网络(LSTM)作为预测模型去预测目标值。

以水泥磨实际运行中的设备运行能力为约束，在满足水泥比表面积合格的前提下，以最小化水泥磨电耗为目标函数构建水泥磨运行指标的决策模型，具体表达式如下：

f₁＝min(e)                 (1)

f₂＝min|Q-350|                         (2)

X_{i_min}≤X_i≤X_{i_max}，i＝1，2，…11                (3)

其中，e为水泥磨单位电耗，Q为水泥比表面积，按照水泥品种的不同，每种水泥都具有其对应的比表面积范围，将水泥比表面积作为目标函数的约束，在满足比表面积的前提下进行水泥磨单位电耗的优化，X_i为选取水泥磨的运行指标。

S3、对水泥磨优化模型进行滚动优化，每次优化的时间域为60分钟，每一次优化是一次静态优化，但水泥磨多目标优化不是一个不变的全局优化目标，而是采用时间向前滚动式的有限时域优化策略。这意味着优化过程不是一次离线进行，而是反复进行的。滚动优化的实现可以顾及由于模型失配、时变、干扰等引起的不确定性，及时进行弥补，始终把新的优化建立在实际的基础上，使优化保持在实际上的优化。这种启发式的滚动优化策略，兼顾了对未来充分长时间内的理想优化和实际存在的不确定性的影响。滚动优化可以使原本的静态优化变为动态优化，使此发明更符合实际工况。

S31、通过布谷鸟搜索随机生成有N个个体的初始种群，并输入至步骤S2训练好的预测模型中进行预测并计算目标函数的比表面积预测值Q_j和电耗预测值E_j，因为比表面积的预测值是非最小化目标，根据经验分析以350为标准值得到|Q_j-350|其值越小我们认为水泥质量越好，得到N组目标值|Q_j-350|与E_j；

S32、对步骤S31获得的目标值|Q_j-350|、E_j进行快速非支配排序和拥挤度排序，此过程可以将种群中每个个体的优劣进行区分，以最小化目标值|Q_j-350|和E_j为排序准则，经过排序得到pareto最优面中的最优解集；

S33、在步骤S32获得的最优解集中寻找电耗预测值E_j最小的解，并将其作为本次迭代的最优解；

S34、将步骤S33获得的最优解引入布谷鸟搜索中，并进行更新巢穴的过程，对新的巢穴进行抛弃过程，产生抛弃后的新巢穴：

S341、给定步骤S1中11个变量的上下界组成搜索空间，并进行布谷鸟搜索，更新后产生新的巢穴，通过Lévy flight进行全局搜索寻找宿主鸟巢的位置和路径，对布谷鸟搜索的相关路径进行改进，改进后解的更新过程如下：

其中

为t时刻的解，

为经步长缩放因子

与Lévy flight公式

计算在

基础上得到的t+1时刻的新解；

其中，步长缩放因子的表达式如下：

式中α₀＝0.1，

为t时刻随机解

与当前最优解

的巢穴相减，将最优解引入步长缩放因子计算过程，可以使搜索过程更快速的收敛；

Lévy flight的表达式如下：

其中，λ＝1.5，Γ为伽马函数，S为步长公式

μ为服从N～(0，σ_u)正态分布，其中

最好在(1，2)之间，伽马函数公式为

v服从N～(0，σ_v)，σ_v＝1。

S342、通过步骤S341进行位置更新后进行布谷鸟搜索的抛弃过程，生成随机数rand(rand∈[0，1])，并将rand与抛弃概率P_a进行比较，如果rand＜Pa，就随机更新一次鸟巢的位置，否则鸟巢位置不变，改进后解的抛弃过程表达式如下：

其中，抛弃概率Pa＝0.25，

为t时刻4个巢穴相互组合计算，rand为0到1中的随机数，当rand小于pa则进行巢穴抛弃生成新解，相反则保持

不变，经过此过程得到抛弃后的解

将

替换为

目的在于可以使抛弃过程能更有效的学习到搜索空间的信息，增强求解过程的全局性，避免陷入局部最优。

具体而言，步骤S34中改进多目标布谷鸟搜索算法，根据快速非支配排序和拥挤度排序对布谷鸟搜索进行改进使其可以处理多目标问题形成多目标布谷鸟搜索算法，再结合布谷鸟算法搜索过程的特性将精英策略引入其解的更新过程可加快其收敛速度，进一步为使算法能达到全局最优将抛弃过程中的抛弃公式进行改进，加强其全局搜索能力。布谷鸟搜索本身依靠Lévy飞行就具有很强的局部搜索和全局搜索能力，结合改进方法使算法在搜索空间时，可以在局部搜索和多样性或随机性之间保持有效的平衡，可以快速有效的得到Pareto最优解集。

S35、将步骤S341抛弃后的有N个个体的新种群和具有N个个体的初始种群混合为有2N个个体的混合种群，采用精英策略进行快速非支配排序和拥挤度距离计算，将排序后比表面积差值与电耗均较小的前N个个体作为下一次迭代的初始种群。

S4、判断是否满足迭代停止条件，若满足迭代停止条件，则输出步骤S33产生的最优解；若不满足迭代停止条件，则重复步骤S31至步骤S35继续进行迭代。

S5、判断是否满足滚动优化停止条件，若满足滚动优化停止条件，则输出结果；若不满足滚动优化停止条件，则返回步骤S3。

在本发明的一个优选实施例中，步骤S2中公式(1)和(2)为水泥磨优化模型的目标函数，公式(1)为最小化电耗；公式(2)为最小比表面积Q-350，因为水泥的比表面积和水泥的细度有关，水泥磨的越细，它的比表面积就越大，反之就越小。水泥的比表面积一般在350左右，如果过于细，早期水化会比较充分，早期强度会高，需水量大，但混凝土开裂的机率会变大。反之早期强度会低，需水量小。所以将350作为比表面积的最优值，将比表面积的实际值减去350后取绝对值，当其值越接近与0，则说明其质量越好；公式(3)为水泥磨运行指标的约束条件。

对水泥工艺的分析，针对水泥磨优化模型中所需的数据变量进行选取，并给各个变量规定合理的约束。因为本发明采用了pareto最优的方法进优劣排序，但在多目标下pareto最优通常是目标全部最大或最小为优，在本发明中水泥磨电耗本身具备最小为优的条件，但水泥比表面积的合格是一个范围，故采用比表面积减去标准值350并取绝对值，此绝对值越小则越接近350，故说明其符合最优条件。

Pareto最优的方法采用了快速非支配排序和拥挤度排序，如上所示，当目标函数确定为同小为优时，将预测得到的同一个体的电耗与比表面积的预测值与其他个体进行比较，当电耗与比表面积均小于其他个体则此个体为最优个体，诺一大一小则为不相关个体，若干不相关个体组成pareto最优解集。拥挤度排序是在这些个体中不相关个体再进行优劣排序，其方法是通过适应度函数计算进行排序，得到适应度强的个体则为最优个体。

以下结合实施例对本发明一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法做进一步描述：

S1、从水泥企业生产数据库中提取相关数据，并进行数据预处理：

分析整个水泥粉磨过程的工艺流程，从水泥企业生产数据库中提取本次粉磨过程中与优化目标相关性大的输入变量。

其中与水泥粉磨系统电耗相关的变量为：选粉机入口负压X₁、喂料提升机电流X₂、磨尾收尘机电流反馈X₃、辊压机挡板开度X₄、水泥磨主机电流X₅、选粉机转速反馈X₆、循环风机变频反馈X₇，7个运行指标。其中与水泥比表面积相关的变量为：辊压机挡板开度X₄、水泥磨主机电流X₅、选粉机转速反馈X₆、循环风机变频反馈X₇、喂料量X₈、选粉机电流反馈X₉、循环风机挡板开度X₁₀、出磨斗提电流X₁₁，8个运行指标。在挑选变量时辊压机挡板开度X₄、水泥磨主机电流X₅、选粉机转速反馈X₆、循环风机变频反馈X₇在电耗与比表面积中均有使用，故原始的11个变量对应到比表和电耗有15个变量，其中重复的有4个。

S2、利用步骤S1预处理的数据对预测模型进行训练，获取预测目标值，并作为水泥磨优化模型的目标函数；采用长短时记忆网络(LSTM)作为预测模型去预测目标值，采用水泥比表面积与标准差值的差值与水泥粉磨系统的电耗为目标函数。

以水泥磨实际运行中的设备运行能力为约束，在满足水泥比表面积合格的前提下，以最小化水泥磨电耗为目标函数构建水泥磨运行指标的决策模型，具体表达式如下：

f₁＝min(e)                (1)

f₂＝min|Q-350|                 (2)

X_{i_min}≤X_i≤X_{i_max}，i＝1，2，…11                (3)

其中，e为水泥磨单位电耗，Q为水泥比表面积，按照水泥品种的不同，每种水泥都具有其对应的比表面积范围，将水泥比表面积作为目标函数的约束，在满足比表面积的前提下进行水泥磨单位电耗的优化，X_i为选取水泥磨的运行指标。

S3、对水泥磨优化模型进行滚动优化，每次优化的时间域为60分钟，每一次优化是一次静态优化，但水泥磨多目标优化不是一个不变的全局优化目标，而是采用时间向前滚动式的有限时域优化策略。这意味着优化过程不是一次离线进行，而是反复进行的。滚动优化的实现可以顾及由于模型失配、时变、干扰等引起的不确定性，及时进行弥补，始终把新的优化建立在实际的基础上，使优化保持在实际上的优化。这种启发式的滚动优化策略，兼顾了对未来充分长时间内的理想优化和实际存在的不确定性的影响。滚动优化可以使原本的静态优化变为动态优化，使此发明更符合实际工况。

S31、通过布谷鸟搜索随机生成有N个个体的初始种群，并输入至步骤S2训练好的预测模型中进行预测并计算目标函数的比表面积预测值Q_j和电耗预测值E_j，并得到N组目标值|Q_j-350|与E_j；

S32、对步骤S31获得的目标值|Q_j-350|、E_j进行快速非支配排序和拥挤度排序，此过程可以将种群中每个个体的优劣进行区分，以最小化目标值|Q_j-350|和E_j为排序准则，经过排序得到pareto最优面中的最优解集；

S33、在步骤S32获得的最优解集中寻找电耗预测值E_j最小的解，并将其作为本次迭代的最优解；

S34、将步骤S33获得的最优解引入布谷鸟搜索中，并进行更新巢穴的过程，对新的巢穴进行抛弃过程，产生抛弃后的新巢穴：

S341、给定步骤S1中11个变量的上下界组成搜索空间，并进行布谷鸟搜索，更新后产生新的巢穴，通过Lévy flight进行全局搜索寻找宿主鸟巢的位置和路径，对布谷鸟搜索的相关路径进行改进，改进后解的更新过程如下：

其中

为t时刻的解，

为经步长缩放因子

与Lévy flight公式

计算在

基础上得到的t+1时刻的新解；

其中，步长缩放因子的表达式如下：

式中α₀＝0.1，

为t时刻随机解

与当前最优解

的巢穴相减，将最优解引入步长缩放因子计算过程，可以使搜索过程更快速的收敛；

Lévy flight的表达式如下：

其中，A＝1.5，Γ为伽马函数，S为步长公式

μ为服从N～(0，σ_u)正态分布，其中

最好在(1，2)之间，伽马函数公式为

v服从N～(0，σ_v)，σ_v＝1。

S342、通过步骤S341进行位置更新后进行布谷鸟搜索的抛弃过程，生成随机数rand(rand∈[0，1])，并将rand与抛弃概率P_a进行比较，如果rand＜Pa，就随机更新一次鸟巢的位置，否则鸟巢位置不变，改进后解的抛弃过程表达式如下：

其中，抛弃概率Pa＝0.25，

为t时刻4个巢穴相互组合计算，rand为0到1中的随机数，当rand小于pa则进行巢穴抛弃生成新解，相反则保持

不变，经过此过程得到抛弃后的解

S35、将步骤S341抛弃后的有N个个体的新种群和具有N个个体的初始种群混合为有2N个个体的混合种群，采用精英策略进行快速非支配排序和拥挤度距离计算，将排序后比表面积差值与电耗均较小的前N个个体作为下一次迭代的初始种群。

S4、判断是否满足迭代停止条件，若满足迭代停止条件，则输出步骤S33产生的最优解；若不满足迭代停止条件，则重复步骤S31至步骤S35继续进行迭代；；当满足迭代条件后一次迭代结束，以迭代条件为50次为例，其寻优后第1次迭代与第50次迭代pareto面的比较如图7所示，明显看出pareto最优面的点增多，图8中也可以看出在迭代前后电耗值明显下降，且比表面积也在合格范围内。

S5、判断是否满足滚动优化停止条件，若满足滚动优化停止条件，则输出结果；若不满足滚动优化停止条件，则返回步骤S3。滚动结束后，得到最终实验结果如图9和图10所示，以滚动50次为例，可以看出滚动优化后其电耗每次滚动都有降低，且比表面积也比之前更加符合实际要求。所以分析可知本发明有不错的实际结果。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (1)

1.一种基于多目标布谷鸟搜索的水泥磨运行指标决策方法，其特征在于，具体实施步骤如下：

S1、从水泥生产数据库中提取相关数据，并进行数据预处理：

分析整个水泥粉磨过程的工艺流程，从水泥生产数据库中提取与优化目标相关性大的11个输入变量，并进行归一化处理；所述11个输入变量分别为：选粉机入口负压、喂料提升机电流、磨尾收尘机反馈、辊压机挡板开度、水泥磨主机电流、选粉机转速反馈、循环风机变频反馈、喂料量、选粉机电流反馈、循环风机挡板开度和出磨斗提电流，为防止算法在求解过程中为降低目标函数值使上述指标过高或过低，对上述指标进行范围限定；其中选粉机入口负压：-3800＜X₁＜-3200、喂料提升机电流120＜X₂＜170、磨尾收尘机反馈50＜X₃＜270、辊压机挡板开度58＜X₄＜85、水泥磨主机电流275＜X₅＜290、选粉机转速反馈900＜X₆＜1500、循环风机变频反馈33＜X₇＜55、喂料量110＜X₈＜175、选粉机电流反馈155＜X₉＜270、循环风机挡板开度35＜X₁₀＜48和出磨斗提电流50＜X₁₁＜56；

S2、利用步骤S1预处理后的数据对预测模型进行训练，获取预测目标值，并作为水泥磨优化模型的目标函数；

以水泥磨实际运行中的设备运行能力为约束，在满足水泥比表面积合格的前提下，以最小化水泥磨电耗为目标函数构建水泥磨运行指标的决策模型，决策模型具体表达式如下：

f₁＝min(e)    (1)

f₂＝min|Q-350|    (2)

X_{i_min}≤X_i≤X_{i_max}，i＝1，2，…11    (3)

其中，e为水泥磨单位电耗，Q为水泥比表面积，X_i为选取水泥磨的运行指标；在公式(2)中取水泥比表面积中数值350作为算法的标准值；

步骤S2中的预测模型选取的是长短时记忆网络，公式(1)和(2)为水泥磨优化模型的目标函数，公式(1)为最小化电耗，公式(2)为最小比表面积|Q-350|，公式(3)为水泥磨运行指标的约束条件；

S3、对预测模型进行滚动优化；

S31、通过布谷鸟搜索随机生成有N个个体的初始种群，并输入至步骤S2训练好的预测模型中进行预测并计算目标函数的比表面积预测值Q_j和电耗预测值E_j，得到N组目标值|Q_j-350|和E_j；

S32、对步骤S31获得的目标值|Q_j-350|、E_j进行快速非支配排序和拥挤度排序，以最小化目标值|Q_j-350|和E_j为排序准则，经过排序得到pareto最优面中的最优解集；

S33、在步骤S32获得的最优解集中寻找电耗预测值E_j最小的解，并将其作为本次迭代的最优解；

S34、将步骤S33获得的最优解引入布谷鸟搜索中，并进行更新巢穴，进行布谷鸟搜索的抛弃过程；具体实现步骤为：

S341、给定步骤S1中11个变量的上下界组成搜索空间，并进行布谷鸟搜索，更新后产生新的巢穴，通过Lévy flight进行全局搜索寻找宿主鸟巢的位置和路径，对布谷鸟搜索的相关路径进行改进，改进后解的更新过程如下：

其中为t时刻的解，为经步长缩放因子与Lévy flight公式Lévy(s，λ，μ)计算在基础上得到的t+1时刻的新解；

其中，步长缩放因子的表达式如下：

式中α₀＝0.1，为t时刻随机解与当前最优解的巢穴相减，将最优解引入步长缩放因子计算过程，使搜索过程更快速的收敛；

Lévy flight的表达式如下：

其中，λ＝1.5，Γ为伽马函数，S为步长公式μ为服从N～(0，σ_u)正态分布，其中在(1，2)之间，伽马函数公式为υ服从N～(0，σ_υ)，σ_υ＝1；

S342、通过步骤S341进行位置更新后进行布谷鸟搜索的抛弃过程，生成随机数rand，rand∈[0，1]，并将rand与抛弃概率Pa进行比较，如果rand＜Pa，则随机更新一次鸟巢的位置，否则鸟巢位置不变，改进后解的抛弃过程表达式如下：

其中，抛弃概率Pa＝0.25，为t时刻4个巢穴相互组合计算，rand为0到1中的随机数，当rand小于pa则进行巢穴抛弃生成新解，相反则保持不变，经过此过程得到抛弃后的解

S35、将步骤S34抛弃后的有N个个体的新种群和具有N个个体的初始种群混合为有2N个个体的混合种群，采用精英策略进行快速非支配排序和拥挤度距离计算，将排序后比表面积差值与电耗均较小的前N个个体作为下一次迭代的初始种群；

S4、判断是否满足迭代停止条件，若满足迭代停止条件，则输出步骤S33产生的最优解；若不满足迭代停止条件，则重复步骤S31至步骤S35继续进行迭代；

S5、判断是否满足滚动优化停止条件，若满足滚动优化停止条件，则输出结果；若不满足滚动优化停止条件，则返回步骤S3。

Images