CN117454765A - 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 - Google Patents
基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 Download PDFInfo
- Publication number
- CN117454765A CN117454765A CN202311464112.8A CN202311464112A CN117454765A CN 117454765 A CN117454765 A CN 117454765A CN 202311464112 A CN202311464112 A CN 202311464112A CN 117454765 A CN117454765 A CN 117454765A
- Authority
- CN
- China
- Prior art keywords
- neural network
- spray gun
- ipso
- smelting furnace
- copper smelting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000007921 spray Substances 0.000 title claims abstract description 37
- 238000003723 Smelting Methods 0.000 title claims abstract description 34
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 31
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 31
- 239000010949 copper Substances 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 67
- 230000013016 learning Effects 0.000 claims abstract description 24
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 14
- 239000001301 oxygen Substances 0.000 claims abstract description 14
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 210000000621 bronchi Anatomy 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 10
- 238000007664 blowing Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及喷枪寿命预测技术领域,且公开了基于IPSO‑BP神经网络铜熔炼炉喷枪寿命预测方法,通过确定熔炼炉稳定生产期内的实际生产数据为研究对象,建立的BP神经网络,粒子群优化的BP神经网络和改进的粒子群优化算法优化的BP神经网络模型分别对富氧底吹铜熔炼炉喷枪的使用寿命数据进行训练和预测。该基于IPSO‑BP神经网络铜熔炼炉喷枪寿命预测方法通过粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法,优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力,以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证。
Description
技术领域
本发明涉及喷枪寿命预测技术领域,具体为基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法。
背景技术
富氧底吹铜熔炼技术是我国自主研发的一种熔炼技术,主要应用的在铜的冶炼上,因为其投资少、环保效果好,原料适应性强、熔炼效率高、基本上不需要添加额外燃料等优点在我国迅速被各大冶炼厂所引进。但是富氧底吹铜熔炼炉价格昂贵,生产作业在高温高压下进行,条件非常恶劣,所以在生产过程中容易发生故障,并且很难预测其故障,尤其是喷枪的故障,需要停机维修,不仅需要大量的费用来维修设备,还会严重影响正常生产的效率,导致经济效益降低。为了提升富氧底吹铜熔炼炉可用性降低意外故障的概率,同时能减少设备的维修费用,对富氧底吹铜熔炼炉进行可靠性分析和寿命预测尤为重要。
现有的一种混合算法PSO-BP铁水温度预测模型,并验证了此模型对高炉铁水温度预测的准确性;通过生产实践结合理论研究,对影响喷枪寿命的主要因素进行归纳和总结,并提出延长喷枪使用寿命的建议,对艾萨拉喷枪使用寿命提升有很大帮助,但由于富氧底吹铜熔炼炉生产工况复杂,对喷枪寿命有影响的因素很多,所以很难根据某一指标对其寿命进行预测,所以市面上对富氧底吹铜熔炼炉喷枪寿命预测存在误差。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,具备多项指标精准预测等优点,解决了上述技术问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,包括以下步骤:
S1、选择BP神经网络的结构:
S2、读取并学习样本数据:
S3、初始化每个粒子的位置xid(t)和速度vid(t);
S4、计算每个粒子的位置和速度;
S5、计算个体和全体极值;
S6、根据适应度至更新个体和全体极值;
S7、更新粒子的速度与位置;
S8、判断是否满足迭代条件,若不满足则继续执行步骤S4到S7;
S9、获取网络初始值以及阈值;
S10、进行BP神经网络的训练以及测试,并输出结果。
作为本发明的优选技术方案,所述步骤S1中的BP神经网络中的输入数据的特征矩阵为m1,......,mn属于BP神经网络中的输入层,其中激活函数fn(e),其中的n表示对应第n个激活函数,激活函数的变量e的表达式如下:
e=m1*ω1+m2*ω2+……+mn*ωn
其中,ω1,ω2,......,ωn表示与输入特征矩阵m1,......,mn一一对应的权值矩阵,e表示特征矩阵和权值矩阵的加权总和,所述BP神经网络通过将输入信息进行预处理,并将处理结果转化为可用于预测的输出。
作为本发明的优选技术方案,所述步骤S2中的数据包括炉膛温度、烟气温度、渣温度、平均温度差、富氧浓度、支气管气压、炉料水分和炉膛气压。
作为本发明的优选技术方案,所述步骤S4中由n个粒子组成的种群在多维空间中搜索时,对每个粒子速度和位置的计算公式如下:
vid(t+1)=ω*vid(t)+c1*r1*[pid-xid(t)]+c2*r2*[pgd-xid(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,xid(t)表示当前的粒子i在维度d上进行第t次迭代时的位置,xid(t+1)表示更新后的粒子i在维度d上进行第t+1次迭代时的位置,vid(t)当前后的粒子i在维度d上进行第t次迭代时的速度,vid(t+1)表示更新后的粒子i在维度d上进行第t+1次迭代时的速度,ω表示惯性矩阵,其表示粒子在搜索空间中继续前进的程度,c1和c2为学习因子,分别表示个体和群体的影响权重,pid表示粒子i在维度d上的最优解,pgd表示整个群体的全局最优解,r1和r2分别表示的是Rand函数,Rand函数表示在[0,1]之间的随机数,且r1和r2表示的数不相同。
作为本发明的优选技术方案,所述惯性矩阵ω的在迭代初期的计算公式如下:
其中,ωmax表示最大惯性权重,ωmin表示最小惯性权重,t表示当前迭代次数,tmmax表示最大迭代次数。
作为本发明的优选技术方案,在迭代后期将惯性矩阵ω替换为随机惯性权重矩阵τ,所述随机惯性权重矩阵τ在迭代后期的计算公式如下:
μ=μmin+(μmax-μmin)*Rand(0,1)
τ=μ+σ*N(0,1)
其中,μ表示随机权重的均值,μμmin表示随机权重的最小值,μmax示随机权重的最大值,N(0,1)表示从均值为0、标准差为1的正态分布中随机抽取一个数,σ表示随机权重的方差,Rand(0,1)表示在[0,1]之间的随机数。
作为本发明的优选技术方案,所述学习因子c1和c2之间呈线性关系,其中学习因子c1在算法前期引导粒子进行搜索,学习因子c2在算法后期引导粒子进行搜索,学习因子c1和c2的计算公式如下:
c1=3-c2
其中,t表示当前迭代次数,Tmax表示最大迭代次数,tan(*)表示对内部数据进行正切运算,且c2∈(0.5,2.5),且c1∈(0.5,2.5)。
作为本发明的优选技术方案,对所述BP神经网络的输出节点和输出节点进行设置,并通过算法公式对隐含层节点个数z进行计算,具体计算公式如下:
其中,p代表输入层的节点个数,q代表输出层的节点个数,a表示范围在(1,10)内的常数,表示对内部数据进行开方处理,同时设置输入层的节点p=8、输出层的节点q=1,从而计算出z的取值范围[4,13]。
作为本发明的优选技术方案,所述BP神经网络中输出层到隐含层的输出函数的表达式如下:
其中,X表示输入数据,e*表示以e为底的指数函数,e表示自然对数。
作为本发明的优选技术方案,所述步骤S10在输出结果时,需要对结果的值进行误差验证,通过不同的算法公式对误差进行分析,具体的验证公式如下:
其中,Emax表示最大相对误差,MAPE表示平均绝对百分误差,RMSE表示均方根误差,yi表示第i个粒子的实际的输出值,表示第i个粒子的预测值,max(*)表示对内部数组中的数取最大值,|*|表示对/>的数据进行绝对值运算,n表示数据的总量,/>表示对内部的每一个数据进行求和运算,/>表示对内部数据进行开方处理。
与现有技术相比,本发明提供了基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,具备以下有益效果:
1、本发明通过粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法,优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证。
2、本发明通过IPSO-BP模型的最大相对误差为2.0442,要低于PSO优化的BP神经网络的2.8037和BP神经网络的2.9491,说明此模型对于预测富氧底吹铜熔炼炉喷枪寿命更加准确;此外IPSO-BP模型平均绝对百分比误差以及均方根误差一样小于其他两种模型,明显IPSO-BP预测模型对于其寿命预测更准确可靠。
附图说明
图1为本发明BP神经网络训练流程示意图;
图2为本发明IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法流程图;
图3为本发明PSO和IPSO适应度进化曲线示意图;
图4为本发明隐含层节点数选择示意图;
图5为本发明经过归一化处理的部分数据示意图;
图6为本发明三种模型预测误差值对比示意图;
图7为本发明不同模型喷枪寿命预测误差示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,包括以下步骤:
S1、选择BP神经网络的结构:
S2、读取并学习样本数据,其中数据包括炉膛温度(X1),烟气温度(X2),渣温度(X3),平均温度差(X4),富氧浓度(X5),支气管气压(X6),炉料水分(X7),炉膛气压(X8):
S3、初始化每个粒子的位置xid(t)和速度vid(t);
S4、计算每个粒子的位置和速度;
S5、计算个体和全体极值;
S6、根据适应度至更新个体和全体极值;
S7、更新粒子的速度与位置;
S8、判断是否满足迭代条件,若不满足则继续执行步骤S4到S7;
S9、获取网络初始值以及阈值;
S10、进行BP神经网络的训练以及测试,并输出结果。
请参阅图1,步骤S1中的BP神经网络中的输入数据的特征矩阵为m1,......,mn属于BP神经网络中的输入层,其中激活函数fn(e),其中的n表示对应第n个激活函数,激活函数的变量e的表达式如下:
e=m1*ω1+m2*ω2+……+mn*ωn
其中,ω1,ω2,......,ωn表示与输入特征矩阵m1,......,mn一一对应的权值矩阵,e表示特征矩阵和权值矩阵的加权总和,BP神经网络通过将输入信息进行预处理,并将处理结果转化为可用于预测的输出。
粒子群优化算法的基本原理是通过模拟粒子在多维搜索空间中的位置和速度变化,随着个体学习和社会学习的进化信息融合,逐渐逼近最优位置,达到全局最优解。整个过程涉及种群中每个粒子的适应度变化,同时也考虑全局最优解的影响。通过迭代,粒子依据自身状态和周围环境来调整自己的速度和位置,最终实现对问题的优化求解。由n个粒子组成的种群在多维空间中搜索时,对每个粒子速度和位置的计算公式如下:
vid(t+1)=ω*vid(t)+c1*r1*[pid-xid(t)]+c2*r2*[pgd-xid(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,xid(t)表示当前的粒子i在维度d上进行第t次迭代时的位置,xid(t+1)表示更新后的粒子i在维度d上进行第t+1次迭代时的位置,vid(t)当前后的粒子i在维度d上进行第t次迭代时的速度,vid(t+1)表示更新后的粒子i在维度d上进行第t+1次迭代时的速度,ω表示惯性矩阵,其表示粒子在搜索空间中继续前进的程度,c1和c2为学习因子,分别表示个体和群体的影响权重,pid表示粒子i在维度d上的最优解,pgd表示整个群体的全局最优解,r1和r2分别表示的是Rand函数,Rand函数表示在[0,1]之间的随机数,且r1和r2表示的数不相同。
但是传统的粒子群优化算法也有弊端,容易陷入局部最优解,所以本文再次对粒子群算法进行改进,对惯性权重和学习因子c1和c2这两个参数进行调整可以有效提升算法的性能,在迭代初期,为了加快粒子进行全局搜索的速度,便使用较大的权重,到了迭代后期,算法找到全局最优解的大概位置,便用较小的惯性权重提高粒子群的局部搜索能力。通常情况下,线性递减的方式可以帮助系统缓慢调整惯性权重,使其降低到一定程度,从而平衡全局搜索和局部优化的效果,实现更加准确和鲁棒的优化求解。这种策略可以提高搜索效率,并最终找到全局最优解,适用于许多粒子群优化算法的实现,惯性矩阵ω的在迭代初期的计算公式如下:
其中,ωmax表示最大惯性权重,ωmin表示最小惯性权重,t表示当前迭代次数,tmmax表示最大迭代次数。
针对惯性权值线性递减的问题,本文将惯性权值设置为一个随机分布的数。这样有一定的优点:随机权重算法能够根据进化过程中粒子的状态来动态地调整权重值,对于已经接近最优的粒子,其会大幅度降低权重值以加速算法的收敛;而对于未找到最优点或陷入局部最优的粒子,则会通过改变权重值来改变粒子的速度,以试图跳出局部最优解。因此,随机权重算法能够适应不同的进化状态,提高搜索的全局性和进化速度,是一种较为灵活和有效的惯性权重算法,因此在迭代后期将惯性矩阵ω替换为随机惯性权重矩阵τ,随机惯性权重矩阵τ在迭代后期的计算公式如下:
μ=μmin+(μmax-μmin)*Rand(0,1)
τ=μ+σ*N(0,1)
其中,μ表示随机权重的均值,μmin表示随机权重的最小值,μmax示随机权重的最大值,N(0,1)表示从均值为0、标准差为1的正态分布中随机抽取一个数,σ表示随机权重的方差,Rand(0,1)表示在[0,1]之间的随机数。
当整个群体的经验逐渐减少时,c1能够更好地引导粒子进行搜索,而当个体的经验逐渐增加时,c2能够更好地引导粒子进行搜索,从而加快算法的收敛速度,学习因子c1和c2之间呈线性关系,其中学习因子c1在算法前期引导粒子进行搜索,学习因子c2在算法后期引导粒子进行搜索,学习因子c1和c2的计算公式如下:
C1=3-C2
其中,t表示当前迭代次数,Tmax表示最大迭代次数,tan(*)表示对内部数据进行正切运算,且c2∈(0.5,2.5),且c1∈(0.5,2.5)。
请参阅图2-6,对BP神经网络的输出节点和输出节点进行设置,并通过算法公式对隐含层节点个数z进行计算,本文选取其中八个对喷枪寿命影响较大的因素作为初始数据进行分析,特征向量的维数为8,BP神经网络的输入节点数应该设置为8。因为输出为喷枪寿命,故输出节点个数为1,具体计算公式如下:
其中,p代表输入层的节点个数,q代表输出层的节点个数,a表示范围在(1,10)内的常数,表示对内部数据进行开方处理,同时设置输入层的节点p=8、输出层的节点q=1,从而计算出z的取值范围[4,13]。
因为后面还会对BP神经网络进行优化,所以为了不过度加长训练时间,隐含层层数选择为一层。BP神经网络连接各个神经元的初始权重会对网络的训练函数的收敛性及其收敛速度有很大影响。因此,本文将IPSO优化后的最优权值赋给BP神经网络作为初始值。本文中输入层到隐含层之间的激活函数选择S型函数tansig函数,隐含层到输出层之间的传递函数选择Matlab工具箱的线性函数purelin函数,目的是增加输出值的取值空间,BP神经网络中输出层到隐含层的输出函数的表达式如下:
其中,X表示输入数据,e*表示以e为底的指数函数,e表示自然对数,学习速率是影响BP神经网络性能的一个关键因素,它的作用是在模型训练过程中改变权值的变化量。根据实践经验,BP神经网络模型中的学习速率取值一般在0.01到1之间。本论文根据样本数据反复训练得出当学习速率为0.01时,所建立的BP神经网络模型稳定性能达到最优。期望误差是评价BP神经网络模型性能是否优良的标准。本文在构建BP神经网络时选择均方误差函数作为它的期望误差。
因为不同的样本数据的量纲不同,所以在进行训练和测试之前,需要多数据进行归一化,将部分数据进行归一化处理如图5所示。其中56组用作训练数据,其余24组作为测试数据
步骤S10在输出结果时,需要对结果的值进行误差验证,通过不同的算法公式对误差进行分析,具体的验证公式如下:
其中,Emax表示最大相对误差,MAPE表示平均绝对百分误差,RMSE表示均方根误差,yi表示第i个粒子的实际的输出值,表示第i个粒子的预测值,max(*)表示对内部数组中的数取最大值,|*|表示对/>的数据进行绝对值运算,n表示数据的总量,/>表示对内部的每一个数据进行求和运算,/>表示对内部数据进行开方处理,Emax,MAPE和RMSE的值越小,表示预测的准确性越高,效果越好,具体预测结果请参阅图6,根据Emax,MAPE和RMSE计算结果请参阅图7,IPSO-BP模型的最大相对误差为2.0442,要低于PSO优化的BP神经网络的2.8037和BP神经网络的2.9491,说明此模型对于预测富氧底吹铜熔炼炉喷枪寿命更加准确;此外IPSO-BP模型平均绝对百分比误差以及均方根误差一样小于其他两种模型,明显IPSO-BP预测模型对于其寿命预测更准确可靠。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:包括以下步骤:
S1、选择BP神经网络的结构:
S2、读取并学习样本数据:
S3、初始化每个粒子的位置xid(t)和速度vid(t);
S4、计算每个粒子的位置和速度;
S5、计算个体和全体极值;
S6、根据适应度至更新个体和全体极值;
S7、更新粒子的速度与位置;
S8、判断是否满足迭代条件,若不满足则继续执行步骤S4到S7;
S9、获取网络初始值以及阈值;
S10、进行BP神经网络的训练以及测试,并输出结果。
2.根据权利要求1所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述步骤S1中的BP神经网络中的输入数据的特征矩阵为m1,......,mn属于BP神经网络中的输入层,其中激活函数fn(e),其中的n表示对应第n个激活函数,激活函数的变量e的表达式如下:
e=m1*ω1+m2*ω2+......+mn*ωn
其中,ω1,ω2,......,ωn表示与输入特征矩阵m1,......,mn一一对应的权值矩阵,e表示特征矩阵和权值矩阵的加权总和,所述BP神经网络通过将输入信息进行预处理,并将处理结果转化为可用于预测的输出。
3.根据权利要求1所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述步骤S2中的数据包括炉膛温度、烟气温度、渣温度、平均温度差、富氧浓度、支气管气压、炉料水分和炉膛气压。
4.根据权利要求1所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述步骤S4中由n个粒子组成的种群在多维空间中搜索时,对每个粒子速度和位置的计算公式如下:
vid(t+1)=ω*vid(t)+c1*r1*[pid-xid(t)]+c2*r2*[pgd-xid(t)]
xid(t+1)=xid(t)+vid(t+1)
其中,xid(t)表示当前的粒子i在维度d上进行第t次迭代时的位置,xid(t+1)表示更新后的粒子i在维度d上进行第t+1次迭代时的位置,vid(t)当前后的粒子i在维度d上进行第t次迭代时的速度,vid(t+1)表示更新后的粒子i在维度d上进行第t+1次迭代时的速度,ω表示惯性矩阵,其表示粒子在搜索空间中继续前进的程度,c1和c2为学习因子,分别表示个体和群体的影响权重,pid表示粒子i在维度d上的最优解,pgd表示整个群体的全局最优解,r1和r2分别表示的是Rand函数,Rand函数表示在[0,1]之间的随机数,且r1和r2表示的数不相同。
5.根据权利要求4所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述惯性矩阵ω的在迭代初期的计算公式如下:
其中,ωmax表示最大惯性权重,ωmin表示最小惯性权重,t表示当前迭代次数,tmax表示最大迭代次数。
6.根据权利要求5所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:在迭代后期将惯性矩阵ω替换为随机惯性权重矩阵τ,所述随机惯性权重矩阵τ在迭代后期的计算公式如下:
μ=μmin+(μmax-μmin)*Rand(0,1)
τ=μ+σ*N(0,1)
其中,μ表示随机权重的均值,μmin表示随机权重的最小值,μmax示随机权重的最大值,N(0,1)表示从均值为0、标准差为1的正态分布中随机抽取一个数,σ表示随机权重的方差,Rand(0,1)表示在[0,1]之间的随机数。
7.根据权利要求4所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述学习因子c1和c2之间呈线性关系,其中学习因子c1在算法前期引导粒子进行搜索,学习因子c2在算法后期引导粒子进行搜索,学习因子c1和c2的计算公式如下:
c1=3-c2
其中,t表示当前迭代次数,Tmax表示最大迭代次数,tan(*)表示对内部数据进行正切运算,且c2∈(0.5,2.5),且c1∈(0.5,2.5)。
8.根据权利要求1所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:对所述BP神经网络的输出节点和输出节点进行设置,并通过算法公式对隐含层节点个数z进行计算,具体计算公式如下:
其中,p代表输入层的节点个数,q代表输出层的节点个数,a表示范围在(1,10)内的常数,表示对内部数据进行开方处理,同时设置输入层的节点p=8、输出层的节点q=1,从而计算出z的取值范围[4,13]。
9.根据权利要求8所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述BP神经网络中输出层到隐含层的输出函数的表达式如下:
其中,X表示输入数据,e*表示以e为底的指数函数,e表示自然对数。
10.根据权利要求1所述的基于IPSO-BP神经网络铜熔炼炉喷枪寿命预测方法,其特征在于:所述步骤S10在输出结果时,需要对结果的值进行误差验证,通过不同的算法公式对误差进行分析,具体的验证公式如下:
其中,Emax表示最大相对误差,MAPE表示平均绝对百分误差,RMSE表示均方根误差,yi表示第i个粒子的实际的输出值,表示第i个粒子的预测值,max(*)表示对内部数组中的数取最大值,|*|表示对/>的数据进行绝对值运算,n表示数据的总量,/>表示对内部的每一个数据进行求和运算,/>表示对内部数据进行开方处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464112.8A CN117454765A (zh) | 2023-11-06 | 2023-11-06 | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464112.8A CN117454765A (zh) | 2023-11-06 | 2023-11-06 | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454765A true CN117454765A (zh) | 2024-01-26 |
Family
ID=89581523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464112.8A Pending CN117454765A (zh) | 2023-11-06 | 2023-11-06 | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807818A (zh) * | 2024-03-01 | 2024-04-02 | 西安慧金科技有限公司 | 一种结合动态篮环优化算法的工业炉寿命预测方法 |
-
2023
- 2023-11-06 CN CN202311464112.8A patent/CN117454765A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807818A (zh) * | 2024-03-01 | 2024-04-02 | 西安慧金科技有限公司 | 一种结合动态篮环优化算法的工业炉寿命预测方法 |
CN117807818B (zh) * | 2024-03-01 | 2024-05-10 | 西安慧金科技有限公司 | 一种结合动态篮环优化算法的工业炉寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN117454765A (zh) | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111598224A (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
CN111832949A (zh) | 一种装备作战试验鉴定指标体系构建方法 | |
CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
CN111008685A (zh) | 基于生产者依概率反向再生机制的改进人工生态系统优化算法 | |
CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 | |
CN113204918B (zh) | 水泥窑生产能耗的建模方法 | |
CN117391258A (zh) | 一种负碳排放的预测方法、装置、设备及存储介质 | |
CN116153396A (zh) | 一种基于迁移学习的非编码变异预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN111858672A (zh) | 一种改进的knn案例推理检索算法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114357869A (zh) | 一种基于数据关系学习和预测的多目标优化代理模型设计方法及系统 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN113033419A (zh) | 基于进化神经网络的设备故障辨识方法及系统 | |
CN112906751A (zh) | 一种非监督学习识别异常值的方法 | |
CN115995262B (zh) | 基于随机森林及lasso回归解析玉米遗传机理的方法 | |
CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
CN116881854B (zh) | 融合XGBoost计算特征权重的时间序列预测方法 | |
CN118070652A (zh) | 大米加工损耗率预测方法、装置、设备及存储介质 | |
Qin et al. | New machine learning method identifies subtle fine-scale genetic stratification in diverse populations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |