CN117807818A - 一种结合动态篮环优化算法的工业炉寿命预测方法 - Google Patents
一种结合动态篮环优化算法的工业炉寿命预测方法 Download PDFInfo
- Publication number
- CN117807818A CN117807818A CN202410232062.9A CN202410232062A CN117807818A CN 117807818 A CN117807818 A CN 117807818A CN 202410232062 A CN202410232062 A CN 202410232062A CN 117807818 A CN117807818 A CN 117807818A
- Authority
- CN
- China
- Prior art keywords
- value
- objective function
- solution
- thermal stress
- thickness
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008646 thermal stress Effects 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 17
- 238000009827 uniform distribution Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明公开了一种结合动态篮环优化算法的工业炉寿命预测方法,首次将篮球比赛中的策略和战术思想引入到工业炉寿命的预测和优化中,模拟篮球比赛中的全局战术调整和局部搜索调整,提高预测结果可行性,为工业炉设计提供了一种全新的优化思路。
Description
技术领域
本发明属于炉体寿命预测技术领域,具体涉及一种结合动态篮环优化算法的工业炉寿命预测方法。
背景技术
目前工业炉的寿命预测采用的方法为有限元疲劳分析法和经验值估计法。目前工业炉寿命预测方法的缺点是:
1、固定参数:现有的优化算法使用固定的参数,这可能导致算法在某些特定问题上不能达到最佳性能。
2、缺乏灵活性:传统的优化方法缺乏适应不同问题和场景的能力,尤其是在面对复杂的工业炉设计问题时。
3、计算效率低:现有的方法可能在处理大规模问题时会遇到计算效率低的问题,导致长时间的计算和延迟。
4、易陷入局部最优:容易陷入局部最优解,而不是全局最优解,这可能导致解的质量不高。
5、缺乏直观性:现有的方法缺乏直观性,使得工程师和设计师难以理解和应用。
6、缺乏实时调整能力:在面对变化的环境和条件时,传统的优化方法缺乏实时调整和适应的能力。
7、难以处理多目标问题:传统的优化方法难以处理多目标优化问题,导致不能满足多种设计要求。
8、缺乏考虑实际约束:在实际的工业炉设计中,可能存在各种复杂的约束条件,现有的方法难以充分考虑这些约束,导致解的不可行性。
因此,研究一种新的工业炉寿命预测方法很有市场前景。
发明内容
本发明的目的在于克服上述现有技术的不足,提供了一种结合动态篮环优化算法的工业炉寿命预测方法。
为了解决技术问题,本发明的技术方案是:一种结合动态篮环优化算法的工业炉寿命预测方法,包括以下步骤:
步骤1:确定决策变量;
步骤2:利用均匀分布生成决策变量的初始值,并对初始值进行归一化,确保所有决策变量在同一尺度上;
步骤3:模拟篮球比赛,对初始值进行评估得到目标函数,并选择需要预测的目标函数;
步骤4:进行全局优化,全局优化包括参数调整和全局战术调整,参数调整为每个初始值根据当前的目标函数值和环境因素来调整自己的参数形成新生成解以得到更高的目标函数值,全局战术调整为全部的初始值根据当前的目标函数值进行调整形成新生成解以得到更高的目标函数值;
步骤5:进行局部搜索调整,对步骤4每个新生成解进行局部搜索,找到更优解;
步骤6:设置终止条件,当步骤5的更优解符合终止条件,算法终止;
步骤7:在算法终止时,输出找到的最优解,并对最优解进行解读。
优选的,所述步骤1中决策变量包括热应力、材料性质和炉体厚度。
优选的,所述步骤2中利用均匀分布生成决策变量的初始值具体为:
对于温度变化ΔT,使用均匀分布生成其初始值:;
生成温度变化的随机数的公式为:;
对于炉体厚度D,使用均匀分布生成其初始值:;
生成炉体厚度的随机数的公式为:;
使用生成的温度变化ΔT和材料性质计算热应力,材料性质包含线性热膨胀系数α和杨氏模量E,热应力计算公式为:
;
式中:
为温度变化最大值,K;
为温度变化最小值,K;
为随机数;
为炉体厚度最大值,m;
为炉体厚度最小值,m。
优选的,所述步骤2中对初始值进行归一化具体为:
对热应力进行归一化处理,归一化公式为:
对炉体厚度D进行归一化处理,归一化公式为:
式中:
为热应力最大值,Mpa;
为热应力最小值,Mpa。
优选的,所述步骤3中对初始值进行评估得到目标函数具体为:先定义目标函数,相当于比赛得分,该函数能够量化初始值的质量,当定义目标函数为炉体寿命的估计值时,目标函数值基于热应力、材料性质、炉体厚度计算,其公式为:
式中:
,b,c,α,β,γ,λ,δ,是预先确定的系数,用于平衡各因素对炉寿命的影响;
为温度变化最大值,K;
k为热导率,W/m·K;
D为炉体厚度,m。
优选的,所述步骤4中参数调整具体为:
设新生成解有一组决策变量集/>,在每一轮迭代中,新生成解/>会根据当前目标函数值/>和环境因素A来调整参数,参数调整用以下公式表示:
式中:
是调整系数,控制目标函数值和环境因素对各参数的影响;
是当前所有解的平均目标函数值;
分别是环境因素对热应力、炉体厚度和材料性质的影响参数。
优选的,所述步骤4中全局战术调整具体为:
设有一组新生成解,其中m是解的数量,在每一轮迭代中,整个解集会根据当前的目标函数值进行组合优化,组合优化用以下公式表示:
式中:
和/>分别是解/>在组合中的新权重和旧权重。
γ是权重调整系数,控制目标函数值对权重的影响程度。
优选的,所述步骤5中局部搜索调整具体为:
设新生成解的决策变量集为P={T,D,M},局部搜索用以下公式表示:
其中:
是局部搜索的步长,控制参数在局部搜索中的变化幅度;
是生成一个在[1,1]范围内的随机数。
优选的,所述步骤6中终止条件包括以下三种,满足其中一种终止条件算法终止;
第一种:达到预定的迭代次数;
设定一个最大迭代次数,当迭代次数n达到或超过/>时,算法终止,;
第二种:连续多轮迭代无明显改进;
设定一个阈值和一个窗口大小W,如果在最近的W轮迭代中,更优解的改进都小于/>,则算法终止, />;
式中:
是第/>轮迭代中更优解的目标函数值;
是第 1轮迭代中更优解的目标函数值;
第三种:解的质量达到预定标准;
设定一个目标解,如果目标函数值大于或等于/>,则算法终止,。
优选的,所述步骤7具体为:
步骤7-1:输出最优解的参数值;
输出最优解对应的决策变量的值,即热应力、材料性质和炉体厚度;
步骤7-2:输出目标函数值;
输出最优解对应的目标函数值,即炉体寿命的预测值;
步骤7-3:结合动态篮环算法,将最优解的解读与篮球比赛中的策略和战术相对应;
将热应力对应于球员的出手位置和移动路线,较低的热应力表示更优的出手位置和更合理的移动路线;
将材料性质对应于球员的个人进攻能力,较优的材料性质表示更高的投篮真实命中率和得分数值;
将炉体厚度对应于球员的身体素质和防守能力,可以在更为严苛的环境中保持稳定。
与现有技术相比,本发明的优点在于:
(1)本发明公开了一种结合动态篮环优化算法的工业炉寿命预测方法,首次将篮球比赛中的策略和战术思想引入到工业炉寿命的预测和优化中,模拟篮球比赛中的全局战术调整和局部搜索调整,提高预测结果可行性,为工业炉设计提供了一种全新的优化思路;
(2)本发明是多决策变量的综合优化,通过热应力、材料性质和炉体厚度三个或更多的决策变量,不固定参数,确保了优化结果的全面性和准确性;本发明利用均匀分布生成决策变量的初始值,并对初始值进行归一化,通过归一化处理,确保了不同的决策变量可以在同一尺度上进行比较和计算,提高计算效率;
(3)本发明使用动态调整策略,全局优化能够根据当前的得分情况和环境因素动态调整优化策略;本发明提供了多种终止条件,如预定的迭代次数、连续多轮迭代无明显改进和解的质量达到预定标准,本发明提供的灵活终止条件确保了算法的稳定性和可靠性;
(4)本发明具有普适性与扩展性,虽然本发明以工业炉寿命为例,但其核心思想和方法具有很强的普适性,可以扩展应用到其他工程和科学问题的优化中;
(5)本发明经过优化得到的最优解可结合篮球比赛进行解读,将最优解的解读与篮球比赛中的策略和战术相对应,为用户提供了全新的视角和理解,本发明不仅提供了最优解的参数值和目标函数值,还为用户提供了具体的设计应用建议。
附图说明
图1、本发明一种结合动态篮环优化算法的工业炉寿命预测方法的流程图;
图2、本发明实施例5全局优化过程图;
图3、本发明实施例5工业炉炉体寿命的预测曲线。
具体实施方式
下面结合实施例描述本发明具体实施方式:
需要说明的是,本说明书所示意的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
实施例1
如图1所示,本发明公开了一种结合动态篮环优化算法的工业炉寿命预测方法,包括以下步骤:
步骤1:确定决策变量;
步骤2:利用均匀分布生成决策变量的初始值,并对初始值进行归一化,确保所有决策变量在同一尺度上;
步骤3:模拟篮球比赛,对初始值进行评估得到目标函数,并选择需要预测的目标函数;
步骤4:进行全局优化,全局优化包括参数调整和全局战术调整,参数调整为每个初始值根据当前的目标函数值和环境因素来调整自己的参数形成新生成解以得到更高的目标函数值,全局战术调整为全部的初始值根据当前的目标函数值进行调整形成新生成解以得到更高的目标函数值;
步骤5:进行局部搜索调整,对步骤4每个新生成解进行局部搜索,找到更优解;
步骤6:设置终止条件,当步骤5的更优解符合终止条件,算法终止;
步骤7:在算法终止时,输出找到的最优解,并对最优解进行解读。
实施例2
优选的,所述步骤1中决策变量包括热应力、材料性质和炉体厚度。
使用动态篮环优化算法进行工业炉寿命预测时,使用以下三个或者更多决策变量:
热应力(Thermal Stress):T;
材料性质(Material Property):M;
炉体厚度(Furnace thickness):D。
热应力与炉体厚度的关系如下:
为热应力;
E为材料的弹性模量;
A为热膨胀系数;
和/>分别为炉体表面和内部的温度,T;
ν为材料的泊松比;
d为炉壁的实际厚度,m;
d0为某一参考厚度,比如设计最小厚度;
B为一个调节参数,用以描述热应力与炉体厚度关系的非线性特征。
优选的,所述步骤2中利用均匀分布生成决策变量的初始值具体为:
对于温度变化ΔT,使用均匀分布生成其初始值:;
生成温度变化的随机数的公式为:;
对于炉体厚度D,使用均匀分布生成其初始值:;
生成炉体厚度的随机数的公式为:;
使用生成的温度变化ΔT和材料性质计算热应力,材料性质包含线性热膨胀系数α和杨氏模量E,热应力计算公式为:
;
式中:
为温度变化最大值,K;
为温度变化最小值,K;
为随机数;
为炉体厚度最大值,m;
为炉体厚度最小值,m。
优选的,所述步骤2中对初始值进行归一化具体为:
对热应力进行归一化处理,归一化公式为:
对炉体厚度D进行归一化处理,归一化公式为:
式中:
为热应力最大值,Mpa;
为热应力最小值,Mpa。
通过这个过程可以生成满足约束条件且具有实际意义的初始值,为后续的优化迭代奠定基础。同时,通过归一化处理,确保不同的决策变量可以在同一尺度上进行比较和计算。
实施例3
在生成初始值后,需要评估每个解的质量,即计算目标函数值,该函数应该能够量化解的质量,目标函数应反映炉体的优化目标,基于目标函数值选择表现最好的解进行下一轮迭代。
优选的,所述步骤3中对初始值进行评估得到目标函数具体为:先定义目标函数,相当于比赛得分,该函数能够量化初始值的质量,当定义目标函数为炉体寿命的估计值时,目标函数值基于热应力、材料性质、炉体厚度计算,其公式为:
式中:
,b,c,α,β,γ,λ,δ,是预先确定的系数,用于平衡各因素对炉寿命的影响;
为温度变化最大值,K;
k为热导率,W/m·K;
D为炉体厚度,m。
在每一轮迭代中,每个解都会根据当前的得分情况和环境因素来调整自己的参数,可以看作是球员根据当前比赛的实际情况来优化自己的出手选择和队伍战术。
战术(参数)调整方法:
如果当前得分较低,解可能会尝试调整参数以追求更高的得分。
如果环境因素变化(对方防守策略调整),解可能会调整参数以适应新的环境。
优选的,所述步骤4中参数调整具体为:
设新生成解有一组决策变量集/>,在每一轮迭代中,新生成解/>会根据当前目标函数值/>和环境因素A来调整参数,参数调整用以下公式表示:
式中:
是调整系数,控制目标函数值和环境因素对各参数的影响;
是当前所有解的平均目标函数值;
分别是环境因素对热应力、炉体厚度和材料性质的影响参数。
在每一轮迭代中,整个“球队”(解的集合)都会根据当前的战术效果来进行战术调整,这个过程可以看作是球队根据当前比赛的实际情况来优化球员之间的组合和配合。
优选的,所述步骤4中全局战术调整具体为:
设有一组新生成解,其中m是解的数量,在每一轮迭代中,整个解集会根据当前的目标函数值进行组合优化,组合优化用以下公式表示:
式中:
和/>分别是解/>在组合中的新权重和旧权重。
γ是权重调整系数,控制目标函数值对权重的影响程度。
实施例4
在策略优化与战术调整之后,需要对新生成的解进行局部搜索,以尝试找到更优的解。局部搜索可以看作是球员在比赛中不断尝试和调整,以找到最佳的出手位置和跑动路线。
局部搜索方法:
1、对于每个新生成解,在其邻域内进行搜索,尝试找到更优的解。
2、邻域的定义可以基于问题的特性来确定,例如,在参数空间中的一定范围内变化。
优选的,所述步骤5中局部搜索调整具体为:
设新生成解的决策变量集为P={T,D,M},局部搜索用以下公式表示:
其中:
是局部搜索的步长,控制参数在局部搜索中的变化幅度;
是生成一个在[1,1]范围内的随机数。
优选的,所述步骤6中终止条件包括以下三种,满足其中一种终止条件算法终止;
第一种:达到预定的迭代次数;
设定一个最大迭代次数,当迭代次数n达到或超过/>时,算法终止,;
第二种:连续多轮迭代无明显改进;
设定一个阈值和一个窗口大小W,如果在最近的W轮迭代中,更优解的改进都小于/>,则算法终止, />;
式中:
是第/>轮迭代中更优解的目标函数值;
是第 1轮迭代中更优解的目标函数值;
第三种:解的质量达到预定标准;
设定一个目标解,如果目标函数值大于或等于/>,则算法终止,。
优选的,所述步骤7具体为:
步骤7-1:输出最优解的参数值;
输出最优解对应的决策变量的值,即热应力、材料性质和炉体厚度;
步骤7-2:输出目标函数值;
输出最优解对应的目标函数值,即炉体寿命的预测值;
步骤7-3:结合动态篮环算法,将最优解的解读与篮球比赛中的策略和战术相对应;
将热应力对应于球员的出手位置和移动路线,较低的热应力表示更优的出手位置和更合理的移动路线;
将材料性质对应于球员的个人进攻能力,较优的材料性质表示更高的投篮真实命中率和得分数值;
将炉体厚度对应于球员的身体素质和防守能力,可以在更为严苛的环境中保持稳定。
基于最优解的参数值和解的解读,给出具体的设计应用建议。例如,如果最优解对应的热应力较高,可以优化炉体的结构,例如增设加强筋和增加换件及维护频率,以减少热应力(减小热应力值取值范围后重新求解);如果最优解对应的材料性质较差,可以建议用户选择具有更好性能的材料;如果最优解中的炉体厚度较厚,可以考虑是否有可能通过优化厚度的分布来达到同样的效果,而不是简单地减少整体的厚度。例如,可以在炉体的关键部位增加厚度,而在其他部位减少厚度,以达到更高的性能和更低的成本。
遗传算法(GA)是一种模拟自然选择过程的搜索算法,常用于求解优化和搜索问题。在工业炉寿命优化中,传统的遗传算法可以通过模拟自然进化过程来寻找最佳的炉体设计参数。
实施例5
下面以西安慧金科技有限公司设计的某种工业炉为例说明本发明方法:
步骤1:确定决策变量,决策变量选自热应力、材料性质、炉体厚度。
步骤2:均匀分布生成初始值:对于每个决策变量,使用均匀分布随机生成初始值,确保解空间被广泛探索。例如,如果炉壁厚度D的合理范围是5mm到20mm,可以使用均匀分布在这个区间内生成初始值D。
归一化处理:将所有决策变量转换到[0,1]区间,以消除不同量纲的影响。
步骤3:目标函数: 。a,b,c,α,β,γ,λ,δ,
是预先确定的系数,用于平衡各因素对炉寿命的影响。这个函数的设计在于通过优化材料
的热导率、炉内的最大温度以及炉壁的厚度来延长工业炉的使用寿命。强调了增加热导率、
降低最大温度和增加炉壁厚度对寿命的正面影响,而通过指数衰减项,考虑了过度增加炉
壁厚度和降低温度可能带来的边际效益递减问题。
步骤4:进行全局优化,如图2所示全局优化过程图,公开了迭代次数与目标函数值的关系;
步骤5:进行局部搜索调整;
步骤6:设置终止条件,当步骤5的更优解符合终止条件,算法终止;
步骤7:在算法终止时,输出找到的最优解,并对最优解进行解读。
如图3所示,为本发明工业炉炉体寿命的预测曲线,横坐标是热应力大小,纵坐标是寿命时长,本发明将一些实测数据和模拟数据进行了拟合对比,图中圆点是使用传统模拟方法模拟出来的值,星星点是实测数据点,曲线是通过本发明工业炉寿命预测方法得到的预测曲线,从图中可以看到误差不大,说明本发明预测方法有较好的预测性。
本发明的原理如下:
本发明公开了一种结合动态篮环优化算法的工业炉寿命预测方法,该方法旨在通过模拟篮球比赛中的策略和战术来优化工业炉的设计参数,从而最大化炉体寿命,核心决策变量包括热应力(Thermal Stress):T,材料性质(MaterialProperty):M,以及炉体厚度(Furnace thickness):D;通过均匀分布生成初始值,然后利用热应力计算和归一化处理确保所有决策变量在同一尺度上;在初始值的评估和选择阶段,模拟篮球比赛的得分机制,将炉体寿命的预测值视为比赛得分,通过全局战术调整和局部搜索调整,不断优化解的质量,终止条件可以是达到预定的迭代次数、连续多轮迭代无明显改进或解的质量达到预定标准,在算法终止后,输出最优解的参数值、目标函数值,并结合篮球比赛的策略和战术进行解的解读和应用建议,本发明为工业炉的设计和优化提供了一种新颖、高效和具有实际应用价值的工具,有望在工业领域得到广泛应用。
本发明公开了一种结合动态篮环优化算法的工业炉寿命预测方法,首次将篮球比赛中的策略和战术思想引入到工业炉寿命的预测和优化中,模拟篮球比赛中的全局战术调整和局部搜索调整,提高预测结果可行性,为工业炉设计提供了一种全新的优化思路。
本发明是多决策变量的综合优化,通过热应力、材料性质和炉体厚度三个或更多的决策变量,不固定参数,确保了优化结果的全面性和准确性;本发明利用均匀分布生成决策变量的初始值,并对初始值进行归一化,通过归一化处理,确保了不同的决策变量可以在同一尺度上进行比较和计算,提高计算效率。
本发明使用动态调整策略,全局优化能够根据当前的得分情况和环境因素动态调整优化策略;本发明提供了多种终止条件,如预定的迭代次数、连续多轮迭代无明显改进和解的质量达到预定标准,本发明提供的灵活终止条件确保了算法的稳定性和可靠性。
本发明具有普适性与扩展性,虽然本发明以工业炉寿命为例,但其核心思想和方法具有很强的普适性,可以扩展应用到其他工程和科学问题的优化中。
本发明经过优化得到的最优解可结合篮球比赛进行解读,将最优解的解读与篮球比赛中的策略和战术相对应,为用户提供了全新的视角和理解,本发明不仅提供了最优解的参数值和目标函数值,还为用户提供了具体的设计应用建议。
上面对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (10)
1.一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,包括以下步骤:
步骤1:确定决策变量;
步骤2:利用均匀分布生成决策变量的初始值,并对初始值进行归一化,确保所有决策变量在同一尺度上;
步骤3:模拟篮球比赛,对初始值进行评估得到目标函数,并选择需要预测的目标函数;
步骤4:进行全局优化,全局优化包括参数调整和全局战术调整,参数调整为每个初始值根据当前的目标函数值和环境因素来调整自己的参数形成新生成解以得到更高的目标函数值,全局战术调整为全部的初始值根据当前的目标函数值进行调整形成新生成解以得到更高的目标函数值;
步骤5:进行局部搜索调整,对步骤4每个新生成解进行局部搜索,找到更优解;
步骤6:设置终止条件,当步骤5的更优解符合终止条件,算法终止;
步骤7:在算法终止时,输出找到的最优解,并对最优解进行解读。
2.根据权利要求1所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤1中决策变量包括热应力、材料性质和炉体厚度。
3.根据权利要求2所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤2中利用均匀分布生成决策变量的初始值具体为:
对于温度变化ΔT,使用均匀分布生成其初始值:;
生成温度变化的随机数的公式为:;
对于炉体厚度D,使用均匀分布生成其初始值:;
生成炉体厚度的随机数的公式为:;
使用生成的温度变化ΔT和材料性质计算热应力,材料性质包含线性热膨胀系数α和杨氏模量E,热应力计算公式为:
;
式中:
为温度变化最大值,K;
为温度变化最小值,K;
为随机数;
为炉体厚度最大值,m;
为炉体厚度最小值,m。
4.根据权利要求3所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤2中对初始值进行归一化具体为:
对热应力进行归一化处理,归一化公式为:
;
对炉体厚度D进行归一化处理,归一化公式为:
;
式中:
为热应力最大值,Mpa;
为热应力最小值,Mpa。
5.根据权利要求2所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤3中对初始值进行评估得到目标函数具体为:先定义目标函数,相当于比赛得分,该函数能够量化初始值的质量,当定义目标函数为炉体寿命的估计值时,目标函数值基于热应力、材料性质、炉体厚度计算,其公式为:
;
;
式中:
,b,c,α,β,γ,λ,δ,/>是预先确定的系数,用于平衡各因素对炉寿命的影响;
为温度变化最大值,K;
k为热导率,W/m·K;
D为炉体厚度,m。
6.根据权利要求2所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤4中参数调整具体为:
设新生成解有一组决策变量集/>,在每一轮迭代中,新生成解/>会根据当前目标函数值/>和环境因素A来调整参数,参数调整用以下公式表示:
;
式中:
是调整系数,控制目标函数值和环境因素对各参数的影响;
是当前所有解的平均目标函数值;
分别是环境因素对热应力、炉体厚度和材料性质的影响参数。
7.根据权利要求6所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤4中全局战术调整具体为:
设有一组新生成解,其中m是解的数量,在每一轮迭代中,整个解集会根据当前的目标函数值进行组合优化,组合优化用以下公式表示:
;
式中:
和/>分别是解/>在组合中的新权重和旧权重;
γ是权重调整系数,控制目标函数值对权重的影响程度。
8.根据权利要求7所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤5中局部搜索调整具体为:
设新生成解的决策变量集为P={T,D,M},局部搜索用以下公式表示:
;
其中:
是局部搜索的步长,控制参数在局部搜索中的变化幅度;
是生成一个在[/>1,1]范围内的随机数。
9.根据权利要求8所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤6中终止条件包括以下三种,满足其中一种终止条件算法终止;
第一种:达到预定的迭代次数;
设定一个最大迭代次数,当迭代次数n达到或超过/>时,算法终止,/>;
第二种:连续多轮迭代无明显改进;
设定一个阈值和一个窗口大小W,如果在最近的W轮迭代中,更优解的改进都小于,则算法终止,/>;
式中:
是第/>轮迭代中更优解的目标函数值;
是第/> 1轮迭代中更优解的目标函数值;
第三种:解的质量达到预定标准;
设定一个目标解,如果目标函数值大于或等于/>,则算法终止,/>。
10.根据权利要求9所述的一种结合动态篮环优化算法的工业炉寿命预测方法,其特征在于,所述步骤7具体为:
步骤7-1:输出最优解的参数值;
输出最优解对应的决策变量的值,即热应力、材料性质和炉体厚度;
步骤7-2:输出目标函数值;
输出最优解对应的目标函数值,即炉体寿命的预测值;
步骤7-3:结合动态篮环算法,将最优解的解读与篮球比赛中的策略和战术相对应;
将热应力对应于球员的出手位置和移动路线,较低的热应力表示更优的出手位置和更合理的移动路线;
将材料性质对应于球员的个人进攻能力,较优的材料性质表示更高的投篮真实命中率和得分数值;
将炉体厚度对应于球员的身体素质和防守能力,可以在更为严苛的环境中保持稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410232062.9A CN117807818B (zh) | 2024-03-01 | 2024-03-01 | 一种结合动态篮环优化算法的工业炉寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410232062.9A CN117807818B (zh) | 2024-03-01 | 2024-03-01 | 一种结合动态篮环优化算法的工业炉寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807818A true CN117807818A (zh) | 2024-04-02 |
CN117807818B CN117807818B (zh) | 2024-05-10 |
Family
ID=90421878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410232062.9A Active CN117807818B (zh) | 2024-03-01 | 2024-03-01 | 一种结合动态篮环优化算法的工业炉寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807818B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013008345A1 (ja) * | 2011-07-14 | 2013-01-17 | オムロン株式会社 | 最適解探索方法および最適解探索装置 |
US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20190394466A1 (en) * | 2018-06-25 | 2019-12-26 | Tfi Digital Media Limited | Method for initial quantization parameter optimization in video coding |
CN111724414A (zh) * | 2020-06-23 | 2020-09-29 | 宁夏大学 | 一种基于3d姿态估计的篮球运动分析方法 |
EP3792788A1 (en) * | 2019-09-12 | 2021-03-17 | Fujitsu Limited | Optimization apparatus, optimization program, and optimization method |
CN115271237A (zh) * | 2022-08-09 | 2022-11-01 | 淮阴工学院 | 一种基于改进pso-ga和svm的工业数据质量预测方法 |
CN116127760A (zh) * | 2023-02-13 | 2023-05-16 | 东北大学 | 基于混合建模与改进沙丘猫群算法的加热炉炉温优化方法 |
CN117454765A (zh) * | 2023-11-06 | 2024-01-26 | 昆明理工大学 | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 |
-
2024
- 2024-03-01 CN CN202410232062.9A patent/CN117807818B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013008345A1 (ja) * | 2011-07-14 | 2013-01-17 | オムロン株式会社 | 最適解探索方法および最適解探索装置 |
US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20190394466A1 (en) * | 2018-06-25 | 2019-12-26 | Tfi Digital Media Limited | Method for initial quantization parameter optimization in video coding |
EP3792788A1 (en) * | 2019-09-12 | 2021-03-17 | Fujitsu Limited | Optimization apparatus, optimization program, and optimization method |
CN111724414A (zh) * | 2020-06-23 | 2020-09-29 | 宁夏大学 | 一种基于3d姿态估计的篮球运动分析方法 |
CN115271237A (zh) * | 2022-08-09 | 2022-11-01 | 淮阴工学院 | 一种基于改进pso-ga和svm的工业数据质量预测方法 |
CN116127760A (zh) * | 2023-02-13 | 2023-05-16 | 东北大学 | 基于混合建模与改进沙丘猫群算法的加热炉炉温优化方法 |
CN117454765A (zh) * | 2023-11-06 | 2024-01-26 | 昆明理工大学 | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 |
Non-Patent Citations (4)
Title |
---|
任祥钰;: "一种乒乓球视频数据挖掘算法的研究", 自动化技术与应用, no. 05, 25 May 2019 (2019-05-25) * |
冯琳;毛志忠;袁平;: "改进多目标粒子群算法及其在电弧炉供电优化中的应用", 控制理论与应用, no. 10, 15 October 2011 (2011-10-15) * |
吴亮;蒋玉明;: "融合粒子群和局部邻域搜索的优化算法", 计算机工程与设计, no. 07, 16 April 2010 (2010-04-16) * |
罗家祥;倪晓晔;胡跃明;: "融合多种搜索策略的差分进化大规模优化算法", 华南理工大学学报(自然科学版), no. 03, 15 March 2017 (2017-03-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117807818B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434212B (zh) | 基于元强化学习的缓存辅助任务协作卸载与资源分配方法 | |
CN107330514B (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
CN108462165B (zh) | 一种新能源接入电力系统的负荷特性评估方法 | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
Gao et al. | End-point prediction of BOF steelmaking based on KNNWTSVR and LWOA | |
CN113255206B (zh) | 一种基于深度强化学习的水文预报模型参数率定方法 | |
CN104915518A (zh) | 一种高炉铁水硅含量二维预报模型的构建方法及应用 | |
CN109583585A (zh) | 一种电站锅炉壁温预测神经网络模型 | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN115686779A (zh) | 基于dqn的自适应边缘计算任务调度方法 | |
CN111461443B (zh) | 风电场的优化设计方法、系统、电子设备和存储介质 | |
CN116434859A (zh) | 高炉煤气产耗预测方法、装置、电子设备及存储介质 | |
CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
CN117807818B (zh) | 一种结合动态篮环优化算法的工业炉寿命预测方法 | |
CN110516889B (zh) | 一种基于Q-learning的负荷综合预测方法和相关设备 | |
Lu et al. | Double-track particle swarm optimizer for nonlinear constrained optimization problems | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN117454765A (zh) | 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法 | |
Zhang et al. | Multiobjective operation optimization of continuous annealing based on data analytics | |
Wen et al. | Towards Robust Offline-to-Online Reinforcement Learning via Uncertainty and Smoothness | |
CN117012315A (zh) | 一种优化rbf神经网络的混凝土强度预测方法 | |
CN112541625B (zh) | 一种自适应多工况钢铁二次能源发生量动态预测方法 | |
Yang et al. | An Improved DV-Hop Algorithm Based on Shuffled Frog Leaping Algorithm. | |
CN112765883A (zh) | 一种基于遗传算法和神经网络确定阀门关闭过程的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |