水泥生产中的能源耗费、大气污染等问题逐渐成为行业关注的重点,回转窑作为水泥生产工艺中的关键设备,如何有效实现节能减排、提高熟料质量对水泥行业的发展具有重要意义。但回转窑的煅烧工艺极其复杂,传统方法难以建立其系统模型,很难实现工况的优化调整。人工智能技术因其在系统建模和优化问题中取得了良好应用,得到了各界的广泛关注。因此,本文推导出两种改进的算法:基于速度交流的共生多种群粒子群算法(Symbiosis multi-population particle swarm optimization based on velocity communication,SMPSO)、基于K-均值聚类的多种群灰狼算法(Multi-group grey wolf optimization algorithm based on K-means clustering,KMGWO)。并利用KMGWO算法优化极端学习机(Extreme learning machine,ELM)网络参数,建立KMGWO-ELM模型算法。分别将KMGWO-ELM算法、SMPSO算法应用于水泥回转窑参数建模与优化中,以便于实现回转窑工况的有效调控。具体研究工作如下:首先,针对粒子群算法种群多样性差、求解精度不高等问题,构建一种SMPSO粒子群算法。该算法将整个种群分割为主种群与从种群两部分:从种群引入速度交流机制,负责解空间的全局搜索,并将获得的最优信息分享给主种群;主种群引入自适应变异策略,并综合从种群经验,负责局部深度优化,获得最优信息再反馈给从种群,从而建立主从群间的共生关系。并根据各子种群的性能差异,给予其不同的学习因子与惯性权值参数组合。通过仿真实验对SMPSO算法性能进行测试。其次,针对灰狼算法搜索性能的局限性,在SMPSO算法共生原理与多种群思想启发下,构建一种KMGWO灰狼算法。该算法利用K-均值聚类策略划分初始种群为若干个小种群,增加种群的多样性;并建立多个子种群决策层的竞争关系,从而实现子种群间的信息交流,达到动态更新子种群决策层的目的。利用改进的KMGWO算法优化ELM网络参数,建立KMGWO-ELM模型算法。并利用样本数据集对KMGWO-ELM网络性能进行验证。最后,采用KMGWO-ELM模型算法建立水泥回转窑熟料游离氧化钙(free calcium oxide in cement clinker,fCaO)含量预测模型,得到水泥fCaO含量与工艺参数间的函数关系。在该函数关系的基础上,采用改进的SMPSO算法优化工况中的工艺参数,从而得到使水泥fCaO含量达到理想值时工艺参数的优化调整值。并进行仿真实验,验证基于KMGWO-ELM算法和SMPSO算法的水泥回转窑参数建模及优化研究的可行性。
暂无评论