基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法

摘要

本发明公开了一种基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，其包括如下步骤：步骤一，现场采集若干组原始数据；步骤二，对步骤一中采集到的原始数据进行预处理，包括剔除异常数据、降低噪声、归一化处理，以得到正常数据；步骤三，对步骤二中处理得到的正常数据，采用极限学习机进行炉温建模，得到蓄热式熔铝炉铝熔炼过程中炉温的非线性模型；步骤四，对于步骤三所建立的铝熔炼过程中炉温的非线性模型，对炉温进行分段，使用改进的鲸鱼优化算法对每一段温度的参数进行优化，得到每一段的一组优化后的工况参数；步骤五，对步骤四得到的优化参数进行差分进化微调，如果求得适应度更好的优化参数，则替换当前参数，否则保留。

权利要求

1.基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，其特征在于，包括如下步骤：步骤一：从工厂现场的设备上采集若干组原始数据，其中每一组原始数据包括铝熔炼过程中的炉膛温度、每个排烟口的排烟温度和每个烧嘴的助燃空气流量、天然气流量、助燃空气阀门开度、天然气阀门开度和助燃空气温度这些参数的现场检测数据，原始数据均从现场设备上所安装的传感器采集，并且在监控组态WINCC上显示、保存和归档；

步骤二：对在工厂采集到的数据进行预处理，预处理分为异常数据剔除、数据降噪和归一化，所有的数据预处理都使用Matlab编程实现；

步骤三：对步骤二中处理得到的正常数据，采用极限学习机对蓄热式熔铝炉的炉温进行建模，得到蓄热式熔铝炉铝熔炼过程炉温的非线性模型；

极限学习机的样本为(xi,ti)，xi＝[xi1,xi2,L,xiN]∈Rn，ti＝[ti1,ti2,L,tiN]∈Rn，隐藏层节点个数为L，其输出为：其中ωi是输入权重，βi是输出权重，bi是第i个隐藏层单元的阈值；

神经网络若具有以0误差逼近样本的能力，则神经网络输出式为：Hβ＝T，其中：H为隐含层的输出矩阵，当随机给定输出权值和阈值之后，神经网络的训练就可以通过求解输出权值矩阵最小二乘法的解来进行；

采用极限学习机对蓄热式熔铝炉的炉温进行建模的过程为：

1)确定输入变量为助燃空气流量x1、天然气流量x2、助燃空气阀门开度x3、天然气阀门开度x4、助燃空气温度x5和排气温度x6，确定模型输出为炉膛温度y；

2)用十折交叉验证法确定隐藏层节点的个数L；

3)随机赋值输入权重ωi与隐藏层节点阈值bi，激励函数选取ReLU函数，初始化算法；

4)计算神经网络隐藏层输出矩阵H；

5)计算神经网络输出权重矩阵β：β＝H-1T；

6)输出蓄热式铝熔炼过程炉温的非线性模型，用y＝F(x1,x2,x3,x4,x5,x6)表示；

步骤四：根据步骤三所建立的蓄热式熔铝炉铝熔炼过程炉温的非线性模型，对加热过程中的温度值按时间进行分段，采用改进的鲸鱼优化算法对每一段温度中助燃空气流量、天然气流量、助燃空气阀门开度、天然气阀门开度、助燃空气温度和排气温度六个参数进行优化，得到每一段的一组优化后的工况参数，使蓄热式熔铝炉的炉温加快到达设定值；

所述步骤四中，采用改进的鲸鱼优化算法，改进了鲸鱼优化算法控制参数a的计算方法、局部搜索更新X(t+1)和权重ω(t)的方法，其具体改进如下：式中，a表示迭代过程中从2减少到0的向量，t表示当前迭代次数，tMaxIter表示最大迭代次数，X(t+1)表示攻击猎物的数学模型，X*(t)表示当前最优个体的位置向量，ω(t)表示权重，A表示系数矩阵，D根据鲸鱼最佳鲸鱼位置收缩包围猎物的数学模型，P表示当前概率，P*表示选择包围猎物或者螺旋更新位置的概率，b为用于定义对数螺旋形状的常数，l为[0,1]区间的随机量。

2.根据权利要求1所述的基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，其特征在于，所述步骤二中，采用莱因达准则对异常数据进行剔除，采用滑动平均法来进行数据的降噪处理，归一化处理剔除异常数据和降低噪声后的数据。

3.根据权利要求1所述的基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，其特征在于，所述步骤三中，采用十折交叉验证法确定极限学习机隐藏节点的个数。

4.根据权利要求1所述的基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，其特征在于，还包括步骤五：对步骤四得到的优化参数进行差分进化微调，基于当前优化解的交叉、变异，如果求得适应度更好的优化参数，则替换当前参数，否则保留。

说明书

基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法

技术领域

[0001] 本发明涉及铝熔炼技术领域，特别涉及一种基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法。

背景技术

[0002] 铝熔炼过程是整个铝合金加工工艺非常关键的一道生成工序，这一工艺直接影响了铝合金产品的质量和性能。蓄热式熔铝炉铝熔炼过程具有时变、强耦合、非线性和大滞后等特点，其中温度是一个大滞后环节，且炉温模型是非线性的，因此对温度的精确控制对蓄热式熔铝炉铝熔炼有着非常重要的作用。蓄热式熔铝炉铝熔炼过程中参数的调节直接影响到炉膛温度的变化、熔炼时间和熔化速度，最终影响到蓄热式熔铝炉铝熔炼炉的整体燃烧效率和铝合金的质量，故对蓄热式熔铝炉铝熔炼过程参数的优化设定具有十分重要的意义，铝熔炼过程中参数设定合适可以加快铝锭熔化速度、控制炉温的变化、减少熔炼时间和节省天然气的使用，从而提高生产效益和经济效益。

发明内容

[0003] 本发明的目的在于提供一种基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，通过优化蓄热式熔铝炉铝熔炼在熔炼过程中的参数，加快铝锭熔化速度和减少天然气用量，从而提高生产效益和经济效益。

[0004] 本发明的上述目的通过以下技术方案予以实现：

[0005] 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法，包括如下步骤：

[0006] 步骤一：从工厂现场的设备上采集若干组原始数据，其中每一组原始数据包括铝熔炼过程中的炉膛温度、每个排烟口的排烟温度和每个烧嘴的助燃空气流量、天然气流量、助燃空气阀门开度、天然气阀门开度和助燃空气温度这些参数的现场检测数据，原始数据均从现场设备上所安装的传感器采集，并且在监控组态WINCC上显示、保存和归档；

[0007] 步骤二：对在工厂采集到的数据进行预处理，预处理分为异常数据剔除、数据降噪和归一化，所有的数据预处理都使用Matlab编程实现；

[0008] 步骤三：对步骤二中处理得到的正常数据，采用极限学习机对蓄热式熔铝炉的炉温进行建模，得到蓄热式熔铝炉铝熔炼过程炉温的非线性模型；

[0009] 步骤四：根据步骤三所建立的蓄热式熔铝炉铝熔炼过程炉温的非线性模型，对炉温进行分段，采用改进的鲸鱼优化算法对每一段温度的参数进行优化，得到每一段的一组优化后的工况参数。

[0010] 所述步骤二中，采用莱因达准则对异常数据进行剔除，采用滑动平均法来进行数据的降噪处理，归一化处理剔除异常数据和降低噪声后的数据。

[0011] 所述步骤三中，采用十折交叉验证法确定极限学习机隐藏节点的个数。

[0012] 所述步骤四中，采用改进的鲸鱼优化算法，改进了鲸鱼优化算法控制参数a的计算方法、局部搜索更新X(t+1)和权重ω(t)的方法，其具体改进如下：

[0013]

[0014]

[0015]

[0016] 式中，a表示迭代过程中从2减少到0的向量，t表示当前迭代次数，tMaxIter表示最大迭代次数，X(t+1)表示攻击猎物的数学模型，X*(t)表示当前最优个体的位置向量，ω(t)表示权重，A表示系数矩阵，D根据鲸鱼最佳鲸鱼位置收缩包围猎物的数学模型，P表示当前概率，P*表示选择包围猎物或者螺旋更新位置的概率，b为用于定义对数螺旋形状的常数，l为[0,1]区间的随机量。

[0017] 上述方法还包括步骤五：对步骤四得到的优化参数进行差分进化微调，基于当前优化解的交叉、变异，如果求得适应度更好的优化参数，则替换当前参数，否则保留。

[0018] 本发明具有如下有益效果：

[0019] 本发明主要应用于蓄热式熔铝炉铝熔炼过程中工艺参数的优化设定，对每一段温度的参数进行优化，使温度快速稳定的到达设定值，从而减少铝熔炼时间，提高熔炼效率；进而提高热效率，减少天然气的用量，达到节能和提高经济效益的目的；同时可以合理控制烟气的排放，达到减排的效果。

附图说明

[0020] 图1是本发明基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法的步骤示意图。

[0021] 图2是本发明采用极限学习机对蓄热式熔铝炉炉温进行建模的模型。

[0022] 图3是本发明改进的鲸鱼优化算法优化蓄热式熔铝炉参数的流程图。

[0023] 图4是本发明熔铝炉参数优化前后炉温的对比图。

具体实施方式

[0024] 下面结合附图，对本发明进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

[0025] 除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

[0026] 蓄热式熔铝炉铝熔炼中温度控制是整个控制系统中非常重要的控制参数，温度控制主要指料温的控制，在熔炼前期，铝锭处于固态，应快速使炉膛升温，加速固态铝锭熔化，温度设定值为1100℃，且炉膛温度不能超过1200℃；炉膛温度是直接影响效率的因素，因此建模的工艺参数指标选择炉膛温度建立温度预测模型。

[0027] 炉膛温度变化直接来源于熔炼炉内燃气和空气的燃烧，助燃空气流量和天然气流量的配比直接决定温度变化和影响系统的燃烧效率，而空气与天然气的阀门开度则直接影响到助燃空气流量和天然气流量；助燃空气温度过低则影响燃烧效率，过高则导致过量的热和烟气从烟道排除；烟气的排放会从炉膛内带走大量的热量，故排烟温度与炉膛温度的变化也直接相关；故应对助燃空气流量、天然气流量、助燃空气阀门开度、天然气阀门开度、助燃空气温度和排气温度这些影响炉膛温度的参数进行优化。

[0028] 工厂现场采集到的部分数据由于条件的限制和现场环境的复杂性造成异常，导致采集到的数据处于包含异常点等“不健康”的状态，不利于炉温模型的建立以及参数的优化，因此在建立炉温模型之前需要对在工厂采集到的数据进行预处理。预处理分为异常数据剔除、数据降噪和归一化，所有的数据预处理都使用Matlab编程实现。

[0029] 图1至图3显示了根据本发明优选实施方式的基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法的结构示意图，该基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法包括如下步骤：

[0030] 步骤一：从工厂现场的设备上采集若干组原始数据，其中每一组原始数据包括铝熔炼过程中的炉膛温度、每个排烟口的排烟温度和每个烧嘴的助燃空气流量、天然气流量、助燃空气阀门开度、天然气阀门开度和助燃空气温度这些参数的现场检测数据。原始数据均从现场设备上所安装的传感器采集并且在监控组态WINCC上显示、保存和归档，采集频率为5min/次，总共1000组数据，每组数据是包括所有的参数的原始数据。一个熔炼炉上有2对烧嘴和4个排烟口，则每组原始数据就包括1个炉膛温度、2个助燃空气流量、2个天然气流量、2个助燃空气阀门开度、2个天然气阀门开度、2个助燃空气温度和4个排烟温度，共15个原始数据。

[0031] 步骤二：对步骤一中采集到的每个指标的所有原始数据进行剔除异常数据和去除噪声，以得到正常数据。由于现场环境的复杂性和多变性，采集的数据中会包含噪声和异常点，不利于后续模型的建立，需要剔除异常点和去除噪声。

[0032] 本发明优选地，在步骤二中，使用莱因达准则对异常数据进行剔除，其过程如下：

[0033] 1)对采集到的一个数据集[xi1,xi2,L,xiN]先求得其算数平均值 和剩余误差

[0034] 2)根据贝塞尔法求得均方根偏差

[0035] 3)判别数据，如果 则xij为正常数据，保留数据xij，否则删除数据xij。

[0036] 本发明优选地，在步骤二中，采用滑动平均法来进行噪声的去除。其过程如下：

[0037] 1.将原始数据表示为xij＝fij+eij，其中xij是单个的原始数据，fij是确定成分，eij是随机误差；

[0038] 2.将每组的原始数据分成若干个区间，使用公式 计算平均值，fik与xik是区间的平均值，用计算得到的区间平均值来代替这个区间的所有数据，降低经过剔除异常点之后数据的噪声。

[0039] 本发明优选地，在步骤二中，使用归一化公式 对剔除异常点降低噪声后的数据进行归一化处理，将所有的数据转化到[0,1]，减少数据得差值，使待训练模型的数据更平均，提高炉温预测模型的训练速度，归一化公式中xnorm为归一化后的值，ximin为最小的区间平均值，ximax为最大的区间平均值。

[0040] 步骤三：对步骤二中最终得到的每个参数的所有的正常数据采用极限学习机对蓄热式熔铝炉铝熔炼的炉温进行建模，以得到铝熔炼过程炉温的非线性模型，极限学习机的样本为(xi,ti)，xi＝[xi1,xi2,L,xiN]∈Rn，ti＝[ti1,ti2,L,tiN]∈Rn，隐藏层节点个数为L，其输出为：

[0041]

[0042] 其中ωi是输入权重，βi是输出权重，bi是第i个隐藏层单元的阈值。

[0043] 神经网络若具有以0误差逼近样本的能力，则神经网络输出式为：Hβ＝T，[0044] 其中：

[0045]

[0046]

[0047] H为隐含层的输出矩阵，当随机给定输出权值和阈值之后，神经网络的训练就可以通过求解输出权值矩阵最小二乘法的解来进行。

[0048] 本发明采用极限学习机进行炉温建模的过程为：

[0049] 1)确定输入变量为助燃空气流量x1、天然气流量x2、助燃空气阀门开度x3、天然气阀门开度x4、助燃空气温度x5和排气温度x6，确定模型输出为炉膛温度y；

[0050] 2)用十折交叉验证法确定隐藏层节点的个数L；

[0051] 3)随机赋值输入权重ωi与隐藏层节点阈值bi，激励函数选取ReLU函数，初始化算法；

[0052] 4)计算神经网络隐藏层输出矩阵H；

[0053] 5)计算神经网络输出权重矩阵β：β＝H-1T；

[0054] 6)输出蓄热式铝熔炼过程炉温的非线性模型，可用y＝F(x1,x2,x3,x4,x5,x6)表示。

[0055] 步骤四：对步骤三建立好的蓄热式熔铝炉铝熔炼过程炉温的非线性模型y＝F(x1,x2,x3,x4,x5,x6)基础上，对温度进行分段，采用改进的鲸鱼优化算法对每一段温度的参数进行优化，得到每一段的一组优化后的参数。

[0056] 采用改进的鲸鱼优化算法优化参数，改进鲸鱼优化算法含三个环节：包围猎物、攻击猎物、随机搜寻猎物，分别如下：

[0057] 包围猎物：座头鲸根据鲸鱼最佳鲸鱼位置收缩包围猎物的数学模型如下：

[0058] D＝|C·X*(t)-X(t)|   (1)

[0059] X(t+1)＝X*(t)-A·D   (2)

[0060] 其中，t表示迭代次数，X*(t)表示当前为止获得的最优解的向量，并且随着迭代过程不断更新，X表示当前解的向量。A,C表示系数矩阵，其公式分别为式(3)与式(4)；

[0061] A＝2a·r-a   (3)

[0062] C＝2·r   (4)

[0063] 本发明改进原鲸鱼优化算法a的计算方式，表示迭代过程中从2减少到0的向量，r表示[0,1]区间的随机向量；

[0064]

[0065] 其中，tMaxIter表示最大迭代次数。

[0066] 攻击猎物：座头鲸根据最佳鲸鱼位置收缩包围猎物的数学模型如下：

[0067]

[0068] 其中ω表示权重，其表达式为：

[0069]

[0070] D同式(1)，b为用于定义对数螺旋形状的常数，l为[0,1]区间的随机量，P*表示选择包围猎物或者螺旋更新位置的概率。

[0071] 随机搜寻猎物：座头鲸根据鲸鱼最佳鲸鱼位置收缩包围猎物的数学模型如下：

[0072] D＝|C·Xrand(t)-X(t)|   (8)

[0073] X(t+1)＝Xrand(t)-A·D   (9)

[0074] 其中Xrand表示鲸鱼从种群中随机选择某一个体的位置作为目标位置；

[0075] 在改进的鲸鱼优化算法中，当控制参数|A|<1时，进行局部最优解搜索。此时鲸鱼以概率P*进行包围猎物，以概率1-P*进行螺线运动；当控制参数|A|≥1时，算法进行全局最优解探索。

[0076] 根据步骤三所建立的炉温模型结合工厂的实际生产状况建立工况优化模型如下：

[0077]

[0078] 其中xi表示第i段炉温的参数。

[0079] 采用改进的鲸鱼优化算法优化参数优化过程如下：

[0080] 1)实际问题参数集编码；

[0081] 2)算法初始化：设置鲸鱼种群规模大小，随机产生初始种群，设置最大迭代次数tMaxIter；

[0082] 3)随机初始化种群位置；

[0083] 4)计算出种群个体的适应度值(1，2，…，N)，与目前最优个体的适应度值，并以目前最优个体位置作为最优位置；

[0084] 5)判断适应度是否到达期望值或者迭代次数达到最大，没有达到条件则结合鲸鱼优化算法的三个环节与式(1)-(9)进行迭代寻优，并返回4)，达到则进行步骤五。

[0085] 步骤五：对步骤四得到的优化参数进行差分进化微调，基于当前优化解的交叉、变异，如果求得适应度更好的优化参数，则替换当前参数，否则保留，最后输出各段温度的参数优化结果。

[0086] 本发明主要应用于蓄热式熔铝炉铝熔炼过程中工艺参数的优化设定，对每一段温度的参数进行优化，使温度快速稳定的到达设定值，从而减少铝熔炼时间，提高熔炼效率；进而提高热效率，减少天然气的使用，达到节能和提高经济效益的目的；同时可以合理控制烟气的排放，达到减排的效果。

[0087] 以广西某铝厂提供的数据进行实验，其优化前后炉温的对比如附图4所示。一方面，炉膛温度在1100℃之前，优化后的输出温度曲线基本在实际温度曲线之上，即优化后的参数在升温过程中有了较好的改善，炉膛温度上升到1100℃时间有所提前；实际温度曲线达到1100℃在第48个样本处，而优化之后的温度曲线达到1100℃在第44个样本处。样本数据的采集间隔为5min，考虑到数据经过了剔除异常点处理，炉膛温度升至1100℃至少可以提前20min左右，可以更快速的提升炉温。另一方面，可以看出在1100℃时，优化之后的炉温曲线波动更小，温度波动在10℃以内。在温度上升阶段，炉温波动较小，升温平稳。

[0088] 前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，根据上述具体说明，可进行很多变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。