基于改进粒子群算法的烧结配料预测模型

摘 要：针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。

关键词：配料优化；粒子群算法；BP神经网络；惯性权重

中图分类号： TP273 文献标识码：A

1 引 言

烧结是将粉状物或细粒矿进行高温加热，在不完全熔化的情况下烧结成块的过程［1］。烧结炉料的配置作为烧结的重要工艺流程，其配料参数恰当与否直接影响了烧结块的产量和质量。为了使烧结过程充分、高效，获得符合生产实际要求的配料参数显得尤为重要。因此，在烧结过程中，建立烧结配料过程预测模型，合理地确定烧结矿的配料问题，具有重要的实际意义。目前，关于烧结建模与优化控制研究已经取得了一定的进展，如吴敏等［2］采用粒子群共轭梯度法来获取最优的烧结配料；杜玉晓等［3］建立产量与质量模型，在工况较差情况下，采用聚类搜索,配合专家系统进行优化，给出了相应的指导参数；Tamure等［4］建立了估计烧结料层热状态的数学模型，研究了烧结生产操作条件、热状态与烧结矿产量和质量的关系。

本文在上述研究成果的基础上，针对烧结过程的强非线性，建立了基于BP神经网络的烧结配料预测模型，提出一种改进非线性变权重PSO算法（IPSO），并运用IPSO对建立的烧结预测模型进行优化，从而避免标准粒子群算法收敛速度慢和易陷入局部极值等缺点。最后通过仿真比较不同类型粒子群算法，结果验证了该算法的有效性和可┬行浴

配料模型

对烧结机理的分析可知，影响转鼓强度和烧结速度的因素主要有在配料过程第一和第二步中的SiO2、CaO、Al2O3、MgO、FeO、黏附粒子含量以及只在第二步中才有的成核粒子含量，共有13个参数。由于在烧结过程中，转鼓强度和烧结速度对烧结质量的评判有着重要的意义。因此，本文以转鼓强度和烧结速度最大为优化目标建立预测模型，如式(1)的目标函数：