-
题名基于ISSA−LSTM的浓缩池溢流浓度预测
被引量：1
- 1
-
-
作者
张洋洋
樊玉萍
马晓敏
董宪姝
金伟
王大卫
-
机构
太原理工大学矿业工程学院
矿物加工科学与技术国家重点实验室
晋能控股集团马道头选煤厂
-
出处
《工矿自动化》
北大核心
2022年第11期63-72,共10页
-
基金
国家自然科学基金重点国际(地区)合作研究项目(51820105006)
国家自然科学基金面上项目(52074189)
国家自然科学基金青年科学基金项目(52004178)。
-
文摘
浓缩池溢流浓度监测是实现煤泥水智能加药的关键。针对基于传感器的溢流浓度监测方式会导致絮凝剂调节滞后的问题,提出了一种基于改进麻雀搜索算法(ISSA)−长短期记忆(LSTM)的浓缩池溢流浓度预测方法。首先,对浓缩生产过程中的多参数时间序列进行相关性分析和预处理,得到输入变量。其次,采用多策略联合改进麻雀搜索算法(SSA):引入Tent混沌映射对麻雀种群进行初始化,以保证种群多样性,加快算法收敛速度;用螺旋捕食策略改进SSA的寻优过程,以兼顾局部开发和全局搜索能力;用萤火虫扰动策略对麻雀搜索结果进行扰动,以提高全局搜索能力,避免算法陷入局部最优。然后,采用ISSA优化双层LSTM网络模型的超参数。最后,构建基于ISSA−LSTM的浓缩池溢流浓度预测模型,进行在线监测。实验结果表明:①选取Ackley函数和Rastrigin函数作为测试函数,得出ISSA的全局寻优性能和收敛速度均优于粒子群优化(PSO)算法、鲸鱼优化算法(WOA)和标准SSA。②3种改进策略中,螺旋捕食策略对ISSA性能的提升起主导作用,混沌映射和萤火虫扰动策略协调算法的收敛速度和全局搜索能力,进一步提升算法寻优性能。③采用ISSA优化LSTM的超参数,解决了依靠主观经验取值时存在的欠拟合或过拟合问题,ISSA−LSTM模型的溢流浓度预测精度达97.26%,高于双层LSTM、SSA−LSTM、最小二乘支持向量机(LSSVM)等模型。④数据预处理可以提升模型的精度,降噪后溢流浓度预测精度比降噪前提升了30.25%。
-
关键词
选煤智能化
智能加药
溢流浓度预测
麻雀搜索算法
LSTM
混沌映射
螺旋捕食策略
萤火虫扰动策略
-
Keywords
intelligent coal preparation
intelligent dosing
overflow concentration prediction
sparrow search algorithm
LSTM
chaotic map
spiral predation strategy
firefly perturbation strategy
-
分类号
TD94
[矿业工程—选矿]
-
