NIFOA-BP融合算法及其在焚烧炉温度控制中的应用

卢保昆 云涛 刘航

摘 要：污泥焚烧炉温度控制过程中，由于投入污泥块热值不均以及外界环境干扰，传统的PID控制不能快速稳定地将炉温控制在所需范围内。为适应环境变化，实现更高效的炉温控制，提出一种基于NFOA-BP算法的污泥焚烧温度控制方法。该方法将改进型果蝇算法与BP神经网络结合，通过NFOA算法优化神经网络的初始权重和阈值，进而提高神经网络的全局搜索能力。将NFOA-BP算法应用于污泥焚烧炉温度控制系统，与传统PID温度控制系统进行仿真对比实验。结果表明该系统响应平稳、迅速，超调减小，正确率达到95%以上，比传统PID调节方法提高5%左右。

关键词：果蝇优化算法;神经网络;PID温度控制器;污泥焚烧

DOI： 10. 11907/rjdk.191397

开放科学（资源服务）标识码（OSID）：

中图分类号：TP319

文献标识码：A

文章编号：1672-7800（ 2020）001-0185-05

0 引言

污泥焚烧温度只有控制在一定范围内才能完全燃烧，焚烧炉温度控制是污泥干化焚烧系统的重要环节，其性能直接影响污泥焚烧的速度和效率。由于污泥焚烧系统影响因素很多，并且该系统是一个非线性、大滞后的系统，传统的PID温度调节系统具有调节时间长、响应时间慢等缺点，因此探索一种快捷高效的炉温控制方法迫在眉睫。近年来，由于鲁棒映射和非线性映射性能显著，人工神经网络（ANN）被广泛应用于工程优化问题求解[1-3]。事实上，人工神经网络可以建立一个包含几个层次的映射网络，模拟训练已知输入和输出之间的关系。人工神经网络的主要优势是利用现有样本对神经网络进行适当训练，以较高精度和较快速度预测结果。

人工神经网络应用在许多领域。MA等[4]建立了ANN预测模型，以确定超临界水的传热系数;Shafabakhsh等[5]提出了一种用人工神经网络对热拌沥青混合料的最终应变进行评价的方法。一般来说，ANN模型包含许多控制参数，这些参数决定了人工神经网络性能。研究人员发现将人工神经网络与智能算法结合可以提高人工神经网络性能。采用遗传算法（GA）和粒子群优化（PSO）等算法对人工神经网络控制参数进行优化，提高了网络预测能力，可解决各种优化问题[6]。Zhipeng Hu[7]提出将遗传算法与BP神经网络相结合用于多目标优化。果蝇优化算法（FOA）是2011年提出的一种新的进化算法，具有参数少、计算简单以及全局寻优快的优点，但由于果蝇优化算法未能充分利用種群信息，导致算法易陷入局部极值，收敛精度下降[8]。本文提出一种自适应步长的果蝇算法，改进后的算法（NFOA）较初始果蝇优化算法（FOA）在搜索广度和精度上得到提高。将NFOA与BP神经网络结合，利用NFOA优化神经网络的初始权值和阈值，使神经网络系统扩大搜索空间、提高计算效率以及提升神经网络的自动化程度[9]。本文主要工作有：①引入了FOA的自适应迭代步长值;②提出了一种预测精度较高的NFOA-BP模型;③将新模型应用到污泥焚烧炉温控系统，改善了系统动态性能。

1 果蝇优化算法及其改进型NFOA

1.1 果蝇优化算法

依据果蝇搜索食物特性，果蝇优化算法步骤如下[10-11]：

（1）初始化最大迭代次数、种群规模、果蝇初始浓度值和果蝇群位置。

（2）个体利用灵敏的嗅觉搜寻并飞向感知到的食物。更新果蝇位置如式（1）所示。

公式分析：

（1）从第一次迭代到第M'次迭代，Rm随着M'的增加而减小。特别是在算法的初始阶段，较大的Rm可以保证算法以较快的速度收敛到一个较好的解。随着迭代次数的增加，Rm逐渐减小，搜索精度逐渐提高。由式（6）可知，当m=0日寸Rm=R，m=M'时Rm=Rmin。

（2）在算法的后半部分，当m≥M'时，Rm随m的增长呈正弦变化，其中变幅为RA，循环数为C。由于较大的步长可以提高搜索速度，而较小的步长可以提高搜索精度，所以在寻找全局最优解的过程中，自适应的步长变化可以平衡搜索速度和搜索精度，带来更好的搜索结果。

自适应步长的果蝇优化算法能够很好地平衡全局和局部寻优性能，在算法前期全局优化性能好，保证算法得到全局最优解;后期随着步长呈正弦变大或变小，搜索速度与搜索精度交替提高，算法收敛性得到优化的同时提高了算法搜索精度。

2 BP神经网络

BP神经网络是最常用的人工神经网络之一[14]，其特点是采用误差反向传播算法对其进行训练。如图2所示，传统的BP神经网络包括一个输入层、一个或多个隐藏层和一个输出层。输入变量可看作是外部刺激被隐藏层的神经元感知和传递，然后在输出层作出反应。

如果存在多个隐藏层，则将神经元hj的输出视为下一个隐层中神经元输入，以此类推。然后比较输出值和预测值得到误差，将误差反向传播给上一层用来修正连接权值，这个过程反复执行直至得到期望误差。

3 NFOA-BP神经网络模型及效果验证

3.1 NFOA-BP神经网络模型

虽然BP神经网络在训练过程中可以利用误差反向传播算法对权值和偏差进行更新，但初始网络的权值和阈值对BP网络性能仍有重要影响。因此，可以通过优化初始权值和阈值提高BP网络的预测精度[15-16]。由于改进后的果蝇算法具有良好的优化能力，因此将其应用于BP模型的权值和阈值优化，实现步骤如下：①初始化BP神经网络，确定BP神经网络的每层神经元个数，确定输入层、隐藏层、输出层的神经元个数;②利用NFOA算法优化BP网络的权值和阈值。首先，确定个体的编码方法和字符串长度;其次，生成果蝇群的初始位置，然后个体搜索最优参数组合，定义适应度函数并计算个体的适应度值，最后完成迭代过程，找出最佳的个体和相应的参数组合;③用求得的最优权值和阈值训练BP神经网络;④把测试数据带人训练好的BP神经网络进行验证。

NFOA-BP流程如图3所示。

3.2 NFOA-BP神经网络仿真分析

3.2.1 编码及串长

本文采用实数编码，新模型实数编码组合中的字符串长度取决于BP模型的详细结构。用Num，和Num。分别表示输入层、输出层的神经元总数，字符串长度L如式（7）所示。

3.3.3 仿真结果分析

为验证NFOA的有效性，采用FOA对BP神经网络的权值和阈值参数进行优化计算，进而作对比分析[17]。FOA参数设置同NFOA -致。两种算法的收敛曲线如图4所示。

由图4可知，采用FOA在超出40代时才完全收敛，而NFOA在25代时已完全收敛;NFOA的最佳适应度值为0.126，明显优于FOA的最佳适应度值0.24。仿真结果表明，NFOA算法收敛速度和求解精度较FOA算法均有明显提升，改进算法可行有效。NFOA优化后的BP神经网络收敛速度加快，克服了易陷入局部最优的缺陷，提高了全局优化能力。

4 NFOA-BP模型应用

4.1 污泥焚烧炉温度控制模型

将NFOA-BP融合算法应用于污泥焚烧温度控制，设计的模型如图5所示[9]。

在污泥焚烧过程中，污泥送人焚烧炉后需要一定时间才能达到燃烧温度，所以炉温变化具有滞后性;污泥燃烧过程中需要一定的时间才能释放热量，因此污泥焚烧系统具有惯性环节[18-20]。焚烧炉炉温控制模型可以简化为惯性环节和纯滞后环节的结合，该系统传递函数可表示为[3]：

式（10）中，K为对象增益，T为时间常数，τ为纯滞后时间。K、T、τ均与焚烧炉参数有关。

4.2 仿真分析

采用MATLAB软件对系统进行仿真，模拟真实污泥焚烧控制系统，设定污泥焚烧系统的基本参数K =80，T=100，τ =30，初始温度偏差e=lOOOC;用NFOA优化后的BP神经网络对焚烧炉温度控制模型进行仿真，得到與传统PID调节的对比曲线如图6所示。

由图6可知，将NFOA-BP算法应用于污泥焚烧炉温度控制系统，较之传统PID温度控制系统，该方法能使温度调节更加稳定，超调减小，响应时间加快，且正确率达到95%以上，比传统PID调节提高5%左右，具有更好的稳定性和准确性。

5 结语

本文引入一种自适应步长果蝇优化方法（ NFOA）对BP神经网络的权值和阈值进行参数优化，在此基础上建立了基于NFOA-BP神经网络算法的污泥焚烧炉温度控制系统仿真模型。与传统的FOA相比，NFOA搜索精度更高，收敛更迅速。相较于传统PID调节，NFOA-BP模型优化后的PID对炉温的调节性能更加稳定，响应更加快速，超调量明显降低，调节正确率在95%以上，该方法为焚烧炉温度控制研究与应用提供了理论支撑。

参考文献：

[1]王德望，赵敏.污水处理系统溶解氧的BP-PID控制算法[J].软件导刊，2018（2）：68-70， 73.

[2]李烨，屈宝存.神经网络在锅炉温度控制系统中的应用[J].自动化仪表，2013.34（10）：55-59.

[3] 罗莹颖，傅迎华.基于模糊神经控制的污泥焚烧温度控制应用[J].计算机仿真，2015，32（2）：400-404.

[4]

MA D L，ZHOU T， CHEN J，et al. Supercritical water heat transfercoefficient prediction analysis hased on BP neural network[J].Nucle-ar Engineering and Design， 2017（ 320）： 400-408.

[5]

SHAFABAKHSH G H，ANI O J，TALEBSAFA M. Artificial neuralnetwork modeling （ANN） for predicting rutting performance of na-no-modified hot-mix asphalt mixtures containing steel slag aggregates[J]. Construction and Building Materials， 2015（ 85）： 136-143.

[6]许琴，颜海斌.基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究[J].应用能源技术，2012（6）：21-24.

[7]

HU Z P.Research on application of bp neural network hased on genet-ic algorithm in multi-objective optimization[C].International Confer-ence on Information Technology in Medicine and Education， 2016：681-684.

[8]

PAN W T.Anew fruit fly optimization algorithm： taking the financialdistress model as an example [Jl. Knowledge-Based Systems， 2012（ 26）：69-74.

[9] 徐杏芳.基于果蝇算法优化的BP神经网络[J].福建电脑，2017（ 6）：26-28.

[10] 白露.果蝇优化算法的改进及应用[D].太原：太原科技大学，2016.

[11]王林，吕盛祥.果蝇优化算法研究综述[J].控制与决策，2017，32（7）：1154-1162.

[12]

WU L，YYANG Y， MAHESHWARI M.Parameter optimization forFPSO design using an improved FOA and IFOA-BP neural nenvork[J]. Ocean Engineering， 2019（ 175）： 50-61.

[13]

WU L， LIU Q.A new improved fruit fly optimization algorithm IA-FOA and its application to solve engineering optimization problems[J]. Knowledge-Based Systems， 2017（ 12）： 31-38.

[14]张雅，宋耀莲，基于BP神经网络的疾病症状预测模型[J].软件导刊，2017.16（12）：1-3，8.

[15] MENG T，PAhr Q K.An Improved fruit fly optimization algorithm forsolving the multidimensional knapsack problem [J]. Applied SoftComputing， 2016（ 11）： 23-29.

[16]

HUANG D M， HE S Q， HE X H， et al. Prediction of wind loads onhigh-rise building using a BP neural network combined with POD[J]. Journal of Wind Engineering and Industrial Aerodynamics， 2017 （ 170）：1-17.

[17] 閆超，倪福佳.基于改进FOA优化BP神经网络算法的光伏系统MPPT研究[J].电测与仪表，2018，55（8）：24-29.

[18] 张咏军，王航宇.基于BP神经网络的温度模糊PID控制器设计[J].现代电子技术，2008（ 7）：133-135.

[19] 杜云，吴学礼，孟华，等.自适应模糊神经网络在炉温控制中的应用[J].仪器仪表学报，2002.23（ z1）：446-448 ，454.

[20] 范子荣.模糊神经网络在炼钢加热炉温度控制中的应用[J].山西大同大学学报：自然科学版，2017，33（6）：66-68.

（责任编辑：杜能钢）

作者简介：卢保昆（1993-），男，上海理工大学光电信息与计算机工程学院硕士研究生，研究方向为污泥干化焚烧、神经网络。