基于PSO-BP的阀冷却系统阀门开度分类预测模型

摘要：针对阀冷却系统内部的复杂性与外部环境的多变性，准确预测阀门开度以适应不同工况需求的问题，提出一种基于PSO-BP的阀冷却系统阀门开度分类预测模型。利用粒子群优化（PSO）算法优化反向传播（BP）神经网络的初始权重和偏置，改善BP神经网络易陷入局部最优解和收敛速度慢的情况。采用工业现场收集的阀冷却系统实测数据对PSO-BP预测模型进行训练和验证，并与传统的BP预测模型进行仿真对比分析。仿真结果表明，PSO-BP预测模型对阀门开度的分类预测准确率达到100%，且具有良好的学习和泛化能力，为阀冷却系统的智能控制提供了一种新的解决方案。

关键词：阀冷却系统；反向传播神经网络；粒子群优化算法；阀门开度分类预测

中图分类号：TH185 文献标志码：A 文章编号：1674-2605（2024）05-0003-07

DOI：10.3969/j.issn.1674-2605.2024.05.003 开放获取

Valve Opening Classification and Prediction Model Based on

PSO-BP for Valve Cooling System

WU Jianchao ZHENG Haoyue

（Guangzhou Goaland Energy Conservation Tech. Co.， Ltd.， Guangzhou 510705， China）

Abstract： Valve opening classification and prediction model based on PSO-BP for valve cooling system is proposed to address the complexity of the internal system and the variability of the external environment， in order to accurately predict valve opening to meet different operating conditions. Using particle swarm optimization （PSO） algorithm to optimize the initial weights and biases of backpropagation （BP） neural network， improving the situation where BP neural network is prone to getting stuck in local optima and has slow convergence speed. Train and validate the PSO-BP prediction model using measured data from valve cooling systems collected on industrial sites， and compare and analyze it with traditional BP prediction models through simulation. The simulation results show that the PSO-BP prediction model has a classification accuracy of 100% for valve opening， and has good learning and generalization abilities， providing a new solution for intelligent control of valve cooling systems.

Keywords： valve cooling system; back propagation neural network; particle swarm optimization algorithm; valve opening classification and prediction

0 引言

在现代工业生产中，阀冷却系统是确保设备稳定运行的关键环节，直接影响生产的效率和安全性。工艺上通常要求阀冷却系统在一定的温度范围内工作，以保持阀门的热状态平衡，进而保证阀门的使用寿命和操作可靠性[1]。通过精确控制阀门开度，可有效调

节冷却介质的流量和温度，从而维持阀门的最佳工作状态。

然而，阀冷却系统受多种因素（冷却介质的流量和温度、阀门材料特性和环境温度等）的影响，阀门的热状态存在一定的不确定性和不稳定性；且这些因素相互作用，使阀门的热状态难以通过传统的经验方

法进行精确控制。现场工人通常难以判断合适的阀门开度，错误的设置可能导致阀冷却系统过热或过冷，影响系统性能，甚至引发安全事故，造成资源浪费和生产中断。因此，设计一种高效、准确的阀门开度预测模型对提高阀冷却系统的性能，确保工业生产的连续性和稳定性具有重要意义。

目前，阀门开度分类预测模型的相关研究较少。FENG等[2]针对变风量末端多变量、强耦合、高度非线性的特性，建立了基于反向传播（back propagation， BP）神经网络的阀门开度预测模型；与传统的反馈调节方法相比，该模型可以直接输出阀门开度，实现快速变风量控制；但该模型关注于连续值预测，未能充分考虑阀门开度的分类特性。在实际应用中，连续预测值可能需要进一步解析才能转化为具体的操作指令，特别是在快速决策和响应的情况下，增加了操作的复杂性和潜在的错误风险。

本文针对阀冷却系统中阀门开度的动态变化特性，构建基于PSO-BP的阀冷却系统阀门开度分类预测模型（以下简称PSO-BP预测模型）。其中，粒子群优化（particle swarm optimization， PSO）算法用于优化BP神经网络的初始权重和偏置[3]，以避免网络陷入局部最优解，并加速权重和偏置的收敛过程。PSO-BP预测模型能够根据实际工况将阀门开度分为不同的类别，有效提高了阀门开度分类预测的准确性和泛化能力。

1 基于PSO-BP的阀门开度分类预测

1.1 BP神经网络

BP神经网络是一种多层前馈神经网络，其通过BP神经网络来训练网络的权重，广泛应用于模式识别、图像处理、语音识别以及各种预测和分类任务[4]。

BP神经网络由输入层、隐藏层和输出层组成，每层包含多个神经元。这些神经元通过权重连接，并通过激活函数引入非线性，使网络能够学习和模拟复杂的函数映射。BP神经网络的拓扑结构如图1所示[5]。

BP神经网络算法流程图如图2所示。

设输入层的输入向量为 ；第l层隐藏层向量为 ；输出层的输出向量为 ，则BP神经网络的训练过程如下：

1） 在开始训练前，初始化BP神经网络的权重和偏置（阈值）；

2） 将输入数据送入BP神经网络的输入层；

3） 输入数据通过每一层的神经元计算其加权和，并利用激活函数来生成输出，可表示为

2 PSO-BP预测模型

BP神经网络在分类预测问题上虽然具有强大的非线性映射能力，但也存在一些明显的弊端，如易陷入局部最优解，导致全局性能下降[8]。本文利用PSO算法对BP神经网络的参数进行优化，可有效避免BP神经网络的局部最小问题，加快收敛速度，提高网络性能。PSO算法优化BP神经网络（PSO-BP预测模型）的流程如图4所示。

PSO算法优化BP神经网络的具体步骤如下[9]：

1） 构建一个BP神经网络，初始化相应的权重和偏置；根据输入和输出参数5eCAVeBhst5vXuEkF8v7LnolGteyxq1tq9NhGzeh+E0=的数量，确定BP神经网络的输入和输出节点数；隐藏层节点数通常先通过经验公式来估计一个初始值，再通过实际训练网络及观察其性能来逐步调整，直至找到使网络预测效果最佳的配置，隐藏层节点数常见的经验公式为[10]

（13）

式中：q为隐藏层节点数，m为输入层节点数，n为输出层节点数，r为区间[0，10]内的常数；

2） 初始化PSO算法所需的参数，包括粒子群的大小、粒子的速度、位置、惯性权重、学习因子等；

3） 利用神经网络输出值的均方误差（mean square error， MSE）生成目标函数，其倒数作为适应度函数，均方误差越小，对应粒子的性能越好[11]，目标函数计算公式为

（14）

式中：n为输出层节点数， 为网络输出层的预测值， 为网络输出层的实际值；

4） 利用PSO算法更新粒子的速度和位置，以搜索权重和偏置的最优解；

5） 重复步骤3）～4），直至获得具有最优适应度的个体，即最优的阈值和权重。这些参数将BP神经网络调整为最佳初始状态，通过训练，形成PSO-BP预测模型。

3 模型评价与对比

3.1 实验数据

根据流体力学原理和对现场工艺流程的深入分析，确定了冷却水进阀温度、冷却水出阀温度、外风冷冷却器出水温度、膨胀罐液位为影响阀门开度的关键参数。为此，选择以上4个参数作为PSO-BP预测模型的输入数据。本文的实验数据源自于某直流中心三站阀冷却系统的3个月（2、6、8月）实测数据。阀门开度分为3个类别：2月的阀门开度约为88%，为类别1；6月的阀门开度约为80%，为类别2；8月的阀门开度约为75%，为类别3。部分实测数据如表1所示。

将2、6、8月的实测数据进行预处理，包括缺失值和异常值处理、移除不相关或冗余变量、特征编码、归一化等。每个类别分别选取4天的数据进行实验。涉及的变量包括冷却水进阀温度、冷却水出阀温度、外风冷冷却器出水温度、膨胀罐液位、阀门开度的类别标签。其中，选取每个类别3天的数据作为训练集，用于建立和训练PSO-BP预测模型；剩余的1天数据作为测试集，用于评估PSO-BP模型的预测性能。

3.2 参数设置

BP神经网络的输入层节点数为4；输出分类为阀门开度75%、80%、88%，即输出层节点数为3。通过经验公式（13）和试错法确定最优隐藏层节点数为9，故本文实验采用的BP神经网络结构为4-9-3型结构。

设置BP神经网络的最大迭代次数为1 000，误差目标值为10-5，学习率为0.01。设置PSO算法的学习因子为2，最大迭代次数为50，粒子数量为30，惯性权重的最大值和最小值分别为0.9和0.4，粒子的速度范围为[-1，1]，粒子的位置范围为[-5，5]。

3.3 实验环境

本实验在MATLAB R2021b下进行，使用了MATLAB的神经网络工具箱和优化工具箱。利用newff函数构建BP神经网络，隐藏层节点的转移函数选用logsig，输出层节点的转移函数选用purelin。先通过PSO算法优化BP神经网络的初始权重和偏置，再使用trainlm算法进行权值微调。

3.4 实验仿真结果

为了验证PSO-BP预测模型的有效性，采用相同的数据集对传统的BP预测模型和PSO-BP预测模型进行仿真对比测试，分类预测结果和混淆矩阵分别如图5～8所示。PSO-BP预测模型和传统的BP预测模型对阀门开度的分类预测准确率如表2所示。

由表2可知：PSO-BP预测模型的阀门开度的平均分类预测准确率均达到100%；而BP预测模型的平均分类预测准确率约为97%，且类别2的分类预测准确率仅为92.3%，说明PSO算法能够有效调整BP神经网络的结构，提高模型的分类预测性能。

4 结论

本文针对阀门开度的动态变化特性，提出一种基于PSO-BP的阀冷却系统阀门开度分类预测模型。利用PSO算法的全局优化搜索和BP神经网络的局部优化搜索性能较好的特点，改善了模型易陷入局部最优解的问题，提高了阀门开度分类预测的准确性和泛化能力。该模型不仅能为阀冷却系统的智能控制提供决策支持，而且有助于提高系统的运行效率和稳定性，减少因阀门开度不当导致的能源浪费和设备损耗。未来将探索自适应学习率策略，以动态调整PSO算法和BP算法的学习参数，进一步提高模型的收敛速度和分类预测精度。

©The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

参考文献

[1] 武小芳，刘甲森，马超洋.换流阀冷却系统频繁补气排气的原因分析及解决措施建议[J].自动化应用，2023，64（1）：63-65.

[2] FENG G， LEI S， Gu X， et al. Predictive control model for variable air volume terminal valve opening based on backpro-pagation neural network[J]. Building and Environment， 2021， 188：107485.

[3] 陈刚，徐敏锐，穆小星，等.基于改进神经网络算法的互感器在线监测和故障诊断技术[J].电测与仪表，2020，57（11）：49-54; 62.

[4] 朱志均，周华英，罗坤豪，等.基于机器嗅觉结合BP神经网络的砂仁气味鉴别方法[J].自动化与信息工程，2018，39（4）：45-48.

[5] 宋海声，陈召，徐大诚，等.GA-BP神经网络结合EDXRF技术实现对中低合金钢中Cr、Mn和Ni元素含量的预测[J].激光与光电子学进展，2022，59（12）：544-550.

[6] 黄艺航，蔡凯武，黄晓智，等.基于机器学习的通信电缆故障检测与定位方法[J].自动化与信息工程，2024，45（1）：35-41;60.

[7] 樊怀聪，田禾，冯明文，等.基于粒子群算法优化BP神经网络的轴承故障诊断[J].机械制造与自动化，2024，53（3）：45-49.

[8] 温峻峰，李鑫，张浪文.基于粒子群优化的支持向量回归车道饱和度预测[J].自动化仪表，2019，40（8）：38-42.

[9] 邓家利，刘劲涛，王永超.基于小波包能量熵-BP神经网络的核电站阀门远传机构故障诊断研究[J].沈阳工程学院学报（自然科学版），2024，20（3）：45-56;72.

[10] 卯光宪，谭伟，柴宗政，等.基于BP神经网络的马尾松人工林胸径-树高模型预测[J].浙江农林大学学报，2020，37（4）：752-760.

[11] 范国松，齐正.PSO-BP神经网络的电力负荷预测研究[J].微型电脑应用，2022，38（10）：130-133.

作者简介：

吴健超，男，1981年生，本科，工程师，主要研究方向：电力电子液冷、数据中心液冷控制技术设计研发。E-mail： wujc@goaland.com.cn

郑昊岳，男，1982年生，本科，工程师，主要研究方向：电力电子液冷、数据中心液冷控制技术设计研发。E-mail： zhenghy@goaland.com.cn