基于ISSA-LSTM的浓缩池溢流浓度预测_中国煤炭行业知识服务平台

基于ISSA-LSTM的浓缩池溢流浓度预测

作者

张洋洋樊玉萍马晓敏董宪姝金伟王大卫
单位

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
摘要

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。(2) 3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
基金项目(Foundation)

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）；
引用格式

张洋洋,樊玉萍,马晓敏,董宪姝,金伟,王大卫.基于ISSA-LSTM的浓缩池溢流浓度预测[J].工矿自动化,2022,48(11):63-72.DOI:10.13272/j.issn.1671-251x.2022060084.
相关文章

[1]基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法
相关专题

这篇文章属于“煤炭智能分选技术与应用”专题（8篇）