基于ISSA-LSTM的浓缩池溢流浓度预测
张洋洋1
樊玉萍1
马晓敏2
董宪姝1
金伟1
王大卫3
1.太原理工大学 矿业工程学院,山西 太原 0300242.太原理工大学 矿业工程学院,山西 太原 030024;矿物加工科学与技术国家重点实验室,北京 1001603.晋能控股集团 马道头选煤厂,山西 太原 030006
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.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
分类号：TD94(选矿)
资助基金：国家自然科学基金(51820105006)国家自然科学基金(52074189)国家自然科学基金(52004178)
论文发表日期：2022-11-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 63-72 )
英文信息