留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进SSA-LSTM的浓缩池溢流水浓度预测模型研究

张洋洋 樊玉萍 马晓敏 董宪姝 金伟 王大卫

张洋洋, 樊玉萍, 马晓敏, 等. 基于改进SSA-LSTM的浓缩池溢流水浓度预测模型研究[J]. 工矿自动化.
引用本文: 张洋洋, 樊玉萍, 马晓敏, 等. 基于改进SSA-LSTM的浓缩池溢流水浓度预测模型研究[J]. 工矿自动化.
et alResearch on the prediction model of overflow water concentration in concentration tank based on improved SSA-LSTM[J]. Industry and Mine Automation.
Citation: et alResearch on the prediction model of overflow water concentration in concentration tank based on improved SSA-LSTM[J]. Industry and Mine Automation.

基于改进SSA-LSTM的浓缩池溢流水浓度预测模型研究

Research on the prediction model of overflow water concentration in concentration tank based on improved SSA-LSTM

  • 摘要: 浓缩池溢流水浓度监测是选煤厂煤泥水实现智能加药的关键。本文针对当前工业生产中基于传感器直接反馈调节加药量存在的在线实时监测难、控制精度低等问题,提出了改进麻雀优化算法优化长短期记忆神经网络的溢流浓度预测模型,将预测模型加入反馈过程,克服传感器检测数据时在时空上滞后性,从而实现实时监测,精准控制。通过MATLAB平台实现了模型的构建与超参数的优化,接着对溢流浓度多参数时间序列进行相关性分析和基于数字信号处理技术的降噪处理,首先将原始数据经过移动均值滤波和Savitzky-Golay平滑去噪法减少噪声和随机误差;其次引入混沌映射、螺旋捕食和萤火虫扰动策略联合改进麻雀搜索优化算法,加快算法收敛速度,提高其全局寻优能力,以此来优化LSTM的相关超参数,从而构建出ISSA-LSTM溢流浓度预测模型;最后以RMSE和MAPE作为模型性能的评价标准,并使用煤泥水浓缩沉降工艺过程中的实际监测数据对神经网络模型进行实验验证,与典型的双层LSTM、SSA-LSTM、LSSVM模型进行对比,以检验本方法的优越性。结果表明,提出的ISSA-LSTM溢流浓度预测模型具有更高精度,对煤泥水浓缩过程的溢流浓度的实时监测以及加药量精准调节具有一定的理论指导意义。

     

  • 加载中
计量
  • 文章访问数:  38
  • HTML全文浏览量:  9
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 网络出版日期:  2022-08-09

目录

    /

    返回文章
    返回