66
传感器与微系统（Transducer and Microsystem Technologies）
2017年第36卷第3期
DOI:10.13873/J.10009787 (2017)03-006604
PSO-ELM的浆体管道临界淤积流速预测模型研究
汪明先，吴建德1,2，王晓东1,2
（1.昆明理工大学信息工程与自动化学院，云南昆明650500； 2.云南省矿物管道输送工程技术研究中心，云南昆明650500）
摘要：针对浆体管道临界淤积流速预测难度大、精度低等问题，提出了粒子群优化-极限学习机（PSO-ELM)的临界淤积流速预测模型。利用PSO算法对ELM模型参数输入权值和隐元偏置进行优化，应用优化得到的ELM模型对预测集进行预测。通过实验仿真得到预测结果的最大误差为5.73%，预测效果优于常规的ELM模型和反向传播（BP)神经网络模型。
关键词：浆体管道；临界淤积流速；粒子群优化算法；极限学习机
中图分类号：TP391；X936
文献标识码：A
文章编号：1000-9787(2017)03-0066-04
Study on prediction model of critical deposition velocity in
slurry pipeline based on PSO-ELM* WANG Ming-xian', WU Jian-de',, WANG Xiao-dong'2
(1. Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China; 2.Engineering Research Center for
Mineral Pipeline Transportation of Yunnan,Kunming 650500,China)
Abstract: Aiming at problems of great difficulties and low precision in predicting critical deposition velocity of slurry pipeline, a prediction model for critical deposition velocity based on particle swarm optimization and extreme learning machine( PSO-ELM) is proposed. The method using PSO algorithm to optimize the ELM model parameters such as the input weight and hidden element bias,the optimized ELM model is used to predict prediction set. The maximum error of predicted result is 5. 73 % by experimental simulation, which shows that the prediction effect is superior to the conventional ELM and back propagation( BP) neural network model.
Key words : slurry pipeline; critical deposition velocity; particle swarm optimization ( PSO) algorithm; extreme learning machine(ELM)
0引言
近年来，浆体管道输送获得迅插发展，已经成为第五大
运输手段，是一种高效率、低成本、减少土地占用、无污染的固体物料输送技术。然而，能否确定某一实际输送管道合适的临界淤积流速值直接关系到其能否安全运行，并在相同条件下能否取得最大的经济效益2）。目前应用较多的浆体管道临界淤积流速预测方法有经验半经验公式法[3」、反向传播（backpropagation，BP）神经网络法+和支持向量机（SVM)预测模型[5，在某一程度上来说也获得了良好的效果，但其均有无法避免的缺陷，如经验公式往往考虑的因素比较单一，只适用于某些具体条件，由此导致计算出来的结果与实际所测得的数据之间有很大的误差；神经
收稿日期：2016-04-13
网络所需的数据量较大，经常会遇到过学习、陷人局部极值等问题]，在实际应用中为解决该问题，文献[7~9]提出了粒子群优化BP（particleswarmoptimization，PSO-BP）算法，改进的BP算法用于研究多元有害气体的检测及传感器环境温度补偿问题，但其无法解决训练速度慢、预测效率一般等问题；SVM预测模型的参数选择较为复杂，从而严重影响了它的预测效率，文献[10]用人工鱼群算法优化SVM的惩罚参数和核函数参数，在一定程度上避免了参数选择的盲目性，提高了模型的识别精度，但仍然无法从根本上解决该问题。此时，极限学习机（extremelearmingmachine ELM预测模型1)应运而生，
本文在前人实验研究的基础上，通过理论分析研究，确
*基金项目：国家自然科学基金资助项目（51169007）；云南省科技计划项目（2013DH034）；云南省中青年学术和技术带头人后备人才培养计划项目（2011CI017）