基于改进粒子群算法的RBF神经网络磨机负荷预测研究

摘要：

磨机负荷是评价磨机运行状态和预测磨机行为的重要指标,针对粉磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于改进型粒子群算法(improved particle swarm optimization,IPSO)优化径向基神经网络(radial basis function,RBF)参数的磨机负荷预测模型(IPSO-RBF),使惯性权重因子在迭代过程中非线性下降,平衡局部搜索能力与全局搜索能力之间的矛盾,该算法能快速准确地找到最优解,提高粉磨机磨机负荷的预测精度;通过水泥厂的实测数据实验对比,结果表明,基于IPSO RBF模型的预测精度最高,其预测结果与真实值相比较,均方根误差(root mean square error,RMSE)、均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute per centage error,MAPE)和决定系数(coefficient of determination,R2)分别为0.210 2、0.044 2、0.161 7、1.778％和0.978 2.

关键词：磨机负荷预测、改进粒子群算法、RBF神经网络、惯性权重因子

所属期刊栏目：28

分类号：TP274+.5(自动化技术及设备)

资助基金：国家自然科学基金项目;陕西省自然科学基金

在线出版日期：2020-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：19-22,27