基于灰狼优化器-反向传播神经网络(GWO–BP)的离心压缩机防喘振控制阀开度预测模型

《Algorithms》:Towards Generalizable Deepfake Detection via Facial Landmark-Guided Convolution and Local Structure Awareness Hao Chen, Zhengxu Zhang, Qin Li and Chunhui Feng

【字体: 大 中 小 】 时间:2026年04月02日 来源:Algorithms 2.1

编辑推荐:

  研究人员提出了一种基于灰狼优化算法优化的反向传播神经网络(Grey Wolf Optimizer–Back Propagation Neural Network, GWO–BP)模型,用于预测天然气输送管道离心压缩机防喘振控制阀(surge control v

  
研究人员提出了一种基于灰狼优化算法优化的反向传播神经网络(Grey Wolf Optimizer–Back Propagation Neural Network, GWO–BP)模型,用于预测天然气输送管道离心压缩机防喘振控制阀(surge control valve)的开度。首先,对采集自现场压缩机组共532组有效运行数据进行Min–Max归一化至[?1, 1]区间;其次,采用皮尔逊相关系数(Pearson Correlation Coefficient, rp)分析22个运行参数与目标变量(防喘振阀开度)的相关性,剔除高度共线(|rp|>0.7)变量后保留压缩机壳体振动、动力涡轮转速、入口压力、出口温度及燃气轮机功率共5个关键特征作为输入;随后,研究人员利用GWO算法优化BP神经网络初始权值与阈值,以均方误差(Mean Square Error, MSE)为适应度函数,将α狼位置作为最优参数组合训练网络;最后以十折交叉验证评估模型性能。结果表明:相比支持向量机(SVM)、决策树(Decision Tree)、K近邻(KNN)、常规BP神经网络及粒子群优化BP神经网络(PSO–BP),GWO–BP模型的确定系数(R-square)最高,均方根误差(Root Mean Square Error, RMSE)与平均绝对误差(Mean Absolute Error, MAE)最低,预测值与实测值吻合最佳,平均相对偏差仅4.65%,验证了该方法在防喘振阀开度预测中的有效性。
论文解读:基于GWO–BP模型的离心压缩机防喘振控制阀开度预测研究
一、研究背景与意义
离心压缩机在天然气输送管线中运行时易发生喘振(surge),防喘振控制阀(surge control valve)的开度设定传统上依赖操作人员经验——开度过小无法抑制喘振,过大则造成高压气体回流降低机组效率与管输量。常规BP神经网络(Back Propagation Neural Network, BP)因初始权值/阈值随机设定易陷入局部最优且结果不稳定。灰狼优化算法(Grey Wolf Optimizer, GWO)具较强全局寻优能力,可用于优化BP网络初始参数。该研究提出GWO–BP混合模型预测防喘振阀开度,发表于《Algorithms》期刊,对实现自适应防喘振控制、提升机组安全性与经济性具工程应用价值。
二、主要技术方法概述
研究人员采集华南某压气站2023年1月至2024年9月离心压缩机22个运行参数(F1~F22)及防喘振阀开度(F23)共532组有效样本,按9:1划分为训练集与测试集。数据经Min–Max归一化至[?1, 1]。通过Pearson相关系数(rp)计算各特征与目标的线性相关性,以|rp|>0.7为多重共线性阈值剔除冗余变量,最终保留5个关键输入特征。建立三层BP网络(输入层5节点、隐含层10节点tansig激活函数、输出层1节点purelin激活函数,trainlm训练),由GWO算法(狼群规模30,最大迭代50次,适应度函数为MSE)搜寻最优初始权重与偏置,α狼位置对应最优参数。采用十折交叉验证,以RMSE、R-square及MAE为评价指标,并与SVM、决策树、KNN、常规BP及PSO–BP五类对照模型比较。
三、研究结果
3.1 数据与特征选择(Data Collection and Preprocessing / Feature Selection)
研究人员对22个候选变量作Pearson相关性分析,发现F1与F2(rp=0.92)、F4与F5(rp=0.95)高度共线予以剔除,最终保留压缩机壳体振动、动力涡轮转速、压缩机入口压力、压缩机出口温度及燃气轮机功率5个特征——既与目标强相关又消除多重共线性,提升模型稳定性。
3.2 关键参数对防喘振阀开度的物理分析(Physical Analysis of Key Parameters on Surge Control Valve Opening)
研究人员从气动与热力学角度阐释五特征与阀开度的因果机制:(1)壳体振动反映流场失稳先兆,喘振前增大→阀开度增大以回流补气降喘振风险;(2)涡轮转速升高→叶轮做功增强→工况点远离喘振线→阀开度减小;(3)入口压力降低→气体密度下降→质量流量同步降低→逼近喘振边界→阀开度增大(亦作前馈信号提前开阀);(4)出口温度升高→气体密度降低有效流量减少→需增大阀开度补流降温降压;(5)燃气轮机功率增加→压比与流量上升→远离喘振线→阀开度减小。上述物理关联佐证所选特征合理性。
3.3 GWO–BP模型用于防喘振阀开度预测(GWO–BP Model for Predicting Opening of Surge Control Valve)
GWO算法将BP网络的权值与偏置映射为灰狼位置,α、β、δ狼引导ω狼更新位置(公式X1=Xα(t)?A1Dα等三狼位置取均值得下一代位置),以MSE为适应度反复迭代至满足收敛条件,输出α狼对应最优初始权/偏置训练BP网络完成预测。
3.4 模型性能(Model Performance)
—参数配置(Parameter Configuration):BP网络结构5–10–1,隐含层tansig,输出层purelin,trainlm训练,学习率0.01,最大epoch 1000,目标MSE 1×10?4;GWO种群30,最大迭代50。
—不同模型预测性能比较(Comparison of Prediction Performance of Different Models):雷达图显示SVM与决策树拟合弱(RMSE、MAE偏高);KNN居中;常规BP R-square尚可但RMSE略高;PSO–BP三项指标改善;GWO–BP R-square最接近1、RMSE与MAE倒数最大(即原始值最小),综合性能最优。
—预测值与实测值对比及误差分布(Comparison Between Prediction and Measurement / Error Distribution):散点图GWO–BP数据点最贴近y=x理想线;误差直方图GWO–BP分布最窄且峰值最高,平均相对偏差仅4.65%,显著优于其余五种模型。
四、讨论与结论
研究人员指出常规防喘振阀开度设定依赖人工经验存在不足,过小时无法消喘振、过大时降低效率。本研究经Pearson特征筛选获5个具物理意义的关键参数,构建GWO–BP预测模型,以GWO全局寻优BP初值克服易陷局部最优缺陷。基于532组现场数据验证,GWO–BP模型R-square最高、RMSE与MAE最低,预测—实测平均相对偏差4.65%,可准确依据运行参数预测防喘振阀开度,为制定自适应防喘振控制策略提供依据。未来将进一步在不同压气站与工况下验证泛化能力、探索预测模型与防喘振控制系统集成及在线实时预测应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号