林满山+++梁欣

摘 要：文章在回转窑煅烧过程中复杂环境下的工艺参数预测分析领域，提出了回转窑煅烧配置参数预测模型，介绍了模型原理，模型的支撑算法K-MEANS算法、主成分分析法、BP神经网络、粒子群算法及粒子群改进算法，通过实验验证，新算法相对于粒子群算法更好地避免早期收敛，具有很好的搜索效果。

关键词：回转窑；K-MEANS；主成分分析法；BP神经网络；粒子群算法

Abstract： Under the complex environment of rotary kiln calcination process， this paper presents a prediction model for the parameters of rotary kiln calcination in the field of process parameter prediction and analysis， introduces the model principle， model support algorithm K-MEANS algorithm， principal component analysis， BP neural network， PSO and improved PSO， through the experimental verification， the new algorithm is better than PSO to avoid early convergence， and has a good search effect.

Keywords： rotary kiln； K-MEANS； principal component analysis； BP neural network； PSO

1 概述

回转窑煅烧是阳极炭素生产的第一步，石油焦经过一系列物理化学变化变成煅后焦，提高了石油焦的真密度、导电性、机械强度和抗氧化能力，在此过程中，工艺参数对结果影响非常明显，因此对其优化是提高产品质量、提高效率、减少资源浪费的重要举措。2010年，Luna基于煅烧过程中生料变成熟料的物理、化学变化建立数学模型[1]，2016年，史长城提出RBF神经网络的建模研究[2]。本文提出一种针对回转窑煅烧过程的数据分析预测模型，希望能为其他数据分析模型的设计提供借鉴。

1995年，R.C.Eberhart和J.Kennedy通过研究鸟类群体高效的捕食行为，提出了粒子群算法，采用“群体”和“进化”的概念[3]。粒子群优化算法（PSO）依据个体（粒子）的适应值大小对个体进行评价[4]，通过个体对信息的共享使整个群体的运动从无序变为有序的演化过程。本文提出了一种基于邻代竞争的杂交粒子群优化算法，将其用来优化BP神经网络算法，提高了回转窑煅烧配置参数预测模型的核心算法效率，提高了数据分析预测模型的准确性。……