謝世義, 尤 文*, 李峻峰

(1.長春工業(yè)大學電氣與電子工程學院,吉林長春 130012;2.中國聯(lián)合網(wǎng)絡通信有限公司吉林省分公司,吉林吉林 132011)

0 引 言

轉爐煉鐵合金是一個非常復雜的多元多相高溫物理化學過程,其機理的解析尚不透徹,輸入輸出之間的非線性關系十分復雜,常規(guī)建模始終不太理想。在吹煉末期到達終點前23 min時,降下副槍測試鋼水溫度碳含量。在此基礎上,利用RBF神經(jīng)網(wǎng)絡建立終點碳含量預報模型。計算求得要補加的冷卻劑和達到終點尚需的吹氧量。神經(jīng)網(wǎng)絡作為一種新技術,為解決多維非線性系統(tǒng)及模型未知系統(tǒng)的預測和控制問題提供了新途徑。

將人工神經(jīng)網(wǎng)絡技術應用到轉爐煉鋼終點控制中,建立基于人工神經(jīng)網(wǎng)絡的控制模型,可在一定程度上克服常規(guī)模型的不足,進一步提高模型的控制精度,改善控制效果。

1 模型原理[1-3]

1.1 RBF神經(jīng)網(wǎng)絡模型[4-5]

徑向基函數(shù)(Radial Basis Function)神經(jīng)網(wǎng)絡,簡稱RBF神經(jīng)網(wǎng)絡,它是一個三層前向網(wǎng)絡,包括輸入層、隱含層和輸出層,如圖1所示。

圖1 徑向基函數(shù)神經(jīng)網(wǎng)絡

一般RBF網(wǎng)絡可表示為:

式中:

是輸入矢量;

φl(?一個R+→R徑向基函數(shù);

ωi第i的隱層結點到輸出結點之間的權值;

1.2 模型的運作方式

1.2.1 RBF神經(jīng)網(wǎng)絡輸入輸出變量的確定

神經(jīng)網(wǎng)絡輸入變量的選擇對于所建模型的精度具有極其重要的意義。結合數(shù)據(jù)預處理中相關性分析的結果,并考慮矩陣運算的要求,主要列出如下10個因素作為輸入變量:鐵水重量、副槍測定時刻碳含量、錳含量、磷含量、硫含量、溫度、補吹氧量(停吹時累計送氧量與副槍測定時送氧量之差)及后期補吹階段加入的副原料。輸出變量則為實際終點碳含量。

1.2.2 輸入輸出數(shù)據(jù)標準化

由于各變量的數(shù)量級相差很大,比如溫度和錳含量就相差兩個數(shù)量級,這樣作為RBF網(wǎng)絡的輸入節(jié)點,必然會湮沒小數(shù)據(jù)對徑向基函數(shù)的作用,從而造成從隱層到輸出層之間權值調(diào)整上的困難,影響網(wǎng)絡的收斂速度和精度。為了克服這些缺點,使輸入節(jié)點的作用都能發(fā)揮出來,必須對原始數(shù)據(jù)進行標準化處理,具體的處理步驟為:

式中:

i=1,2,…,9,對應于輸入變量;

k=1,2,…,p,對應于樣本。

2 采用K-means聚類算法確定RBF神經(jīng)網(wǎng)絡中心[6-9]

聚類算法是最經(jīng)典的RBF網(wǎng)絡學習算法。K-means聚類算法確定RBF網(wǎng)絡數(shù)據(jù)中心ci和擴展常數(shù)δi的具體步驟如下:

(1)算法初始化:選擇h個不同的初始聚類中心,并令k=1。初始聚類中心的方法很多,比如,從樣本輸入中隨機選取,或者選擇前h個樣本輸入,但這h個初始數(shù)據(jù)中心必須取不同值。

(2)計算所有樣本輸入與聚類中心的距離

(3)對樣本輸入xj,按照最小距離原則對其進行分類:即當…,h時,xj即被歸為第i類,即xj∈wi(k)。

(4)重新計算各類新的聚類中心:

i=1,2,…,h

式中:,Ni第i個聚類域wi(k)中包含的樣本數(shù)。

(6)根據(jù)各聚類中心之間的距離確定各隱節(jié)點的擴展常數(shù)。隱節(jié)點的擴展常數(shù)取δi=kdi,其中為第i個數(shù)據(jù)中心與其它最近的數(shù)據(jù)中心之間的距離,即di=miin ｜-(k)｜,k為重疊系數(shù)。一旦各隱節(jié)點的數(shù)據(jù)中心和擴展常數(shù)確定了,輸出權矢量就可以通過一定算法訓練得到,這里選用有加權遺忘因子的遞推最小二乘法,具體的實現(xiàn)步驟為:

1)賦予權wi(i=1,2,…,m)初值;

2)令循環(huán)變量k=1;

3)計算隱層節(jié)點輸出:

∧

yd(k第k個樣本的期望輸出。

更新網(wǎng)絡權值為:

4)計算目標累積誤差:

5)判斷是否E(k)＜E。如果E(k)＜E,則訓練結束,否則判斷是否k＜N,如果k＜N,則令k=k+1,轉到第3)步,否則轉到第1)步。其中,N為樣本數(shù),E是預先設定的目標誤差。

根據(jù)以上分析終點碳含量yc可以表示為:

式中:wC0偏置項,wC0∈R;

3 仿真效果

以選取的100爐實際數(shù)據(jù)為研究對象,文中選用Matlab7.0作為仿真工具進行程序的編寫以及仿真。將此100爐實際數(shù)據(jù)分為訓練集50爐和驗證爐50爐。在網(wǎng)絡訓練中,預報模型的輸入點取9個,隱含層節(jié)點取12個,學習效率η=0.992 4,誤差準則ε=0.001。得出相應的終點溫度和碳含量預測曲線如圖2所示。

圖2 終點碳含量預測和實際對比圖

從上面的數(shù)據(jù)仿真中可以看到,當誤差在｜ΔT｜＜12℃,｜ΔC｜≤5時,終點碳含量命中率為82%,RBF神經(jīng)網(wǎng)絡充分發(fā)揮了其對非線性復雜系統(tǒng)的逼近能力,并且模型的系數(shù)具有實時調(diào)整和學習的功能,比傳統(tǒng)模型具有更好的計算精度和適應能力,從而進一步提高了控制精度,具有較好的實用價值。

4 結 語

采用RBF神經(jīng)網(wǎng)絡技術,用K-means聚類算法確定RBF神經(jīng)網(wǎng)絡中心,建立了轉爐煉鐵合金碳含量的模型,通過仿真看出,此方法比傳統(tǒng)的控制方法具有更高的精度以及自學習能力和適應性,提高了煉鐵合金終點的命中率。

[1] 李仁厚.智能控制理論和方法[M].西安:西安電子科技大學出版社,1999.

[2] Tao J,Wang X.Intelligent control method and application for BOF steelmaking process[J].Proceedings of the IFAC World Congress,2002,14:17-19.

[3] Robert H N.Theory of the back-propagation neural network[J].Proc.UCNN,Washington D C,1989(1):593-605.

[4] Hint K J.Extending the functional equivalence of radial basis function Network and Fuzzy inference system[J].IEEE T rans on Neural Networks,1996(3):776-781.

[5] Tapas Kanungo,David M,Mount Nathan S,et al.A efficient k-means clustering algorithm:analysis and implementation[J].IEEE Tansactions on Pattern Analysis and M achine Intelligence,2002,24(7):881-892.

[6] 王秀娟,侍洪波.應用聚類和模糊神經(jīng)網(wǎng)絡方法設計模糊規(guī)則庫[J].中南工業(yè)大學學報:自然科學版,2003,34(4):54-57.

[7] 祖佳奎,戴冠中,張 俊.基于聚類算法的神經(jīng)模糊推理系統(tǒng)結構和參數(shù)的優(yōu)化[J].系統(tǒng)仿真學報,2002,14(4):501-503.

[8] 韋 巍.智能控制技術[M].北京:機械工業(yè)出版社,2000.

[9] 楊宏韜,張德江,李秀蘭,等.遺傳神經(jīng)網(wǎng)絡能耗預測模型在鋼鐵企業(yè)中的應用[J].長春工業(yè)大學學報:自然科學版,2007,28(S1):186-189.