李 昕 畢學(xué)工

(武漢科技大學(xué),鋼鐵冶金及資源利用省部共建教育部重點實驗室)

高爐鐵水硅含量的神經(jīng)網(wǎng)絡(luò)預(yù)報

李 昕 畢學(xué)工

(武漢科技大學(xué),鋼鐵冶金及資源利用省部共建教育部重點實驗室)

通過神經(jīng)網(wǎng)絡(luò)對韶鋼 8號高爐的部分生產(chǎn)數(shù)據(jù)進行了鐵水[Si]含量的預(yù)報,確定了 w(Si)的主要影響因素,構(gòu)建了較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并根據(jù)預(yù)報結(jié)果提出了判定爐熱變化趨勢的符合率的標準。

高爐 硅含量 神經(jīng)網(wǎng)絡(luò)

0 前言

高爐鐵水的硅含量不僅是衡量產(chǎn)品質(zhì)量的一個重要標志,而且反映了高爐能量利用的水平,其變化的幅度及趨勢更是直接反映了高爐熱狀態(tài)的穩(wěn)定程度,在冶煉過程中,如果能及時地掌握鐵水中[Si]的含量及其變化的趨勢,并做出較精確的估計,則對于及時采取調(diào)節(jié)措施穩(wěn)定熱制度,減少爐況的波動,提高生鐵質(zhì)量和降低焦比等,都是非常有利的。

由于高爐冶煉是一個不均勻、非線性和大噪聲的高溫過程,一般的靜態(tài)模型無法反映高爐過程動態(tài)變化特征,而神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)系統(tǒng)的模擬,具有自學(xué)習(xí)、自組織、自適應(yīng)和非線性動態(tài)處理等特性,并具有較強的抗噪聲能力和聯(lián)想能力,利用神經(jīng)網(wǎng)絡(luò)進行預(yù)報,不需像其他預(yù)報模型那樣建立一種顯式的預(yù)報公式,是一種很有發(fā)展前途的預(yù)報方式[1]。

筆者采用韶鋼 8號高爐在 2009年 12月的 110爐實測數(shù)據(jù),使用神經(jīng)網(wǎng)絡(luò)建立鐵水硅含量的預(yù)報模型,將預(yù)報的[Si]含量與實際鐵水[Si]含量進行了比較,結(jié)果誤差較小。

1 BP網(wǎng)絡(luò)的工作原理

BP網(wǎng)絡(luò)[2]是一種多層神經(jīng)網(wǎng)絡(luò)模型,它包括輸入層和輸出層,并有一層或多層中間層。其網(wǎng)絡(luò)結(jié)構(gòu)以三層網(wǎng)絡(luò)為例,如圖 1所示。

圖1 三層網(wǎng)絡(luò)的結(jié)構(gòu)及算法

樣本信號 xi經(jīng)歸一化處理后從輸入結(jié)點經(jīng)隨機賦予的極小權(quán)值加權(quán)求和,經(jīng) S型函數(shù)傳播到隱含層,得出隱含層的輸出 br,隱含層存儲的信息 br再經(jīng)加權(quán)求和及 S型函數(shù)處理后傳向輸出層,得到輸出結(jié)果 cj,這稱為 BP網(wǎng)絡(luò)的正向傳播。計算公式如下[3]:

式中:Wir——輸入層與隱含層節(jié)點間連接權(quán)值;

Vrj——隱含層與輸出層節(jié)點連接權(quán)值;

Tr——隱含層節(jié)點閾值;

θj——輸出層節(jié)點閾值;

l——訓(xùn)練的次數(shù);

m、u、n——輸入層、隱含層、輸出層節(jié)點數(shù)。

這里采用的 S型函數(shù)為:

若輸出層得不到希望的輸出,則將誤差信號 dj由輸出層向前反向傳播至隱含層,對其分配誤差 er,根據(jù)誤差逐層修正各層神經(jīng)元連接的權(quán)值,此過程不斷迭代,直至信號誤差達到允許的范圍之內(nèi)。計算方式如下:

式中:α、β——動量因子,影響訓(xùn)練的快慢。

BP網(wǎng)絡(luò)通過學(xué)習(xí),確定了輸入、輸出間的最優(yōu)非線性關(guān)系,并將其分布到網(wǎng)絡(luò)的連接權(quán)上,在面對一組新的樣本數(shù)據(jù)時,只需通過已確定的連接權(quán)矩陣進行運算,此時的輸出結(jié)果即為新樣本空間對應(yīng)的預(yù)測值。

2 BP網(wǎng)絡(luò)模型的訓(xùn)練

2.1 數(shù)據(jù)選取

選取數(shù)據(jù)庫中前 83爐 (2009年 12月 21日 18時～27日 8時)數(shù)據(jù)作為 BP網(wǎng)絡(luò)的訓(xùn)練樣本,后27爐數(shù)據(jù) (27日 9時 ～29日 10時)作鐵水 [Si]含量預(yù)測。在采集到的數(shù)據(jù)中,鐵水成分數(shù)據(jù)的采集周期約為 2 h,其他參數(shù)通過儀表采集,采集周期為1 min。爐熱指數(shù)及溶損碳量采取 15 min平均值進行計算,因此其采集周期為 15 min。

影響高爐爐熱狀態(tài)的因素很多,既有入爐原料、裝料方式等基本條件,又有各種操作制度的影響,且各個參數(shù)之間都存在相關(guān)性[4],因此可考慮將所有采集到的參數(shù),以及利用采集參數(shù)計算的某些指數(shù)作為輸入結(jié)點的候選數(shù)據(jù)。

由于大部分高爐參數(shù)對高爐熱水平的影響都具有滯后性,因此在選取數(shù)據(jù)時應(yīng)考慮各參數(shù)的影響滯后時間。鐵水成分數(shù)據(jù)是表征當前爐熱水平的重要依據(jù),對連續(xù)出鐵的高爐來說,上一時間段測出的鐵水數(shù)據(jù)是當前爐熱水平的重要參考,因此鐵水成分數(shù)據(jù)選用上一爐次。根據(jù)各參數(shù)與[Si]含量的時序?qū)?yīng)關(guān)系[5],對于風(fēng)量、風(fēng)溫、風(fēng)壓、透氣性指數(shù)、爐熱指數(shù)、爐頂煤氣溫度、爐頂煤氣 CO、CO2采用 1 h～3 h前的數(shù)據(jù);對濕度采取 2 h～4 h前的數(shù)據(jù);對富氧采取 1 h～2 h前的數(shù)據(jù);考慮噴煤的熱滯后影響,采用 3 h～4 h前的數(shù)據(jù),采集數(shù)據(jù)后對數(shù)據(jù)進行歸一化處理。

2.2 輸入結(jié)點選取

神經(jīng)網(wǎng)絡(luò)的輸入結(jié)點并不是越多越好,當某參數(shù)與[Si]含量存在較規(guī)律的對應(yīng)關(guān)系時,將其作為輸入結(jié)點能提高網(wǎng)絡(luò)預(yù)報的準確性,反之則應(yīng)舍棄這個參數(shù)。因此在輸入結(jié)點選取時,采用逐步增加輸入結(jié)點的方法,對預(yù)報值和實際值進行誤差分析和誤差大小評定,從而選取最合適的輸入節(jié)點。本文進行誤差大小判斷時,分別根據(jù)以下三個標準進行,然后再做綜合評價:

1)預(yù)報值的在連續(xù)爐次中的數(shù)值變化方向與實測值的數(shù)值變化方向的符合程度。

2)預(yù)報值的誤差在某一范圍內(nèi)的準確率,也稱為命中率。

3)預(yù)報值的誤差均值 E。誤差均值的計算方法為:

式中:n——預(yù)報值個數(shù);

ε——預(yù)報值誤差。

2.3 隱含層結(jié)點數(shù)選取

由于高爐的爐熱是被多種復(fù)雜因素影響的結(jié)果,其數(shù)學(xué)模型必然是一個關(guān)于輸入結(jié)點的多元高次方程組,對于這種復(fù)雜的神經(jīng)元網(wǎng)絡(luò),在多次訓(xùn)練中發(fā)現(xiàn)當隱含層結(jié)點數(shù)接近于或大于輸入結(jié)點時,在相同的訓(xùn)練次數(shù)下所得出的誤差均值更小(如圖2所示),或者說能更快地收斂于某個規(guī)定值。因此,對于輸入層結(jié)點為 n的網(wǎng)絡(luò),在調(diào)試時從隱含層個數(shù)為 n-1開始,依次增加結(jié)點個數(shù),選取相同訓(xùn)練次數(shù)下誤差最小的結(jié)點個數(shù)作為最終用于預(yù)報的網(wǎng)絡(luò)結(jié)構(gòu)。

圖2 隱含層結(jié)點數(shù)對訓(xùn)練樣本擬合程度的影響

2.4 網(wǎng)絡(luò)結(jié)構(gòu)選取

選取網(wǎng)絡(luò)結(jié)構(gòu)時對輸入結(jié)點的選取參數(shù)和隱含層結(jié)點個數(shù)都進行了調(diào)整,這是一種同時考慮雙因素變化的方法。

首先選取至少兩個與訓(xùn)練目標具有良好對應(yīng)關(guān)系的參數(shù)作為初始輸入結(jié)點。經(jīng)過數(shù)值曲線對比,發(fā)現(xiàn)鐵水成分數(shù)據(jù)中[S]、[Mn]與 [Si]含量存在很好的對應(yīng)關(guān)系,因此選取上一爐鐵水成分中 [Si]、[S]、[Mn]作為初始輸入結(jié)點,將隱含層結(jié)點數(shù)從 2開始一直增加,對網(wǎng)絡(luò)進行訓(xùn)練,選取訓(xùn)練樣本誤差均值 E最小時的隱含層結(jié)點數(shù),由此確定的網(wǎng)絡(luò)結(jié)構(gòu),對這三個輸入?yún)?shù)的擬合度最高。采用此網(wǎng)絡(luò)結(jié)構(gòu)對[Si]含量進行預(yù)報,對預(yù)報值與實測值進行誤差分析和誤差大小評定。

逐個增加高爐參數(shù)作為輸入層結(jié)點,通過在輸入層參數(shù)不變的情形下調(diào)節(jié)隱含層結(jié)點數(shù)的方法,選用輸入結(jié)點的參數(shù)擬合度最高的網(wǎng)絡(luò)結(jié)構(gòu)。將預(yù)報結(jié)果與未選用此參數(shù)作輸入結(jié)點時的預(yù)報結(jié)果進行對比分析,保留使預(yù)報值誤差均值減小的參數(shù)作輸入結(jié)點。

經(jīng)過多次比較后發(fā)現(xiàn),選用 [Si]、[S]、[Mn]、TQ指數(shù)、透氣性指數(shù)、風(fēng)溫、風(fēng)量作為輸入結(jié)點,隱含層結(jié)點個數(shù)為 17,即網(wǎng)絡(luò)結(jié)構(gòu)為 7～17～1時,網(wǎng)絡(luò)預(yù)報結(jié)果最好,結(jié)果如圖 3所示。

圖3 鐵水實測硅含量與網(wǎng)絡(luò)預(yù)報值的比較圖

由圖 3可以看出,預(yù)報值與實際[Si]含量的誤差范圍為 ±0.05的準確率為 55.6%,誤差范圍為 ±0.1的準確率為 88.9%,誤差均值 E為 0.0786,其數(shù)值變化趨勢符合率為 57.69%。

3 對爐熱趨勢符合率判定方法的探討

采用神經(jīng)網(wǎng)絡(luò)進行硅預(yù)報的目的是提前一個冶煉周期預(yù)測爐熱水平的趨勢,但是根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)報的結(jié)果來看,盡管硅預(yù)報的數(shù)值誤差較小,但其連續(xù)數(shù)值變化方向的符合率很低,不適宜用以表示爐熱變化的趨勢。

3.1 較短時間間隔的硅預(yù)報

為了進一步觀察鐵水[Si]含量的變化趨勢,可減小預(yù)報的時間間隔,使爐熱變化趨勢更趨于連續(xù)化。采用已調(diào)整好的權(quán)值,以 15 min鐘為間隔對新數(shù)據(jù)進行預(yù)報,除了鐵水成分數(shù)據(jù)采用距此時刻最近的數(shù)據(jù)外,其他數(shù)據(jù)仍根據(jù)各自的滯后性時間取值,預(yù)報結(jié)果如圖 4所示。

圖4 實測硅含量與每 15 min網(wǎng)絡(luò)預(yù)報值的比較圖

由圖 4可以看出,在一個爐次的時期內(nèi),鐵水的預(yù)報值并不是穩(wěn)定地向同一個方向發(fā)展,而且即使在預(yù)報值和實測值數(shù)值變化的方向一致的情況下,也存在著變化程度的高低不同,導(dǎo)致反映的爐熱波動幅度不一致,因此不能直接根據(jù)預(yù)報值和實測值的數(shù)值變化方向一致與否作為判定爐熱變化趨勢符合率的標準。

3.2 判定爐熱趨勢符合率的正確方法

觀察圖 4可以看出,在某些時段內(nèi),雖然預(yù)報值和實測值的數(shù)值變化方向不總是保持一致,但預(yù)報值曲線與實測值曲線卻非常接近,故可將兩條曲線非常接近這種情況視為趨勢符合。由于判斷兩曲線接近程度的方法就是統(tǒng)計預(yù)報的命中率,因此預(yù)報誤差值在某一范圍內(nèi)的命中率的大小即可看作爐熱水平變化趨勢符合率。

4 結(jié)論

1)采取了逐步增加隱含層結(jié)點的方法,通過訓(xùn)練誤差均值的比較,可以找出對樣本擬合程度最高的網(wǎng)絡(luò)結(jié)構(gòu)。同時還采取了逐步增加輸入層參數(shù)的方法,通過預(yù)報值誤差均值的比較,能更直觀地表示出各參數(shù)與[Si]含量的相關(guān)性,從而得到最優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)。

2)采用較短時間間隔的硅預(yù)報數(shù)據(jù),對判斷爐熱趨勢符合率的標準進行了探討,提出了預(yù)報誤差值在某一范圍內(nèi)的命中率可用來表示爐熱趨勢符合率。

[1] 劉金琨,鄧守強,蘇士權(quán).高爐鐵水硅含量的神經(jīng)網(wǎng)絡(luò)時間序列預(yù)報[J].鋼鐵研究學(xué)報,1996,8(3):63-66.

[2] 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程.杭州:浙江大學(xué)出版社,2001:41.

[3] 張景明,劉建國.粗糙集和 BP神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].變壓器,2009,46(4):18-21.

[4] 姚斌,楊天鈞.鐵水硅預(yù)報神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的遺傳優(yōu)化生成[J].鋼鐵,2000,35(4):13-16.

[5] 石進,李家新,周莉英,等.面向?qū)ο蟮母郀t熱狀態(tài)預(yù)測專家系統(tǒng)中知識庫的研究[J].安徽工業(yè)大學(xué)學(xué)報,2003,20(3):215-218.

NEURAL NETWORK PRED I CTI ON OF BLAST FURNACE HOTM ETAL SIL ICON CONTENT

Li Xin Bi Xuegong

(KeyLaboratory for FerrousMetallurgy and ResourcesUtilization ofMinistryof Education,WuhanUniversity of Science and Technology)

According to the production data ofNo.8 BF in Shaogang company,hotmetal silicon contentwas predicted by using a neural network,the main influencing factors of the silicon content have been determined and a better network topology has been constructed,and,on the basisof the prediction results,a standard of coincidence rate aboutBF ther mal state trend has also been proposed.

Blast furnace Silicon content Neural ne twork

＊

聯(lián)系人:畢學(xué)工,教授,博士生導(dǎo)師,中國金屬學(xué)會煉鐵學(xué)術(shù)委員會理事,湖北.武漢 (430081),武漢科技大學(xué);

2010—1—26