姜 靜，宮春暉

(沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽 110159)

焦炭在國民經(jīng)濟生產(chǎn)中具有重要的作用，隨著國民經(jīng)濟的飛速發(fā)展，鐵的需求量迅速增加，而高爐煉鐵需要的焦炭也隨之增多，焦炭在高爐煉鐵中起著燃料、還原劑、骨架和增碳劑的作用。為降低焦炭消耗，增加高爐產(chǎn)量，改善生鐵質(zhì)量，采用了高爐大型化、富氧噴吹等技術(shù)，因此對焦炭質(zhì)量的要求越來越高。高爐焦要求灰低、硫低、強度高、粒度適當且均勻、氣孔均勻、致密、反應(yīng)性適度、反應(yīng)后強度高。煉焦配煤過程是一個復(fù)雜的過程，參加配煤過程的各單種煤的性質(zhì)與配比決定了配合煤的煤質(zhì)特性，所得的配合煤的煤質(zhì)特性又直接影響焦炭的質(zhì)量。煉焦配煤過程是一個發(fā)生了一系列物理和化學(xué)變化的復(fù)雜工業(yè)生產(chǎn)過程，因此為保證焦炭質(zhì)量，預(yù)測焦炭質(zhì)量就顯得尤為重要。同時焦化企業(yè)煉焦用煤的品種不斷增多，而且煤種的變化很快，煤質(zhì)的波動大，充分利用現(xiàn)有的煤炭資源，實現(xiàn)焦炭質(zhì)量的準確預(yù)測，進而生產(chǎn)出合格的焦炭，并且煉焦配煤過程涉及到單種煤的煤質(zhì)指標與焦炭質(zhì)量指標間復(fù)雜的非線性關(guān)系，而神經(jīng)網(wǎng)絡(luò)具有一般非線性系統(tǒng)的共性，因此將神經(jīng)網(wǎng)絡(luò)用于煤炭質(zhì)量的預(yù)測中。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法的基本思想是梯度下降法。它采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值與期望輸出值的誤差均方值為最小。BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱層、輸出層，隱層可以為一層或多層。本文使用含有一個隱層的BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示，圖中，i為輸入層神經(jīng)元，j為隱層神經(jīng)元，k為輸出層神經(jīng)元，wij為輸入i到隱層j的加權(quán)，wjk為隱層j到輸出k的加權(quán)［1］。

上述網(wǎng)絡(luò)的信息傳播是由輸入單元傳到隱單元，最后傳到輸出單元。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

2 焦炭質(zhì)量預(yù)測分析與設(shè)計

常規(guī)煉焦條件下，影響焦炭質(zhì)量的因素很多，主要有配合煤質(zhì)量以及煉焦條件。配合煤質(zhì)量的好壞直接取決于單種煤的質(zhì)量指標以及各單種煤的配比，而煉焦條件則是指焦爐的煉焦條件。整個煉焦過程包括一系列物理、化學(xué)變化，因此很難建立精確的數(shù)學(xué)模型。目前，對焦炭質(zhì)量的預(yù)測通常只考慮配煤過程，而不考慮焦炭干餾過程的影響。

焦炭抗碎強度(M40)、耐磨強度(M10)、硫分(Std)、灰分(Ad)、反應(yīng)性指數(shù)(CRI)和反應(yīng)后強度(CSR)是影響高爐煉鐵的重要指標，而配合煤的粘結(jié)性指數(shù)(G)、灰分(Ad)、揮發(fā)分(Vdaf)、硫分(Std)直接影響焦炭性能，配合煤是由多種單種煤按配煤比混合而成，其質(zhì)量指標僅取決于各單種煤的質(zhì)量指標及配煤比。因此，焦炭質(zhì)量預(yù)測分兩步進行:單種煤到配合煤的質(zhì)量預(yù)測;配合煤到焦炭的質(zhì)量預(yù)測。

2.1 配合煤的質(zhì)量預(yù)測

從單種煤到配合煤的混合過程中，主要發(fā)生物理變化(洗選、粉碎、混合等)，因此，由單種煤質(zhì)量指標與配比的加和性運算可預(yù)測配合煤質(zhì)量。但由于粉碎、混合等物理變化使煤表面發(fā)生劇烈變化，引起煤粒間相互作用的變化，從而使預(yù)測結(jié)果與實際結(jié)果存在差異。在線性模型的基礎(chǔ)上進行經(jīng)驗值校正，可提高準確性。

配合煤的性能指標由揮發(fā)分、灰分、硫分和粘結(jié)指數(shù)來衡量。設(shè)配合煤是由n種單種煤混合而成，xi是第i種單種煤在配合煤中的配比，其粘結(jié)性指數(shù)、揮發(fā)分、硫分和灰分分別為 Gi、Vdafi、Stdi和Adi，則配合煤質(zhì)量指標為

式中，ΔG、ΔVdaf、ΔStd和 ΔAd分別為粘結(jié)性指數(shù)、揮發(fā)分、硫分和灰分的校正值［2］。

2.2 焦炭的質(zhì)量預(yù)測

多年的煉焦經(jīng)驗和大量的實驗研究表明，配合煤的煤質(zhì)及煉焦特性直接影響焦炭的質(zhì)量指標，、灰分、硫分、焦炭的抗碎強度、耐磨強度、反應(yīng)性指數(shù)和反應(yīng)后強度是表征焦炭質(zhì)量的重要指標。多年的煉焦經(jīng)驗和大量的實驗研究表明，焦炭的灰分與配合煤的灰分有很強的線性關(guān)系。因此可以用一元線性回歸來建立焦炭硫分灰分的質(zhì)量預(yù)測模型［3］。設(shè):D=aC+b(式中:D表示焦炭灰分 Ad(焦)，C 表示配合煤灰分 Ad(煤))，對經(jīng)過剔除處理的樣本值進行一元線性回歸分析，即應(yīng)用數(shù)量統(tǒng)計中最小二乘法確定方程中系數(shù)a，b的估計值，于是，得到焦炭灰分的預(yù)測方程為

同理，焦炭的硫分的預(yù)測方程為

根據(jù)煉焦過程的數(shù)據(jù)分析，在穩(wěn)定的煉焦條件下，M40、M10、CRI和CSR與配合煤中的粘結(jié)指數(shù)、揮發(fā)分、灰分存在非線性關(guān)系。神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元互相連接組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，對非線性系統(tǒng)具有很強的模擬能力。BP神經(jīng)網(wǎng)絡(luò)可以通過不斷的反向傳播修正誤差，可以實現(xiàn)或逼近所希望的輸入輸出的映射關(guān)系，這種非線性的映射能力使其能以任意精度逼近一個非線性函數(shù)。事實上，從仿真效果來看，用BP神經(jīng)網(wǎng)絡(luò)建立焦炭預(yù)測模型是有效的［4］。

在理論上，采用對數(shù)S型和線性模式的三層網(wǎng)絡(luò)結(jié)構(gòu)可以使誤差達到任意精度。網(wǎng)絡(luò)的輸入用預(yù)測焦炭質(zhì)量的配合煤指標，這里采用灰分、揮發(fā)分和粘結(jié)指數(shù)，因此BP網(wǎng)絡(luò)的輸入層是3個神經(jīng)元，輸出為焦炭的抗碎強度、耐磨強度、反應(yīng)性指數(shù)和反應(yīng)后強度，輸出層神經(jīng)元數(shù)目為4個。隨著隱含層數(shù)目的增多，網(wǎng)絡(luò)變得越來越復(fù)雜，泛化能力也越來越差，并且過多的網(wǎng)絡(luò)節(jié)點會增加訓(xùn)練網(wǎng)絡(luò)的時間，使網(wǎng)絡(luò)的預(yù)測能力下降。但是網(wǎng)絡(luò)節(jié)點過少則不能反映焦炭指標與配合煤指標的相關(guān)關(guān)系。根據(jù)kolmogorov定理，隱含層數(shù)目=sqrt(n+m)+a其中a為1到10的數(shù)，取隱含層個數(shù)為8個。

BP算法中權(quán)值的學(xué)習(xí)采用絕對誤差平方和為指標函數(shù)，因而只能降低各樣本絕對誤差量，這勢必造成各神經(jīng)元在學(xué)習(xí)中收斂的不平衡性。網(wǎng)絡(luò)的各個輸入數(shù)據(jù)常常具有不同的物理意義和不同的量綱，通過尺度變換，使所有參數(shù)都在［－1，1］區(qū)間內(nèi)，從而使網(wǎng)絡(luò)訓(xùn)練一開始就給各輸入分量以同等重要的地位，防止小數(shù)信息被大量數(shù)值信息所淹沒。本文利用Matlab中的函數(shù)mapminmax 對訓(xùn)練數(shù)據(jù)進行歸一化處理［5－6］。

3 仿真

本文仿真實驗使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱，選取16組試驗數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，使用4組數(shù)據(jù)作為預(yù)測樣本進行預(yù)測，訓(xùn)練樣本數(shù)據(jù)如表1所示。隱含層利用tansig傳遞函數(shù)，輸出層利用 purelin函數(shù)，設(shè)計訓(xùn)練誤差為0.002，學(xué)習(xí)速率為0.05，設(shè)置訓(xùn)練次數(shù)為100000次，采用BP自適應(yīng)快速訓(xùn)練法得出誤差曲線如圖2所示，樣本學(xué)習(xí)輸出誤差很小，精度很高。

圖2 網(wǎng)絡(luò)訓(xùn)練誤差曲線

表1 BP網(wǎng)絡(luò)訓(xùn)練樣本

4 結(jié)論

根據(jù)配合煤煤參數(shù)和焦炭質(zhì)量參數(shù)之間的線性和非線性關(guān)系，建立了預(yù)測焦炭質(zhì)量的線性回歸和人工神經(jīng)網(wǎng)絡(luò)模型，并且選取合適的質(zhì)量參數(shù)，進行了網(wǎng)絡(luò)訓(xùn)練。應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測模型對實例進行仿真，結(jié)果表明該模型預(yù)測精度較高，適用于焦炭質(zhì)量的預(yù)測，同時神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)能力，能夠處理非線性、含噪聲的數(shù)據(jù)，使得人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于煉焦過程具有非常廣闊的前景。在煉焦配煤過程中，可以利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對單種煤進行合理配合，在焦炭質(zhì)量得到保證的前提下，盡量減少優(yōu)質(zhì)煉焦煤的用量。

［1］劉金琨.智能控制［M］.北京:電子工業(yè)出版社，2009:118－119.

［2］謝海深，劉永新，孟軍波，等.焦炭質(zhì)量預(yù)測模型的研究［J］.煤炭轉(zhuǎn)化，2006，29(3):54 －57.

［3］Min Wu，Michio NAKANO.A Model-Based Expert Control Strategy Using Neural Networks for the Coal Blending Process in an Iron and Steel Plant［J］.Expert System with Application，1999，16(3):271 －281.

［4］鄧俊，賴旭芝，吳敏，等.基于神經(jīng)網(wǎng)絡(luò)和模擬退火算法的配煤智能優(yōu)化方法［J］.冶金自動化，2007，31(3):19－23.

［5］單曉云，趙樹果，劉永新.基于神經(jīng)網(wǎng)絡(luò)的焦炭質(zhì)量預(yù)測模型［J］.選煤技術(shù)，2005(2):1－4.

［6］R.Alvarez，M.A.Diez，C.Barriocanal，et al.An approach to blast furnance coke quality pridiction［J］.ScienceDirect，2007(86):2159 －2166.