吳宇航 閻少宏

【摘要】通常神經(jīng)網(wǎng)絡(luò)的運(yùn)用是僅在數(shù)據(jù)驅(qū)動(dòng)機(jī)制下的訓(xùn)練和泛化.而運(yùn)用領(lǐng)域知識對神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行分析能彌補(bǔ)模型結(jié)果指向性不明確或解釋性不準(zhǔn)確的缺點(diǎn)，能加速逼近搜索，提高質(zhì)量預(yù)測的效果.通過對比前向網(wǎng)絡(luò)和基于領(lǐng)域知識的前向網(wǎng)絡(luò)的預(yù)測誤差發(fā)現(xiàn)基于領(lǐng)域知識的前向網(wǎng)絡(luò)的預(yù)測結(jié)果更好.在不同的焦炭質(zhì)量參數(shù)上看，M25的預(yù)測效果最好，前向網(wǎng)絡(luò)和基于領(lǐng)域知識的前向網(wǎng)絡(luò)平均預(yù)測誤差分別為3.20%和2.12%；而CRI的預(yù)測效果最差，平均誤差分別為6.36%和3.35%.

【關(guān)鍵詞】領(lǐng)域知識；神經(jīng)網(wǎng)絡(luò)；質(zhì)量預(yù)測

一、引 言

針對優(yōu)質(zhì)煉焦煤資源相對匱乏的現(xiàn)象產(chǎn)生了混合配煤煉焦方法，混煤參數(shù)與焦炭性質(zhì)指標(biāo)之間呈非線性關(guān)系，這種關(guān)系是由煉焦環(huán)境、工藝及化學(xué)反應(yīng)的固有屬性決定的，無法簡單地用函數(shù)來精確描述[1].神經(jīng)網(wǎng)絡(luò)模型能避免系統(tǒng)特征指標(biāo)與因變量之間的函數(shù)描述，可根據(jù)記憶和特征提取得到輸入輸出量之間的關(guān)系，具備可泛化性、分布式知識存儲、聯(lián)系記憶及并行處理的特點(diǎn)，十分適用于煉焦系統(tǒng)的焦炭質(zhì)量預(yù)測問題[3].

二、領(lǐng)域知識概述及符號表示形態(tài)

“領(lǐng)域知識”一詞來源于人工智能領(lǐng)域，由Maja DHondt等人于1999年提出，領(lǐng)域知識是指在某一領(lǐng)域內(nèi)的概念、概念之間相互關(guān)系以及有關(guān)概念約束的集合[3].

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法通過大量樣本歸納規(guī)律，要求有足夠的訓(xùn)練樣本，不需要相關(guān)領(lǐng)域知識[4].而充分利用領(lǐng)域知識將會獲得不錯(cuò)的結(jié)果，但要求相關(guān)領(lǐng)域是完備且可靠的.在煉焦領(lǐng)域的具體應(yīng)用是將混合煤與焦炭質(zhì)量各指標(biāo)間的關(guān)系以分級形式給出，并將已有配煤煉焦知識提取成數(shù)據(jù)結(jié)構(gòu)符號，具體表示形式如圖1所示[5，6].將結(jié)構(gòu)映射成網(wǎng)絡(luò)結(jié)構(gòu)，考慮到規(guī)則的不完全特性，故人工進(jìn)行添加節(jié)點(diǎn)或增強(qiáng)必要的聯(lián)系.煉焦領(lǐng)域擴(kuò)充后的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

四、仿真結(jié)果及分析

利用經(jīng)過預(yù)處理的115組清潔數(shù)據(jù)，從數(shù)據(jù)集中隨機(jī)選取105組混合煤煤質(zhì)參數(shù)及相對應(yīng)的焦炭質(zhì)量參數(shù)作為輸入和輸出樣本用于訓(xùn)練基于領(lǐng)域知識的前向神經(jīng)網(wǎng)絡(luò)和基于領(lǐng)域知識的前向神經(jīng)網(wǎng)絡(luò)，在此，兩類神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)均取tansig和logsig，隱層節(jié)點(diǎn)設(shè)置為14，精度設(shè)置為0.01，最終得到的誤差曲線如圖3和圖4所示.

由圖可以看出，兩類神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和測試結(jié)果都能基本保持一致性.但基于領(lǐng)域知識的前向神經(jīng)網(wǎng)絡(luò)在迭代次數(shù)僅為前向神經(jīng)網(wǎng)絡(luò)一半的情況下，驗(yàn)證性能便達(dá)到了0.015，明顯優(yōu)于前向神經(jīng)網(wǎng)絡(luò)的驗(yàn)證性能0.066.兩類神經(jīng)網(wǎng)絡(luò)模型預(yù)測的誤差整體都較小，精度均較高.求解兩類神經(jīng)網(wǎng)絡(luò)模型的六類焦炭質(zhì)量參數(shù)預(yù)測誤差值，對比結(jié)果如圖5所示.

由圖5可得知前向網(wǎng)絡(luò)和基于領(lǐng)域知識的前向網(wǎng)絡(luò)整體的預(yù)測效果較好，預(yù)測誤差都控制在10%之內(nèi)，且基于領(lǐng)域知識的前向網(wǎng)絡(luò)的大部分預(yù)測結(jié)果好于前向網(wǎng)絡(luò)：在預(yù)測Ad和CSR時(shí)，顯示基于領(lǐng)域知識的前向網(wǎng)絡(luò)的預(yù)測結(jié)果略好于前向網(wǎng)絡(luò)；預(yù)測St，d、M10和CRI時(shí)基于領(lǐng)域知識的前向網(wǎng)絡(luò)的平均預(yù)測誤差僅為3.38%、2.00%和3.35%，明顯小于前向網(wǎng)絡(luò)的5.8%、5.00%和6.36%；而在M25的預(yù)測中基于領(lǐng)域知識的前向網(wǎng)絡(luò)的10組數(shù)據(jù)的預(yù)測效果均優(yōu)于前向網(wǎng)絡(luò).

五、結(jié)束語

本文建立了基于領(lǐng)域知識的神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行焦炭質(zhì)量預(yù)測，實(shí)驗(yàn)結(jié)果顯示引入領(lǐng)域知識的網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測誤差均控制在10%之內(nèi)，且對于St，d、M10和CRI的平均預(yù)測誤差明顯優(yōu)于傳統(tǒng)前向神經(jīng)網(wǎng)絡(luò).該模型充分利用了確定形式信息與無法表示成確定形式的樣本實(shí)例，彌補(bǔ)了僅依靠網(wǎng)絡(luò)預(yù)測時(shí)結(jié)果解釋能力差的缺點(diǎn).

【參考文獻(xiàn)】

[1]姜靜，宮春暉.神經(jīng)網(wǎng)絡(luò)在焦炭質(zhì)量預(yù)測模型中的應(yīng)用[J].沈陽理工大學(xué)學(xué)報(bào)，2013（2）：25-27，32.

[2]趙樹果，單曉云，陳少敏，宋煥虎.人工神經(jīng)網(wǎng)絡(luò)在煉焦配煤質(zhì)量預(yù)測模型中的應(yīng)用[J].中國煤炭，2006（7）：52-54.

[3]DHONDT M，DHONDT T.Is Domain Knowledge an Aspect？[C].The Workshop on Object-Oriented Technology.London：Springer-Verlag，1999：293-294.

[4]黃永輝.基于神經(jīng)網(wǎng)絡(luò)的智能算法在焦炭質(zhì)量預(yù)測中的應(yīng)用[D].沈陽：沈陽理工大學(xué)，2014.

[5]CHELGANI S C，MATIN S S，HOWER J C.Explaining relationships between coke quality index and coal properties by Random Forest method[J].Fuel，2016（182）：754-760.

[6]LVAREZ R，DEZ M A，BARRIOCANAL C，et al.An approach to blast furnace coke quality prediction[J].Fuel，2007（14）：2159-2166.

[7]陶培生.配煤技術(shù)在提高冶金焦性能及控制焦炭成本中的應(yīng)用[D].上海：華東理工大學(xué)，2014.