亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于聯(lián)級小波神經(jīng)網(wǎng)絡的LF精煉渣成分預報

        2019-08-16 09:10:02張慧書戰(zhàn)東平孫麗娜張作良
        上海金屬 2019年4期
        關鍵詞:小波神經(jīng)網(wǎng)絡函數(shù)

        張慧書 陳 韌 戰(zhàn)東平 孫麗娜 黃 妍 張作良

        (1.遼寧科技學院冶金工程學院,遼寧 本溪 117004; 2.遼寧省本溪低品位非伴生鐵礦優(yōu)化應用重點實驗室,遼寧 本溪 117004; 3.東北大學冶金學院,遼寧 沈陽 110004)

        精煉渣具有脫氧、脫硫、去除夾雜、埋弧及保溫等作用,其性質直接影響LF精煉過程的冶金效果及鋼坯質量[1- 2],因此渣成分能否達到目標渣系范圍備受研究者們的關注。但因LF精煉過程復雜多變,渣- 渣及鋼- 渣之間各種成分相互影響、相互作用呈現(xiàn)多變量非線性的特點。而且在進行LF精煉之前,影響LF精煉渣終點成分的重要因素——轉爐渣,其終點成分在現(xiàn)場無法實時獲取等原因,使得精確預報精煉渣成分成為研究者們面臨的難點。

        為解決上述問題,本文提出了一種切實可行的聯(lián)級小波神經(jīng)網(wǎng)絡方法。首先應用小波神經(jīng)網(wǎng)絡預報轉爐渣終點成分,然后將其作為輸入條件,再與其他已知條件配合應用小波神經(jīng)網(wǎng)絡預報精煉渣終渣成分,這既全面考慮了各個因素影響,又提高了預報準確度。本文針對某鋼廠150 t LF爐,通過建立聯(lián)級小波神經(jīng)網(wǎng)絡對精煉渣成分進行預報,為鋼廠現(xiàn)場生產(chǎn)提供指導。

        1 小波神經(jīng)網(wǎng)絡

        目前應用較為廣泛的神經(jīng)網(wǎng)絡為BP神經(jīng)網(wǎng)絡,因其是一種非線性系統(tǒng),可以充分逼近任意復雜度的非線性關系,對信息的處理具有自組織、自適應、自學習的能力,受到了研究者的青睞。但其具有局限性,如收斂速度慢,陷于局部極小等。為了解決這些算法缺點,可結合小波分析的方法。小波分析通過伸縮或者平移對信號或函數(shù)進行多分辨率分析處理,從而在對信號函數(shù)進行局部信息的提取、分析方面存在巨大優(yōu)勢[3]。這樣將兩者進行結合,即成為了小波神經(jīng)網(wǎng)絡,它既能充分利用小波變換的局部化性質,又能結合神經(jīng)網(wǎng)絡的自學習能力,因而具有較強的逼近和容錯能力,較快的收斂速度,能改善神經(jīng)網(wǎng)絡收斂速度慢的缺陷[4]。

        1.1 小波分析

        小波分析中的單元是小波函數(shù),小波函數(shù)的定義為:Ψ(t)設為一平方可積函數(shù),即Ψ(t)∈L2(R),其傅里葉變換Ψ(x)滿足條件:

        (1)

        則稱Ψ(t)為一個“母小波”。其中R表示實數(shù)集,L2(R)表示可測并且平方可積的一維函數(shù)的向量空間。稱式(1)為小波函數(shù)的可容許條件。

        將小波母函數(shù)Ψ(t)進行伸縮和平移,可得到函數(shù)族{Ψa,b}:

        (2)

        其中a,b∈R且≠0,稱為連續(xù)小波[5]。選取Morlet小波函數(shù)[6]:

        (3)

        小波神經(jīng)網(wǎng)絡的學習過程為BP算法的學習過程。將小波神經(jīng)網(wǎng)絡中的輸入層、隱含層、輸出層參數(shù)進行設置,分別設為xi、zj、yl;教師信號為tl;隱含層傳遞函數(shù)如式(3)所示,輸出層傳遞函數(shù)f(z)和誤差函數(shù)E分別為:

        (4)

        (5)

        式中:P為樣本數(shù);n為輸出節(jié)點數(shù)。

        1.2 小波神經(jīng)網(wǎng)絡

        小波神經(jīng)網(wǎng)絡訓練的具體過程為:信息從輸入層輸入后經(jīng)隱含層運算,最終從輸出層輸出。在隱含層和輸出層的輸出分別為式(6)和式(7)。然后,根據(jù)輸出值與教師信號算出E,完成正向傳播階段。

        (6)

        (7)

        式中:ωji為輸入層與隱含層之間的權值;υlj為隱含層到輸出層之間的權值;θj為隱含層的閾值;θl為輸出層的閾值;aj為伸縮因子;bj為平移因子。

        如果平均誤差E/P未達到期望精度ε,則用梯度下降法對各節(jié)點權值、閾值、伸縮因子和平移因子進行修正,如式(8)所示:

        (8)

        式中η為學習率。

        完成反向傳播階段,反向傳播是對應于上述階段輸入信號正向傳播而言的。因為在開始調整各層權值時,只能求出輸出層的誤差,而其他層的誤差要通過此誤差反向逐層后推才能得到。

        循環(huán)往復地進行上述正向傳播階段和反向傳播階段,當E/P<ε時,不用進行反向傳播,跳出循環(huán),也即結束整個程序[7- 9]。

        2 LF精煉渣成分預報模型的建立

        本文以某廠150 t LF爐的實際生產(chǎn)數(shù)據(jù)為計算依據(jù),建立的預報模型包括兩部分,如圖1所示。第1次預報為轉爐終點渣成分預報,其中輸入層參數(shù)為鐵水重量、轉爐終點鋼水成分(ω[C]鋼水、ω[Si]鋼水、ω[P]鋼水)、石灰石、白云石、燒結礦、吹氧量等8個參數(shù),輸出參數(shù)為QCaO、QSiO2、QTFe、QMgO、QMnO等5個參數(shù),采用試湊法[10]確定隱含層節(jié)點數(shù)為10,第1級網(wǎng)絡結構為8×10×5;第2次預報的輸入?yún)?shù)包括第1次預報出的轉爐終點渣成分(QCaO、QSiO2、QTFe、QMgO、QMnO)、轉爐出鋼加料(預溶渣、合成渣、硅鈣鋇、鋁錳鐵等)、LF過程加料(石灰、鋁線、螢石、鋁粒等)等13個參數(shù), 輸出參數(shù)為PCaO、PSiO2、PTFe、PMgO、PMnO、PAl2O3等6個參數(shù),隱含層節(jié)點數(shù)為12,第2級網(wǎng)絡結構為13×12×6。

        圖1 LF精煉渣成分聯(lián)級預報模型示意圖Fig.1 Schematic diagram of LF refining slag composition combined prediction model

        3 模型預報結果及討論

        由于實際生產(chǎn)過程的復雜性,導致所采集的數(shù)據(jù)存在錯誤、異常和缺失等現(xiàn)象,從而不能作為訓練樣本和測試樣本,必須剔除。經(jīng)篩選將830爐生產(chǎn)數(shù)據(jù)作為樣本集,并分為兩類,800爐作為訓練數(shù)據(jù),30爐作為預測數(shù)據(jù)。首先對第一級轉爐終點渣成分預報模型進行訓練,對800爐數(shù)據(jù)中與一級模型相關的數(shù)據(jù)進行一級模型訓練,以30爐數(shù)據(jù)作為預測,得到了精度較高的第一級預報模型。然后應用800爐數(shù)據(jù)中與二級模型相關的數(shù)據(jù)進行二級模型訓練,以30爐數(shù)據(jù)作為預測,得到第二級預報模型。結合一級與二級預報模型,建立了聯(lián)級預報模型。最后應用VB 6.0高級語言進行程序設計。各成分的預測值與實際值見圖2和表1。

        從圖2和表1中可以看到,最小絕對值相對誤差為0,有6.1%絕對值相對誤差在1%以內(nèi),32.2%絕對值相對誤差在5%以內(nèi),86.1%絕對值相對誤差在20%以內(nèi),最大絕對值相對誤差為33.5%。由此可以看出,該模型預報精度較高,可以滿足實際生產(chǎn)中對精煉渣成分預報精度的要求。

        雖然采用小波神經(jīng)網(wǎng)絡模型對精煉渣成分進行預報的精度較高,但仍然存在誤差。誤差產(chǎn)生的原因主要有:

        (1)神經(jīng)網(wǎng)絡方法自身特點的影響。雖在BP神經(jīng)網(wǎng)絡算法中加入了小波函數(shù),但轉爐LF精煉過程中的物理化學反應復雜,渣子成分變化呈現(xiàn)復雜、非線性,算法本身并不能完全準確描述復雜冶金過程中的變化。

        (2)原始數(shù)據(jù)的影響。模型訓練時要求數(shù)據(jù)是準確、精確的數(shù)值,但由于實際操作過程中計量系統(tǒng)或成分分析結果都有不準確的情況,而模型自身不具備識別數(shù)據(jù)真?zhèn)蔚哪芰?,這些原本就不準確的數(shù)據(jù)對模型的預報結果會產(chǎn)生一定影響。

        (3)影響精煉渣成分的未測量因素。影響精煉渣成分的因素有很多,不僅限于模型確定的幾個輸入?yún)?shù),由于實際生產(chǎn)過程中對有些數(shù)據(jù)并不是每爐都進行測量或實時記錄,如轉爐下渣量、物料的質量、物料加料時間等,因此這些因素未被引入實際模型,對模型的預報結果有一定影響。

        圖2 鋼水中各個成分的預報值與實際值Fig.2 Prediction and actual values of components in molten steel

        表1 預報結果統(tǒng)計Table 1 Statistics of prediction results

        4 結論

        (1)將影響LF精煉渣成分的非線性關系進行分析,采用克服BP神經(jīng)網(wǎng)絡缺陷的小波神經(jīng)網(wǎng)絡,建立了聯(lián)級LF精煉渣成分預報模型。

        (2)經(jīng)研究分析確定第1級網(wǎng)絡結構為8×10×5,第2級網(wǎng)絡結構為13×12×6,其中聯(lián)級中的隱含層傳遞函數(shù)都為Morlet型函數(shù),輸出層傳遞函數(shù)都為S型函數(shù)。

        (3)采用800爐數(shù)據(jù)進行模型訓練,經(jīng)30爐數(shù)據(jù)現(xiàn)場驗證表明,預報結果中32.2%絕對值相對誤差在5%以內(nèi),86.1%絕對值相對誤差在20%以內(nèi);最小絕對值相對誤差為0,最大絕對值相對誤差為33.5%。

        (4)本模型的預報結果可以滿足實際生產(chǎn)過程對LF精煉渣成分預報精度的要求,并對實現(xiàn)現(xiàn)場工業(yè)自動化提供一定的理論指導。

        猜你喜歡
        小波神經(jīng)網(wǎng)絡函數(shù)
        二次函數(shù)
        構造Daubechies小波的一些注記
        科技風(2021年19期)2021-09-07 14:04:29
        第3講 “函數(shù)”復習精講
        二次函數(shù)
        函數(shù)備考精講
        基于MATLAB的小波降噪研究
        電子制作(2019年13期)2020-01-14 03:15:32
        神經(jīng)網(wǎng)絡抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        基于改進的G-SVS LMS 與冗余提升小波的滾動軸承故障診斷
        基于神經(jīng)網(wǎng)絡的拉矯機控制模型建立
        重型機械(2016年1期)2016-03-01 03:42:04
        復數(shù)神經(jīng)網(wǎng)絡在基于WiFi的室內(nèi)LBS應用
        亚洲一区二区三区av在线免费 | 狼狼综合久久久久综合网| 男人添女人下部高潮全视频| 麻豆AV免费网站| 少妇人妻字幕一区二区| 国产亚洲超级97免费视频| 亚洲色爱免费观看视频| 日韩高清毛片| 亚洲一区二区三区久久久| 亚洲国产精品一区二区毛片| 无码乱人伦一区二区亚洲一| 国产在线成人精品| 一本色道亚州综合久久精品| 少妇被黑人整得嗷嗷叫视频| 乱人伦中文无码视频在线观看| 国产艳妇av在线出轨| 国产精品国产三级农村妇女| 亚洲日韩精品a∨片无码加勒比 | 粗一硬一长一进一爽一a视频| 亚洲一区二区在线观看网址| 四虎影视4hu4虎成人| 一区二区精品| 国产一区二区三区中出| 四虎国产成人永久精品免费| 伊人色综合九久久天天蜜桃 | 男人天堂网在线视频| 一区二区三区岛国av毛片| 日本最新一区二区三区视频观看 | 国产av丝袜熟女丰满一区二区| 成人乱码一区二区三区av| 欧美伊人久久大香线蕉在观| 61精品人妻一区二区三区蜜桃| 国产一区二区三区在线观看完整版| 成人久久久久久久久久久| 国产欧美日韩不卡一区二区三区| 精品国产色哟av一区二区三区| 高清精品一区二区三区| 亚洲无毛片| 亚洲发给我的在线视频| 国产成人精品2021| 国产喷水在线观看|