翟慧，熊偉，李福進，楊杰

(1.華北理工大學(xué)電氣工程學(xué)院，河北唐山 063210；2.唐山鋼鐵集團高強汽車板有限公司，河北唐山 063026)

0 前言

在我國，鋼鐵行業(yè)作為一個重要且依賴能源的行業(yè)，如何合理利用和配置資源一直是制約它發(fā)展的重要因素。煤氣是一種重要的二次能源，其回收率影響企業(yè)生產(chǎn)成本和環(huán)境，對企業(yè)具有重要的經(jīng)濟和環(huán)境意義。其中，冷軋生產(chǎn)過程消耗大量煤氣，并且生產(chǎn)過程中發(fā)生大量的化學(xué)反應(yīng)。煤氣消耗的影響因素復(fù)雜，夾雜著周期性波動、隨機擾動，這對煤氣消耗量的預(yù)測帶來了一定難度。在實際生產(chǎn)過程中，煤氣的分配僅憑人工經(jīng)驗操作，導(dǎo)致煤氣不能充分利用；而且煤氣的突然過剩，容易導(dǎo)致設(shè)備熄火，并將多余煤氣釋放到大氣中污染環(huán)境；而煤氣的短缺則會導(dǎo)致用戶停產(chǎn)。因此，有必要為冷軋過程設(shè)計一個有效的煤氣消耗量預(yù)測模型。

隨人工智能、人工神經(jīng)網(wǎng)絡(luò)的迅速崛起，支持向量機、神經(jīng)網(wǎng)絡(luò)等方法被大量用于預(yù)測。LYU等提出了一種基于灰色徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的高爐煤氣量預(yù)測模型。利用灰色理論對歷史數(shù)據(jù)進行預(yù)處理，獲取豐富的信息，結(jié)合 RBF 神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了30 min內(nèi)有效的趨勢預(yù)測。李志剛等以高爐煤氣為主要研究對象，提出了一種基于LSTM與自回歸差分滑動平均(ARIMA)組合的預(yù)測模型，提高了煤氣預(yù)測精度。隨后，又通過調(diào)試和改進建立了PSO-BP 神經(jīng)網(wǎng)絡(luò)高爐煤氣受入量預(yù)測模型，實現(xiàn)了對煤氣的合理調(diào)度和平衡調(diào)整。SUN等提出了一種基于事件驅(qū)動、機制驅(qū)動和數(shù)據(jù)驅(qū)動的混合預(yù)測方法，在預(yù)測高爐煤氣量的同時考慮了高爐操作事件，使預(yù)測更加準(zhǔn)確。徐化巖和馬家琳針對鋼鐵企業(yè)高爐煤氣系統(tǒng)設(shè)備工況復(fù)雜、煤氣量波動頻繁、難以準(zhǔn)確預(yù)測的問題，依據(jù)小波分析方法、BP 神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機的性質(zhì)建立了基于數(shù)據(jù)驅(qū)動的高爐煤氣的復(fù)合預(yù)測模型。以上智能算法在一定程度上實現(xiàn)了預(yù)測，但在準(zhǔn)確性和穩(wěn)定性方面仍存在一些問題，并且在基于數(shù)據(jù)預(yù)測的過程中忽略了數(shù)據(jù)本身特性對預(yù)測精度的影響。

隨著深度學(xué)習(xí)的快速發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的新一代人工智能已廣泛應(yīng)用于各種領(lǐng)域。其中，LSTM是一種特殊的時間遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，能有效地保存長期記憶信息，具有良好的預(yù)測能力。NEERAJ等利用LSTM建立了電力負荷預(yù)測模型，具有較高的預(yù)測精度。ZHOU、王強等人使用LSTM預(yù)測了刀具在可變條件下的剩余使用壽命。

經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)是一種分析非線性數(shù)據(jù)的方法，可以提取數(shù)據(jù)本質(zhì)特征。HUANG等將經(jīng)驗?zāi)B(tài)分解用于電流信號分析。GRASSO等使用EMD技術(shù)分離了不同的頻率波形。SHRIVASTAVA 和SINGH使用經(jīng)驗?zāi)B(tài)分解對刀具顫振信號進行了預(yù)處理。LI等將經(jīng)驗?zāi)B(tài)分解應(yīng)用于齒輪箱局部故障診斷中的振動信號分析，發(fā)現(xiàn)利用經(jīng)驗?zāi)B(tài)分解能夠更有效地檢測振動信號。EMD方法解決了使用傳統(tǒng)方法會導(dǎo)致有價值的信息被拋棄、復(fù)雜現(xiàn)象無法準(zhǔn)確呈現(xiàn)的問題。

煤氣消耗數(shù)據(jù)的非線性、非平穩(wěn)，導(dǎo)致煤氣消耗量難以準(zhǔn)確預(yù)測。并且預(yù)測時需要大量的先驗信息，非常耗時，時間跨度大。因此，可以利用EMD對煤氣消耗數(shù)據(jù)進行預(yù)處理，提取復(fù)雜序列中的本質(zhì)特征，為后續(xù)預(yù)測提供參考。憑借其獨特的記憶優(yōu)勢和解決長時間序列相關(guān)問題的優(yōu)勢，LSTM可以很好地預(yù)測冷軋過程中的煤氣消耗量。因此，為滿足調(diào)度員的需求，本文作者建立一種基于EMD-LSTM的煤氣消耗量預(yù)測模型。

1 方法及原理

1.1 EMD基本原理

經(jīng)驗?zāi)B(tài)分解可基于數(shù)據(jù)本身，將復(fù)雜信號分解為一系列IMF和一個()，分解信號時，不需要預(yù)先設(shè)置任何基函數(shù)。因為這一特點，理論上EMD方法可預(yù)處理任何一種信號的數(shù)據(jù)，因此被廣泛應(yīng)用。

()=∑IMF,+()

(1)

每個IMF分量都應(yīng)滿足以下2個特點：

(1)在整個時間范圍內(nèi)，局部極值點和過零點的數(shù)量必須相等或最多相差一個；

(2)在任何時間點，局部最大包絡(luò)和局部最小包絡(luò)的平均值必須為0。

IMF代表數(shù)據(jù)的固有振動模式。根據(jù)IMF的定義，IMF每個振動周期只有一個振動模式，不存在其他復(fù)雜波。作為混合序列的煤氣消耗數(shù)據(jù)也可以分解為如式(1)所示的形式。分解后的IMF分量包含不同的局部特征信號。因此，利用EMD分解煤氣消耗數(shù)據(jù)是可行的。

1.2 長短時記憶神經(jīng)網(wǎng)絡(luò)

LSTM在解決長時間序列相關(guān)性問題上具有獨特優(yōu)勢，是深度學(xué)習(xí)中比較流行的方法。LSTM的內(nèi)部結(jié)構(gòu)由遺忘門、輸入門、輸出門和存儲單元組成。由于其獨特的“記憶”優(yōu)勢，LSTM網(wǎng)絡(luò)得到了越來越廣泛的應(yīng)用。圖1所示為LSTM的網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 LSTM結(jié)構(gòu)

遺忘門決定了前一時刻的單元狀態(tài)需要保留到當(dāng)前時刻的程度。

()=[(-1)+()+]

(2)

輸入門分為兩部分：Sigmoid層決定哪些信息需要更新，并輸出為()；Tanh層創(chuàng)建候選向量′()。最后,組合這2個向量來創(chuàng)建更新值。數(shù)學(xué)表達式為

()=[(-1)+()+]

(3)

′()=tanh[(-1)+()+]

(4)

單元狀態(tài)()是遺忘門()與上一時刻單元狀態(tài)(-1)乘積和()與()乘積的和。

=(-1)?()+()?()

(5)

輸出門是輸出到LSTM控制單元狀態(tài)的當(dāng)前輸出值，由Sigmoid層和Tanh層兩部分組成。

()=[(-1)+()+]

(6)

()=()?tanh[()]

(7)

其中：為激活函數(shù)；、、、、、、、為權(quán)重；(-1)為前一個神經(jīng)元的輸出結(jié)果；、、、為偏置；?為元素乘法符號。

由于Tanh的導(dǎo)數(shù)大于Sigmoid函數(shù)的導(dǎo)數(shù)，Tanh激活函數(shù)通常用于解決RNN梯度消失問題。Sigmoid函數(shù)估計輸入數(shù)據(jù)與先前隱藏狀態(tài)的權(quán)重和激活，值在0～1之間，指示允許流入多少相關(guān)信息。各個門之間以特定的關(guān)系相互作用、過濾和保存信息。這種結(jié)構(gòu)可以有效解決梯度消失問題。

2 基于EMD-LSTM的煤氣消耗預(yù)測模型

EMD-LSTM適用于同類型的時間序列預(yù)測。首先，通過EMD從煤氣消耗序列中提取煤氣消耗特征，捕捉可變操作條件下的復(fù)雜時間序列關(guān)系；然后，使用LSTM研究鋼板規(guī)格、軋制條件和煤氣消耗的關(guān)系。如圖2所示，EMD-LSTM煤氣消耗預(yù)測模型主要由兩部分組成。

圖2 基于EMD-LSTM的煤氣預(yù)測流程

2.1 基于EMD的信號預(yù)處理

使用EMD對煤氣消耗數(shù)據(jù)進行預(yù)處理。具體步驟如下所示：

(1)識別煤氣消耗序列()的所有極值點，用三次樣條插值函數(shù)繪制()的上下包絡(luò)線；

(2)求上下包絡(luò)線的均值，畫出平均包絡(luò)();

(3)從原始信號()中減去平均包絡(luò)()，得到第1個分量();

(4)確定()是否滿足IMF的2個條件，如果滿足，則信號為IMF分量；如果不滿足，以信號為基礎(chǔ)，重復(fù)步驟(1)—(4),IMF分量通常通過幾次迭代獲得;

(5)獲得第1個IMF分量后，從原始信號中減去IMF1，作為新的原始信號，然后重復(fù)步驟(1)—(4)，以獲得IMF2分量,以此類推，直到最終殘差變?yōu)閱握{(diào)函數(shù)，EMD分解完成。

2.2 LSTM煤氣消耗量預(yù)測

文中選取某鋼廠一個月的煤氣消耗量，前90%的數(shù)據(jù)樣本用于模型訓(xùn)練，后10%數(shù)據(jù)用于監(jiān)測預(yù)測模型的準(zhǔn)確性。煤氣消耗的影響因素非常復(fù)雜，因此應(yīng)選擇主要影響因素來確定合適的輸入?yún)?shù)。選擇合適的輸入可以提高煤氣預(yù)測模型的有效性。

確定輸入?yún)?shù)后，應(yīng)確定LSTM的結(jié)構(gòu)?？紤]到模型的計算速度和預(yù)測的準(zhǔn)確性等相關(guān)因素，進行大量測試以確定隱含層數(shù)、批次、迭代次數(shù)等參數(shù)。

在LSTM模型的構(gòu)造中，使用自適應(yīng)矩估計算法優(yōu)化預(yù)測模型的參數(shù)。它可以更新網(wǎng)絡(luò)的權(quán)重，動態(tài)調(diào)整各個參數(shù)的學(xué)習(xí)速率，使各個參數(shù)的更新更加獨立。

各個分量預(yù)測完成后，累加每個模型的預(yù)測值，作為冷軋煤氣消耗量的最終預(yù)測結(jié)果。

3 實驗分析

3.1 工作條件

冷軋工藝一般包括原材料、酸洗、軋制、退火、精整等，以熱軋產(chǎn)品作為冷軋帶鋼的原材料。原料冷軋前先進行酸洗，去除熱軋帶鋼表面的氧化皮，確保產(chǎn)品表面清潔。冷軋是材料變形的主要過程。經(jīng)過多道次軋制后可以獲得所需尺寸、形狀的帶材。退火的目的是消除再結(jié)晶之后的硬化。精加工包括檢驗、剪切、矯治、分揀和包裝，以獲得最終產(chǎn)品。圖3所示為冷軋工藝的整體布局。

圖3 冷軋工藝布局

以唐山某鋼鐵企業(yè)四鍍鋅冷軋生產(chǎn)線為研究對象，采集了2020年10月的實際生產(chǎn)數(shù)據(jù)，數(shù)據(jù)樣本4 544個。采用EMD-LSTM模型預(yù)測冷軋煤氣消耗量。樣本數(shù)據(jù)分為兩個子集:訓(xùn)練集和測試集。前4 090個數(shù)據(jù)點作為歷史數(shù)據(jù)訓(xùn)練模型，剩余的454個數(shù)據(jù)點用于評估預(yù)測性能。

3.2 煤氣消耗數(shù)據(jù)特征提取

圖4所示為實際生產(chǎn)過程中煤氣的消耗情況。EMD分解可以降低變量的非線性和不穩(wěn)定的影響，提取數(shù)據(jù)中包含的主要信息。信號分解EMD結(jié)果如圖5所示。

圖4 煤氣消耗實際值

圖5 基于EMD分解的煤氣消耗序列

3.3 LSTM模型與訓(xùn)練

經(jīng)分析，煤氣消耗量的主要影響因素有:鋼板寬度、鋼板厚度、碳含量、硅含量、硫含量、磷含量、加熱爐酸洗速度、加熱爐酸洗溫度、退火爐速度、退火爐加熱段1溫度、退火爐加熱段2溫度、退火爐均熱溫度。建立LSTM網(wǎng)絡(luò)，使用12個變量作為預(yù)測模型的輸入，預(yù)測各個煤氣消耗量分量，模型參數(shù)采用自適應(yīng)矩估計算法調(diào)整。每個分量迭代次數(shù)設(shè)置為5，批次設(shè)置為15，隱含層設(shè)置為32。

3.4 結(jié)果和討論

為驗證EMD-LSTM模型的預(yù)測能力，與BP、EMD-BP、LSTM和EMD-LSTM的煤氣預(yù)測結(jié)果進行比較。

如圖6和圖7所示:BP模型的預(yù)測值與煤氣消耗實際值差距較為明顯，它只能預(yù)測煤氣消耗的大體趨勢;經(jīng)過EMD分解提取本質(zhì)特征后，煤氣消耗量的預(yù)測精度大大提高，但在極值點處仍存在較為明顯的誤差，需要進一步改進。兩種模型預(yù)測結(jié)果表明，對數(shù)據(jù)進行預(yù)處理可以在一定程度上提高模型的預(yù)測能力。

圖6 BP模型煤氣預(yù)測值

圖7 EMD-BP模型預(yù)測值

在閱讀了大量文獻后，本文作者發(fā)現(xiàn)理論上LSTM對時間序列有更強的預(yù)測能力，可以充分利用數(shù)據(jù)中的有效信息。因此，驗證LSTM的預(yù)測能力。

由圖8可以看出:LSTM預(yù)測曲線與實際煤氣消耗曲線趨于一致，預(yù)測精度明顯高于BP模型;然而，在部分極值點處，預(yù)測值略低于實際值。

圖8 LSTM模型煤氣預(yù)測值

通過以上分析，將EMD分解與LSTM相結(jié)合，利用EMD提取煤氣消耗數(shù)據(jù)的本質(zhì)特征，對副產(chǎn)品煤氣消耗量進行LSTM預(yù)測。

如圖9所示:與BP、EMD-BP和LSTM相比，EMD-LSTM的預(yù)測結(jié)果與實際值基本相近,表明它完美結(jié)合了兩個算法的優(yōu)勢，可用于預(yù)測冷軋過程中的煤氣消耗量。

圖9 EMD-LSTM模型煤氣預(yù)測值

對于煤氣消耗預(yù)測，使用平均絕對誤差(MAE)、均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)和均方根誤差()來評估預(yù)測模型的性能。

(8)

(9)

(10)

(11)

表1所示為4種模型預(yù)測性能的比較結(jié)果?？芍篍MD-LSTM相較于其他算法具有較低的MAE(1.634)、RMSE(2.121)、MAPE(0.39%)和較高的(0.957)，這表明預(yù)測值與實際值的擬合程度較高，預(yù)測能力良好。從上述4種模型的預(yù)測結(jié)果看，EMD-LSTM模型充分利用了EMD分解在非線性數(shù)據(jù)特征提取和時間序列長期記憶中的LSTM效應(yīng)，克服了單一模型的缺點，提高了煤氣消耗量的預(yù)測效果。

表1 不同方法的預(yù)測性能比較

4 結(jié)論

針對工業(yè)過程中數(shù)據(jù)存在非線性、非平穩(wěn)的現(xiàn)象，提出了一種EMD-LSTM方法，并用某鋼鐵企業(yè)實際冷軋生產(chǎn)數(shù)據(jù)進行了驗證。首先，利用EMD將煤氣消耗量序列分解成若干頻率分量，從中提取煤氣消耗量本質(zhì)特征。然后，建立了一個煤氣消耗量預(yù)測模型，對各分量進行預(yù)測。最后，將各個預(yù)測值相加，得到最終的預(yù)測結(jié)果。從仿真結(jié)果可以得出以下結(jié)論：

(1)EMD-BP方法與BP 方法進行對比，得到采用 EMD對數(shù)據(jù)進行預(yù)處理可以有效提高模型的預(yù)測能力；

(2)LSTM方法與BP方法相比，得到LSTM方法能夠利用大量先驗信息，有效解決長期依賴的問題，具有更高預(yù)測精度；

(3)預(yù)測結(jié)果表明：EMD-LSTM方法結(jié)合了兩個方法的優(yōu)勢，大大提升了煤氣預(yù)測精度，MAPE低至0.39%，達到0.957。該方法可以用于冷軋煤氣消耗量的預(yù)測，為鋼鐵企業(yè)節(jié)約生產(chǎn)成本、降低環(huán)境污染及煤氣調(diào)度提供參考。