楊會利，李 躍，趙 克，張建良，劉征建，王耀祖，孫慶科

（1.鞍山鋼鐵集團有限公司大孤山球團廠，遼寧 鞍山 114046；2.北京科技大學冶金與生態(tài)工程學院，北京 100083；3.北京科技大學人工智能研究院，北京 100083；4.北京科技大學自動化學院，北京 100083）

0 引言

隨著國家供給側(cè)結(jié)構(gòu)性改革和低碳節(jié)能戰(zhàn)略發(fā)展目標的實施，鋼鐵行業(yè)的發(fā)展和生存面臨著嚴峻的挑戰(zhàn)。對于高爐煉鐵來說，球團礦是高爐冶煉必備的原料，球團礦的質(zhì)量直接影響著高爐的正常運行和鐵水的質(zhì)量。因此對入爐球團礦的質(zhì)量要求越來越高，這也就促進了球團礦工業(yè)的發(fā)展。球團礦入爐前的質(zhì)量檢測是必不可少的環(huán)節(jié)，而目前球團礦的質(zhì)量檢測結(jié)果大多是在成品球團礦生產(chǎn)出來后經(jīng)現(xiàn)場人工采樣，送化驗室檢測后得到。由于球團礦質(zhì)量檢測時間長，現(xiàn)場獲得質(zhì)量數(shù)據(jù)時間滯后，很難及時快速對成品球團礦的質(zhì)量進行控制和調(diào)整，當發(fā)現(xiàn)球團礦質(zhì)量不合格時，已經(jīng)造成了巨大的損失。因此建立成品球團礦質(zhì)量實時預測系統(tǒng)對球團礦質(zhì)量、高爐生產(chǎn)及環(huán)境保護都有非常重要的意義。

目前計算機和人工智能技術(shù)已被廣泛地應用于工業(yè)各個領域，進一步加強生產(chǎn)方式智能化綠色發(fā)展已成為諸多鋼鐵企業(yè)的研究熱點。近年來，隨著大數(shù)據(jù)、機器學習、深度學習的發(fā)展，基于大數(shù)據(jù)開發(fā)的智能控制、智能預測算法也被應用到工業(yè)的各個領域，例如燒結(jié)礦質(zhì)量預測[1]，球團礦質(zhì)量預測[2]。為了能夠?qū)崟r監(jiān)測成品球團礦的質(zhì)量，國內(nèi)外學者做了大量的研究。本文總結(jié)了近些年球團礦質(zhì)量預測算法研究，主要包括案例推理、神經(jīng)網(wǎng)絡、遺傳算法以及其他改進算法等，以期為鋼鐵企業(yè)球團礦質(zhì)量預測的智能化提供參考。

1 球團礦質(zhì)量預測研究現(xiàn)狀

國內(nèi)外對球團礦質(zhì)量預測主要分為兩大類，如圖1所示。一類是對成品球團礦質(zhì)量化學成分預測的研究，另一類是對球團礦質(zhì)量物理性能預測的研究。

圖1 球團礦質(zhì)量預測Fig.1 Pellet ore quality prediction

國內(nèi)外對球團礦質(zhì)量化學成分的預測研究比較多。文獻[3]通過搭建BP 神經(jīng)網(wǎng)絡模型預測堿度，國外有學者通過對風箱廢氣分析來預測FeO 含量。Liu Bin[4]等人建立了3 種不同的人工神經(jīng)網(wǎng)絡模型來預測球團礦的熱狀態(tài)指數(shù)（RDI、RI、RSI），根據(jù)球團礦理論確定網(wǎng)絡輸入，然后使用靈敏度分析來量化每個輸入變量的重要性，并逐漸降低網(wǎng)絡的輸入維數(shù)，最后通過最小網(wǎng)絡輸入因子來提高網(wǎng)絡預測的準確性，仿真結(jié)果表明，預測模型符合實際工程應用要求。

在球團礦質(zhì)量物理性能方面主要預測的是轉(zhuǎn)鼓指數(shù)和抗壓強度。在球團的最佳粒徑方面德國人做過深入研究，球團礦生產(chǎn)要盡可能滿足粒度均勻，大小適中，粒度不均勻會降低球團的透氣性，會在焙燒和預熱過程中影響球團的干燥和預熱速度，同時也影響冷卻的速度，從而使得球團礦質(zhì)量下降。Wang Yukun[5]等人提出一種基于核主成分分析（KPCA）和RBF 神經(jīng)網(wǎng)絡結(jié)合模型，通過分析鏈篦機-回轉(zhuǎn)窯球團礦生產(chǎn)過程的熱工參數(shù)，確定輸入輸出變量，利用核主成分分析算法（KPCA）處理樣品數(shù)據(jù)并簡化模型結(jié)構(gòu)，然后利用RBF神經(jīng)網(wǎng)絡建立了球團抗壓強度預測模型，利用全局優(yōu)化的模擬退火算法對網(wǎng)絡模型的參數(shù)進行優(yōu)化，得到高精度的預測模型。仿真結(jié)果表明，該模型能夠準確預測球團礦的抗壓強度，克服原有球團礦抗壓強度測量試驗方法滯后的缺點。

2 球團礦質(zhì)量預測模型

2.1 基于案例推理模型

案例推理（Case-based Reasoning）技術(shù)起源于Roger Schank 于1982年在Dynamic Memory 中的描述，在1988年由Roger C.Schank，Robert P.Abelson提出[6]，是人工智能領域中新崛起的一種基于知識問題求解和學習的方法[7]。圖2為案例推理流程，由圖2可以看出，該方法是基于案例庫中存儲的過往案例的解生成新的問題的解，從而解決現(xiàn)實中隨機出現(xiàn)的難以量化的解[8]。案例推理主要包括四個步驟，即案例描述、案例檢索、修改重用、保存更新。由于鋼鐵企業(yè)在過去的生產(chǎn)過程中生成大量的歷史數(shù)據(jù)，結(jié)合案例推理的方案將歷史生成的大數(shù)據(jù)得以利用從而對以后產(chǎn)品質(zhì)量的預測有著很大的生產(chǎn)意義。

圖2 案例推理流程圖Fig.2 Case inference flowchart

2.1.1 案例描述

將案例推理（CBR）引入到焙燒球團質(zhì)量預測中就是找出球團礦的質(zhì)量與各生產(chǎn)參數(shù)指標之間的關(guān)系。根據(jù)現(xiàn)場專家經(jīng)驗和歷史數(shù)據(jù)的分析，可以用向量對球團礦案例進行描述，同時將問題特征向量的元素設定為焙燒性能指標，可以將入爐生球量、煤氣流量、主引風機風量、風箱溫度、煙罩溫度、和燒嘴溫度等設定為焙燒性能指標；將解的特征向量元素設定為球團質(zhì)量指標[9]?；谥鞒煞址治龇▽τ绊懬驁F質(zhì)量的指標進行處理[10]，從球團礦24個性能指標中得到3 個綜合特性指標，分別為化學成分FeO 質(zhì)量分數(shù)（ym1）、轉(zhuǎn)鼓指數(shù)（ym2）、抗壓強度（ym3）。根據(jù)以上設定，影響球團礦質(zhì)量因素指標和球團礦質(zhì)量評價指標可以用向量表示為：

2.1.2 案例檢索

案例檢索與匹配是實現(xiàn)案例推理中非常重要的環(huán)節(jié)，案例檢索的速度大小和案例檢索的精度會影響案例推理的最終效果。為了滿足速度和精度的要求，要在案例庫盡可能檢索出與待求解問題相同或類似的集合，且要盡可能減少檢索次數(shù)。案例檢索方法主要有最近鄰、聚類分析、人工神經(jīng)網(wǎng)絡等，最常用的方法就是最近鄰算法[11]，最近鄰算法(k-Nearest Neighbor,KNN)是機器學習的經(jīng)典算法之一。最近鄰算法基于N 個已經(jīng)標注好的訓練集樣本T={Xi，i=1，…，N}，對于新輸入的測試集樣本，通過計算其與訓練樣本之間的距離進行分類。在案例檢索中認為每個案例的特征是相同的且都有各自的權(quán)重w，每個案例都可以用與其最接近的案例來近似表示，通過求解二者之間的距離來評價當前案例與案例庫中案例的接近程度[12]。計算案例之間最常用的距離是歐幾里得距離，則案例庫中第m條案例xm和當前案例x0之間的歐幾里得距離為[13]：

其中d 的值越小，表明當前案例與案例m 越相似。

2.1.3 修改重用

所謂案例重用，就是用在案例庫中檢測到的案例所提供的解決方案來解決目標案例的問題，對匹配信息好的案例可以直接套用案例庫案例的解決方法作為目標案例的解決方法。大多數(shù)情況下，沒有完全匹配的案例，只能通過對相似案例的解決方法進行調(diào)整得出新的解決方案。

2.1.4 保存更新

修改重用后的目標案例即使是與案例庫的一些案例極為相似，但依然會存在細微的差別，因此該目標案例可以作為新的案例加入到案例庫中，從而達到更新案例庫的功能[14]。

劉丕亮[9]等人基于某煉鐵廠的生產(chǎn)數(shù)據(jù)建立初始案例庫，利用主成分分析法和k-means 算法建立索引結(jié)構(gòu)，采用最近鄰算法進行檢索，修改重用，更新案例庫。最后用球團焙燒實際數(shù)據(jù)仿真驗證，對FeO 質(zhì)量分數(shù)、轉(zhuǎn)鼓指數(shù)、和抗壓強度進行預測，并將預測結(jié)果和多元線性回歸對比，結(jié)果表示案例推理預測精度高于多元線性回歸。兩種算法各質(zhì)量指標參數(shù)預測相對誤差絕對平均值如表1所示。

表1 兩種算法各質(zhì)量指標參數(shù)預測相對誤差絕對平均值Table 1 Absolute average value of the prediction relative error of each quality index parameter of the two algorithms%

東北大學的胡睿[11]為了分析影響球團礦抗壓強度的各段溫度，選取了預熱一段、預熱二段、窯頭和窯尾的溫度作為輸入，以球團礦成品球抗壓強度作為輸出，建立了基于案例推理的球團礦質(zhì)量預測模型，從而得出抗壓強度預報值和噴煤量應該輸出值。李東喆[15]改進了案例推理預測球團礦抗壓強度的模型，通過搭建球團礦抗壓強度的質(zhì)量控制器和球團礦生產(chǎn)過程的PID 控制器，以達到控制影響預熱球團抗壓強度的過程參數(shù)的目的，并驗證了控制系統(tǒng)能達到設定的控制要求。

2.2 基于BP神經(jīng)網(wǎng)絡模型

BP（Back-propagation）神經(jīng)網(wǎng)絡是最傳統(tǒng)的神經(jīng)網(wǎng)絡，是Rumelhart 和McClelland 在20世紀八十年代提出的一種誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡[16]。BP 算法解決了多層神經(jīng)網(wǎng)絡中隱單元層權(quán)重連接的問題，得到了廣泛的應用[17]。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.3 BP Neural network structure

BP 神經(jīng)網(wǎng)絡是深度學習的基本組成部分，輸入向量和輸出向量都是已知的，其任務是完成輸入X和輸出Y之間的非線性映射[18]，如等式（1）所示。

BP 神經(jīng)網(wǎng)絡屬于監(jiān)督學習，圖3顯示的是一個標準神經(jīng)網(wǎng)絡結(jié)構(gòu)，左邊藍色的為輸入層，該輸入層有三個神經(jīng)元，中間為隱含層，通常神經(jīng)網(wǎng)絡有較多的隱含層，最右邊紅色的部分為輸出層。每個神經(jīng)元在計算線性加權(quán)后輸出，然后經(jīng)過激活函數(shù)將計算結(jié)果傳輸給下一層，在訓練過程中，從輸入層依次經(jīng)過隱藏層到輸出層從前往后的過程叫做前向傳播。通過輸出層預測值和真實值之間的誤差，不斷計算損失函數(shù)，不斷地更新神經(jīng)網(wǎng)絡的權(quán)重和偏置項，該過程是從輸出層反向傳播的，故不斷地更新神經(jīng)網(wǎng)絡參數(shù)的過程叫做反向傳播。訓練神經(jīng)網(wǎng)絡的過程包括前向傳播和反向傳播兩個過程。

東北大學王武海[19]將球團礦生產(chǎn)過程按工藝劃分為焙燒、預熱、環(huán)冷等各個階段，并找出影響每段的主要參數(shù)，根據(jù)各個分段的特點進行建模，分別建立了鏈篦機、回轉(zhuǎn)窯、環(huán)冷機三個部分的球團抗壓強度BP 神經(jīng)網(wǎng)絡模型，并從不同的角度對模型進行驗證，結(jié)果顯示模型性能較好。金達爾剛公司[20]建立了一個三層的BP 神經(jīng)網(wǎng)絡模型來預測球團礦的冷壓強度，該網(wǎng)絡的輸入變量分別為給料率、料層高度、焙燒溫度等12 個變量，輸出為成品球的冷壓強度。經(jīng)過神經(jīng)網(wǎng)絡訓練和測試表明，該網(wǎng)絡的預測結(jié)果與實際結(jié)果的誤差在3%以內(nèi)，同時得出了輸入變量對成品球團礦冷壓強度的影響程度關(guān)系。閆洪偉[21]搭建BP 神經(jīng)網(wǎng)絡對球團礦抗壓強度、轉(zhuǎn)鼓指數(shù)和篩分指數(shù)進行預測，獲得一定的效果，但預測精度還有待提升。東北大學的李明[22]依托弓長嶺球團公司現(xiàn)場生產(chǎn)數(shù)據(jù)，搭建了基于BP 神經(jīng)網(wǎng)絡的抗壓強度和轉(zhuǎn)鼓指數(shù)的預報模型，結(jié)合球團的固結(jié)機理，構(gòu)建了抗磨指數(shù)預測模型，該模型能夠及時準確預測成品球團礦冷的物理質(zhì)量，可以指導生產(chǎn)及時調(diào)整控制參數(shù)從而達到提高球團礦物理性能的目的，最后結(jié)果表明所建立的預報模型可應用于實際工程中。

2.3 基于遺傳算法模型

遺傳算法是在20世紀60年代由美國密歇根大學的John Holland 提出的，遺傳算法的主要思想是模擬達爾文生物進化論，是一種用于解決最優(yōu)化的一種搜索啟發(fā)式算法，主要包括選擇、交叉、變異三個過程[23]。遺傳算法流程如圖4所示。

圖4 遺傳算法流程圖Fig.4 Genetic algorithm flowchart

李東喆[15]搭建了BP 神經(jīng)網(wǎng)絡模型來預測預熱球團抗壓強度質(zhì)量，同時結(jié)合遺傳算法對BP 神經(jīng)網(wǎng)絡參數(shù)進行優(yōu)化，并設計了預熱球團抗壓強度的質(zhì)量控制系統(tǒng)。徐建有等人[24]利用遺傳算法對神經(jīng)網(wǎng)絡的初始權(quán)值和閾值進行優(yōu)化，搭建了基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡，并以實際生產(chǎn)數(shù)據(jù)為依據(jù)，對抗壓強度、轉(zhuǎn)鼓指數(shù)和篩分指數(shù)等質(zhì)量指標值進行預測。結(jié)果表明該模型收斂快，精度高，對球團礦的生產(chǎn)有重要指導意義。閆洪偉[21]在BP算法的基礎上搭建了GA-BP 網(wǎng)絡模型，結(jié)果表明相對于BP 神經(jīng)網(wǎng)絡，經(jīng)過遺傳算法的優(yōu)化，該模型對球團的抗壓強度、轉(zhuǎn)鼓指數(shù)和篩分指數(shù)的預測準確率都有較大的提高，同時遺傳算法加快了模型的收斂速度。邱波[25]等人利用遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡建立預熱球團的質(zhì)量預測模型，仿真驗證結(jié)果表明，球團質(zhì)量模型精度達到了質(zhì)量控制要求。

2.4 其他模型

江山[26]等人提出并建立了基于非線性主成分分析方法與自適應小波神經(jīng)網(wǎng)絡相結(jié)合的球團礦質(zhì)量預測模型，對轉(zhuǎn)鼓指數(shù)和抗壓強度進行預測，結(jié)果表明該網(wǎng)絡比傳統(tǒng)的BP 網(wǎng)絡對質(zhì)量的預測準確率更高。閆洪偉[21]在BP 算法的基礎上，將粒子群算法應用到網(wǎng)絡中，結(jié)果表明，粒子群-BP 算法的預測精度非常高，但是其收斂速度偏慢。韓陽[27]在SVM的基礎上進行改進，提出了一種球團礦冶金性能預測的SVM 改進模型，將球團礦相的紋理特征、顏色特征和分形特征構(gòu)成的特征向量進行主成分提取并將其作為輸入，探索了礦相主特征與其冶金性能的關(guān)系。Jie-sheng[28]等人提出一種基于生物地理學優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡模型，該模型以成品球團礦質(zhì)量最相關(guān)的物料厚度、窯頭的溫度、窯尾的溫度等六個變量作為輸入，以成品球團礦的質(zhì)量指數(shù)作為輸出。仿真結(jié)果表明，該模型具有較好的泛化能力和較高的預測精度。Xiao-hui Fan[29]等人根據(jù)回轉(zhuǎn)窯溫度變化曲線預測了球團抗壓強度，從而輔助工藝的優(yōu)化過程。部分球團質(zhì)量預測算法的預測效果如表2所示。

表2 部分球團質(zhì)量預測算法的預測效果Table 2 Prediction effect of some prediction algorithms on the pellet quality

3 結(jié)論

本文介紹了國內(nèi)外球團礦質(zhì)量預測研究的現(xiàn)狀，重點總結(jié)了各種球團質(zhì)量預測的算法模型，并對各算法模型在球團礦質(zhì)量預測上的效果進行了對比分析。目前的算法都是在大數(shù)據(jù)基礎上開發(fā)出的智能算法，在現(xiàn)實生產(chǎn)過程中，隨著工況的變化，模型預測精度就會出現(xiàn)振蕩。因此可以考慮將球團礦生產(chǎn)過程機理加入智能算法模型中，與算法相結(jié)合使得球團礦質(zhì)量預測模型更加精確。

隨著近些年計算機技術(shù)和人工智能的發(fā)展，各種智能算法都在不斷地優(yōu)化升級，智能算法在球團礦質(zhì)量預測上的精度也在不斷地提高。隨著數(shù)字化時代的到來，在保證預測精度的情況下，建立全面的球團礦質(zhì)量預測孿生系統(tǒng)是未來發(fā)展的方向。