BP神經(jīng)網(wǎng)絡(luò)燒結(jié)礦化學(xué)成分預(yù)報模型與仿真

基于神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦化學(xué)成分預(yù)報模型與仿真王大勇摘要燒結(jié)礦化學(xué)成分的測是鋼鐵工業(yè)中的關(guān)鍵和難點，并且容易受到燒結(jié)時份一個操作環(huán)節(jié)的影響紹用BP神經(jīng)絡(luò)建立燒結(jié)礦化學(xué)成分的預(yù)報模型過現(xiàn)場數(shù)據(jù)仿真，表明該方法魯棒性強、準(zhǔn)確性高、泛化能力廣，具有很強的實用性和推廣價值。關(guān)鍵詞：燒結(jié)礦化學(xué)成分；神經(jīng)網(wǎng)絡(luò)算法；堿度；訓(xùn)練；權(quán)值和閾值；樣本數(shù)據(jù)燒結(jié)礦化學(xué)成分的穩(wěn)定直接影響高爐生產(chǎn)的穩(wěn)定。實驗數(shù)據(jù)表明，燒結(jié)礦T波動范圍由士1.0%降±0.5%，高利用系數(shù)可提高2.0%，焦比可降低；結(jié)礦堿度波動范圍由士0.1％降到士0.05%，爐利用系數(shù)可提高2.5%焦可降低1.3%。此，穩(wěn)定燒結(jié)礦化學(xué)成分對化高爐冶煉增鐵節(jié)焦有著十分重要的意義前我國燒結(jié)廠對燒結(jié)礦化學(xué)成分的控制，主要是通過每一次燒結(jié)礦采樣分析，調(diào)整混合料中的有關(guān)成分來實現(xiàn)的。然而，原料經(jīng)過下料、混合、布料、點火燒結(jié)到成品冷卻、整粒、取樣等工序，待觀察到調(diào)節(jié)效果一般需。此大的時間滯后，采用傳統(tǒng)的控制方法，很難實現(xiàn)燒結(jié)礦化學(xué)成分的準(zhǔn)確控制。為此建立了基于BP神網(wǎng)絡(luò)的結(jié)礦化學(xué)成分預(yù)報模型從唐山鋼鐵公司燒結(jié)廠選取了2002~2006年200組據(jù)萬訓(xùn)練和學(xué)習(xí)全誤差λ=0.000091，小于預(yù)設(shè)精度，得到相應(yīng)的預(yù)測模型Matlab仿真試驗結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)的算法對燒結(jié)礦的化學(xué)成分進行預(yù)測以大提高預(yù)測精度且模型具有較好的魯棒性和泛化能力實證明，應(yīng)用該技術(shù)提預(yù)報燒結(jié)礦的化學(xué)成分，從而對配料做出及時調(diào)整現(xiàn)燒結(jié)礦化學(xué)成分穩(wěn)定的有效措施。一神網(wǎng)預(yù)模的立1．網(wǎng)絡(luò)輸入層輸入變量的確定燒結(jié)過程是一個復(fù)雜的系統(tǒng)。一定的原料參數(shù)和操作參數(shù)作用于設(shè)備參數(shù)（統(tǒng)稱工藝參數(shù)）則有一定的狀態(tài)參數(shù)指標(biāo)參數(shù)與之對應(yīng)其中，原料參數(shù)包括混勻礦配比石配比、焦粉配比、生石灰配比等；設(shè)備參數(shù)包括風(fēng)機能力、漏風(fēng)率、混合制粒能力等；操作參數(shù)包括一二次混合加水量層厚度車速度等態(tài)參數(shù)包括煙道負(fù)壓氣度、返礦率等；指標(biāo)參數(shù)包括堿度、全鐵含量SiO含量轉(zhuǎn)鼓指數(shù)、利用系數(shù)等。每個工藝參數(shù)對指標(biāo)參數(shù)的影響是不一樣的，需要找出對指標(biāo)參數(shù)有顯著影響且獨立變化，易于控制的關(guān)鍵參數(shù)見表。2．神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定燒結(jié)礦性能指標(biāo)預(yù)測采用三層誤差反向傳播神經(jīng)網(wǎng)絡(luò)，系神經(jīng)元全連接網(wǎng)絡(luò)。輸入分別為料層厚度，燒結(jié)機速度m/min)，點火溫度（℃），燒結(jié)負(fù)壓Pa），混合料溫℃合料水％燃配％料中FeO含（％石配％混均礦中SiOFeOCaO含，二混加水率，煤氣流量，混合料粒度；輸出為燒結(jié)TFe含量（％）和堿度含量（％）、二氧化硅含量（％）CaO、鼓強度。燒結(jié)礦化學(xué)成分預(yù)測BP神經(jīng)絡(luò)模型見圖1，個隱含層的神經(jīng)元都有一個附加輸入，因此每個隱含層具有個權(quán)，全部設(shè)成0.5其權(quán)值在反向傳播過程中進行學(xué)習(xí)。模型的每個神經(jīng)元具有一個簡單的非線性方程。輸入神經(jīng)元含有一個簡單的隸屬度處理函數(shù)將變量的范圍從實值轉(zhuǎn)變成神經(jīng)方程的線性部分在之隱含

層和輸出層神經(jīng)元是如下的非線性處理函數(shù)：式中：—當(dāng)前神經(jīng)元j的出w—神經(jīng)元i到經(jīng)元j的權(quán)；Y—一層神經(jīng)元的輸出；w—經(jīng)元的可調(diào)閾值；θ—神經(jīng)元的閾值。3．隱含層神經(jīng)元數(shù)的確定網(wǎng)絡(luò)訓(xùn)練精度的提高，可以通過采用一個隱含層，以增加其神經(jīng)元個數(shù)的方法來獲得這結(jié)構(gòu)實現(xiàn)上要比增加多的隱含層簡單得多竟選取多少個隱含層節(jié)點合適是個很復(fù)雜的問題它直接影響網(wǎng)的非線性性能與所解決問題的復(fù)雜性有關(guān)但問題的復(fù)雜性無法量化，因而也沒有很好的解析式來確定隱含層單元數(shù)。一般對于三層前向網(wǎng)絡(luò)隱含層節(jié)點數(shù)有如下經(jīng)驗公式式中：—出層節(jié)點數(shù)目；n—輸入層節(jié)點數(shù)目；α—為1~10常數(shù)j=1ogn(2)式中：—入層節(jié)點一般情況下最常用的是經(jīng)驗公2)4．初始權(quán)值的選取由于系統(tǒng)是非線性的，初始值對于學(xué)習(xí)是否達(dá)到局部最小、能否收斂以及訓(xùn)練時間的長短關(guān)系很大如果初始值太使得加權(quán)后的輸入落在激活函數(shù)的飽和區(qū)從而導(dǎo)致其導(dǎo)數(shù)

非常小在計算權(quán)值修正公式δ正比于趨近于時則有δ趨于0，得△w→0，從使得調(diào)節(jié)過程幾乎停頓。所以，一般總是希望初始加權(quán)后的每個神經(jīng)元的輸出值都接近于零可以保證每個神經(jīng)元的權(quán)值都能夠在其型活函數(shù)變化最大之處進行調(diào)節(jié)以初權(quán)值一般取(-11)之間的隨機數(shù)。5．樣本數(shù)據(jù)的處理因為所收集的數(shù)據(jù)往往不是在同一個數(shù)量級，故將它們映射到1）之間進行歸一化處理，以有利于提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。標(biāo)準(zhǔn)化后的數(shù)據(jù)范圍從0到1，反傳人工神經(jīng)網(wǎng)絡(luò)算法使用Sigmoid函時，輸出的數(shù)據(jù)范圍也是從0到1，所以這種標(biāo)準(zhǔn)化方法在使用Sigmoid函的反傳神經(jīng)網(wǎng)絡(luò)算法中用來標(biāo)度目標(biāo)值時為了允許預(yù)報值在一定范圍內(nèi)超界，訓(xùn)練樣本集的目標(biāo)范圍標(biāo)度轉(zhuǎn)化為0.1~0.9，即歸一化公式如式3）

神經(jīng)網(wǎng)絡(luò)計算結(jié)束后，再做反歸一化處理，便得到實際的輸出值即預(yù)報值。反歸一化公式如式（4）樣本數(shù)據(jù)中不可避免地存在著部分異常數(shù)據(jù)，將給模型帶來一定影響，燒結(jié)礦化學(xué)成分預(yù)報模型所用的數(shù)據(jù)均來自生產(chǎn)現(xiàn)場的統(tǒng)計報表，由于早期樣本數(shù)據(jù)可能存在誤導(dǎo)作用，因此本模型所用的訓(xùn)練樣本和測試樣本都是經(jīng)過仔細(xì)篩選而形成的。6．網(wǎng)絡(luò)的初始化訓(xùn)練對所收集的生產(chǎn)過程數(shù)據(jù)進行整理，成為初始化訓(xùn)練的200組據(jù)，分別對每一種燒結(jié)礦化學(xué)成分指標(biāo)建立從單因素輸入到多因素輸入的多個神經(jīng)網(wǎng)絡(luò)模型化訓(xùn)練主要確定模型的隱層節(jié)點數(shù)和階數(shù)化訓(xùn)練以后的燒結(jié)礦化學(xué)成分指Tfe、CaO、MgO等對應(yīng)每一個輸入條件的適宜的網(wǎng)絡(luò)結(jié)構(gòu)。在網(wǎng)絡(luò)初始化訓(xùn)練的200組練本中，每一種化學(xué)成分的幾種神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練輸出與樣本中的化學(xué)成分的實測值都擬合得很好，命中率幾乎達(dá)到100%，網(wǎng)絡(luò)模型都能收斂到全局最小點。二預(yù)模仿結(jié)與析由于訓(xùn)練過的網(wǎng)絡(luò)已經(jīng)“模擬”和“記憶”了輸入與輸出之間的函數(shù)關(guān)系，因此可以用于燒結(jié)礦各化學(xué)成分的預(yù)測唐燒結(jié)廠選取的組數(shù)據(jù)作為預(yù)測因子即輸入變量，逐年加入新的信號，重新訓(xùn)練和學(xué)習(xí)，向后逐步預(yù)測。每次預(yù)測的結(jié)果見2。衡量預(yù)測結(jié)果，采用兩個統(tǒng)計學(xué)指標(biāo)，即均方根誤差σ和平方相對誤差式中：和x分為燒結(jié)礦各化學(xué)成分的實際值和預(yù)測值。從這兩項指標(biāo)看所建立的預(yù)測模型有很好的預(yù)測效果。參文：[1]李果，李學(xué)仁，何秀然．改進ART1神經(jīng)網(wǎng)絡(luò)在航空發(fā)動機故障診斷中的應(yīng)[J]．微計算機信息，2005,9(1);156-158.[2]劉克文，周取定．燒結(jié)礦質(zhì)量預(yù)報模型的研[J]燒結(jié)球團，1990,15(1)：1-4.[3]金朝紅，吳漢松等．一種基于自適應(yīng)遺傳算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算[J]．微計算機信