高爐鐵水硅含量的神經網絡預報

李 昕 畢學工

(武漢科技大學,鋼鐵冶金及資源利用省部共建教育部重點實驗室)

高爐鐵水硅含量的神經網絡預報

李 昕 畢學工

(武漢科技大學,鋼鐵冶金及資源利用省部共建教育部重點實驗室)

通過神經網絡對韶鋼 8號高爐的部分生產數據進行了鐵水[Si]含量的預報,確定了 w(Si)的主要影響因素,構建了較好的神經網絡結構,并根據預報結果提出了判定爐熱變化趨勢的符合率的標準。

高爐 硅含量 神經網絡

0 前言

高爐鐵水的硅含量不僅是衡量產品質量的一個重要標志,而且反映了高爐能量利用的水平,其變化的幅度及趨勢更是直接反映了高爐熱狀態的穩定程度,在冶煉過程中,如果能及時地掌握鐵水中[Si]的含量及其變化的趨勢,并做出較精確的估計,則對于及時采取調節措施穩定熱制度,減少爐況的波動,提高生鐵質量和降低焦比等,都是非常有利的。

由于高爐冶煉是一個不均勻、非線性和大噪聲的高溫過程,一般的靜態模型無法反映高爐過程動態變化特征,而神經網絡是對生物神經系統的模擬,具有自學習、自組織、自適應和非線性動態處理等特性,并具有較強的抗噪聲能力和聯想能力,利用神經網絡進行預報,不需像其他預報模型那樣建立一種顯式的預報公式,是一種很有發展前途的預報方式[1]。

筆者采用韶鋼 8號高爐在 2009年 12月的 110爐實測數據,使用神經網絡建立鐵水硅含量的預報模型,將預報的[Si]含量與實際鐵水[Si]含量進行了比較,結果誤差較小。

1 BP網絡的工作原理

BP網絡[2]是一種多層神經網絡模型,它包括輸入層和輸出層,并有一層或多層中間層。其網絡結構以三層網絡為例,如圖 1所示。

圖1 三層網絡的結構及算法

樣本信號 xi經歸一化處理后從輸入結點經隨機賦予的極小權值加權求和,經 S型函數傳播到隱含層,得出隱含層的輸出 br,隱含層存儲的信息 br再經加權求和及 S型函數處理后傳向輸出層,得到輸出結果 cj,這稱為 BP網絡的正向傳播。計算公式如下[3]:

式中:Wir——輸入層與隱含層節點間連接權值;

Vrj——隱含層與輸出層節點連接權值;

Tr——隱含層節點閾值;

θj——輸出層節點閾值;

l——訓練的次數;

m、u、n——輸入層、隱含層、輸出層節點數。

這里采用的 S型函數為:

若輸出層得不到希望的輸出,則將誤差信號 dj由輸出層向前反向傳播至隱含層,對其分配誤差 er,根據誤差逐層修正各層神經元連接的權值,此過程不斷迭代,直至信號誤差達到允許的范圍之內。計算方式如下:

式中:α、β——動量因子,影響訓練的快慢。

BP網絡通過學習,確定了輸入、輸出間的最優非線性關系,并將其分布到網絡的連接權上,在面對一組新的樣本數據時,只需通過已確定的連接權矩陣進行運算,此時的輸出結果即為新樣本空間對應的預測值。

2 BP網絡模型的訓練

2.1 數據選取

選取數據庫中前 83爐 (2009年 12月 21日 18時～27日 8時)數據作為 BP網絡的訓練樣本,后27爐數據 (27日 9時 ～29日 10時)作鐵水 [Si]含量預測。在采集到的數據中,鐵水成分數據的采集周期約為 2 h,其他參數通過儀表采集,采集周期為1 min。爐熱指數及溶損碳量采取 15 min平均值進行計算,因此其采集周期為 15 min。

影響高爐爐熱狀態的因素很多,既有入爐原料、裝料方式等基本條件,又有各種操作制度的影響,且各個參數之間都存在相關性[4],因此可考慮將所有采集到的參數,以及利用采集參數計算的某些指數作為輸入結點的候選數據。

由于大部分高爐參數對高爐熱水平的影響都具有滯后性,因此在選取數據時應考慮各參數的影響滯后時間。鐵水成分數據是表征當前爐熱水平的重要依據,對連續出鐵的高爐來說,上一時間段測出的鐵水數據是當前爐熱水平的重要參考,因此鐵水成分數據選用上一爐次。根據各參數與[Si]含量的時序對應關系[5],對于風量、風溫、風壓、透氣性指數、爐熱指數、爐頂煤氣溫度、爐頂煤氣 CO、CO2采用 1 h～3 h前的數據;對濕度采取 2 h～4 h前的數據;對富氧采取 1 h～2 h前的數據;考慮噴煤的熱滯后影響,采用 3 h～4 h前的數據,采集數據后對數據進行歸一化處理。

2.2 輸入結點選取

神經網絡的輸入結點并不是越多越好,當某參數與[Si]含量存在較規律的對應關系時,將其作為輸入結點能提高網絡預報的準確性,反之則應舍棄這個參數。因此在輸入結點選取時,采用逐步增加輸入結點的方法,對預報值和實際值進行誤差分析和誤差大小評定,從而選取最合適的輸入節點。本文進行誤差大小判斷時,分別根據以下三個標準進行,然后再做綜合評價:

1)預報值的在連續爐次中的數值變化方向與實測值的數值變化方向的符合程度。

2)預報值的誤差在某一范圍內的準確率,也稱為命中率。

3)預報值的誤差均值 E。誤差均值的計算方法為:

式中:n——預報值個數;

ε——預報值誤差。

2.3 隱含層結點數選取

由于高爐的爐熱是被多種復雜因素影響的結果,其數學模型必然是一個關于輸入結點的多元高次方程組,對于這種復雜的神經元網絡,在多次訓練中發現當隱含層結點數接近于或大于輸入結點時,在相同的訓練次數下所得出的誤差均值更小(如圖2所示),或者說能更快地收斂于某個規定值。因此,對于輸入層結點為 n的網絡,在調試時從隱含層個數為 n-1開始,依次增加結點個數,選取相同訓練次數下誤差最小的結點個數作為最終用于預報的網絡結構。

圖2 隱含層結點數對訓練樣本擬合程度的影響

2.4 網絡結構選取

選取網絡結構時對輸入結點的選取參數和隱含層結點個數都進行了調整,這是一種同時考慮雙因素變化的方法。

首先選取至少兩個與訓練目標具有良好對應關系的參數作為初始輸入結點。經過數值曲線對比,發現鐵水成分數據中[S]、[Mn]與 [Si]含量存在很好的對應關系,因此選取上一爐鐵水成分中 [Si]、[S]、[Mn]作為初始輸入結點,將隱含層結點數從 2開始一直增加,對網絡進行訓練,選取訓練樣本誤差均值 E最小時的隱含層結點數,由此確定的網絡結構,對這三個輸入參數的擬合度最高。采用此網絡結構對[Si]含量進行預報,對預報值與實測值進行誤差分析和誤差大小評定。

逐個增加高爐參數作為輸入層結點,通過在輸入層參數不變的情形下調節隱含層結點數的方法,選用輸入結點的參數擬合度最高的網絡結構。將預報結果與未選用此參數作輸入結點時的預報結果進行對比分析,保留使預報值誤差均值減小的參數作輸入結點。

經過多次比較后發現,選用 [Si]、[S]、[Mn]、TQ指數、透氣性指數、風溫、風量作為輸入結點,隱含層結點個數為 17,即網絡結構為 7～17～1時,網絡預報結果最好,結果如圖 3所示。

圖3 鐵水實測硅含量與網絡預報值的比較圖

由圖 3可以看出,預報值與實際[Si]含量的誤差范圍為 ±0.05的準確率為 55.6%,誤差范圍為 ±0.1的準確率為 88.9%,誤差均值 E為 0.0786,其數值變化趨勢符合率為 57.69%。

3 對爐熱趨勢符合率判定方法的探討

采用神經網絡進行硅預報的目的是提前一個冶煉周期預測爐熱水平的趨勢,但是根據神經網絡預報的結果來看,盡管硅預報的數值誤差較小,但其連續數值變化方向的符合率很低,不適宜用以表示爐熱變化的趨勢。

3.1 較短時間間隔的硅預報

為了進一步觀察鐵水[Si]含量的變化趨勢,可減小預報的時間間隔,使爐熱變化趨勢更趨于連續化。采用已調整好的權值,以 15 min鐘為間隔對新數據進行預報,除了鐵水成分數據采用距此時刻最近的數據外,其他數據仍根據各自的滯后性時間取值,預報結果如圖 4所示。

圖4 實測硅含量與每 15 min網絡預報值的比較圖

由圖 4可以看出,在一個爐次的時期內,鐵水的預報值并不是穩定地向同一個方向發展,而且即使在預報值和實測值數值變化的方向一致的情況下,也存在著變化程度的高低不同,導致反映的爐熱波動幅度不一致,因此不能直接根據預報值和實測值的數值變化方向一致與否作為判定爐熱變化趨勢符合率的標準。

3.2 判定爐熱趨勢符合率的正確方法

觀察圖 4可以看出,在某些時段內,雖然預報值和實測值的數值變化方向不總是保持一致,但預報值曲線與實測值曲線卻非常接近,故可將兩條曲線非常接近這種情況視為趨勢符合。由于判斷兩曲線接近程度的方法就是統計預報的命中率,因此預報誤差值在某一范圍內的命中率的大小即可看作爐熱水平變化趨勢符合率。

4 結論

1)采取了逐步增加隱含層結點的方法,通過訓練誤差均值的比較,可以找出對樣本擬合程度最高的網絡結構。同時還采取了逐步增加輸入層參數的方法,通過預報值誤差均值的比較,能更直觀地表示出各參數與[Si]含量的相關性,從而得到最優化的網絡結構。

2)采用較短時間間隔的硅預報數據,對判斷爐熱趨勢符合率的標準進行了探討,提出了預報誤差值在某一范圍內的命中率可用來表示爐熱趨勢符合率。

[1] 劉金琨,鄧守強,蘇士權.高爐鐵水硅含量的神經網絡時間序列預報[J].鋼鐵研究學報,1996,8(3):63-66.

[2] 楊建剛.人工神經網絡實用教程.杭州:浙江大學出版社,2001:41.

[3] 張景明,劉建國.粗糙集和 BP神經網絡在變壓器故障診斷中的應用[J].變壓器,2009,46(4):18-21.

[4] 姚斌,楊天鈞.鐵水硅預報神經網絡專家系統的遺傳優化生成[J].鋼鐵,2000,35(4):13-16.

[5] 石進,李家新,周莉英,等.面向對象的高爐熱狀態預測專家系統中知識庫的研究[J].安徽工業大學學報,2003,20(3):215-218.

NEURAL NETWORK PRED I CTI ON OF BLAST FURNACE HOTM ETAL SIL ICON CONTENT

Li Xin Bi Xuegong

(KeyLaboratory for FerrousMetallurgy and ResourcesUtilization ofMinistryof Education,WuhanUniversity of Science and Technology)

According to the production data ofNo.8 BF in Shaogang company,hotmetal silicon contentwas predicted by using a neural network,the main influencing factors of the silicon content have been determined and a better network topology has been constructed,and,on the basisof the prediction results,a standard of coincidence rate aboutBF ther mal state trend has also been proposed.

Blast furnace Silicon content Neural ne twork

＊

聯系人:畢學工,教授,博士生導師,中國金屬學會煉鐵學術委員會理事,湖北.武漢 (430081),武漢科技大學;

2010—1—26