氬氧精煉烙鐵過程噴濺RBF神經網絡預報

2019-12-21 02:03:50毛家怡

長春工業大學學報 2019年5期

毛家怡，尤文

(長春工業大學電氣與電子工程學院，吉林長春 130012)

0 引言

噴濺是由氧氣助燃進行氬氧精煉烙鐵過程中經常發生的使用操作故障問題，AOD爐的噴濺不僅會對設備的正常冶煉過程造成干擾，而且會使設備受到損壞，例如粘槍、燒槍、爐口和煙罩掛渣，還會使鋼鐵收得率降低，并造成環境污染。氬氧精煉(Arg on-Oxy gen Decarburization， AOD)低碳烙鐵過程中,由于冶煉時溫度高，并且反應劇烈，爐內爐渣堆積，原料中含有硫雜質等原因，其噴濺發生率高。在低碳烙鐵過程中的噴濺發生是典型的非線性分類問題，文中采用具有優秀學習能力的人工神經網絡，提出一種基于RBF神經網絡的氬氧精煉烙鐵過程噴濺預報方法，這種方法屬于前向神經網絡類型，能夠以任意精度逼近任意連續函數，對解決分類等問題十分合適。從模型整體來看，RBF神經網絡中輸出與輸入間存在非線性關系，但是網絡輸出對可調節參數是線性的，網絡的權值用線性方程解出，可以解決學習速度慢，且避免局部較小問題。

1 AOD爐的系統分析

氬氧精煉低碳烙鐵過程中，由于烙鐵合金溶體內以及液面會發生三個化學反應[1-3]：

C+O→CO↑,

(1)

2Cr+3O→Cr2O3,

(2)

3C+Cr2O3→2Cr+3CO↑,

(3)

其中：反應(1)與反應(2)均為放熱反應；反應(3)是吸熱反應，其中O2，C，CO，Cr2O3同時發生反應[2]。如果在低碳烙鐵的過程中，熔池的溫度驟降或者發生突然冷卻，使得反應激烈的(3)受到抑制，吹入的氧氣反應生成大量的Cr2O3并堆積；繼續反應后熔池內的溫度再次升高到一定溫度，反應(3)繼續快速進行，反應(1)與(3)一同作用下瞬間反應產生大量CO氣體，此時由于Cr2O3堆積較多，渣層很厚，渣液泡沫程度高，所以CO氣體難以逃出，導致AOD爐的噴濺產生[4]。如果(1)和(2)反應劇烈時，就會產生泡沫噴濺(中型噴濺)，嚴重時會產生爆發性噴濺(大型噴濺)。

綜合以上信息，雖然爐渣中Cr2O3的含量可以用來表示噴濺的發生情況，但在冶煉過程中Cr2O3無法實時進行檢測，所以應該尋找一種能夠進行在線檢測并且可以表征噴濺程度的信號。在生產過程中，一般采用“人工看火”和“聽音辨識”的方法。

2 基于RBF的AOD爐噴濺預報模型的建立

2.1 RBF神經網絡的結構

RBF網絡(Radical Basis Function)的結構與多層前向網絡類似，是一種前向神經，對于連續函數的任意精度均可逼近，對于分類問題較為適合。輸入層由各個信號結點構成，其中第二層是隱含層，隱含單元的徑向基函數RBF()是空間上的任意一點到某中心之間歐氏距離的單調函數，其設定由描述的問題需要而定；第三層為輸出層，輸出層是對輸出的作用做出的響應。其中輸入到隱含層的變換屬于非線性的，而再從隱含層到輸出層的空間變換是線性的[5],其結構如圖1所示。

徑向基神經網絡中常用的徑向基函數是高斯函數，包含了輸入對參數局部線性的特征, 因為訓練時可以躲避非線性優化,所以不存在局部極小問題。對于網絡的拓撲結構可以在學習過程中確定,網絡權系數計算的難度降低，學習速度有所提高[6]。

圖1 RBF神經網絡結構

隱含層徑向基函數可以表示為

(4)

式中:‖xp-ci‖----歐式范數;

c----高斯函數的中心;

σ----高斯函數的方差。

其中

(5)

式中：dm----兩個選取點中間的最大距離；

M----隱含層單元數。

徑向基神經網絡的輸出為

(6)

p----樣本總數,p=1，2，…;

ci----網絡隱含層節點的中心;

wij----隱含層到輸出層的連接權值;

yj----輸入樣本對應的第j個輸出的實際輸出。

2.2 訓練樣本的標準化處理

由于AOD爐低碳烙鐵過程收集的輸入量之間的數值一般相差較大，必須將輸入的各量進行標準化處理[7]。

(7)

式中:

3 基于RBF神經網絡的訓練與仿真

3.1 RBF神經網絡訓練

RBF神經網絡的輸入向量設為[a,b,c,d]一組特征向量，其中a為音頻特征值，b為水平振動特征值，c為垂直振動特征值，d為火焰圖像特征值。設y作為RBF神經網絡的輸出，將y依據噴濺的程度分為4個等級。當未發生噴濺時y設定值為0；發生小型噴濺時y設定值為1；發生中型噴濺時y設定值為2；發生大型噴濺時y設定值為3。噴濺前80 s的數據因為預報特點較為明顯，可以作為預報的依據。該RBF神經網絡的輸入節點數為4個，分別對應4個監控特征值；輸出層節點數為3個。RBF神經網絡訓練過程如圖2所示。訓練樣本見表1。

圖2 RBF神經網絡訓練過程

表1 訓練樣本

由于獲得的數據各量之間差異較大，所以將所得數據進行標準化處理，處理后的數據應該在區間[0,1],這樣滿足RBF神經網絡的輸入輸出要求。采樣數據進行歸一化后用作神經網絡的訓練樣本，對RBF神經網絡進行訓練。對于RBF網絡的輸出是隱含單元輸出的線性加權和，其學習速度快，占用空間小，可以實時檢測故障并診斷。對于訓練樣本應該符合一定的密度和兼容性，但由于噴濺事故，無法獲取更多的樣本數據，本實驗只選取了部分數據進行訓練。