基于長短時記憶神經(jīng)網(wǎng)絡的鋅液溫度預測模型

顧婧弘 李曉義

（中國能源建設集團鞍山鐵塔有限公司，鞍山 114000）

鐵塔[1]主要是用于電力輸送、信號遠距離傳輸?shù)嚷短靾鼍埃虼艘箬F塔質量穩(wěn)定，能夠長時間使用，同時要求鐵塔加工企業(yè)鐵塔制造高質量發(fā)展。防止工件生銹，提高鐵塔防生銹能力，是一個關鍵問題。因此，在鐵塔制造中有一個主要步驟是熱浸鍍鋅[2-3]，即將鐵塔工件浸入到高溫鋅液，使得工件表面均勻附上厚度合適的鋅層，使得鐵塔能夠有效抗腐蝕、防生銹。

鋅液溫度控制是熱浸鍍鋅工藝流程中的關鍵環(huán)節(jié)。溫度過高會造成鋅液過多氧化，產(chǎn)生更多鋅渣，加速鋅鍋的腐蝕；溫度過低則會造成附著能力不足，對鋅層厚度和工件表面鋅花狀態(tài)產(chǎn)生不利影響[4-5]。針對不同的工件，會要求不同的鋅液溫度。在鐵塔、鋼結構件鍍鋅時，溫度應保持在450 ℃±5 ℃。然而，在實際熱浸鍍鋅過程中，受外界環(huán)境、鋅液成分波動或者生產(chǎn)工藝變化等因素的干擾，實際鋅液溫度會存在不可控制的波動變化。因此，本文在對熱浸鍍鋅工藝流程、現(xiàn)場相關實測數(shù)據(jù)分析的基礎上，確定影響鋅液溫度的多個因素，選取更加適合時間序列分析的長短時記憶神經(jīng)網(wǎng)絡，建立鋅液溫度在線預測模型，從而為操作人員控制鋅液溫度提供有效參考。

1 熱浸鍍鋅工藝流程與參數(shù)分析

鐵塔加工企業(yè)熱浸鍍鋅的工藝流程及各階段的溫度要求，如圖1所示。它可以分為3個階段。第1階段，工件預處理，包括脫脂和酸洗兩個主要步驟。脫脂是指用以氫氧化鈉、碳酸鈉、磷酸鈉為主要成分的脫脂液清除工件表面油污。酸洗則是利用硫酸或鹽酸清除工件表面的氧化物。脫脂與酸洗后的工件都要充分進行水洗，以去除工件表面殘留的酸液、鐵鹽等。第2階段，工件鍍鋅。先在助鍍劑槽中用以氯化鋅、氯化銨以及氯化亞鐵為主要成分的助鍍劑進行浸泡，提高鋅液對工件的浸潤能力，再將工件浸潤到鍍鋅鍋中進行熱鍍鋅。第3階段，冷卻與處理。將鍍鋅后的工件在冷卻槽中冷卻，并進行后續(xù)的整理、分類以及排序等處理。

圖1 熱浸鍍鋅工藝流程區(qū)

熱浸鍍鋅整個工序的溫度經(jīng)歷了先升高再降低的過程，并在鍍鋅工序達到最高溫度。鋅液溫度受到多種因素的影響。從鋅液本身分析，鋅液溫度變化是一個連續(xù)的過程，歷史時刻的鋅液溫度對當前時刻的溫度具有直接影響。同時，鋅液中鐵含量以及合金含量的成分會間接影響鋅液溫度。另一方面，從整個工序的角度分析，進入鍍鋅鍋的工件溫度越高，從鍍鋅鍋帶走的熱量就越少，鋅液溫度的降低量就少；反之，相反。與鍍鋅工序最近的工序是烘干工序，因此烘干工序的溫度越高，工件攜帶的熱量會越高。

綜上所述，最終選取上一時刻的鋅液溫度、鋅液鐵含量、鋅液合金含量以及烘干爐溫度作為影響鋅液溫度的參數(shù)建立后續(xù)的預測模型。

2 鋅液溫度長短時記憶神經(jīng)網(wǎng)絡預測模型

長短時記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡模型[6]是在深度循環(huán)神經(jīng)網(wǎng)絡基礎上發(fā)展起來的。與傳統(tǒng)前饋神經(jīng)網(wǎng)絡相比，它具有超強的多元時間序列建模能力，能夠提取更豐富的內在信息。圖2是LSTM單元的結構示意圖。

圖2 長短時記憶神經(jīng)網(wǎng)絡示意圖

在RNN隱含層節(jié)點的基礎上，LSTM加入了一個內部“細胞狀態(tài)”c，用于存儲長期狀態(tài)。更進一步，LSTM增加了3個具有不同功能的門：遺忘門ft決定長期歷史狀態(tài)中哪些內容被遺忘；輸入門it決定當前時刻的狀態(tài)中哪些被記錄到單元狀態(tài)；輸出門ot決定當前單元狀態(tài)怎么生成當前時刻的輸出。

LSTM單元中各參數(shù)關系描述如下。

在時刻t，信息通過輸入門，則輸入門it和隱藏狀態(tài)c～t的值分別為：

最后，信息通過輸出門獲得記憶單元最后的輸出：

式中：Wi、Wc、Wf和Wo分別為遺忘門、輸入門、輸出門以及當前時刻狀態(tài)的權重矩陣；bi、bc、bf和bo分別為遺忘門、輸入門、輸出門以及當前時刻狀態(tài)的偏置向量；σ(x)和tanh(x)為激活函數(shù)。

經(jīng)過參數(shù)分析，LSTM模型的輸入變量設為鋅液溫度時間序列{Tk-1}、鋅液鐵含量wFe、鋅液合金含量wAlloy以及烘干爐溫度Td，輸出變量為當前時刻的鋅液溫度。本文建立的鋅液溫度長短時記憶神經(jīng)網(wǎng)絡預測模型的輸入節(jié)點數(shù)是4個，輸出節(jié)點數(shù)為1個，其輸入與輸出變量為：

3 模型訓練與驗證

LSTM神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)是通過某鐵塔制造企業(yè)鍍鋅車間2019年7月23日采集的數(shù)據(jù)整理得到的。鋅液溫度與烘干爐溫度由相應傳感器測量，采樣間隔可以精確到秒，而鋅液中鐵含量、合金含量通過化驗得到，采樣間隔遠大于秒。為了建模需要，本文將這些數(shù)據(jù)的樣本間隔統(tǒng)一到1 min。對鋅液溫度與烘干爐溫度測量數(shù)據(jù)進行再次采樣，采樣時間間隔為1 min。此外，采用線性插值的方法對鋅液中鐵含量、合金含量的數(shù)據(jù)進行擴充。

3.1 數(shù)據(jù)預處理

由于熱浸鍍鋅生產(chǎn)線環(huán)境干擾或者操作人員可能存在的不當操作，樣本數(shù)據(jù)中會存在噪聲，需要童工以下過程對樣本數(shù)據(jù)進行預處理。

3.1.1 異常數(shù)據(jù)剔除

根據(jù)熱浸鍍鋅生產(chǎn)工藝規(guī)程與操作人員實際生產(chǎn)的經(jīng)驗，剔除樣本數(shù)據(jù)中明顯異常的數(shù)據(jù)，以提高數(shù)據(jù)的可靠度。

3.1.2 數(shù)據(jù)歸一化

本文采用最大最小法將數(shù)據(jù)歸一化到[0,1]，以避免因輸入、輸出數(shù)據(jù)屬性不同而造成較大的網(wǎng)絡誤差。

3.2 模型訓練與測試

將預處理后的314組樣本數(shù)據(jù)分成200組訓練集與114組測試集，分別對LSTM神經(jīng)網(wǎng)絡模型進行訓練與測試。LSTM神經(jīng)網(wǎng)絡模型的訓練目的是獲取最優(yōu)的網(wǎng)絡權重與偏置。算法采用基于時間的反向誤差傳播公式。

圖3為LSTM神經(jīng)網(wǎng)絡模型的仿真結果。其中，圖3（a）是模型訓練的結果，模型的鋅液溫度預測結果與測量數(shù)據(jù)基本吻合，訓練誤差保持在1 ℃以內，訓練精度較高。圖3（b）是模型測試的結果，預測結果與測量數(shù)據(jù)吻合，測試誤差在1.5 ℃以內，小于鋅鍋±5 ℃的波動要求，證明了模型的有效性。

圖3 LSTM模型仿真結果

4 結語

針對鐵塔加工企業(yè)鍍鋅車間的熱浸鍍鋅工藝中鋅液溫度控制問題，分析影響鋅液溫度的工藝參數(shù)，采用對多元時間序列具有超強建模能力的長短時記憶神經(jīng)網(wǎng)絡，建立鋅液溫度預測模型，有效預測未來一段時間的鋅液溫度，預測誤差小于1.5 ℃，可以為操作人員或者鋅液溫度控制系統(tǒng)提供可靠的參考。