基于LSTM的鋼鐵廠清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率預(yù)測

張雯瑩，代英宸，張?jiān)讫?/p>

（1.上海應(yīng)用技術(shù)大學(xué)理學(xué)院，上海 201418；2.寶山鋼鐵股份有限公司能源環(huán)保部，上海 200941）

前言

鋼鐵是人類賴以生存的重要物質(zhì)之一，我國粗鋼產(chǎn)量已多年穩(wěn)居世界第一位。同時(shí)，鋼鐵行業(yè)也是典型的高耗水行業(yè)，其中主要用水形式為循環(huán)冷卻水。所謂循環(huán)冷卻水即冷卻水通過生產(chǎn)設(shè)施，帶走其中的熱量，從而保證生產(chǎn)正常運(yùn)行，升溫后的冷卻水通過冷卻設(shè)施及凈化系統(tǒng)處理后，繼續(xù)重復(fù)送入設(shè)備使用。循環(huán)冷卻水系統(tǒng)可分為敞開式與密閉式兩種，其中敞開式循環(huán)冷卻水系統(tǒng)又可進(jìn)一步分為清循環(huán)系統(tǒng)和濁循環(huán)系統(tǒng)，經(jīng)過生產(chǎn)設(shè)施后，水質(zhì)未發(fā)生明顯變化，僅溫度上升的為清循環(huán)系統(tǒng)；經(jīng)生產(chǎn)設(shè)施后，水質(zhì)發(fā)生明顯變化，需要進(jìn)一步凈化處理的為濁循環(huán)系統(tǒng)。鋼鐵廠清循環(huán)系統(tǒng)主要用戶包括：高爐風(fēng)口、加熱爐爐體、軋機(jī)設(shè)備以及換熱設(shè)備等。

循環(huán)冷卻水形式的最大意義在于循環(huán)使用、減少水耗，由于循環(huán)水的不斷重復(fù)利用，水中鹽類容易濃縮，使循環(huán)水水質(zhì)不斷惡化，從而產(chǎn)生腐蝕、結(jié)垢、粘泥等水質(zhì)異常，進(jìn)而影響設(shè)備壽命與安全、經(jīng)濟(jì)。早期，學(xué)者通過對特定參數(shù)計(jì)算來判斷循環(huán)水水質(zhì)的傾向性，如Langelier、Ryznar、Puckorius 指數(shù)等[1]。隨著近年來人工智能，特別是神經(jīng)網(wǎng)絡(luò)模型的不斷發(fā)展，眾多學(xué)者利用神經(jīng)網(wǎng)絡(luò)模型分析并預(yù)測循環(huán)冷卻水腐蝕這類多輸入、非線性問題。如Suleiman 等人[2]首先利用神經(jīng)網(wǎng)絡(luò)研究了CO2腐蝕預(yù)測；曹生現(xiàn)等人[3]通過改進(jìn)后小波神經(jīng)網(wǎng)絡(luò)對腐蝕速率進(jìn)行預(yù)測；董超等人[4]利用改進(jìn)后的LSSVM模型對腐蝕速率進(jìn)行預(yù)測。

由于清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率，受到季節(jié)性環(huán)境影響較大，如氣溫變化對循環(huán)水熱負(fù)荷與蒸發(fā)損失的影響；豐水期、枯水期對補(bǔ)水水質(zhì)的影響等，濃縮倍數(shù)與腐蝕速率事實(shí)上具有一定的時(shí)間序列屬性。因此，本文提出基于長短期記憶網(wǎng)絡(luò)（Long Short Term Memory Network，LSTM）的鋼鐵廠清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率預(yù)測。通過對濃縮倍數(shù)的有效預(yù)測，能夠有針對性地根據(jù)當(dāng)前預(yù)測濃縮倍數(shù)指導(dǎo)循環(huán)水系統(tǒng)補(bǔ)排水量，降低水耗；通過對腐蝕速率的有效預(yù)測，建立此類常規(guī)分析具有滯后性數(shù)據(jù)的軟測量方法，盡早采取水質(zhì)控制措施，使循環(huán)水系統(tǒng)始終保持在最佳狀態(tài)。

1 LSTM神經(jīng)網(wǎng)絡(luò)簡介

LSTM 神經(jīng)網(wǎng)絡(luò)由Hochreiter 等人[5]于1997 年提出，典型的LSTM 神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、輸出層構(gòu)成。LSTM 神經(jīng)網(wǎng)絡(luò)具有記憶功能，記憶單元結(jié)構(gòu)如圖1 所示，前一時(shí)刻的信息存儲在記憶塊中的記憶單元中，輸入門（Input Gate）代表此刻的輸入信息，遺忘門（Forget Gate）代表此刻丟棄的信息，輸出門（Output Gate）代表最終網(wǎng)絡(luò)輸出的信息。每個(gè)時(shí)刻LSTM 單元通過遺忘門、輸入門、輸出門接收當(dāng)前數(shù)據(jù)輸入xt、上一隱含狀態(tài)ht-1和記憶單位狀態(tài)Ct-1。由于LSTM 神經(jīng)網(wǎng)絡(luò)隱藏層中采取了門控機(jī)制，能夠有效解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Ne twork，RNN）信息之間的依賴關(guān)系時(shí)間跨度過長而導(dǎo)致造成學(xué)習(xí)能力下降的問題[6]。

圖1 LSTM記憶單元結(jié)構(gòu)圖

（1）遺忘門——?jiǎng)h除記憶單元中的部分信息ft：

（2）輸入門——將新信息儲存到新記憶單元Ct：

（3）輸出門——輸出記憶單元中的部分信息。

上述式中：W——相互間的權(quán)值矩陣；

b——對應(yīng)的偏置；

σ、φ——分別為sigmoid 激活函數(shù)和tanh 雙曲正切激活函數(shù)；

ft、it、gt、ot、Ct、ht——分別為遺忘門、輸入門、輸入節(jié)點(diǎn)、輸出門、記憶單元狀態(tài)和隱含狀態(tài)的輸出結(jié)果。

2 LSTM預(yù)測模型的建立

2.1 數(shù)據(jù)來源與預(yù)處理

試驗(yàn)數(shù)據(jù)采用某鋼鐵廠清循環(huán)系統(tǒng)2014 年1月至2019 年12 月水質(zhì)監(jiān)測數(shù)據(jù)及月度濃縮倍數(shù)與腐蝕速率數(shù)據(jù)，典型數(shù)據(jù)經(jīng)過歸一化后如表1所列。

表1 清循環(huán)系統(tǒng)水質(zhì)監(jiān)測數(shù)據(jù)、濃縮倍數(shù)與腐蝕速率（經(jīng)過歸一化處理）

某清循環(huán)系統(tǒng)采用磷酸鹽+鋅鹽+聚丙烯酸類的復(fù)配緩釋阻垢體系，日常水質(zhì)監(jiān)測數(shù)據(jù)指標(biāo)包括：pH值、電導(dǎo)率、鈣、堿度、可溶性鐵、磷酸根、硫酸鹽、鋁、氯化物、鎂、溶鋅、懸浮物、濁度等。

為充分利用數(shù)據(jù)，本文所建立的預(yù)測模型輸入量為上述13 項(xiàng)主要清循環(huán)系統(tǒng)水質(zhì)監(jiān)測指標(biāo)的月度均值與離散程度（即標(biāo)準(zhǔn)偏差），輸出量為清循環(huán)系統(tǒng)月度濃縮倍數(shù)與腐蝕速率。

主 成 分 分 析（Principal Component Analysis，PCA）是一種通過正交變換將各輸入變量之間關(guān)聯(lián)的復(fù)雜關(guān)系進(jìn)行簡化分析的方法，能使高維變量以一個(gè)較高的精度轉(zhuǎn)換成低維變量，從而降低神經(jīng)網(wǎng)絡(luò)計(jì)算運(yùn)行負(fù)荷。原始輸入數(shù)據(jù)共有26 個(gè)輸入變量，經(jīng)過主成分分析（圖2），以原始數(shù)據(jù)信息累計(jì)貢獻(xiàn)率85%以上為目標(biāo)，提取前10 個(gè)主成分作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入。

圖2 清循環(huán)系統(tǒng)水質(zhì)監(jiān)測數(shù)據(jù)的碎石圖

2.2 基于TensorFlow的LSTM神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

試驗(yàn)程序采用開源語言環(huán)境Python 3.7 編寫，基于深度學(xué)習(xí)鏈接庫Keras 2.3，底層依賴Tensorflow 2.2 框架，訓(xùn)練過程中使用均方誤差MSE 作為損失函數(shù)、采用Adam 優(yōu)化算法更新權(quán)重與偏置。試驗(yàn)程序采用兩層LSTM 構(gòu)建的循環(huán)神經(jīng)網(wǎng)絡(luò)，兩層神經(jīng)元數(shù)量依次為32、16。LSTM 模型的學(xué)習(xí)率為0.01，批處理大小為128，最大迭代次數(shù)為100 次，激活函數(shù)為ReLU。

試驗(yàn)程序利用2014 年1 月至2018 年12 月60 個(gè)月度清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率數(shù)據(jù)為訓(xùn)練集（2016 年12 月由于系統(tǒng)年修、數(shù)據(jù)剔除）、2019 年1 月至12 月12 個(gè)月度清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率數(shù)據(jù)為測試集。經(jīng)過反復(fù)調(diào)參和迭代分析，預(yù)測結(jié)果與精度如圖3、4和表2中所列。

圖3 濃縮倍數(shù)原始數(shù)據(jù)與LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)對比圖

其中，LSTM 神經(jīng)網(wǎng)絡(luò)模型對于清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率都有較高的預(yù)測準(zhǔn)確度，其中濃縮倍數(shù)預(yù)測的準(zhǔn)確程度高于腐蝕速率。其原因在于，清循環(huán)系統(tǒng)濃縮倍數(shù)僅受到熱負(fù)荷揮發(fā)、補(bǔ)排水量等因素的影響，相對原因比較單純，因此預(yù)測精度能達(dá)到較高水平；而清循環(huán)系統(tǒng)腐蝕速率不僅容易受到本身水質(zhì)的影響，更重要的是其緩釋阻垢控制的影響，故預(yù)測精度稍低于濃縮倍數(shù)，但在清循環(huán)系統(tǒng)工業(yè)運(yùn)用過程中，其預(yù)測精度已屬于較準(zhǔn)確的范圍。

圖4 腐蝕速率原始數(shù)據(jù)與LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)對比圖

2.3 模型比較

進(jìn)一步選取BP、RNN神經(jīng)網(wǎng)絡(luò)對清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率進(jìn)行預(yù)測，以比較各預(yù)測模型之間的差異（表2）。

由表2 可知，BP 神經(jīng)網(wǎng)絡(luò)對于清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率預(yù)測準(zhǔn)確度都較差，其原因在于BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過程中未考慮到濃縮倍數(shù)與腐蝕速率實(shí)際具有一定的時(shí)序變化趨勢，其僅通過輸入相關(guān)變量的變化進(jìn)行預(yù)測，因此BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測確度程度顯著低于RNN和LSTM模型。

表2 LSTM神經(jīng)網(wǎng)絡(luò)對于濃縮倍數(shù)與腐蝕速率的預(yù)測準(zhǔn)確度及其與BP、RNN模型的比較

由于RNN 模型在訓(xùn)練過程中容易出現(xiàn)信息之間的依賴關(guān)系時(shí)間跨度過長造成的梯度消失或梯度爆炸問題，通過本次模型比較準(zhǔn)確性結(jié)果可以看出，LSTM 模型應(yīng)用于預(yù)測濃縮倍數(shù)與腐蝕速率之類具有一定的時(shí)序變化數(shù)據(jù)是三者中最優(yōu)的模型。

3 結(jié)語

濃縮倍數(shù)與腐蝕速率的模擬預(yù)測對于鋼鐵廠清循環(huán)系統(tǒng)運(yùn)行與管理具有很高的指導(dǎo)作用，不僅能夠有效減少系統(tǒng)水耗，更重要的是在于及時(shí)發(fā)現(xiàn)循環(huán)水系統(tǒng)水質(zhì)趨勢，及時(shí)采取措施，避免問題擴(kuò)大。LSTM 神經(jīng)網(wǎng)絡(luò)模型對于清循環(huán)系統(tǒng)濃縮倍數(shù)與腐蝕速率都有較高的預(yù)測準(zhǔn)確度，其中濃縮倍數(shù)預(yù)測的準(zhǔn)確程度稍高于腐蝕速率。與BP、RNN神經(jīng)網(wǎng)絡(luò)相比，LSTM 模型應(yīng)用于預(yù)測濃縮倍數(shù)與腐蝕速率之類具有一定的時(shí)序變化數(shù)據(jù)是三者中最優(yōu)的模型。