基于深度神經網絡的雙膛石灰窯預測模型

宋佳霖

（中冶南方武漢鋼鐵設計研究院有限公司，湖北武漢 430000）

前言

工業用活性石灰生產方法眾多，涉及各種窯型，而雙膛窯是目前世界上最主流的生產窯型，具有熱利用率高、廢氣溫度低、燃料適用性廣泛等多種優點。隨著煉鋼技術不斷發展，所需的工業石灰質量更高，這同時也就對雙膛石灰窯的生產的控制提出了更精確的要求，而傳統控制系統弊端明顯，由于石灰質量檢測的延遲不能有效的調整石灰窯的操作參數，造成石灰質量得不到有效控制［1］。然而，隨著深度學習的發展，其在處理石灰生產過程中各變量之間復雜關系、不確定性和非線性問題上運用廣泛［2］。基于此，建立與雙膛石灰窯相適應的深度神經網絡模型，實現對冶金石灰的質量及產量等指標的預測。

1 石灰質量預測模型

1.1 石灰質量指標及其影響參數

石灰的質量一般以CaO含量、SiO2含量、S含量、灼減和活性度用來衡量［3］。我國冶金石灰標準為《冶金石灰》（YB/T 042-2014），分為特級、一級、二級和三級四個等級，質量指標參數見表1。

表1 冶金石灰的質量指標

石灰的煅燒是一個復雜、精細、敏感、抽象的物理化學反應過程。在此過程中，主要發生的是碳酸鈣分解，并伴隨著氧化鈣的再結晶和晶體生長［4］。煅燒石灰發生的主要反應見以下反應式：

煅燒過程中，原料主要為石灰石和白堊等碳酸鹽原料，由于目標設備所用原料化學性質較為穩定，因此以原料的料層高度和粒度分布為輸入特征。石灰的鍛造主要為高溫下的分解反應，石灰窯的溫度參數、壓力參數和操作參數會直接影響煅燒過程中反應溫度和氣流狀況，對冶金石灰的質量影響較大。此外，雙膛石灰窯煙道的煙氣參數可以間接反映出煅燒過程中的過剩空氣系數以及分解反應等主要指標。因此，采用石灰煅燒過程中溫度參數、壓力參數、燃氣與供風參數、煙氣成分和原料參數為模型的輸入特征以預測石灰質量。表2為石灰質量因素分析，模型輸入特征為22個。

表2 冶金石灰質量模型的輸入特征

1.2 石灰質量預測模型

采用傳統的方法難以解決全局問題，從原料的下料到檢驗出所需的冶金石灰質量指標，存在長達幾個小時的時間滯后，不利于冶金石灰各項指標的穩定。而通過深度學習方法可以逼近所需連續函數非線性映射，求解速度快、精度高，較適合石灰生產的質量預測和參數調整［5］。因此，根據雙膛石灰窯的特點，深度神經網絡（DNN）的結構設計如圖1所示。

圖1 深度神經網絡結構

以石灰CaO含量、SiO2含量、S含量、灼減和活性度為模型的輸出結果。根據石灰窯參數特點，采用“三分法”［2］確定隱含層的神經元數分別為32、16 和8。采用如圖2所示前饋反向傳播結構，通過學習輸入和輸出例子之間存在的關系，不斷修正權值矩陣以及偏置值，直到達到目標誤差。

圖2 反向傳播結構

神經網絡由多個非線性計算層堆疊而成，神經元組成每一層的基本單元。設輸入向量是{x1，x2，...xn}，輸出向量為{y1，y2，...yn}，經過非線性計算后輸出是：

式中：f——激勵函數；

ω——權值矩陣；

b——偏置項。

本文采用ReLu 函數為隱含層激勵函數，ReLU函數表達式為：

假設其對于單個樣本目標函數為：

則對于n個樣本，有：

使用λ 來調節均方差項和權重衰減項的比重，防止過度依賴訓練樣本。其中l為網絡層數，i表示當前的參數，j表示前一層的神經元。此外，設置目標誤差為10-5，模型迭代次數上限為3 萬次，學習速率為0.05。為驗證模型的泛化性能，引入平均絕對誤差（MAE）、最大絕對誤差（Emax）、最小絕對誤差（Emin）和訓練時間等4 個指標對模型性能進行量化，以驗證其預測精度與收斂速度。

2 試驗與結果分析

為了對預測模型進行訓練，采用了326 組某雙膛石灰窯2019 年4 月至2020 年4 月實際生產中的現場數據。由于實際操作中傳感器故障和其他技術故障，大數據中的測量誤差是難以避免的。在清除數據集中異常值、不一致數值和大量相同的數據后，隨機選取數據中不同等級石灰的200 組，將180組作為預測模型的訓練數據集，20 組作為預測模型的預測數據集以驗證模型的預測效果。

對冶金石灰化學成分預測模型的評價指標為CaO 含量、SiO2含量、S含量、灼減和活性度。對樣本數據處理分析后，分別對生產過程的化學成分指標進行預測試驗驗證，冶金石灰質量預測模型的預測結果如表3所示。

表3 冶金石灰質量模型的預測結果

由表3 可知，所構建的深度神經網絡模型的泛化性能較優，沒有出現預測值嚴重偏離實際值的情況。在對評價指標為CaO含量、SiO2含量、S含量、灼減和活性度的預測中，CaO 含量、SiO2含量、灼減和活性度的預測精度較高，MAE分別為1.1380%、0.1602%、0.2701%和3.2474/mL，預測值與實際值偏差較小，對相應石灰品級的判斷較為準確。此外，對S 含量的預測MAE為0.0171%，相較于其數值而言預測精度較低，可能是由于相較于其他指標S 含量輸入特征的不匹配與不完全導致的，然而由于產品S含量均較低，對最終產品品級的預測影響較小。5 個參數指標的Emin結果分別為0.0071%、0.02%、0.0005%、0.0216%和0.8492/mL，最小絕對誤差均較低。模型訓練時間分別為12 s、6 s、7 s、14 s 和12 s，最高為14 s，表明模型收斂速度較快，滿足工業產品質量預測需求。評價指標預測值與實際值曲線如圖3所示。

圖3 石灰性能指標預測結果

總體而言，深度神經網絡預測模型誤差較小，真實值與預測值均非常接近，對石灰的5 項主要指標參數的預報精度均較高，模型有較強的自適應、泛化能力，能有效解決工業生產過程中的反饋延遲，對工業中實際操作有指導作用，滿足其預測的精度要求。

3 結論

通過對雙膛石灰窯工藝預測要求極其操作特點的分析，選取了22種參數作為雙膛石灰窯生產石灰主要指標的輸入特征，建立具有三層隱含層結構（32-16-8）的深度神經網絡模型對其進行預測。模型具有較快的收斂速度和較高的預測精度，有效地解決了在鍛造過程中，使用傳統控制方法難以解決的問題，為解決石灰主要指標的穩定控制、工藝操作優化等問題提供了理論指導。