基于BP神经网络的烧结矿化学成分预报模型与仿真

基于BP神经网络的烧结矿化学成分预报模型与仿真王大勇摘

要：烧结矿化学成分的测量是钢铁工业中的关键和难点，并且容易受到烧结时份一个操作环节的影响。介绍利用BP神经网络建立烧结矿化学成分的预报模型。通过对现场数据仿真，表明该方法鲁棒性强、准确性高、泛化能力广，具有很强的实用性和推广价值。

关键词：烧结矿化学成分；神经网络算法；碱度；训练；权值和阈值；样本数据

烧结矿化学成分的稳定直接影响高炉生产的稳定。实验数据表明，烧结矿TFe波动范围由士1.0%降到±0.5%，高炉利用系数可提高2.0%，焦比可降低1.0%；烧结矿碱度波动范围由士0.1％降到士0.05%，高炉利用系数可提高2.5%，焦比可降低1.3%。因此，稳定烧结矿化学成分，对强化高炉冶炼和增铁节焦有着十分重要的意义。目前，我国烧结厂对烧结矿化学成分的控制，主要是通过每2h一次的烧结矿采样分析，调整混合料中的有关成分来实现的。然而，原料经过下料、混合、布料、点火烧结到成品冷却、整粒、取样等工序，待观察到调节效果一般需3~4h。如此大的时间滞后，采用传统的控制方法，很难实现烧结矿化学成分的准确控制。

为此建立了基于BP神经网络的烧结矿化学成分预报模型。我们从唐山钢铁公司烧结厂选取了2002~2006年的200组数据，经过1万次训练和学习，网络全局误差λ=0.000091，小于预设精度，得到相应的预测模型。Matlab仿真试验结果表明，应用神经网络的BP算法对烧结矿的化学成分进行预测，可以大大提高预测精度，而且模型具有较好的鲁棒性和泛化能力。实验证明，应用该技术提前预报烧结矿的化学成分，从而对配料做出及时调整，是实现烧结矿化学成分稳定的有效措施。

一、BP神经网络预报模型的建立

1．网络输入层输入变量的确定

烧结过程是一个复杂的系统。一定的原料参数和操作参数作用于设备参数（统称工艺参数），则有一定的状态参数和指标参数与之对应其中，原料参数包括混匀矿配比、石灰石配比、焦粉配比、生石灰配比等；设备参数包括风机能力、漏风率、混合制粒能力等；操作参数包括一二次混合加水量、料层厚度、台车速度等；状态参数包括烟道负压、废气温度、返矿率等；指标参数包括碱度、全铁含量、SiO2含量、转鼓指数、利用系数等。

每个工艺参数对指标参数的影响是不一样的，需要找出对指标参数有显著影响且独立变化，易于控制的关键参数见表1。

2．神经网络结构的确定

烧结矿性能指标预测采用三层误差反向传播神经网络，系神经元全连接网络。输入分别为料层厚度（mm)，烧结机速度（m/min)，点火温度（℃），烧结负压（Pa），混合料温度（℃）、混合料水分（％）和燃料配比（％），原料中FeO含量（％），生石灰配比（％），混均矿中SiO2、FeO、CaO含量，一二混加水率，煤气流量，混合料粒度；输出为烧结矿TFe含量（％）和碱度含量（％）、二氧化硅含量（％）、MgO、CaO、转鼓强度。烧结矿化学成分预测BP神经网络模型见图1，每个隐含层的神经元都有一个附加输入，因此每个隐含层具有17个权值，全部设成0.5，其权值在反向传播过程中进行学习。

模型的每个神经元具有一个简单的非线性方程。输入神经元含有一个简单的隶属度处理函数，将自变量的范围从实际值转变成神经方程的线性部分，即在0.2~0.8之间。隐含层和输出层神经元是如下的非线性处理函数：

式中：Yj—当前神经元j的输出；

wij—从神经元i到神经元j的权值；

Yi—上一层神经元的输出；

wj—神经元的可调阈值；

θ—神经元的阈值。

3．隐含层神经元数的确定

网络训练精度的提高，可以通过采用一个隐含层，以增加其神经元个数的方法来获得。这在结构实现上，要比增加更多的隐含层简单得多，究竟选取多少个隐含层节点合适是个很复杂的问题，它直接影响网络的非线性性能，它与所解决问题的复杂性有关。但问题的复杂性无法量化，因而也没有很好的解析式来确定隐含层单元数。

一般对于三层前向网络隐含层节点数有如下经验公式

式中：m—输出层节点数目；

n—输入层节点数目；

α—为1~10的常数

j=1og2n

(2)

式中：n—输入层节点

一般情况下最常用的是经验公式(2)。

4．初始权值的选取

由于系统是非线性的，初始值对于学习是否达到局部最小、能否收敛以及训练时间的长短关系很大。如果初始值太大，使得加权后的输入落在激活函数的饱和区，从而导致其导数非常小，而在计算权值修正公式中，因为δ正比于趋近于0时，则有δ趋近于0，使得△wy→0，从而使得调节过程几乎停顿。所以，一般总是希望初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在其S型激活函数变化最大之处进行调节。所以，初始权值一般取(-1，1)之间的随机数。

5．样本数据的处理

因为所收集的数据往往不是在同一个数量级，故将它们映射到（-1，1）之间进行归一化处理，以有利于提高神经网络的训练速度。标准化后的数据范围从0到1，在反传人工神经网络算法使用Sigmoid函数时，输出的数据范围也是从0到1，所以这种标准化方法在使用Sigmoid函数的反传神经网络算法中，被用来标度目标值。有时为了允许预报值在一定范围内超界，训练样本集的目标范围标度转化为0.1~0.9，即归一化公式如式（3）

神经网络计算结束后，再做反归一化处理，便得到实际的输出值即预报值。

反归一化公式如式（4）

样本数据中不可避免地存在着部分异常数据，将给模型带来一定影响，烧结矿化学成分预报模型所用的数据均来自生产现场的统计报表，由于早期样本数据可能存在误导作用，因此本模型所用的训练样本和测试样本都是经过仔细筛选而形成的。

6．网络的初始化训练

对所收集的生产过程数据进行整理，成为初始化训练的200组数据，分别对每一种烧结矿化学成分指标建立从单因素输入到多因素输入的多个神经网络模型。初始化训练主要确定模型的隐层节点数和阶数。初始化训练以后，得到的烧结矿化学成分指标（Tfe、R、SiO2、CaO、MgO等）对应每一个输入条件的适宜的网络结构。

在网络初始化训练的200组训练样本中，每一种化学成分的几种神经网络模型的训练输出与样本中的化学成分的实测值都拟合得很好，命中率几乎达到100%，即网络模型都能收敛到全局最小点。

二、预报模型仿真结果与分析

由于训练过的网络已经“模拟”和“记忆”了输入与输出之间的函数关系，因此可以用于烧结矿各化学成分的预测。将从唐钢烧结厂选取的200组数据作为预测因子即输入变量，逐年加入新的信号，重新训练和学习，向后逐步预测。每次预测的结果见图2~6。为衡量预测结果，采用两个统计学指标，即均方根误差σMSE和平方相对误差式中：xt和xi分别为烧结矿各化学成分的实际值和预测值。

从这两项指标看所建立的预测模型有很好的预测效果。参考文献：

[1]李果，李学仁，何秀然．改进ART1神经网络在航空发动机故障诊断中的应用[J]．微计算机信息，2005,9(1);156-158.

[2]刘克文，周取定．烧结矿质量预报模型的研究[J]．烧结球团，1990,15(1)：1-4.

[3]金朝红，吴汉松等．一种基于自适应遗传算法的神经网络学习算