煉鋼爐終點成分的人工神經(jīng)網(wǎng)絡預測模型
由于回歸模型再現(xiàn)性較差，用來確定預報參數(shù)尚可以，但作為應用模型實時性和精度仍有差距，所以應用神經(jīng)網(wǎng)絡來處理非線性動力學系統(tǒng)問題能克服回歸模型的弱點，更好地取得理想的預報效果，其特點是在于信息分布儲存和并行協(xié)同處理，具有很強的容錯性和魯棒性。
神經(jīng)網(wǎng)絡的結構及其應用
本文中提出的錳、磷回歸優(yōu)化模型，對實現(xiàn)錳磷終點的準確預報提供了參數(shù)，而采用人工神經(jīng)元網(wǎng)絡的計算方法能更好地校正吹煉過程產(chǎn)生的各種誤差，并能正確估價難以用解析方法表達的各種變量對吹煉終點的影響，更加準確完善靜態(tài)增量模型。
神經(jīng)網(wǎng)絡由許多并行運算的功能簡單的單元組成，每個神經(jīng)元有一個輸出，它可以連接到很多其他的神經(jīng)元，每個神經(jīng)元輸入有多個連接通路，每個連接通路對應一個連接權系數(shù)。即：
每個節(jié)點有一個狀態(tài)變量Xj
節(jié)點i到節(jié)點j有一個連接權系數(shù)wji
每個節(jié)點有一個閾值θj
每個節(jié)點定義一個變換函數(shù)fj[xj , wji,θj]
最常見的情形為f [
]
利用這些網(wǎng)絡模型可實現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、優(yōu)化計算等功能。
BP網(wǎng)絡的原理
BP網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，其神經(jīng)元的變換函數(shù)是S型函數(shù)。因此輸出量為0到1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意的非線性映射，由于權值的調(diào)整采用反向傳播的學習算法，因此稱BP（Back Propagation）網(wǎng)絡。在確定了BP網(wǎng)絡結構之后，利用輸出輸入樣本集對其進行訓練，也即對網(wǎng)絡的權值和閾值進行學習和調(diào)整，以使網(wǎng)絡實現(xiàn)給定的輸入輸出的映射關系。經(jīng)過訓練的BP網(wǎng)絡，對于不是樣本集中的輸入也能給出合適的輸出，但這一樣本集必須與訓練樣本集包含信息類似，否則，需重新訓練尋找合適的權重，才能作出精確的預報。圖2.1表示BP網(wǎng)絡結構，它具有R個輸入，每個輸入都通過一個適當?shù)臋嘀礧與下一層相連，網(wǎng)絡輸出可表示成 a=f（w *p ,b）, Matlab編程語言BP網(wǎng)絡中隱層神經(jīng)元的變換函數(shù)通常是logsig,也可采用tansig和purelin作為輸出函數(shù)其輸出值.
函數(shù)trainbp,trainbpx,trainlm均可用來訓練BP網(wǎng),其中trainlm訓練速度最快,但它需要更大的存儲空間,函數(shù)trainlm使用了Levenberg-Marquardt優(yōu)化方法，從而使學習時間更短，其權值調(diào)整率ΔW=（JTJ+μI）-1JTe，其中J 為誤差對權值微分的Jacobian矩陣，e為誤差向量，μ為一個標量，當μ很大時，上式就接近于梯度法；當μ很小時，上式就變成了Gauss-Newton法。因此對大型工程計算來說更合適。本程序采用trainl訓練函數(shù)。
BP算法在Matlab神經(jīng)網(wǎng)絡工具箱中得到了更新，即采用了動量法和學習率自適應調(diào)整，從而提高了學習速度并增加了算法的可靠性。常見的反向傳播算法正是利用網(wǎng)絡誤差平方和對網(wǎng)絡層輸入的導數(shù)來調(diào)整其權值和閾值，從而降低誤差平方和。訓練從計算每一層的輸出開始，直到得到網(wǎng)絡的輸出矢量，目標矢量減去網(wǎng)絡矢量得到誤差矢量，這個誤差矢量用于計算輸出層的δ矢量，而后將它反向傳播到前一層，以獲得各個網(wǎng)絡層的δ矢量，最后根據(jù)BP學習準則利用δ矢量調(diào)整網(wǎng)絡。
在實際計算中，由于變寫的Matlab程序可視化程度不強，網(wǎng)絡結構調(diào)整復雜，因而采用寶鋼自動化所購買的商用神經(jīng)網(wǎng)絡軟件進行運算，其軟件的原理和運算函數(shù)與Matlab程序一致，所以本項目所使用的模型運算工具有一定的先進性，對預測精度的提高有益。
網(wǎng)絡程序的編制
由于采集的各數(shù)據(jù)單位不一致，因而須對數(shù)據(jù)進行[-1，1]歸一化處理。然后再進行分類,以其中20%的數(shù)據(jù)用來預測，其余數(shù)據(jù)進行訓練預報。在訓練中又以動態(tài)誤差設定標準對神經(jīng)網(wǎng)絡優(yōu)化訓練，尋找合理優(yōu)化的網(wǎng)絡權重，最后預報結果并計算在預定相對誤差范圍內(nèi)的命中率。程序流程圖如圖2 所示。
神經(jīng)網(wǎng)絡在轉爐模型中的應用
應用神經(jīng)網(wǎng)絡來處理非線性動力學系統(tǒng)問題能克服回歸模型的弱點，更好地取得理想的預報效果，其特點是在于信息分布儲存和并行協(xié)同處理，具有很強的容錯性和魯棒性。
本模型試用了Matlab三層前向BP網(wǎng)絡結構，調(diào)用函數(shù)trainbp、trainbpx、trainlm用來訓練bp網(wǎng)絡，隱含層神經(jīng)元變換函數(shù)采用了logsig、tansig和purelin函數(shù)作為輸出函數(shù)。
以精煉期碳含量的變化CE-CM、終點碳含量CE、副槍測定吹煉錳Mn（m）或P（m）和碳含量C（m）、螢石CaF2/WCH、白云石MgO/WCH及礦石ORE/WCH、石灰石CaO/WCH加入量、鐵水硅HSI、熱裝比HMR、吹煉溫度TEMP和總的供氧量VO2/WCH十二個參數(shù)作為輸入神經(jīng)元的參數(shù)，終點錳Mne或Pe作為目標輸出，經(jīng)該神經(jīng)網(wǎng)絡訓練獲得了含有人工知識的權重文件，供樣本外終點錳或磷成分的預報，可達到很好的預報效果。模型預報精度主要決定于轉爐的吹煉行為。轉爐吹煉條件的改變有如下原因：
底吹攪拌的影響；
實際熔池水平面的精度；
留余在轉爐中的渣的體積；
爐襯耐材幾何尺寸的變化；
氧槍噴嘴的狀況。
這樣，借助于人工智能和神經(jīng)網(wǎng)絡模型在不利的脫碳條件下，預報出提早結束吹氧，獲知出鋼前的氧含量，并提前計算合金的加入量和鋼包中鋁的加入量。且本模型評估了終點的錳、磷含量，可調(diào)整副材和冷卻劑的加入量，有利于降低成本，提高質量，具有推廣的價值。
項目的數(shù)據(jù)采集和神經(jīng)網(wǎng)絡的運算過程
根據(jù)冶金學原理，預報終點吹止錳、磷與造渣劑、冷卻劑、鐵水成分、供養(yǎng)量、熔池溫度、有關，其中影響最大的是供養(yǎng)量和溫度。在建立模型中應考慮爐料的裝人量和爐料的熱裝比參數(shù)影響。從寶鋼轉爐數(shù)據(jù)庫中選擇的參數(shù)如表1，實際計算參數(shù)鐵水硅（HMSI）在測定二次的情況下，以第二次為準的原則；每噸裝人量中氧氣供量（VO2/WCH）以著火前和吹煉中的耗氧量之和作為副槍測定前的已知輸入?yún)?shù)；每噸裝人量石灰石（CaO/WCH）、有效白云石（? MgO/WCH=[白云石+0.476*輕燒白云石]/WCH）、礦石（ORE/WCH）的加入量以副槍測定前累加量作為計算輸入?yún)?shù)；溫度（ETEMP）以副槍測定吹止溫度輸入；副槍吹煉碳（BC）、吹止碳（EC）和副槍測定吹煉至吹止的過程碳含量的變化（EC-BC）、副槍測定吹煉錳（BMN）或吹煉磷（BP）以及鐵水熱裝比（HMR）共十一項參數(shù)作為神經(jīng)網(wǎng)絡的輸入。吹止錳或磷元素分析值作訓練目標輸出樣本對模型進行了訓練和檢測預報。
模型的確立和現(xiàn)場預報驗證
基于副槍信息的神經(jīng)網(wǎng)絡預報模型（SLMn、SLP模型）
基于無副槍分析信息的統(tǒng)計神經(jīng)網(wǎng)絡模型
由錳磷多元回歸推定值取代副槍信息的預報模型 (RCSLMn, RCSLP)
上述四種模型預報精度的比較與評價
對上述四種模型進行了分析比較如圖2.6、2.7所示，SLMn、SLP模型的相關系數(shù)最大，而絕對誤差最小，其余三種準態(tài)模型由于缺乏爐渣成分、堿度及冶煉過程中形成的渣況信息，因而很難從原始操作參數(shù)準確推定吹煉中錳磷的成分，這樣造成NCSLMn、NCSLP、CSLMn、CSLP模型預報精度明顯低于前者。四種模型在相對誤差20%即相當于預報誤差精度|ΔMn|? 0.025% 和|ΔP|? 0.0028%范圍內(nèi)的命中率比較如圖2.8、2.9所示
圖2.6 吹止錳的絕對誤差和相對系數(shù)的比較
圖2.7 吹止磷的絕對誤差和相對系數(shù)的比較
SLMn、SLP模型的命中率分別達到91%和84%。預測值與實際值比較如圖2.10、2.11所示，從圖中可看出錳的預報效果比磷要好些，分析原因主要是磷成分受爐渣和溫度的影響比錳的影響更大，所以為了提高預報精度必須采用機理模型和統(tǒng)計模型相結合。
圖2.8 終點錳預報誤差20%內(nèi)的命中率
圖2.9 終點磷預報誤差20%內(nèi)的命中率
神經(jīng)網(wǎng)絡的結構及其應用
本文中提出的錳、磷回歸優(yōu)化模型，對實現(xiàn)錳磷終點的準確預報提供了參數(shù)，而采用人工神經(jīng)元網(wǎng)絡的計算方法能更好地校正吹煉過程產(chǎn)生的各種誤差，并能正確估價難以用解析方法表達的各種變量對吹煉終點的影響，更加準確完善靜態(tài)增量模型。
神經(jīng)網(wǎng)絡由許多并行運算的功能簡單的單元組成，每個神經(jīng)元有一個輸出，它可以連接到很多其他的神經(jīng)元，每個神經(jīng)元輸入有多個連接通路，每個連接通路對應一個連接權系數(shù)。即：
每個節(jié)點有一個狀態(tài)變量Xj
節(jié)點i到節(jié)點j有一個連接權系數(shù)wji
每個節(jié)點有一個閾值θj
每個節(jié)點定義一個變換函數(shù)fj[xj , wji,θj]
最常見的情形為f [
利用這些網(wǎng)絡模型可實現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、優(yōu)化計算等功能。
BP網(wǎng)絡的原理
BP網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，其神經(jīng)元的變換函數(shù)是S型函數(shù)。因此輸出量為0到1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意的非線性映射，由于權值的調(diào)整采用反向傳播的學習算法，因此稱BP（Back Propagation）網(wǎng)絡。在確定了BP網(wǎng)絡結構之后，利用輸出輸入樣本集對其進行訓練，也即對網(wǎng)絡的權值和閾值進行學習和調(diào)整，以使網(wǎng)絡實現(xiàn)給定的輸入輸出的映射關系。經(jīng)過訓練的BP網(wǎng)絡，對于不是樣本集中的輸入也能給出合適的輸出，但這一樣本集必須與訓練樣本集包含信息類似，否則，需重新訓練尋找合適的權重，才能作出精確的預報。圖2.1表示BP網(wǎng)絡結構，它具有R個輸入，每個輸入都通過一個適當?shù)臋嘀礧與下一層相連，網(wǎng)絡輸出可表示成 a=f（w *p ,b）, Matlab編程語言BP網(wǎng)絡中隱層神經(jīng)元的變換函數(shù)通常是logsig,也可采用tansig和purelin作為輸出函數(shù)其輸出值.
函數(shù)trainbp,trainbpx,trainlm均可用來訓練BP網(wǎng),其中trainlm訓練速度最快,但它需要更大的存儲空間,函數(shù)trainlm使用了Levenberg-Marquardt優(yōu)化方法，從而使學習時間更短，其權值調(diào)整率ΔW=（JTJ+μI）-1JTe，其中J 為誤差對權值微分的Jacobian矩陣，e為誤差向量，μ為一個標量，當μ很大時，上式就接近于梯度法；當μ很小時，上式就變成了Gauss-Newton法。因此對大型工程計算來說更合適。本程序采用trainl訓練函數(shù)。
BP算法在Matlab神經(jīng)網(wǎng)絡工具箱中得到了更新，即采用了動量法和學習率自適應調(diào)整，從而提高了學習速度并增加了算法的可靠性。常見的反向傳播算法正是利用網(wǎng)絡誤差平方和對網(wǎng)絡層輸入的導數(shù)來調(diào)整其權值和閾值，從而降低誤差平方和。訓練從計算每一層的輸出開始，直到得到網(wǎng)絡的輸出矢量，目標矢量減去網(wǎng)絡矢量得到誤差矢量，這個誤差矢量用于計算輸出層的δ矢量，而后將它反向傳播到前一層，以獲得各個網(wǎng)絡層的δ矢量，最后根據(jù)BP學習準則利用δ矢量調(diào)整網(wǎng)絡。
在實際計算中，由于變寫的Matlab程序可視化程度不強，網(wǎng)絡結構調(diào)整復雜，因而采用寶鋼自動化所購買的商用神經(jīng)網(wǎng)絡軟件進行運算，其軟件的原理和運算函數(shù)與Matlab程序一致，所以本項目所使用的模型運算工具有一定的先進性，對預測精度的提高有益。
網(wǎng)絡程序的編制
由于采集的各數(shù)據(jù)單位不一致，因而須對數(shù)據(jù)進行[-1，1]歸一化處理。然后再進行分類,以其中20%的數(shù)據(jù)用來預測，其余數(shù)據(jù)進行訓練預報。在訓練中又以動態(tài)誤差設定標準對神經(jīng)網(wǎng)絡優(yōu)化訓練，尋找合理優(yōu)化的網(wǎng)絡權重，最后預報結果并計算在預定相對誤差范圍內(nèi)的命中率。程序流程圖如圖2 所示。
神經(jīng)網(wǎng)絡在轉爐模型中的應用
應用神經(jīng)網(wǎng)絡來處理非線性動力學系統(tǒng)問題能克服回歸模型的弱點，更好地取得理想的預報效果，其特點是在于信息分布儲存和并行協(xié)同處理，具有很強的容錯性和魯棒性。
本模型試用了Matlab三層前向BP網(wǎng)絡結構，調(diào)用函數(shù)trainbp、trainbpx、trainlm用來訓練bp網(wǎng)絡，隱含層神經(jīng)元變換函數(shù)采用了logsig、tansig和purelin函數(shù)作為輸出函數(shù)。
以精煉期碳含量的變化CE-CM、終點碳含量CE、副槍測定吹煉錳Mn（m）或P（m）和碳含量C（m）、螢石CaF2/WCH、白云石MgO/WCH及礦石ORE/WCH、石灰石CaO/WCH加入量、鐵水硅HSI、熱裝比HMR、吹煉溫度TEMP和總的供氧量VO2/WCH十二個參數(shù)作為輸入神經(jīng)元的參數(shù)，終點錳Mne或Pe作為目標輸出，經(jīng)該神經(jīng)網(wǎng)絡訓練獲得了含有人工知識的權重文件，供樣本外終點錳或磷成分的預報，可達到很好的預報效果。模型預報精度主要決定于轉爐的吹煉行為。轉爐吹煉條件的改變有如下原因：
底吹攪拌的影響；
實際熔池水平面的精度；
留余在轉爐中的渣的體積；
爐襯耐材幾何尺寸的變化；
氧槍噴嘴的狀況。
這樣，借助于人工智能和神經(jīng)網(wǎng)絡模型在不利的脫碳條件下，預報出提早結束吹氧，獲知出鋼前的氧含量，并提前計算合金的加入量和鋼包中鋁的加入量。且本模型評估了終點的錳、磷含量，可調(diào)整副材和冷卻劑的加入量，有利于降低成本，提高質量，具有推廣的價值。
項目的數(shù)據(jù)采集和神經(jīng)網(wǎng)絡的運算過程
根據(jù)冶金學原理，預報終點吹止錳、磷與造渣劑、冷卻劑、鐵水成分、供養(yǎng)量、熔池溫度、有關，其中影響最大的是供養(yǎng)量和溫度。在建立模型中應考慮爐料的裝人量和爐料的熱裝比參數(shù)影響。從寶鋼轉爐數(shù)據(jù)庫中選擇的參數(shù)如表1，實際計算參數(shù)鐵水硅（HMSI）在測定二次的情況下，以第二次為準的原則；每噸裝人量中氧氣供量（VO2/WCH）以著火前和吹煉中的耗氧量之和作為副槍測定前的已知輸入?yún)?shù)；每噸裝人量石灰石（CaO/WCH）、有效白云石（? MgO/WCH=[白云石+0.476*輕燒白云石]/WCH）、礦石（ORE/WCH）的加入量以副槍測定前累加量作為計算輸入?yún)?shù)；溫度（ETEMP）以副槍測定吹止溫度輸入；副槍吹煉碳（BC）、吹止碳（EC）和副槍測定吹煉至吹止的過程碳含量的變化（EC-BC）、副槍測定吹煉錳（BMN）或吹煉磷（BP）以及鐵水熱裝比（HMR）共十一項參數(shù)作為神經(jīng)網(wǎng)絡的輸入。吹止錳或磷元素分析值作訓練目標輸出樣本對模型進行了訓練和檢測預報。
模型的確立和現(xiàn)場預報驗證
基于副槍信息的神經(jīng)網(wǎng)絡預報模型（SLMn、SLP模型）
基于無副槍分析信息的統(tǒng)計神經(jīng)網(wǎng)絡模型
由錳磷多元回歸推定值取代副槍信息的預報模型 (RCSLMn, RCSLP)
上述四種模型預報精度的比較與評價
對上述四種模型進行了分析比較如圖2.6、2.7所示，SLMn、SLP模型的相關系數(shù)最大，而絕對誤差最小，其余三種準態(tài)模型由于缺乏爐渣成分、堿度及冶煉過程中形成的渣況信息，因而很難從原始操作參數(shù)準確推定吹煉中錳磷的成分，這樣造成NCSLMn、NCSLP、CSLMn、CSLP模型預報精度明顯低于前者。四種模型在相對誤差20%即相當于預報誤差精度|ΔMn|? 0.025% 和|ΔP|? 0.0028%范圍內(nèi)的命中率比較如圖2.8、2.9所示
圖2.6 吹止錳的絕對誤差和相對系數(shù)的比較
圖2.7 吹止磷的絕對誤差和相對系數(shù)的比較
SLMn、SLP模型的命中率分別達到91%和84%。預測值與實際值比較如圖2.10、2.11所示，從圖中可看出錳的預報效果比磷要好些，分析原因主要是磷成分受爐渣和溫度的影響比錳的影響更大，所以為了提高預報精度必須采用機理模型和統(tǒng)計模型相結合。
圖2.8 終點錳預報誤差20%內(nèi)的命中率
圖2.9 終點磷預報誤差20%內(nèi)的命中率
本文標簽：煉鋼爐終點成分的人工神經(jīng)網(wǎng)絡預測模型
* 由于無法獲得聯(lián)系方式等原因，本網(wǎng)使用的文字及圖片的作品報酬未能及時支付，在此深表歉意，請《煉鋼爐終點成分的人工神經(jīng)網(wǎng)絡預測模型》相關權利人與機電之家網(wǎng)取得聯(lián)系。
關于“煉鋼爐終點成分的人工神經(jīng)網(wǎng)絡預測模型”的更多資訊
：鞏經(jīng)理
：13915946763
：南京塞姆泵業(yè)有限公司
VIP公司推薦
|
|
|
|
|
|
|
|