发布时间 : 星期四 文章基于BP神经网络的烧结矿化学成分预报模型与仿真更新完毕开始阅读fe865014a2161479171128bb
基于BP神经网络的烧结矿化学成分预报
模型与仿真
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=0.000 091，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； 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初始值权的选取
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