基于人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的精煉過程鋼水溫度預(yù)測模型

李 強，曹 剛

(西安理工大學(xué)自動化與信息工程學(xué)院，陜西 西安 710048)

1 前言

LF精煉過程中，鋼水溫度對鋼的產(chǎn)量和質(zhì)量、鋼包的壽命等都有很重要的影響。冶煉過程中，對溫度的準確預(yù)測，不但可以提高產(chǎn)品質(zhì)量，而且在一定意義上可以降低生產(chǎn)成本。由于特殊的生產(chǎn)環(huán)境，直接連續(xù)地測量鋼水溫度是不現(xiàn)實的。所以，如何建立一個有效的、能夠精確預(yù)估溫度的模型，是一個迫切需要解決的問題。然而，LF冶煉過程中，影響溫度的因素很多也很復(fù)雜，主要的影響因素有鋼包溫度、包齡、冶煉過程中的吹氬量、渣厚、耗電量和加入的物料(合金和渣料)等，而且這些因素對鋼水溫度的影響很難用數(shù)學(xué)方法精確描述。

本文以某鋼鐵有限公司的寬厚板生產(chǎn)線LF爐為研究對象，提出將BP神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合的方法，建立冶煉過程鋼水溫度預(yù)測模型，并且可以根據(jù)積累的歷史數(shù)據(jù)不斷調(diào)整專家系統(tǒng)的參數(shù)，最后，利用C#語言編程實現(xiàn)了系統(tǒng)。

2 誤差反向傳播(BP)人工神經(jīng)網(wǎng)絡(luò)算法

誤差反向傳播(Back Propagation)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。本文中的人工神經(jīng)網(wǎng)絡(luò)就采用誤差反向傳播網(wǎng)絡(luò)。此外，由于鋼水的變化量有正有負，為了能夠?qū)φ麄€冶煉過程進行溫度預(yù)測，本文使用雙曲函數(shù)(式(1))作為神經(jīng)元輸出變化函數(shù)。

由此，網(wǎng)絡(luò)中節(jié)點的輸入輸出變化關(guān)系為

其中，q為第q層，q=1，2，…，Q，nq為第q層上的神經(jīng)元個數(shù);i為第q層上的第i個節(jié)點，i=1，2，…，nq;j為第q－1層上的第j個節(jié)點，j=1，2，…，nq－1;w(q)ij為輸入到第q層的第i個神經(jīng)元與第q－1層第j個神經(jīng)元的鏈接權(quán)值。

優(yōu)化計算調(diào)整權(quán)值的方法采用比較典型的一階梯度法，即最速下降法。最終可以歸納出采用雙曲函數(shù)作為神經(jīng)元輸出變換的BP網(wǎng)絡(luò)的學(xué)習(xí)算法。

隱層

輸出層

其中，δ(Q)Pi為用第P組樣本得出的第i個輸出節(jié)點的δ值。

通過上述的BP網(wǎng)絡(luò)的學(xué)習(xí)算法，可以利用C#語言編程實現(xiàn)該學(xué)習(xí)算法。

3 專家系統(tǒng)

專家系統(tǒng)是應(yīng)用于某一專門領(lǐng)域，擁有該領(lǐng)域相當(dāng)數(shù)量的專家知識經(jīng)驗，可以模擬專家的思維，像專家一樣解決困難和復(fù)雜的實際問題的計算軟件系統(tǒng)。一般按專家系統(tǒng)控制器在控制系統(tǒng)中的作用和功能，可將專家系統(tǒng)控制器分為兩個類型:直接型專家控制器和間接型專家控制器。

根據(jù)對現(xiàn)場生產(chǎn)工藝的分析研究，本文采用間接專家控制系統(tǒng)。因為冶煉過程中加入的合金、渣料的種類及重量，是根據(jù)實際對鋼水的取樣化驗結(jié)果來確定的，具有一定的隨機性和不確定性。而且，由于合金和渣料的種類繁多，之間存在一些復(fù)雜的物理化學(xué)反應(yīng)。另外，由于熱慣性，加入的合金和渣料的溫度，要達到與鋼水溫度一致，一般需要3～5 min。綜上所述，很難把這兩類因素放入到神經(jīng)網(wǎng)絡(luò)中處理。因此，可以把合金和渣料(統(tǒng)稱為物料)的種類和重量放到專家系統(tǒng)中處理。根據(jù)現(xiàn)場了解的專家的經(jīng)驗和知識，在專家系統(tǒng)中制定一個有關(guān)各種類型物料對鋼水的溫降系數(shù)表。表1給出了各種類型的物料對鋼水的溫降系數(shù)。

表1 物料對鋼水的溫降系數(shù)

4 精煉過程鋼水溫度預(yù)測模型的建立

4.1 過程溫度預(yù)測模型的建立

通過對該鋼鐵有限公司寬厚板生產(chǎn)線的現(xiàn)場工藝分析得出，精煉爐溫度預(yù)測模型的建立可以從人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合的角度出發(fā)，將影響鋼水溫度的主要因素進行分類處理。

通過分析精煉爐冶煉過程的工藝過程，本系統(tǒng)將影響溫度變化的主要因素:鋼包溫度、包齡、鋼水重量、冶煉過程中的吹氬量、渣厚、電耗，作為BP神經(jīng)網(wǎng)絡(luò)的輸入(當(dāng)然，影響溫度變化的因素很多，但是其他因素對溫度的影響很小，而且難以準確測量，因此忽略)，采用6×8×1型BP網(wǎng)絡(luò)，以1 min為運行周期，周期性的預(yù)測過程溫度變化量。將冶煉過程中加入的每種物料的種類和重量，作為專家系統(tǒng)的輸入，專家系統(tǒng)可以按照加入的不同物料的重量，分別預(yù)測出加入的每種物料對鋼水溫度變化的預(yù)測變化量，最后輸出一個加入的所有物料對溫度總的一個預(yù)測變化量。

根據(jù)以上分析，應(yīng)用C#語言，將上述模型編程實現(xiàn)為計算機程序，圖1給出了精煉爐鋼水過程溫度預(yù)測模型的系統(tǒng)流程圖。

圖1 精煉爐鋼水過程溫度預(yù)測模型流程圖

從圖1中可以看出，系統(tǒng)將周期性的采集現(xiàn)場實際運行中的所需模擬量分類輸入到BP人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)和專家系統(tǒng)中。BP人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)根據(jù)輸入的模擬量，輸出預(yù)測的溫度變化量△T1。專家系統(tǒng)根據(jù)冶煉過程中加入的所有的物料種類和重量，先預(yù)測出每種物料按照加入的重量對鋼水溫度的預(yù)測變化量△Tn，(其中，n表示加入的第n種物料)，再輸出所有所加物料對鋼水溫度的總的預(yù)測變化量△T2(由于加入的物料重量相對鋼水重量來說很小，且各物料之間的化學(xué)物理反應(yīng)對鋼水溫度變化很難準確預(yù)測，這樣以來，可以認為物料之間的相互作用對鋼水溫度變化的影響很小，所以，專家系統(tǒng)獨立考慮每種物料對鋼水溫度變化的作用，而忽略物料之間的反應(yīng)對鋼水溫度變化的影響)。將兩個系統(tǒng)輸出的預(yù)測溫度變化量相加，得出總的預(yù)測溫度變化量△T=△T1+△T2，最終輸出預(yù)測的溫度值T=T'+△T(T'為前一分鐘的預(yù)測溫度)。圖2為精煉爐鋼水過程溫度預(yù)測模型的系統(tǒng)運行圖。

圖2 精煉爐鋼水過程溫度預(yù)測模型的系統(tǒng)運行圖

為了驗證精煉爐鋼水過程溫度預(yù)測模型的有效性和實用性，從生產(chǎn)實際數(shù)據(jù)庫中，隨機抽取20組數(shù)據(jù)作為訓(xùn)練樣本。由于收集的數(shù)據(jù)往往數(shù)量級不同，所以訓(xùn)練之前要將這些數(shù)據(jù)驚進行醒歸一化處理，映射到［－1，1］之間。用歸一化后的數(shù)據(jù)作為訓(xùn)練樣本輸出到本預(yù)測模型中進行試驗，其試驗結(jié)果見表2。

試驗結(jié)構(gòu)表明，預(yù)測模型的預(yù)測結(jié)果與實際的測量值較好的吻合，這也說明了預(yù)測模型滿足了在線運行的要求。

4.2 模型預(yù)測誤差的來源分析

模型預(yù)測誤差主要來源有以下幾個方面:

(1)溫度數(shù)據(jù)測量的準確性。現(xiàn)場溫度測量使用專門的測溫槍，需要插入到爐體內(nèi)進行測量。由于鋼包內(nèi)本身就可能由于某種原因存在溫度的不均勻分布，就造成了測溫槍插入的位置不同，溫度有可能不同，對溫度的可靠性有很大的影響;

表2 LF精煉過程鋼水實際溫度與預(yù)估溫度的比較 ℃

(2)兩種系統(tǒng)輸入量的確定。兩個系統(tǒng)在建模過程中，本身就忽略了一些雖然影響作用小，但也能影響溫度變化的因素，這也會造成預(yù)測有誤差;

(3)物料對鋼水的溫降系數(shù)的確定。雖然物料對鋼水的溫降系數(shù)是根據(jù)了解專家知識經(jīng)驗得來的，但種種原因也會造成溫降系數(shù)可能有誤差，主要有以下幾個方面:①即便是多次使用的物流來源相同，也可能由于時間、工藝水平變化等原因，造成同種物料對鋼水的溫降系統(tǒng)有所不同;②專家的知識經(jīng)驗也要根據(jù)現(xiàn)場實際的工藝、物料來源等變化而重新評定。

4.3 減小誤差的措施

對于像模型本身原理或結(jié)構(gòu)造成的誤差，雖然是不可以減小的，但是其誤差是在接受范圍內(nèi)的。同時，操作人員測溫過程中，測溫位置不同造成的誤差也是很難避免的，但是由于目前的測溫操作基本比較規(guī)范，所以測溫位置不同帶來的誤差也是在接受范圍內(nèi)的。本文主要針對物料對鋼水的溫降系數(shù)誤差，采取了對歷史測溫加料數(shù)據(jù)統(tǒng)計分析的方法，不斷調(diào)整物料對鋼水的溫降系數(shù)，以到達接近實際的物料對鋼水的溫降系數(shù)，減小誤差的目的。

5 結(jié)論

(1)本文采用人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合的方法，不僅能對鋼水溫度進行連續(xù)預(yù)測溫度，而且還對合金和渣料的添加這兩種隨機影響溫度的事件進行處理，使本模型具有適應(yīng)性強，預(yù)報精度高的特點。

(2)實踐表明，本模型運行時，對LF精煉爐過程溫度的預(yù)測誤差在±5℃時的準確率達到85%，具有應(yīng)用推廣價值。

［1］ 孫增圻．智能控制理論與技術(shù)［M］．北京:清華大學(xué)出版社，1997．

［2］ 韓立群．智能控制理論及應(yīng)用［M］．北京:機械工業(yè)出版社，2007．

［3］ 劉介．連鑄機爐外精煉自動化技術(shù)［M］．北京:冶金工業(yè)出版社，2006．

［4］ 李晶．LF精煉技術(shù)［M］．北京:冶金工業(yè)出版社，1999．

［6］ Jon Skeet著，周靖，朱永光譯．深入解析C#(美)［M］．北京:人民郵電出版社，2010．

［7］ 滕永昌．Oracle 9i數(shù)據(jù)庫管理員使用大全［M］．北京:清華大學(xué)出版社．2004．

［8］ 閻立懿，戰(zhàn)東平，曹鴻濤．LF爐精煉過程鋼液溫度預(yù)報及控制［J］．工業(yè)加熱，2010，39:(2)．

［9］ 吳曉東，劉旭蘭．LF精煉終點鋼水溫度用的預(yù)報模型［J］．煉鋼，2007，(23)．

［10］ 田慧欣．基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的LF爐終點溫度預(yù)報［D］．沈陽:東北大學(xué)，2005．

［11］ 劉曉，顧文斌，王洪兵．LF爐的溫度行為［J］．寶鋼技術(shù)，1998，(3)．

［12］ 劉曉，顧文斌，王洪兵．鋼包的熱分析［J］．寶鋼技術(shù)，1998，(5)．

［13］ 武擁軍，姜周華，姜茂發(fā)等．LF精煉過程鋼水溫度預(yù)報模型［J］．鋼鐵研究學(xué)報，2002，4(2):9－12．

［14］ 高憲文．基于神經(jīng)網(wǎng)絡(luò)的鋼包精煉終點預(yù)報［J］．東北大學(xué)學(xué)報，2005，26(8)．