氬氧精煉烙鐵過程噴濺RBF神經(jīng)網(wǎng)絡預報

毛家怡， 尤 文

(長春工業(yè)大學 電氣與電子工程學院， 吉林 長春 130012)

0 引 言

噴濺是由氧氣助燃進行氬氧精煉烙鐵過程中經(jīng)常發(fā)生的使用操作故障問題，AOD爐的噴濺不僅會對設備的正常冶煉過程造成干擾，而且會使設備受到損壞，例如粘槍、燒槍、爐口和煙罩掛渣，還會使鋼鐵收得率降低，并造成環(huán)境污染。氬氧精煉(Arg on-Oxy gen Decarburization， AOD)低碳烙鐵過程中,由于冶煉時溫度高，并且反應劇烈，爐內(nèi)爐渣堆積，原料中含有硫雜質等原因，其噴濺發(fā)生率高。在低碳烙鐵過程中的噴濺發(fā)生是典型的非線性分類問題，文中采用具有優(yōu)秀學習能力的人工神經(jīng)網(wǎng)絡，提出一種基于RBF神經(jīng)網(wǎng)絡的氬氧精煉烙鐵過程噴濺預報方法，這種方法屬于前向神經(jīng)網(wǎng)絡類型，能夠以任意精度逼近任意連續(xù)函數(shù)，對解決分類等問題十分合適。從模型整體來看，RBF神經(jīng)網(wǎng)絡中輸出與輸入間存在非線性關系，但是網(wǎng)絡輸出對可調節(jié)參數(shù)是線性的，網(wǎng)絡的權值用線性方程解出，可以解決學習速度慢，且避免局部較小問題。

1 AOD爐的系統(tǒng)分析

氬氧精煉低碳烙鐵過程中，由于烙鐵合金溶體內(nèi)以及液面會發(fā)生三個化學反應[1-3]：

C+O→CO↑,

(1)

2Cr+3O→Cr2O3,

(2)

3C+Cr2O3→2Cr+3CO↑,

(3)

其中：反應(1)與反應(2)均為放熱反應；反應(3)是吸熱反應，其中O2，C，CO，Cr2O3同時發(fā)生反應[2]。如果在低碳烙鐵的過程中，熔池的溫度驟降或者發(fā)生突然冷卻，使得反應激烈的(3)受到抑制，吹入的氧氣反應生成大量的Cr2O3并堆積；繼續(xù)反應后熔池內(nèi)的溫度再次升高到一定溫度，反應(3)繼續(xù)快速進行，反應(1)與(3)一同作用下瞬間反應產(chǎn)生大量CO氣體，此時由于Cr2O3堆積較多，渣層很厚，渣液泡沫程度高，所以CO氣體難以逃出，導致AOD爐的噴濺產(chǎn)生[4]。如果(1)和(2)反應劇烈時，就會產(chǎn)生泡沫噴濺(中型噴濺)，嚴重時會產(chǎn)生爆發(fā)性噴濺(大型噴濺)。

綜合以上信息，雖然爐渣中Cr2O3的含量可以用來表示噴濺的發(fā)生情況，但在冶煉過程中Cr2O3無法實時進行檢測，所以應該尋找一種能夠進行在線檢測并且可以表征噴濺程度的信號。在生產(chǎn)過程中，一般采用“人工看火”和“聽音辨識”的方法。

2 基于RBF的AOD爐噴濺預報模型的建立

2.1 RBF神經(jīng)網(wǎng)絡的結構

RBF網(wǎng)絡(Radical Basis Function)的結構與多層前向網(wǎng)絡類似，是一種前向神經(jīng)，對于連續(xù)函數(shù)的任意精度均可逼近，對于分類問題較為適合。輸入層由各個信號結點構成，其中第二層是隱含層，隱含單元的徑向基函數(shù)RBF()是空間上的任意一點到某中心之間歐氏距離的單調函數(shù)，其設定由描述的問題需要而定；第三層為輸出層，輸出層是對輸出的作用做出的響應。其中輸入到隱含層的變換屬于非線性的，而再從隱含層到輸出層的空間變換是線性的[5],其結構如圖1所示。

徑向基神經(jīng)網(wǎng)絡中常用的徑向基函數(shù)是高斯函數(shù)，包含了輸入對參數(shù)局部線性的特征, 因為訓練時可以躲避非線性優(yōu)化,所以不存在局部極小問題。對于網(wǎng)絡的拓撲結構可以在學習過程中確定,網(wǎng)絡權系數(shù)計算的難度降低，學習速度有所提高[6]。

圖1 RBF神經(jīng)網(wǎng)絡結構

隱含層徑向基函數(shù)可以表示為

(4)

式中:‖xp-ci‖----歐式范數(shù);

c----高斯函數(shù)的中心;

σ----高斯函數(shù)的方差。

其中

(5)

式中：dm----兩個選取點中間的最大距離；

M----隱含層單元數(shù)。

徑向基神經(jīng)網(wǎng)絡的輸出為

(6)

p----樣本總數(shù),p=1，2，…;

ci----網(wǎng)絡隱含層節(jié)點的中心;

wij----隱含層到輸出層的連接權值;

yj----輸入樣本對應的第j個輸出的實際輸出。

2.2 訓練樣本的標準化處理

由于AOD爐低碳烙鐵過程收集的輸入量之間的數(shù)值一般相差較大，必須將輸入的各量進行標準化處理[7]。

(7)

式中:

3 基于RBF神經(jīng)網(wǎng)絡的訓練與仿真

3.1 RBF神經(jīng)網(wǎng)絡訓練

RBF神經(jīng)網(wǎng)絡的輸入向量設為[a,b,c,d]一組特征向量，其中a為音頻特征值，b為水平振動特征值，c為垂直振動特征值，d為火焰圖像特征值。設y作為RBF神經(jīng)網(wǎng)絡的輸出，將y依據(jù)噴濺的程度分為4個等級。當未發(fā)生噴濺時y設定值為0；發(fā)生小型噴濺時y設定值為1；發(fā)生中型噴濺時y設定值為2；發(fā)生大型噴濺時y設定值為3。噴濺前80 s的數(shù)據(jù)因為預報特點較為明顯，可以作為預報的依據(jù)。該RBF神經(jīng)網(wǎng)絡的輸入節(jié)點數(shù)為4個，分別對應4個監(jiān)控特征值；輸出層節(jié)點數(shù)為3個。RBF神經(jīng)網(wǎng)絡訓練過程如圖2所示。訓練樣本見表1。

圖2 RBF神經(jīng)網(wǎng)絡訓練過程

表1 訓練樣本

由于獲得的數(shù)據(jù)各量之間差異較大，所以將所得數(shù)據(jù)進行標準化處理，處理后的數(shù)據(jù)應該在區(qū)間[0,1],這樣滿足RBF神經(jīng)網(wǎng)絡的輸入輸出要求。采樣數(shù)據(jù)進行歸一化后用作神經(jīng)網(wǎng)絡的訓練樣本，對RBF神經(jīng)網(wǎng)絡進行訓練。對于RBF網(wǎng)絡的輸出是隱含單元輸出的線性加權和，其學習速度快，占用空間小，可以實時檢測故障并診斷。對于訓練樣本應該符合一定的密度和兼容性，但由于噴濺事故，無法獲取更多的樣本數(shù)據(jù)，本實驗只選取了部分數(shù)據(jù)進行訓練。

3.2 RBF神經(jīng)網(wǎng)絡的測試

對RBF神經(jīng)網(wǎng)絡訓練完成后，通過實際數(shù)據(jù)進行測試，驗證網(wǎng)絡是否可以完成氬氧精煉低碳烙鐵過程噴濺的預報[8]。

用10組數(shù)據(jù)進行輸入，選擇的特征向量如前所述，測試樣本見表2。

表2 測試樣本

分析結果發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡成功地預報了噴濺等級[9]。但是預報值不是特別準確，均在[0,3]之間，雖然有負值出現(xiàn)，但對于等級劃分并沒有影響，對于小數(shù)點后的位數(shù)可以進行四舍五入，比較是否在[0，3]內(nèi)，對于負值可歸為0。

經(jīng)過大量的數(shù)據(jù)訓練與測試，表明使用RBF神經(jīng)網(wǎng)絡可以對噴濺程度進行分類，能較為精準地預報噴濺情況，說明該方法對于AOD爐噴濺預測具有實效性，并且預測結果較為準確。

4 結 語

使用RBF神經(jīng)網(wǎng)絡對冶煉過程中出現(xiàn)的噴濺進行預測，精度較高，可以得到令人滿意的預測效果，表明該方法的有效性和實用性。RBF神經(jīng)網(wǎng)絡預報噴濺的過程中，關鍵步驟是對隱含層節(jié)點數(shù)和傳遞函數(shù)的確定，并且RBF神經(jīng)網(wǎng)絡經(jīng)過遺傳算法的訓練后，其結構的收斂性有所提高，從而診斷相對精確。