宋佳霖

（中冶南方武漢鋼鐵設計研究院有限公司，湖北武漢 430000）

前言

工業(yè)用活性石灰生產方法眾多，涉及各種窯型，而雙膛窯是目前世界上最主流的生產窯型，具有熱利用率高、廢氣溫度低、燃料適用性廣泛等多種優(yōu)點。隨著煉鋼技術不斷發(fā)展，所需的工業(yè)石灰質量更高，這同時也就對雙膛石灰窯的生產的控制提出了更精確的要求，而傳統(tǒng)控制系統(tǒng)弊端明顯，由于石灰質量檢測的延遲不能有效的調整石灰窯的操作參數，造成石灰質量得不到有效控制［1］。然而，隨著深度學習的發(fā)展，其在處理石灰生產過程中各變量之間復雜關系、不確定性和非線性問題上運用廣泛［2］。基于此，建立與雙膛石灰窯相適應的深度神經網絡模型，實現對冶金石灰的質量及產量等指標的預測。

1 石灰質量預測模型

1.1 石灰質量指標及其影響參數

石灰的質量一般以CaO含量、SiO2含量、S含量、灼減和活性度用來衡量［3］。我國冶金石灰標準為《冶金石灰》（YB/T 042-2014），分為特級、一級、二級和三級四個等級，質量指標參數見表1。

表1 冶金石灰的質量指標

石灰的煅燒是一個復雜、精細、敏感、抽象的物理化學反應過程。在此過程中，主要發(fā)生的是碳酸鈣分解，并伴隨著氧化鈣的再結晶和晶體生長［4］。煅燒石灰發(fā)生的主要反應見以下反應式：

煅燒過程中，原料主要為石灰石和白堊等碳酸鹽原料，由于目標設備所用原料化學性質較為穩(wěn)定，因此以原料的料層高度和粒度分布為輸入特征。石灰的鍛造主要為高溫下的分解反應，石灰窯的溫度參數、壓力參數和操作參數會直接影響煅燒過程中反應溫度和氣流狀況，對冶金石灰的質量影響較大。此外，雙膛石灰窯煙道的煙氣參數可以間接反映出煅燒過程中的過?？諝庀禂狄约胺纸夥磻戎饕笜?。因此，采用石灰煅燒過程中溫度參數、壓力參數、燃氣與供風參數、煙氣成分和原料參數為模型的輸入特征以預測石灰質量。表2為石灰質量因素分析，模型輸入特征為22個。

表2 冶金石灰質量模型的輸入特征

1.2 石灰質量預測模型

采用傳統(tǒng)的方法難以解決全局問題，從原料的下料到檢驗出所需的冶金石灰質量指標，存在長達幾個小時的時間滯后，不利于冶金石灰各項指標的穩(wěn)定。而通過深度學習方法可以逼近所需連續(xù)函數非線性映射，求解速度快、精度高，較適合石灰生產的質量預測和參數調整［5］。因此，根據雙膛石灰窯的特點，深度神經網絡（DNN）的結構設計如圖1所示。

圖1 深度神經網絡結構

以石灰CaO含量、SiO2含量、S含量、灼減和活性度為模型的輸出結果。根據石灰窯參數特點，采用“三分法”［2］確定隱含層的神經元數分別為32、16 和8。采用如圖2所示前饋反向傳播結構，通過學習輸入和輸出例子之間存在的關系，不斷修正權值矩陣以及偏置值，直到達到目標誤差。

圖2 反向傳播結構

神經網絡由多個非線性計算層堆疊而成，神經元組成每一層的基本單元。設輸入向量是{x1，x2，...xn}，輸出向量為{y1，y2，...yn}，經過非線性計算后輸出是：

式中：f——激勵函數；

ω——權值矩陣；

b——偏置項。

本文采用ReLu 函數為隱含層激勵函數，ReLU函數表達式為：

假設其對于單個樣本目標函數為：

則對于n個樣本，有：

使用λ 來調節(jié)均方差項和權重衰減項的比重，防止過度依賴訓練樣本。其中l(wèi)為網絡層數，i表示當前的參數，j表示前一層的神經元。此外，設置目標誤差為10-5，模型迭代次數上限為3 萬次，學習速率為0.05。為驗證模型的泛化性能，引入平均絕對誤差（MAE）、最大絕對誤差（Emax）、最小絕對誤差（Emin）和訓練時間等4 個指標對模型性能進行量化，以驗證其預測精度與收斂速度。

2 試驗與結果分析

為了對預測模型進行訓練，采用了326 組某雙膛石灰窯2019 年4 月至2020 年4 月實際生產中的現場數據。由于實際操作中傳感器故障和其他技術故障，大數據中的測量誤差是難以避免的。在清除數據集中異常值、不一致數值和大量相同的數據后，隨機選取數據中不同等級石灰的200 組，將180組作為預測模型的訓練數據集，20 組作為預測模型的預測數據集以驗證模型的預測效果。

對冶金石灰化學成分預測模型的評價指標為CaO 含量、SiO2含量、S含量、灼減和活性度。對樣本數據處理分析后，分別對生產過程的化學成分指標進行預測試驗驗證，冶金石灰質量預測模型的預測結果如表3所示。

表3 冶金石灰質量模型的預測結果

由表3 可知，所構建的深度神經網絡模型的泛化性能較優(yōu)，沒有出現預測值嚴重偏離實際值的情況。在對評價指標為CaO含量、SiO2含量、S含量、灼減和活性度的預測中，CaO 含量、SiO2含量、灼減和活性度的預測精度較高，MAE分別為1.1380%、0.1602%、0.2701%和3.2474/mL，預測值與實際值偏差較小，對相應石灰品級的判斷較為準確。此外，對S 含量的預測MAE為0.0171%，相較于其數值而言預測精度較低，可能是由于相較于其他指標S 含量輸入特征的不匹配與不完全導致的，然而由于產品S含量均較低，對最終產品品級的預測影響較小。5 個參數指標的Emin結果分別為0.0071%、0.02%、0.0005%、0.0216%和0.8492/mL，最小絕對誤差均較低。模型訓練時間分別為12 s、6 s、7 s、14 s 和12 s，最高為14 s，表明模型收斂速度較快，滿足工業(yè)產品質量預測需求。評價指標預測值與實際值曲線如圖3所示。

圖3 石灰性能指標預測結果

總體而言，深度神經網絡預測模型誤差較小，真實值與預測值均非常接近，對石灰的5 項主要指標參數的預報精度均較高，模型有較強的自適應、泛化能力，能有效解決工業(yè)生產過程中的反饋延遲，對工業(yè)中實際操作有指導作用，滿足其預測的精度要求。

3 結論

通過對雙膛石灰窯工藝預測要求極其操作特點的分析，選取了22種參數作為雙膛石灰窯生產石灰主要指標的輸入特征，建立具有三層隱含層結構（32-16-8）的深度神經網絡模型對其進行預測。模型具有較快的收斂速度和較高的預測精度，有效地解決了在鍛造過程中，使用傳統(tǒng)控制方法難以解決的問題，為解決石灰主要指標的穩(wěn)定控制、工藝操作優(yōu)化等問題提供了理論指導。