黃政魁,韋蘭花,許玉婷

(1.南寧職業(yè)技術(shù)學(xué)院 智能制造學(xué)院,廣西 南寧 530008;2.廣西制造工程職業(yè)技術(shù)學(xué)院 智能制造學(xué)院,廣西 南寧 530105;3.廣西機(jī)電職業(yè)技術(shù)學(xué)院 信息工程學(xué)院,廣西 南寧 530007)

燒結(jié)礦的質(zhì)量是燒結(jié)廠整體收益的關(guān)鍵性指標(biāo),對(duì)提高高爐冶煉生產(chǎn)質(zhì)量與數(shù)量有重要作用,其穩(wěn)定性可以保證高爐順行,有助于減少消耗,提高產(chǎn)量。燒結(jié)生產(chǎn)是一個(gè)存在明顯非線性、強(qiáng)耦合性與大滯后性的高度復(fù)雜過程,觸及很多數(shù)據(jù)參數(shù)與雜亂的物化轉(zhuǎn)變。燒結(jié)生產(chǎn)屬于一種高度復(fù)雜的理化反應(yīng),其中,涉及很多數(shù)據(jù)參數(shù),且其非線性特征明顯,耦合度極高,滯后性較大。在生產(chǎn)工業(yè)現(xiàn)場(chǎng),等待成品出來(lái)后,每隔一段時(shí)間對(duì)成品做取樣測(cè)量,無(wú)法實(shí)時(shí)預(yù)測(cè)燒結(jié)礦質(zhì)量,不能實(shí)現(xiàn)在線調(diào)控,降低生產(chǎn)率,導(dǎo)致燒結(jié)礦質(zhì)量不平穩(wěn)。因此,建立有效的模型預(yù)測(cè)燒結(jié)礦質(zhì)量具有重要意義。相關(guān)學(xué)者提出如下研究。

文獻(xiàn)[1]提出基于大數(shù)據(jù)技術(shù)的燒結(jié)質(zhì)量智能控制系統(tǒng)。利用分布式數(shù)據(jù)傳輸技術(shù),采集與整理生產(chǎn)數(shù)據(jù),構(gòu)建燒結(jié)全產(chǎn)線數(shù)據(jù)庫(kù),建立燒結(jié)質(zhì)量預(yù)測(cè)模型。該方法促進(jìn)了燒結(jié)工藝自動(dòng)化與智能化的發(fā)展,節(jié)約了資源成本。文獻(xiàn)[2]提出基于深度學(xué)習(xí)技術(shù)的燒結(jié)礦質(zhì)量預(yù)測(cè)仿真。分析燒結(jié)過程與工藝機(jī)理,設(shè)計(jì)深度置信網(wǎng)絡(luò)整體結(jié)構(gòu)與參數(shù),利用無(wú)監(jiān)督貪婪方法訓(xùn)練模型,通過BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型,對(duì)模型進(jìn)行優(yōu)化。雖然上述兩種方法均可以實(shí)現(xiàn)燒結(jié)礦質(zhì)量預(yù)測(cè),但是預(yù)測(cè)結(jié)果與實(shí)際計(jì)算結(jié)果之間仍存在一定誤差。

針對(duì)上述問題,本論文基于神經(jīng)網(wǎng)絡(luò),結(jié)合降噪自編碼器,獲取代價(jià)函數(shù),建立神經(jīng)元模型,構(gòu)建燒結(jié)礦質(zhì)量在線預(yù)測(cè)模型,為避免網(wǎng)絡(luò)陷入局部最小,提高預(yù)測(cè)精度,定義學(xué)習(xí)速率修正燒結(jié)礦質(zhì)量預(yù)測(cè)模型,實(shí)現(xiàn)燒結(jié)礦質(zhì)量預(yù)測(cè)。所提方法能夠減少預(yù)測(cè)時(shí)夾雜在數(shù)據(jù)中的噪聲干擾,提高預(yù)測(cè)準(zhǔn)確度。

1 燒結(jié)礦基礎(chǔ)特征與工藝分析

1.1 燒結(jié)工藝分析

抽風(fēng)燒結(jié)是燒結(jié)生產(chǎn)的工藝流程之一,在混合料中加入一定的水分,將其制粒后,裝入燒結(jié)機(jī)并點(diǎn)燃。使用風(fēng)箱提供通風(fēng),加快燒結(jié)反應(yīng)的進(jìn)行。燒結(jié)生產(chǎn)目的是將細(xì)粒礦粉制作為塊礦。為了有效保證生產(chǎn)過程中各項(xiàng)指標(biāo)參數(shù)最佳,需要進(jìn)一步優(yōu)化生產(chǎn)原材料、實(shí)際操作過程和生產(chǎn)裝置參數(shù),由此得到滿足要求的燒結(jié)礦。

1.2 燒結(jié)礦基礎(chǔ)特征

1)同化性

同化性是礦石中的成分和氧化鈣結(jié)合在一起時(shí),產(chǎn)生化學(xué)反應(yīng)的能力,可以檢測(cè)礦石在燒結(jié)過程中形成液相的性能指標(biāo),所以掌握適當(dāng)?shù)耐?對(duì)于燒結(jié)優(yōu)化設(shè)計(jì)具有重要意義[3]。通常情況下,同化性越低,則越容易形成液相。

2)液相流動(dòng)性

礦石和氧化鈣反應(yīng)后所形成液相,其流淌性能被稱為液相流動(dòng)性,這種性能可以表示礦石在燃燒過程中,其液相的黏結(jié)范圍[4]。燒結(jié)礦是低熔點(diǎn)物質(zhì)放置于高溫環(huán)境中,物質(zhì)輕易被融化為液相,將融化的液相冷卻,其內(nèi)部的沒有融化的物質(zhì)顆粒被融化的物質(zhì)液相會(huì)組合在一起,成為多孔塊狀的有機(jī)體。通常而言,粘結(jié)處的物料范圍會(huì)隨著液相流動(dòng)性的增加而增大,由此提高燒結(jié)礦強(qiáng)度;反之,強(qiáng)度下降。

3)黏結(jié)相強(qiáng)度

礦石燒結(jié)時(shí),形成的液相對(duì)四周礦石具有凝結(jié)能力,這種凝結(jié)能力被稱為黏結(jié)相強(qiáng)度。黏結(jié)相強(qiáng)度影響燒結(jié)礦強(qiáng)度,針對(duì)非均質(zhì)燒結(jié)礦來(lái)講,礦石凝結(jié)過程由黏結(jié)相實(shí)現(xiàn)。足夠的黏結(jié)相雖然屬于凝結(jié)條件,但其自身強(qiáng)度同樣重要[5]。

1.3 燒結(jié)礦質(zhì)量評(píng)價(jià)指標(biāo)與主要工藝參數(shù)

1)燒結(jié)礦質(zhì)量評(píng)價(jià)指標(biāo)

精料技術(shù)的主要中心要素是為了提高入爐原料中的含鐵量(TFe),TFe占比較高時(shí),爐渣會(huì)適當(dāng)減小,降低高爐焦比。燒結(jié)過程中一組施工過程的數(shù)目對(duì)燒結(jié)礦FeO占比有重要影響,對(duì)燒結(jié)礦生產(chǎn)有重要的評(píng)價(jià)意義。轉(zhuǎn)鼓強(qiáng)度能夠有效檢測(cè)物料的耐磨性,在某種條件下通過轉(zhuǎn)鼓法來(lái)實(shí)現(xiàn)。堿度是改善燒結(jié)工藝的重要因素[6]。因此TFe含量、FeO含量、轉(zhuǎn)鼓強(qiáng)度以及堿度四項(xiàng)指標(biāo)從不同方面體現(xiàn)出燒結(jié)礦質(zhì)量情況。

2)燒結(jié)礦主要工藝參數(shù)

影響燒結(jié)工藝質(zhì)量的因素較多,在設(shè)備參數(shù)確定情況下,原料與操作參數(shù)就成為影響燒結(jié)過程的主要因素。本文將9大類參量、15個(gè)參數(shù)作為判斷指標(biāo),見表1。

表1 燒結(jié)礦質(zhì)量影響因素

2 建立燒結(jié)礦質(zhì)量在線預(yù)測(cè)模型

2.1 神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)分析

1)并行處理

神經(jīng)網(wǎng)絡(luò)利用內(nèi)部大批單元之間相互連接的關(guān)系,對(duì)信息進(jìn)行處理。

2)分布式存儲(chǔ)

將不同種類信息儲(chǔ)存在網(wǎng)絡(luò)每個(gè)連接層之間,想要查找被存儲(chǔ)的信息時(shí),可以通過查找相關(guān)信息獲得所需要的信息。

3)自適應(yīng)性強(qiáng)

自適應(yīng)性表示系統(tǒng)改變自身性能,最大程度適應(yīng)不同環(huán)境的能力,主要分為學(xué)習(xí)與自組織兩個(gè)方面。

2.2 降噪自編碼網(wǎng)絡(luò)神經(jīng)元確定

降噪自編碼神經(jīng)網(wǎng)絡(luò)可以重構(gòu)沒有擾亂的輸入,改善神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入數(shù)據(jù)的泛化性能[7]。

(1)

式中:sl為隱含層神經(jīng)元的數(shù)目。

考慮燒結(jié)終點(diǎn)位置與燒結(jié)機(jī)速度有關(guān),因此,降噪自編碼器的代價(jià)函數(shù)可以表示為

(2)

本文利用sigmoid激活函數(shù):

(3)

假設(shè)材料(配料、混合料、布料)輸入至神經(jīng)網(wǎng)絡(luò)的輸入層(點(diǎn)火階段),指標(biāo)數(shù)量為m,x與y分別表示配碳量輸入與燒結(jié)終點(diǎn)位置輸出,l描述神經(jīng)網(wǎng)絡(luò)層數(shù),則降噪自編碼神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)如下:

(4)

料層厚度隱含層中任意一個(gè)神經(jīng)元?dú)埐畋硎緸?/p>

(5)

(6)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是由基本處理單元與其連接方式?jīng)Q定的[8],其中基本單元指神經(jīng)元,它由多個(gè)配碳量輸入xi(i=1,2,…,p)與一個(gè)燒結(jié)終點(diǎn)位置輸出y構(gòu)成,中間狀態(tài)屬于配碳量輸入信號(hào)的加權(quán)和。在燒結(jié)過程中,由于燒結(jié)礦的同化性形成液相,則液相神經(jīng)元模型可表述為

(7)

(8)

式中:wk1,wk2,…,wkj為液相神經(jīng)元k的重要性數(shù)值;uk為線性代數(shù)數(shù)值;θk為液相流動(dòng)性閾值;f(·)為轉(zhuǎn)移函數(shù);yk為液相神經(jīng)元k的燒結(jié)終點(diǎn)位置輸出。

2.3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與步驟探究

2.3.1 學(xué)習(xí)方法

本文利用誤差反向傳播算法作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法,其利用外界輸入樣本的刺激作用改變網(wǎng)絡(luò)連接權(quán)重,使輸出值不斷向理想值靠近[9]。在學(xué)習(xí)時(shí),需要通過調(diào)節(jié)規(guī)則來(lái)改變網(wǎng)絡(luò)中神經(jīng)元的連接權(quán),本質(zhì)上是利用輸出誤差,實(shí)現(xiàn)隱含層向輸入層的逆?zhèn)鞑ァ?/p>

用g、h和i分別來(lái)描述輸入層(點(diǎn)火階段)、隱含層(燒結(jié)階段)和輸出層(冷卻階段)節(jié)點(diǎn)數(shù)量,輸入層與隱含層之間權(quán)重是vki,隱含層和輸出層之間權(quán)重為sjk,兩層的傳遞函數(shù)分別表示為f1(·)與f2(·),因此料層厚度隱含層節(jié)點(diǎn)輸出表達(dá)式為

(9)

燒結(jié)終點(diǎn)位置輸出層節(jié)點(diǎn)輸出表達(dá)式為

(10)

2.3.2 學(xué)習(xí)步驟

步驟一:將得到的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)初始化,所有的連接權(quán)重依次賦予在區(qū)間[-1,1]中某值,建立了相關(guān)計(jì)算精度和最大學(xué)習(xí)次數(shù)的誤差函數(shù);

步驟二:確定學(xué)習(xí)模式;

步驟三:根據(jù)已知學(xué)習(xí)模式,獲取料層厚度隱含層與燒結(jié)終點(diǎn)位置輸出層神經(jīng)元正向與反向傳播誤差;

步驟四:結(jié)合權(quán)重修正公式獲取液相流動(dòng)性閾值,對(duì)學(xué)習(xí)模式進(jìn)行更新;

步驟五:利用新權(quán)重與液相流動(dòng)性閾值進(jìn)行新的訓(xùn)練,當(dāng)燒結(jié)終點(diǎn)位置輸出誤差在黏結(jié)附近物料的理想范圍內(nèi)時(shí)結(jié)束訓(xùn)練,否則返回步驟二進(jìn)行新一輪訓(xùn)練。

2.4 建立燒結(jié)礦質(zhì)量在線預(yù)測(cè)模型

假設(shè)某一個(gè)訓(xùn)練樣本表示為xk=[xk1,xk2,…,xkM],k=1,2,…,n,實(shí)際燒結(jié)終點(diǎn)位置輸出描述為yk=[yk1,yk2,…,ykp],其中,yk代表對(duì)應(yīng)配碳量輸入x的神經(jīng)網(wǎng)絡(luò)輸出。期望燒結(jié)終點(diǎn)位置的輸出是dk=[dk1,dk2,…,dkp]。權(quán)重與實(shí)際燒結(jié)終點(diǎn)位置輸出屬于迭代次數(shù)n的函數(shù),燒結(jié)終點(diǎn)位置輸出層的a個(gè)神經(jīng)元誤差信號(hào)描述為

ekp(a)=dkp(a)-ykp(a)

(11)

(12)

降噪自編碼神經(jīng)網(wǎng)絡(luò)中料層厚度隱含層R和燒結(jié)終點(diǎn)位置輸出層Y的權(quán)重修正量、累計(jì)誤差與權(quán)重偏微分[10]正比關(guān)系:

(13)

式中:η為學(xué)習(xí)速率,bps;ω為網(wǎng)絡(luò)權(quán)重。經(jīng)過修正后的預(yù)測(cè)模型為

(14)

式中:wRY為料層厚度隱含層R和燒結(jié)終點(diǎn)位置輸出層Y之間權(quán)重調(diào)整量。為避免步長(zhǎng)每次改變的幅度過大,通過線性激勵(lì)學(xué)習(xí)方法對(duì)其進(jìn)行限制:

Δη(t)=ελη(t-1)

(15)

式中:Δη(t)為t時(shí)刻學(xué)習(xí)速率,0≤ε≤1是常數(shù),通常根據(jù)經(jīng)驗(yàn)獲取。本文取η∈[0.2,0.6],并且確定λ為

(16)

因此,預(yù)測(cè)模型可以變?yōu)?/p>

ωRY(t+1)=ωjp(t)+Δη(t)

(17)

經(jīng)過改進(jìn)后的降噪自編碼神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果較好,能夠結(jié)合環(huán)境變化自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率,并且有效改善訓(xùn)練過程中頻率振動(dòng)現(xiàn)象,避免網(wǎng)絡(luò)局部縮小,增加預(yù)測(cè)準(zhǔn)確度。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)設(shè)置

為了驗(yàn)證所提預(yù)測(cè)模型的精準(zhǔn)度,進(jìn)行仿真實(shí)驗(yàn)。訓(xùn)練樣本數(shù)據(jù)來(lái)自某燒結(jié)廠三月份的實(shí)際生產(chǎn)記錄,結(jié)合要求從中選擇控制效果較好的38組數(shù)據(jù)作為測(cè)試數(shù)據(jù),選擇10組預(yù)測(cè)樣本。為方便神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),對(duì)真實(shí)數(shù)據(jù)做歸一化處理,將物理量劃分為[0,1]范圍的數(shù)值。歸一化公式如下:

d=0.1+(f-min)/(max-min)·(0,1)

(18)

式中:max與min分別表示樣本中極大值與極小值。

使用Matlab仿真軟件編寫預(yù)測(cè)程序,其中,設(shè)置1 500次最大訓(xùn)練,0.5的學(xué)習(xí)率,降噪自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是15×23×1,將燒結(jié)過程中一組操作過程的數(shù)目與四個(gè)質(zhì)量指標(biāo)當(dāng)作神經(jīng)元輸入和輸出結(jié)果。確定隱含層神經(jīng)元個(gè)數(shù)為30。激勵(lì)函數(shù)指的是輸入層與隱含層神經(jīng)元所具有的函數(shù)關(guān)系,其表達(dá)式如下:

(19)

為了驗(yàn)證所提方法的預(yù)測(cè)精度,在參數(shù)設(shè)置完成后,利用所提方法、文獻(xiàn)[1]與文獻(xiàn)[2]方法預(yù)測(cè)燒結(jié)礦堿度,預(yù)測(cè)結(jié)果如圖1所示。

圖1 不同方法預(yù)測(cè)結(jié)果對(duì)比圖

根據(jù)圖1實(shí)驗(yàn)結(jié)果可以看出,當(dāng)燃燒時(shí)間達(dá)到50 min時(shí),所提方法的燒結(jié)礦堿度預(yù)測(cè)值與燒結(jié)礦堿度實(shí)際值非常接近,而文獻(xiàn)[1]和文獻(xiàn)[2]方法的燒結(jié)礦堿度預(yù)測(cè)值與實(shí)際值偏差,以及預(yù)測(cè)差值很大,通過上述可知,所提方法的燒結(jié)礦堿度預(yù)測(cè)差值較小,能夠有效減小燒結(jié)礦堿度預(yù)測(cè)誤差。因此本文通過獲取降噪自編碼器的代價(jià)函數(shù),去噪處理初始數(shù)據(jù),將初始數(shù)據(jù)消噪后,構(gòu)建燒結(jié)礦質(zhì)量預(yù)測(cè)模型,從而增加了預(yù)測(cè)準(zhǔn)確度,準(zhǔn)確地預(yù)測(cè)燒結(jié)礦質(zhì)量,實(shí)現(xiàn)實(shí)時(shí)反饋。

為了驗(yàn)證所提方法的預(yù)測(cè)時(shí)間,對(duì)比文獻(xiàn)[1]方法、文獻(xiàn)[2]方法與所提方法的預(yù)測(cè)時(shí)間,對(duì)比結(jié)果如圖2所示。

圖2 不同方法預(yù)測(cè)時(shí)間對(duì)比圖

根據(jù)圖2可知,當(dāng)預(yù)測(cè)次數(shù)達(dá)到7次時(shí),文獻(xiàn)[1]方法的平均預(yù)測(cè)時(shí)間為2.24 s,文獻(xiàn)[2]方法的平均預(yù)測(cè)時(shí)間為2.87 s,而所提方法的平均預(yù)測(cè)時(shí)間為1.01 s,與文獻(xiàn)[1]文獻(xiàn)[2]方法相比,所提方法的預(yù)測(cè)時(shí)間最短。由此可知,所提方法的預(yù)測(cè)時(shí)間較短,因?yàn)樗岱椒ㄔO(shè)置的學(xué)習(xí)速率較為合理,能夠有效減少學(xué)習(xí)時(shí)間,縮短預(yù)測(cè)時(shí)間,從而實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)。

為了進(jìn)一步驗(yàn)證所提方法預(yù)測(cè)結(jié)果的可信程度,選取10組預(yù)測(cè)樣本,分別采用文獻(xiàn)[1]文獻(xiàn)[2]方法與所提方法進(jìn)行預(yù)測(cè),對(duì)比10組預(yù)測(cè)樣本采用不同方法得到的轉(zhuǎn)鼓強(qiáng)度預(yù)測(cè)值與實(shí)際值的相對(duì)誤差結(jié)果如表2所示。

表2 不同方法的轉(zhuǎn)鼓強(qiáng)度相對(duì)誤差對(duì)比結(jié)果

根據(jù)表2中的數(shù)據(jù)可知,對(duì)比三種方法10組預(yù)測(cè)樣本轉(zhuǎn)鼓強(qiáng)度預(yù)測(cè)值與實(shí)際值的相對(duì)誤差,所提方法的相對(duì)誤差最小,文獻(xiàn)[1]方法的相對(duì)誤差次之,文獻(xiàn)[2]方法的相對(duì)誤差最大,由此可知,基于降噪自編碼神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦質(zhì)量預(yù)測(cè)模型方法能有效減小相對(duì)誤差,預(yù)測(cè)的結(jié)果準(zhǔn)確度高,因?yàn)樗岱椒ǖ膶W(xué)習(xí)能力以及自適應(yīng)能力很強(qiáng),燒結(jié)礦質(zhì)量預(yù)測(cè)模型的相對(duì)誤差較小,提高了預(yù)測(cè)結(jié)果的可信程度。

在此基礎(chǔ)上,進(jìn)一步驗(yàn)證所提方法預(yù)測(cè)結(jié)果的抗干擾能力,設(shè)定燒結(jié)礦質(zhì)量的初始值為0.45%,燒結(jié)礦溫度為1 000 ℃。在燃燒時(shí)間為13、18 min時(shí),更改燒結(jié)礦質(zhì)量的初始值為0.5%,燒結(jié)礦溫度為1 005 ℃;在燃燒時(shí)間為30、35 min時(shí),再次更改燒結(jié)礦質(zhì)量的初始值為0.55%,燒結(jié)礦溫度為1 015 ℃。通過上述設(shè)定進(jìn)行抗干擾能力實(shí)驗(yàn),在燃燒時(shí)間為40 min時(shí),對(duì)壓差輸入階躍干擾。在抗干擾能力測(cè)試中,將文獻(xiàn)[1]方法、文獻(xiàn)[2]方法與所提方法進(jìn)行對(duì)比,得到不同方法的燒結(jié)礦質(zhì)量和燒結(jié)礦溫度在輸入階躍干擾下抗干擾能力效果分別如圖3和圖4所示。

圖3 不同方法的燒結(jié)礦質(zhì)量在輸入階躍干擾下抗干擾能力效果

圖4 不同方法的燒結(jié)礦溫度在輸入階躍干擾下抗干擾能力效果

根據(jù)圖3和圖4可以看出,所提方法的燒結(jié)礦質(zhì)量和燒結(jié)礦溫度在輸入階躍干擾下能夠有效跟蹤上設(shè)定點(diǎn),而文獻(xiàn)[1]方法、文獻(xiàn)[2]方法的燒結(jié)礦質(zhì)量和燒結(jié)礦溫度在輸入階躍干擾下均偏離了設(shè)定點(diǎn)。由此可知,所提方法具有較好的抗干擾性。

4 結(jié) 論

本文提出的基于降噪自編碼神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦質(zhì)量預(yù)測(cè)模型,憑借降噪自編碼神經(jīng)網(wǎng)絡(luò)所具備的容錯(cuò)性,有效避免了網(wǎng)絡(luò)陷入局部最小,減小了預(yù)測(cè)誤差,提高了燒結(jié)礦質(zhì)量預(yù)測(cè)精度。通過定義學(xué)習(xí)速率并利用線性激勵(lì)學(xué)習(xí)方法,修正預(yù)測(cè)模型,從而使預(yù)測(cè)結(jié)果的可信度得到了提升,并在一定程度上降低了預(yù)測(cè)所用的時(shí)間。通過深入研究燒結(jié)礦質(zhì)量數(shù)據(jù)的采集方式及模型結(jié)構(gòu),為燒結(jié)礦質(zhì)量數(shù)據(jù)的收集方式和模型結(jié)構(gòu)提供科學(xué)的理論依據(jù)。