宋 強(qiáng)，張運(yùn)素

（1.安陽(yáng)工學(xué)院 機(jī)械工程學(xué)院，安陽(yáng) 455000；2.河南安陽(yáng)鋼鐵公司，安陽(yáng) 455004）

基于多傳感器數(shù)據(jù)融合技術(shù)的燒結(jié)礦堿度預(yù)報(bào)與仿真

宋 強(qiáng)1，張運(yùn)素2

（1.安陽(yáng)工學(xué)院 機(jī)械工程學(xué)院，安陽(yáng) 455000；2.河南安陽(yáng)鋼鐵公司，安陽(yáng) 455004）

燒結(jié)礦堿度的測(cè)量是鋼鐵工業(yè)中的關(guān)鍵和難點(diǎn)，況且又容易受到燒結(jié)幾乎每一個(gè)操作環(huán)節(jié)的影響。據(jù)此該文提出利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多傳感器數(shù)據(jù)融合的燒結(jié)礦堿度的預(yù)報(bào)模型。通過(guò)對(duì)現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)進(jìn)行仿真，表明該方法魯棒性強(qiáng)、準(zhǔn)確性高、泛化能力廣，具有很強(qiáng)的實(shí)用性和推廣價(jià)值。

多傳感器數(shù)據(jù)融合；神經(jīng)網(wǎng)絡(luò)算法；堿度；權(quán)值和閾值；樣本數(shù)據(jù)

多傳感器數(shù)據(jù)融合技術(shù)是一種新型且實(shí)用的技術(shù)。數(shù)據(jù)融合，是針對(duì)一個(gè)系統(tǒng)中使用多個(gè)和（或）多類(lèi)的傳感器這一特定問(wèn)題，展開(kāi)的一種新的數(shù)據(jù)處理方法，因此數(shù)據(jù)融合又稱(chēng)作多傳感器信息融合或信息融合。隨著數(shù)據(jù)融合和計(jì)算機(jī)應(yīng)用技術(shù)的發(fā)展，根據(jù)國(guó)內(nèi)外的研究成果，多傳感器數(shù)據(jù)融合比較確切的定義可以概括為充分利用不同時(shí)間與空間的多傳感器數(shù)據(jù)資源，采用計(jì)算機(jī)技術(shù)對(duì)按時(shí)間序列獲得的多傳感器觀測(cè)數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用，獲得對(duì)被測(cè)對(duì)象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)，使系統(tǒng)獲得比它的各組成部分更充分的信息。多傳感器系統(tǒng)是數(shù)據(jù)融合的硬件基礎(chǔ)，多源信息是數(shù)據(jù)融合的加工對(duì)象，協(xié)調(diào)優(yōu)化和綜合處理是數(shù)據(jù)融合的核心[1]。

在多傳感器數(shù)據(jù)融合系統(tǒng)中，各種傳感器的數(shù)據(jù)可以具有不同的特征，可能是實(shí)時(shí)的或非實(shí)時(shí)的、模糊的或確定的、互相支持的或互補(bǔ)的，也可能是互相矛盾或競(jìng)爭(zhēng)的。它與單傳感器數(shù)據(jù)處理或低層次多傳感器數(shù)據(jù)處理方式相比較，能夠更有效地利用多傳感器的資源；單傳感器數(shù)據(jù)處理或低層次多傳感器數(shù)據(jù)處理，只是對(duì)人腦信息處理的一種低水平模仿，不能像多傳感器數(shù)據(jù)融合系統(tǒng)那樣，可以更大程度地獲得被測(cè)目標(biāo)和環(huán)境的信息。多傳感器數(shù)據(jù)融合與經(jīng)典的信號(hào)處理方法，也存在本質(zhì)的區(qū)別：數(shù)據(jù)融合系統(tǒng)所處理的多傳感器數(shù)據(jù)具有更復(fù)雜的形式，而且可以在不同的信息層次上出現(xiàn)，包括數(shù)據(jù)層（像素層）、特征層和決策層（證據(jù)層）[2]。

1 多傳感器數(shù)據(jù)系統(tǒng)

1.1 系統(tǒng)輸入?yún)?shù)的取舍

將燒結(jié)過(guò)程可以看作是一個(gè)復(fù)雜的系統(tǒng)。一定的原料參數(shù)、操作參數(shù)作用于設(shè)備參數(shù)（統(tǒng)稱(chēng)工藝參數(shù)），則有一定的狀態(tài)參數(shù)和指標(biāo)參數(shù)與之對(duì)應(yīng)。其中：

原料參數(shù)包括混勻礦配比、石灰石配比、焦粉配比、生石灰配比等；

操作參數(shù)包括一、二次混合加水量，料層厚度，臺(tái)車(chē)速度，等；

設(shè)備參數(shù)包括風(fēng)機(jī)能力、漏風(fēng)率、混合制粒能力等；

狀態(tài)參數(shù)包括煙道負(fù)壓、廢氣溫度、返礦率等；

指標(biāo)參數(shù)包括堿度、全鐵含量、SiO2含量、轉(zhuǎn)鼓指數(shù)、利用系數(shù)等[3]。

工藝參數(shù)有很多個(gè)，每一個(gè)工藝參數(shù)對(duì)指標(biāo)參數(shù)的影響不盡相同。需要找出的是那些對(duì)指標(biāo)參數(shù)有顯著影響且獨(dú)立變化、易于控制的關(guān)鍵參數(shù)。

在燒結(jié)系統(tǒng)中，對(duì)堿度指標(biāo)影響較大的工藝參數(shù)有原料參數(shù)（對(duì)應(yīng)原料的配比、焦粉配比）和操作參數(shù)（一、二次混合加水率、料層厚度、臺(tái)車(chē)速度）。因此，確定了堿度預(yù)報(bào)的10個(gè)輸入?yún)?shù)，分別為①混勻礦SiO2及CaO含量；②石灰石配比或氫氧化鈣（俗稱(chēng)消石灰）配比；③焦炭或煤粉配比；④一、二次混合加水量；⑤料層厚度；⑥臺(tái)車(chē)速度；⑦原料中FeO含量；⑧點(diǎn)火溫度；⑨燒結(jié)負(fù)壓；⑩混合料溫度。

1.2 系統(tǒng)的融合結(jié)構(gòu)

系統(tǒng)融合配置結(jié)構(gòu)如圖1所示。

2 神經(jīng)網(wǎng)絡(luò)融合的算法與模型

數(shù)據(jù)融合的算法很多，常用的有貝葉斯決策理論、卡爾曼濾波法、模糊融合、神經(jīng)網(wǎng)絡(luò)融合等。其中，人工神經(jīng)網(wǎng)絡(luò)是有大量稱(chēng)之為節(jié)點(diǎn)或神經(jīng)元的簡(jiǎn)單處理單元相互連接而成的一個(gè)大規(guī)模的信息處理系統(tǒng)，它主要從總體結(jié)構(gòu)和功能上模仿處理系統(tǒng)，而不是逼真的細(xì)節(jié)重現(xiàn)，其更注重神經(jīng)活動(dòng)中的信息流及其運(yùn)動(dòng)方式。每個(gè)神經(jīng)元都是一個(gè)獨(dú)立的信息處理單元，分別對(duì)各自接收到的信息做獨(dú)立的運(yùn)算處理（而不是直接從記憶中取出），然后它把結(jié)果再傳輸出去。這種分布式存儲(chǔ)可使系統(tǒng)在部分受到損壞時(shí)仍能恢復(fù)原來(lái)的信息，因此具有較強(qiáng)的容錯(cuò)能力和聯(lián)想記憶的特點(diǎn)。同時(shí)，由于神經(jīng)網(wǎng)絡(luò)具有實(shí)時(shí)處理大量數(shù)據(jù)的能力，且信息處理是非程序式的，可根據(jù)外部的某個(gè)準(zhǔn)則進(jìn)行學(xué)習(xí)，因而神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，使得神經(jīng)網(wǎng)絡(luò)在信息融合中得到了廣泛的應(yīng)用。

圖1 系統(tǒng)配置結(jié)構(gòu)Fig.1 System configuration

2.1 神經(jīng)網(wǎng)絡(luò)建模

本燒結(jié)礦性能指標(biāo)預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型為10×22×3的3層誤差反向傳播神經(jīng)網(wǎng)絡(luò)，如圖2所示。

圖2 燒結(jié)礦堿度預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 Neural network prediction model of sinter alkalinity

該網(wǎng)絡(luò)為神經(jīng)元全連接網(wǎng)絡(luò)，其輸入量和輸出量如表1所示。該模型的每個(gè)隱含層神經(jīng)元都有一個(gè)附加輸入，因此每個(gè)隱含層具有10個(gè)權(quán)值。該附加輸入的值全部設(shè)成0.5，其權(quán)值在反向傳播過(guò)程中進(jìn)行學(xué)習(xí)[5]。

表1 網(wǎng)絡(luò)的輸入量和輸出量Tab.1 Input and output of the network

模型的每個(gè)神經(jīng)元具有一個(gè)簡(jiǎn)單的非線性方程。輸入神經(jīng)元含有一個(gè)簡(jiǎn)單的隸屬度處理函數(shù)，將自變量的范圍從實(shí)際值轉(zhuǎn)變成神經(jīng)方程的最線性部分，即在0.2～0.8。隱含層和輸出層神經(jīng)元為以下非線性處理函數(shù)：

式中：yj為當(dāng)前神經(jīng)元j的輸出；wij為從神經(jīng)元到神經(jīng)元的權(quán)值；xi為上一層神經(jīng)元的輸出；wj為神經(jīng)元的可調(diào)閾值。

2.2 隱含層神經(jīng)元數(shù)的確定

提高網(wǎng)絡(luò)訓(xùn)練精度，可以通過(guò)采用1個(gè)隱含層而增加其神經(jīng)元個(gè)數(shù)的方法來(lái)獲得，這在結(jié)構(gòu)實(shí)現(xiàn)上要比增加更多的隱含層簡(jiǎn)單得多。隱含層的單元數(shù)直接影響網(wǎng)絡(luò)的非線性性能，它與所解決問(wèn)題的復(fù)雜性有關(guān)。由于問(wèn)題的復(fù)雜性無(wú)法量化，因而未能有很好的解析式來(lái)確定隱含層單元數(shù)。

關(guān)于3層前向網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式為

式中：m為輸出節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；α為1～10的常數(shù)。一般情況下最常用的經(jīng)驗(yàn)公式為

2.3 初始權(quán)值的選取

由于系統(tǒng)是非線性的，初始值對(duì)于學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及訓(xùn)練時(shí)間的長(zhǎng)短這三點(diǎn)作用關(guān)系很大。如果初始值過(guò)大，使得加權(quán)后的輸入落在激活函數(shù)的飽和區(qū)，從而導(dǎo)致其導(dǎo)數(shù)?f/?x 過(guò)小，而在計(jì)算權(quán)值修正公式中，因?yàn)?δ∝?f/?x，當(dāng) ?f/?x→0 時(shí)，則有 δ→0，使得 Δwy→0，調(diào)節(jié)過(guò)程，其中s1為第1層神經(jīng)元數(shù)。利用該方法可以在較少的訓(xùn)練次數(shù)下得到較滿意的結(jié)果。

2.4 樣本數(shù)據(jù)的處理

因?yàn)樗惺占臄?shù)據(jù)往往不在同一個(gè)數(shù)量級(jí)，故將所收集的數(shù)據(jù)映射到［-1，1］之間進(jìn)行歸一化處理，以利于提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度[4]。具體算法為這種標(biāo)準(zhǔn)化后的數(shù)據(jù)范圍是從0到1，在反傳人工神經(jīng)網(wǎng)絡(luò)算法使用Sigmoid函數(shù)時(shí)，輸出的數(shù)據(jù)范圍正好也是從0到1，所以這種標(biāo)準(zhǔn)化方法在使用Sigmoid函數(shù)的反傳神經(jīng)網(wǎng)絡(luò)算法中，被用來(lái)標(biāo)度目標(biāo)值。有時(shí)為了允許預(yù)報(bào)值在一定范圍內(nèi)超界，訓(xùn)練樣本集目標(biāo)的范圍標(biāo)度轉(zhuǎn)化為0.1～0.9，歸一化公式為幾乎停頓下來(lái)。因此，一般希望初始加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近于0，這樣可以保證每個(gè)神經(jīng)元的權(quán)值，都能夠在其s型激活函數(shù)變化最大之處進(jìn)行調(diào)節(jié)。一般取初始權(quán)值在（-1，1）之間的隨機(jī)數(shù)。

另外，為了防止上述現(xiàn)象的發(fā)生，已有學(xué)者在分析了2層網(wǎng)絡(luò)如何對(duì)一個(gè)函數(shù)進(jìn)行訓(xùn)練后，提出了一種選定初始權(quán)值的策略：選擇權(quán)值的量級(jí)為

神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)束后，再做反歸一化處理，便得到實(shí)際的輸出值即預(yù)報(bào)值。反歸一化公式為

樣本數(shù)據(jù)中，不可避免地存在著部分異常數(shù)據(jù)，這些數(shù)據(jù)將給本模型帶來(lái)一定的影響，甚至有可能錯(cuò)誤預(yù)報(bào)燒結(jié)礦化學(xué)成分，模型所用數(shù)據(jù)均來(lái)自生產(chǎn)現(xiàn)場(chǎng)的統(tǒng)計(jì)報(bào)表，早期樣本數(shù)據(jù)存在誤導(dǎo)作用，因此本模型采用的訓(xùn)練樣本和測(cè)試樣本都是經(jīng)過(guò)仔細(xì)篩選而形成的。

3 仿真試驗(yàn)

選取某燒結(jié)廠的歷史數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)該數(shù)據(jù)進(jìn)行歸一化處理后，建立起神經(jīng)網(wǎng)絡(luò)的輸入、輸出標(biāo)準(zhǔn)矩陣樣本庫(kù)，然后對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。圖3為神經(jīng)網(wǎng)絡(luò)融合算法的仿真。由圖可見(jiàn)，對(duì)用于訓(xùn)練的樣本，堿度的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出和樣本中堿度的實(shí)測(cè)值都擬和得很好，命中率幾乎達(dá)到100%，也就是神經(jīng)網(wǎng)絡(luò)模型收斂到全局最小點(diǎn)。

圖3 神經(jīng)網(wǎng)絡(luò)融合算法的仿真Fig.3 Simulation of neural network fusion algorithm

4 結(jié)語(yǔ)

燒結(jié)過(guò)程是一個(gè)高度復(fù)雜、大滯后、強(qiáng)干擾的過(guò)程，在此過(guò)程中燒結(jié)礦的堿度幾乎受其工藝流程每一個(gè)環(huán)節(jié)的影響，使得堿度的測(cè)量誤差較大。仿真試驗(yàn)的結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)的融合算法對(duì)多傳感器的輸入信息進(jìn)行融合，可以大大提高預(yù)測(cè)精度，而且模型具有較好的魯棒形和泛化能力。該測(cè)量技術(shù)與方法具有十分重要的意義。

[1] 蘇紅，常曉權(quán).多傳感器信息融合技術(shù)在提高孔板測(cè)量精度中的應(yīng)用[J].工業(yè)儀表與自動(dòng)化裝置，2004，34（5）：20-22.

[2] 郭文軍，王福利，李明，等.基于神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦化學(xué)成分超前預(yù)報(bào)[J].燒結(jié)球團(tuán)，1997，22（5）：8.

[3] 劉克文，周取定.燒結(jié)礦質(zhì)量預(yù)報(bào)模型的研究[J].燒結(jié)球團(tuán)，1990，15（1）：1-4.

[4] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[5] 范曉慧，王海東.燒結(jié)過(guò)程數(shù)學(xué)模型與人工智能[M].湖南：中南大學(xué)出版社，2012.

Predict of the Alkalinity in Sintering Process Based on Multisensor Data Fusion

SONG Qiang1，ZHANG Yun-su2
（1.School of Mechanical Engineering，Anyang Institute of Technology，Anyang 455000，China；2.Henan Anyang Iron&Steel Company，Anyang 455004，China）

The measurement of alkalinity in sintering process is difficult to control，on the other hand，it is easily to be disturbed by almost process steps.A prediction model of alkalinity in sintering process based on BP neural network is proposed to judge the trend of alkalinity.The application result shows that the prediction with this method can achieve higher robust，better utility and expensive value.

multisensor data fusion；neural network algorithm；alkalinity；synaptic weights and bias；sample data

TP212；TP183

B

1001-9944（2017）08-0009-03

10.19557/j.cnki.1001-9944.2017.08.003

2017-01-03；

2017-05-05

宋強(qiáng)（1972—），男，碩士，副教授，研究方向?yàn)橹悄芸刂婆c計(jì)算機(jī)算法。