黃政魁,韋蘭花,許玉婷

(1.南寧職業(yè)技術(shù)學院 智能制造學院,廣西 南寧 530008;2.廣西制造工程職業(yè)技術(shù)學院 智能制造學院,廣西 南寧 530105;3.廣西機電職業(yè)技術(shù)學院 信息工程學院,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,對提高高爐冶煉生產(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)是一個存在明顯非線性、強耦合性與大滯后性的高度復雜過程,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,等待成品出來后,每隔一段時間對成品做取樣測量,無法實時預測燒結(jié)礦質(zhì)量,不能實現(xiàn)在線調(diào)控,降低生產(chǎn)率,導致燒結(jié)礦質(zhì)量不平穩(wěn)。因此,建立有效的模型預測燒結(jié)礦質(zhì)量具有重要意義。相關(guān)學者提出如下研究。

文獻[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,建立燒結(jié)質(zhì)量預測模型。該方法促進了燒結(jié)工藝自動化與智能化的發(fā)展,節(jié)約了資源成本。文獻[2]提出基于深度學習技術(shù)的燒結(jié)礦質(zhì)量預測仿真。分析燒結(jié)過程與工藝機理,設(shè)計深度置信網(wǎng)絡(luò)整體結(jié)構(gòu)與參數(shù),利用無監(jiān)督貪婪方法訓練模型,通過BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型,對模型進行優(yōu)化。雖然上述兩種方法均可以實現(xiàn)燒結(jié)礦質(zhì)量預測,但是預測結(jié)果與實際計算結(jié)果之間仍存在一定誤差。

針對上述問題,本論文基于神經(jīng)網(wǎng)絡(luò),結(jié)合降噪自編碼器,獲取代價函數(shù),建立神經(jīng)元模型,構(gòu)建燒結(jié)礦質(zhì)量在線預測模型,為避免網(wǎng)絡(luò)陷入局部最小,提高預測精度,定義學習速率修正燒結(jié)礦質(zhì)量預測模型,實現(xiàn)燒結(jié)礦質(zhì)量預測。所提方法能夠減少預測時夾雜在數(shù)據(jù)中的噪聲干擾,提高預測準確度。

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)機并點燃。使用風箱提供通風,加快燒結(jié)反應(yīng)的進行。燒結(jié)生產(chǎn)目的是將細粒礦粉制作為塊礦。為了有效保證生產(chǎn)過程中各項指標參數(shù)最佳,需要進一步優(yōu)化生產(chǎn)原材料、實際操作過程和生產(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,產(chǎn)生化學反應(yīng)的能力,可以檢測礦石在燒結(jié)過程中形成液相的性能指標,所以掌握適當?shù)耐?對于燒結(jié)優(yōu)化設(shè)計具有重要意義[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)液相會組合在一起,成為多孔塊狀的有機體。通常而言,粘結(jié)處的物料范圍會隨著液相流動性的增加而增大,由此提高燒結(jié)礦強度;反之,強度下降。

3)黏結(jié)相強度

礦石燒結(jié)時,形成的液相對四周礦石具有凝結(jié)能力,這種凝結(jié)能力被稱為黏結(jié)相強度。黏結(jié)相強度影響燒結(jié)礦強度,針對非均質(zhì)燒結(jié)礦來講,礦石凝結(jié)過程由黏結(jié)相實現(xiàn)。足夠的黏結(jié)相雖然屬于凝結(jié)條件,但其自身強度同樣重要[5]。

1.3 燒結(jié)礦質(zhì)量評價指標與主要工藝參數(shù)

1)燒結(jié)礦質(zhì)量評價指標

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,爐渣會適當減小,降低高爐焦比。燒結(jié)過程中一組施工過程的數(shù)目對燒結(jié)礦FeO占比有重要影響,對燒結(jié)礦生產(chǎn)有重要的評價意義。轉(zhuǎn)鼓強度能夠有效檢測物料的耐磨性,在某種條件下通過轉(zhuǎn)鼓法來實現(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)鼓強度以及堿度四項指標從不同方面體現(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個參數(shù)作為判斷指標,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)量在線預測模型

2.1 神經(jīng)網(wǎng)絡(luò)優(yōu)勢分析

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,對信息進行處理。

2)分布式存儲

將不同種類信息儲存在網(wǎng)絡(luò)每個連接層之間,想要查找被存儲的信息時,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

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,主要分為學習與自組織兩個方面。

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)終點位置與燒結(jié)機速度有關(guān),因此,降噪自編碼器的代價函數(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(點火階段),指標數(shù)量為m,x與y分別表示配碳量輸入與燒結(jié)終點位置輸出,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)代價函數(shù)如下:

(4)

料層厚度隱含層中任意一個神經(jīng)元殘差表示為

(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,它由多個配碳量輸入xi(i=1,2,…,p)與一個燒結(jié)終點位置輸出y構(gòu)成,中間狀態(tài)屬于配碳量輸入信號的加權(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)終點位置輸出。

2.3 神經(jīng)網(wǎng)絡(luò)學習與步驟探究

2.3.1 學習方法

本文利用誤差反向傳播算法作為神經(jīng)網(wǎng)絡(luò)學習方法,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]。在學習時,需要通過調(diào)節(jié)規(guī)則來改變網(wǎng)絡(luò)中神經(jīng)元的連接權(quán),本質(zhì)上是利用輸出誤差,實現(xiàn)隱含層向輸入層的逆?zhèn)鞑ァ?/p>

用g、h和i分別來描述輸入層(點火階段)、隱含層(燒結(jié)階段)和輸出層(冷卻階段)節(jié)點數(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)點輸出表達式為

(9)

燒結(jié)終點位置輸出層節(jié)點輸出表達式為

(10)

2.3.2 學習步驟

步驟一:將得到的數(shù)據(jù)進行網(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)計算精度和最大學習次數(shù)的誤差函數(shù);

步驟二:確定學習模式;

步驟三:根據(jù)已知學習模式,獲取料層厚度隱含層與燒結(jié)終點位置輸出層神經(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性閾值,對學習模式進行更新;

步驟五:利用新權(quán)重與液相流動性閾值進行新的訓練,當燒結(jié)終點位置輸出誤差在黏結(jié)附近物料的理想范圍內(nèi)時結(jié)束訓練,否則返回步驟二進行新一輪訓練。

2.4 建立燒結(jié)礦質(zhì)量在線預測模型

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

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)終點位置輸出層Y的權(quán)重修正量、累計誤差與權(quán)重偏微分[10]正比關(guān)系:

(13)

式中:η為學習速率,bps;ω為網(wǎng)絡(luò)權(quán)重。經(jīng)過修正后的預測模型為

(14)

式中:wRY為料層厚度隱含層R和燒結(jié)終點位置輸出層Y之間權(quán)重調(diào)整量。為避免步長每次改變的幅度過大,通過線性激勵學習方法對其進行限制:

Δη(t)=ελη(t-1)

(15)

式中:Δη(t)為t時刻學習速率,0≤ε≤1是常數(shù),通常根據(jù)經(jīng)驗獲取。本文取η∈[0.2,0.6],并且確定λ為

(16)

因此,預測模型可以變?yōu)?/p>

ωRY(t+1)=ωjp(t)+Δη(t)

(17)

經(jīng)過改進后的降噪自編碼神經(jīng)網(wǎng)絡(luò)訓練效果較好,能夠結(jié)合環(huán)境變化自適應(yīng)調(diào)節(jié)學習速率,并且有效改善訓練過程中頻率振動現(xiàn)象,避免網(wǎng)絡(luò)局部縮小,增加預測準確度。

3 實驗分析

3.1 實驗數(shù)據(jù)與參數(shù)設(shè)置

為了驗證所提預測模型的精準度,進行仿真實驗。訓練樣本數(shù)據(jù)來自某燒結(jié)廠三月份的實際生產(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)作為測試數(shù)據(jù),選擇10組預測樣本。為方便神經(jīng)網(wǎng)絡(luò)學習,對真實數(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仿真軟件編寫預測程序,其中,設(shè)置1 500次最大訓練,0.5的學習率,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)目與四個質(zhì)量指標當作神經(jīng)元輸入和輸出結(jié)果。確定隱含層神經(jīng)元個數(shù)為30。激勵函數(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,其表達式如下:

(19)

為了驗證所提方法的預測精度,在參數(shù)設(shè)置完成后,利用所提方法、文獻[1]與文獻[2]方法預測燒結(jié)礦堿度,預測結(jié)果如圖1所示。

圖1 不同方法預測結(jié)果對比圖

根據(jù)圖1實驗結(jié)果可以看出,當燃燒時間達到50 min時,所提方法的燒結(jié)礦堿度預測值與燒結(jié)礦堿度實際值非常接近,而文獻[1]和文獻[2]方法的燒結(jié)礦堿度預測值與實際值偏差,以及預測差值很大,通過上述可知,所提方法的燒結(jié)礦堿度預測差值較小,能夠有效減小燒結(jié)礦堿度預測誤差。因此本文通過獲取降噪自編碼器的代價函數(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)量預測模型,從而增加了預測準確度,準確地預測燒結(jié)礦質(zhì)量,實現(xiàn)實時反饋。

為了驗證所提方法的預測時間,對比文獻[1]方法、文獻[2]方法與所提方法的預測時間,對比結(jié)果如圖2所示。

圖2 不同方法預測時間對比圖

根據(jù)圖2可知,當預測次數(shù)達到7次時,文獻[1]方法的平均預測時間為2.24 s,文獻[2]方法的平均預測時間為2.87 s,而所提方法的平均預測時間為1.01 s,與文獻[1]文獻[2]方法相比,所提方法的預測時間最短。由此可知,所提方法的預測時間較短,因為所提方法設(shè)置的學習速率較為合理,能夠有效減少學習時間,縮短預測時間,從而實現(xiàn)實時預測。

為了進一步驗證所提方法預測結(jié)果的可信程度,選取10組預測樣本,分別采用文獻[1]文獻[2]方法與所提方法進行預測,對比10組預測樣本采用不同方法得到的轉(zhuǎn)鼓強度預測值與實際值的相對誤差結(jié)果如表2所示。

表2 不同方法的轉(zhuǎn)鼓強度相對誤差對比結(jié)果

根據(jù)表2中的數(shù)據(jù)可知,對比三種方法10組預測樣本轉(zhuǎn)鼓強度預測值與實際值的相對誤差,所提方法的相對誤差最小,文獻[1]方法的相對誤差次之,文獻[2]方法的相對誤差最大,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)量預測模型方法能有效減小相對誤差,預測的結(jié)果準確度高,因為所提方法的學習能力以及自適應(yīng)能力很強,燒結(jié)礦質(zhì)量預測模型的相對誤差較小,提高了預測結(jié)果的可信程度。

在此基礎(chǔ)上,進一步驗證所提方法預測結(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 ℃。在燃燒時間為13、18 min時,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 ℃;在燃燒時間為30、35 min時,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)定進行抗干擾能力實驗,在燃燒時間為40 min時,對壓差輸入階躍干擾。在抗干擾能力測試中,將文獻[1]方法、文獻[2]方法與所提方法進行對比,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,而文獻[1]方法、文獻[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。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)量預測模型,憑借降噪自編碼神經(jīng)網(wǎng)絡(luò)所具備的容錯性,有效避免了網(wǎng)絡(luò)陷入局部最小,減小了預測誤差,提高了燒結(jié)礦質(zhì)量預測精度。通過定義學習速率并利用線性激勵學習方法,修正預測模型,從而使預測結(jié)果的可信度得到了提升,并在一定程度上降低了預測所用的時間。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)提供科學的理論依據(jù)。