神经网络在焦炭质量预测模型中的应用

姜 静，宫春晖

(沈阳理工大学 信息科学与工程学院，辽宁 沈阳 110159)

焦炭在国民经济生产中具有重要的作用，随着国民经济的飞速发展，铁的需求量迅速增加，而高炉炼铁需要的焦炭也随之增多，焦炭在高炉炼铁中起着燃料、还原剂、骨架和增碳剂的作用。为降低焦炭消耗，增加高炉产量，改善生铁质量，采用了高炉大型化、富氧喷吹等技术，因此对焦炭质量的要求越来越高。高炉焦要求灰低、硫低、强度高、粒度适当且均匀、气孔均匀、致密、反应性适度、反应后强度高。炼焦配煤过程是一个复杂的过程，参加配煤过程的各单种煤的性质与配比决定了配合煤的煤质特性，所得的配合煤的煤质特性又直接影响焦炭的质量。炼焦配煤过程是一个发生了一系列物理和化学变化的复杂工业生产过程，因此为保证焦炭质量，预测焦炭质量就显得尤为重要。同时焦化企业炼焦用煤的品种不断增多，而且煤种的变化很快，煤质的波动大，充分利用现有的煤炭资源，实现焦炭质量的准确预测，进而生产出合格的焦炭，并且炼焦配煤过程涉及到单种煤的煤质指标与焦炭质量指标间复杂的非线性关系，而神经网络具有一般非线性系统的共性，因此将神经网络用于煤炭质量的预测中。

1 BP神经网络

BP神经网络是一种利用误差反向传播训练算法的神经网络，BP神经网络的学习算法的基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。BP神经网络包含输入层、隐层、输出层，隐层可以为一层或多层。本文使用含有一个隐层的BP网络，其结构如图1所示，图中，i为输入层神经元，j为隐层神经元，k为输出层神经元，wij为输入i到隐层j的加权，wjk为隐层j到输出k的加权［1］。

上述网络的信息传播是由输入单元传到隐单元，最后传到输出单元。

图1 BP网络结构

2 焦炭质量预测分析与设计

常规炼焦条件下，影响焦炭质量的因素很多，主要有配合煤质量以及炼焦条件。配合煤质量的好坏直接取决于单种煤的质量指标以及各单种煤的配比，而炼焦条件则是指焦炉的炼焦条件。整个炼焦过程包括一系列物理、化学变化，因此很难建立精确的数学模型。目前，对焦炭质量的预测通常只考虑配煤过程，而不考虑焦炭干馏过程的影响。

焦炭抗碎强度(M40)、耐磨强度(M10)、硫分(Std)、灰分(Ad)、反应性指数(CRI)和反应后强度(CSR)是影响高炉炼铁的重要指标，而配合煤的粘结性指数(G)、灰分(Ad)、挥发分(Vdaf)、硫分(Std)直接影响焦炭性能，配合煤是由多种单种煤按配煤比混合而成，其质量指标仅取决于各单种煤的质量指标及配煤比。因此，焦炭质量预测分两步进行:单种煤到配合煤的质量预测;配合煤到焦炭的质量预测。

2.1 配合煤的质量预测

从单种煤到配合煤的混合过程中，主要发生物理变化(洗选、粉碎、混合等)，因此，由单种煤质量指标与配比的加和性运算可预测配合煤质量。但由于粉碎、混合等物理变化使煤表面发生剧烈变化，引起煤粒间相互作用的变化，从而使预测结果与实际结果存在差异。在线性模型的基础上进行经验值校正，可提高准确性。

配合煤的性能指标由挥发分、灰分、硫分和粘结指数来衡量。设配合煤是由n种单种煤混合而成，xi是第i种单种煤在配合煤中的配比，其粘结性指数、挥发分、硫分和灰分分别为 Gi、Vdafi、Stdi和Adi，则配合煤质量指标为

式中，ΔG、ΔVdaf、ΔStd和 ΔAd分别为粘结性指数、挥发分、硫分和灰分的校正值［2］。

2.2 焦炭的质量预测

多年的炼焦经验和大量的实验研究表明，配合煤的煤质及炼焦特性直接影响焦炭的质量指标，、灰分、硫分、焦炭的抗碎强度、耐磨强度、反应性指数和反应后强度是表征焦炭质量的重要指标。多年的炼焦经验和大量的实验研究表明，焦炭的灰分与配合煤的灰分有很强的线性关系。因此可以用一元线性回归来建立焦炭硫分灰分的质量预测模型［3］。设:D=aC+b(式中:D表示焦炭灰分 Ad(焦)，C 表示配合煤灰分 Ad(煤))，对经过剔除处理的样本值进行一元线性回归分析，即应用数量统计中最小二乘法确定方程中系数a，b的估计值，于是，得到焦炭灰分的预测方程为

同理，焦炭的硫分的预测方程为

根据炼焦过程的数据分析，在稳定的炼焦条件下，M40、M10、CRI和CSR与配合煤中的粘结指数、挥发分、灰分存在非线性关系。神经网络是由大量神经元互相连接组成的复杂网络系统，对非线性系统具有很强的模拟能力。BP神经网络可以通过不断的反向传播修正误差，可以实现或逼近所希望的输入输出的映射关系，这种非线性的映射能力使其能以任意精度逼近一个非线性函数。事实上，从仿真效果来看，用BP神经网络建立焦炭预测模型是有效的［4］。

在理论上，采用对数S型和线性模式的三层网络结构可以使误差达到任意精度。网络的输入用预测焦炭质量的配合煤指标，这里采用灰分、挥发分和粘结指数，因此BP网络的输入层是3个神经元，输出为焦炭的抗碎强度、耐磨强度、反应性指数和反应后强度，输出层神经元数目为4个。随着隐含层数目的增多，网络变得越来越复杂，泛化能力也越来越差，并且过多的网络节点会增加训练网络的时间，使网络的预测能力下降。但是网络节点过少则不能反映焦炭指标与配合煤指标的相关关系。根据kolmogorov定理，隐含层数目=sqrt(n+m)+a其中a为1到10的数，取隐含层个数为8个。

BP算法中权值的学习采用绝对误差平方和为指标函数，因而只能降低各样本绝对误差量，这势必造成各神经元在学习中收敛的不平衡性。网络的各个输入数据常常具有不同的物理意义和不同的量纲，通过尺度变换，使所有参数都在［－1，1］区间内，从而使网络训练一开始就给各输入分量以同等重要的地位，防止小数信息被大量数值信息所淹没。本文利用Matlab中的函数mapminmax 对训练数据进行归一化处理［5－6］。

3 仿真

本文仿真实验使用Matlab神经网络工具箱，选取16组试验数据作为BP神经网络的训练样本，使用4组数据作为预测样本进行预测，训练样本数据如表1所示。隐含层利用tansig传递函数，输出层利用 purelin函数，设计训练误差为0.002，学习速率为0.05，设置训练次数为100000次，采用BP自适应快速训练法得出误差曲线如图2所示，样本学习输出误差很小，精度很高。

图2 网络训练误差曲线

表1 BP网络训练样本

4 结论

根据配合煤煤参数和焦炭质量参数之间的线性和非线性关系，建立了预测焦炭质量的线性回归和人工神经网络模型，并且选取合适的质量参数，进行了网络训练。应用神经网络预测模型对实例进行仿真，结果表明该模型预测精度较高，适用于焦炭质量的预测，同时神经网络具有自适应能力，能够处理非线性、含噪声的数据，使得人工神经网络应用于炼焦过程具有非常广阔的前景。在炼焦配煤过程中，可以利用训练好的神经网络对单种煤进行合理配合，在焦炭质量得到保证的前提下，尽量减少优质炼焦煤的用量。

［1］刘金琨.智能控制［M］.北京:电子工业出版社，2009:118－119.

［2］谢海深，刘永新，孟军波，等.焦炭质量预测模型的研究［J］.煤炭转化，2006，29(3):54 －57.

［3］Min Wu，Michio NAKANO.A Model-Based Expert Control Strategy Using Neural Networks for the Coal Blending Process in an Iron and Steel Plant［J］.Expert System with Application，1999，16(3):271 －281.

［4］邓俊，赖旭芝，吴敏，等.基于神经网络和模拟退火算法的配煤智能优化方法［J］.冶金自动化，2007，31(3):19－23.

［5］单晓云，赵树果，刘永新.基于神经网络的焦炭质量预测模型［J］.选煤技术，2005(2):1－4.

［6］R.Alvarez，M.A.Diez，C.Barriocanal，et al.An approach to blast furnance coke quality pridiction［J］.ScienceDirect，2007(86):2159 －2166.