降噪自编码神经网络下高炉冶炼质量在线预测

黄政魁,韦兰花,许玉婷

(1.南宁职业技术学院 智能制造学院,广西 南宁 530008;2.广西制造工程职业技术学院 智能制造学院,广西 南宁 530105;3.广西机电职业技术学院 信息工程学院,广西 南宁 530007)

烧结矿的质量是烧结厂整体收益的关键性指标,对提高高炉冶炼生产质量与数量有重要作用,其稳定性可以保证高炉顺行,有助于减少消耗,提高产量。烧结生产是一个存在明显非线性、强耦合性与大滞后性的高度复杂过程,触及很多数据参数与杂乱的物化转变。烧结生产属于一种高度复杂的理化反应,其中,涉及很多数据参数,且其非线性特征明显,耦合度极高,滞后性较大。在生产工业现场,等待成品出来后,每隔一段时间对成品做取样测量,无法实时预测烧结矿质量,不能实现在线调控,降低生产率,导致烧结矿质量不平稳。因此,建立有效的模型预测烧结矿质量具有重要意义。相关学者提出如下研究。

文献[1]提出基于大数据技术的烧结质量智能控制系统。利用分布式数据传输技术,采集与整理生产数据,构建烧结全产线数据库,建立烧结质量预测模型。该方法促进了烧结工艺自动化与智能化的发展,节约了资源成本。文献[2]提出基于深度学习技术的烧结矿质量预测仿真。分析烧结过程与工艺机理,设计深度置信网络整体结构与参数,利用无监督贪婪方法训练模型,通过BP神经网络优化模型,对模型进行优化。虽然上述两种方法均可以实现烧结矿质量预测,但是预测结果与实际计算结果之间仍存在一定误差。

针对上述问题,本论文基于神经网络,结合降噪自编码器,获取代价函数,建立神经元模型,构建烧结矿质量在线预测模型,为避免网络陷入局部最小,提高预测精度,定义学习速率修正烧结矿质量预测模型,实现烧结矿质量预测。所提方法能够减少预测时夹杂在数据中的噪声干扰,提高预测准确度。

1 烧结矿基础特征与工艺分析

1.1 烧结工艺分析

抽风烧结是烧结生产的工艺流程之一,在混合料中加入一定的水分,将其制粒后,装入烧结机并点燃。使用风箱提供通风,加快烧结反应的进行。烧结生产目的是将细粒矿粉制作为块矿。为了有效保证生产过程中各项指标参数最佳,需要进一步优化生产原材料、实际操作过程和生产装置参数,由此得到满足要求的烧结矿。

1.2 烧结矿基础特征

1)同化性

同化性是矿石中的成分和氧化钙结合在一起时,产生化学反应的能力,可以检测矿石在烧结过程中形成液相的性能指标,所以掌握适当的同化性,对于烧结优化设计具有重要意义[3]。通常情况下,同化性越低,则越容易形成液相。

2)液相流动性

矿石和氧化钙反应后所形成液相,其流淌性能被称为液相流动性,这种性能可以表示矿石在燃烧过程中,其液相的黏结范围[4]。烧结矿是低熔点物质放置于高温环境中,物质轻易被融化为液相,将融化的液相冷却,其内部的没有融化的物质颗粒被融化的物质液相会组合在一起,成为多孔块状的有机体。通常而言,粘结处的物料范围会随着液相流动性的增加而增大,由此提高烧结矿强度;反之,强度下降。

3)黏结相强度

矿石烧结时,形成的液相对四周矿石具有凝结能力,这种凝结能力被称为黏结相强度。黏结相强度影响烧结矿强度,针对非均质烧结矿来讲,矿石凝结过程由黏结相实现。足够的黏结相虽然属于凝结条件,但其自身强度同样重要[5]。

1.3 烧结矿质量评价指标与主要工艺参数

1)烧结矿质量评价指标

精料技术的主要中心要素是为了提高入炉原料中的含铁量(TFe),TFe占比较高时,炉渣会适当减小,降低高炉焦比。烧结过程中一组施工过程的数目对烧结矿FeO占比有重要影响,对烧结矿生产有重要的评价意义。转鼓强度能够有效检测物料的耐磨性,在某种条件下通过转鼓法来实现。碱度是改善烧结工艺的重要因素[6]。因此TFe含量、FeO含量、转鼓强度以及碱度四项指标从不同方面体现出烧结矿质量情况。

2)烧结矿主要工艺参数

影响烧结工艺质量的因素较多,在设备参数确定情况下,原料与操作参数就成为影响烧结过程的主要因素。本文将9大类参量、15个参数作为判断指标,见表1。

表1 烧结矿质量影响因素

2 建立烧结矿质量在线预测模型

2.1 神经网络优势分析

1)并行处理

神经网络利用内部大批单元之间相互连接的关系,对信息进行处理。

2)分布式存储

将不同种类信息储存在网络每个连接层之间,想要查找被存储的信息时,可以通过查找相关信息获得所需要的信息。

3)自适应性强

自适应性表示系统改变自身性能,最大程度适应不同环境的能力,主要分为学习与自组织两个方面。

2.2 降噪自编码网络神经元确定

降噪自编码神经网络可以重构没有扰乱的输入,改善神经网络模型对输入数据的泛化性能[7]。

(1)

式中:sl为隐含层神经元的数目。

考虑烧结终点位置与烧结机速度有关,因此,降噪自编码器的代价函数可以表示为

(2)

本文利用sigmoid激活函数:

(3)

假设材料(配料、混合料、布料)输入至神经网络的输入层(点火阶段),指标数量为m,x与y分别表示配碳量输入与烧结终点位置输出,l描述神经网络层数,则降噪自编码神经网络代价函数如下:

(4)

料层厚度隐含层中任意一个神经元残差表示为

(5)

(6)

神经网络结构是由基本处理单元与其连接方式决定的[8],其中基本单元指神经元,它由多个配碳量输入xi(i=1,2,…,p)与一个烧结终点位置输出y构成,中间状态属于配碳量输入信号的加权和。在烧结过程中,由于烧结矿的同化性形成液相,则液相神经元模型可表述为

(7)

(8)

式中:wk1,wk2,…,wkj为液相神经元k的重要性数值;uk为线性代数数值;θk为液相流动性阈值;f(·)为转移函数;yk为液相神经元k的烧结终点位置输出。

2.3 神经网络学习与步骤探究

2.3.1 学习方法

本文利用误差反向传播算法作为神经网络学习方法,其利用外界输入样本的刺激作用改变网络连接权重,使输出值不断向理想值靠近[9]。在学习时,需要通过调节规则来改变网络中神经元的连接权,本质上是利用输出误差,实现隐含层向输入层的逆传播。

用g、h和i分别来描述输入层(点火阶段)、隐含层(烧结阶段)和输出层(冷却阶段)节点数量,输入层与隐含层之间权重是vki,隐含层和输出层之间权重为sjk,两层的传递函数分别表示为f1(·)与f2(·),因此料层厚度隐含层节点输出表达式为

(9)

烧结终点位置输出层节点输出表达式为

(10)

2.3.2 学习步骤

步骤一:将得到的数据进行网络初始化,所有的连接权重依次赋予在区间[-1,1]中某值,建立了相关计算精度和最大学习次数的误差函数;

步骤二:确定学习模式;

步骤三:根据已知学习模式,获取料层厚度隐含层与烧结终点位置输出层神经元正向与反向传播误差;

步骤四:结合权重修正公式获取液相流动性阈值,对学习模式进行更新;

步骤五:利用新权重与液相流动性阈值进行新的训练,当烧结终点位置输出误差在黏结附近物料的理想范围内时结束训练,否则返回步骤二进行新一轮训练。

2.4 建立烧结矿质量在线预测模型

假设某一个训练样本表示为xk=[xk1,xk2,…,xkM],k=1,2,…,n,实际烧结终点位置输出描述为yk=[yk1,yk2,…,ykp],其中,yk代表对应配碳量输入x的神经网络输出。期望烧结终点位置的输出是dk=[dk1,dk2,…,dkp]。权重与实际烧结终点位置输出属于迭代次数n的函数,烧结终点位置输出层的a个神经元误差信号描述为

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

(11)

(12)

降噪自编码神经网络中料层厚度隐含层R和烧结终点位置输出层Y的权重修正量、累计误差与权重偏微分[10]正比关系:

(13)

式中:η为学习速率,bps;ω为网络权重。经过修正后的预测模型为

(14)

式中:wRY为料层厚度隐含层R和烧结终点位置输出层Y之间权重调整量。为避免步长每次改变的幅度过大,通过线性激励学习方法对其进行限制:

Δη(t)=ελη(t-1)

(15)

式中:Δη(t)为t时刻学习速率,0≤ε≤1是常数,通常根据经验获取。本文取η∈[0.2,0.6],并且确定λ为

(16)

因此,预测模型可以变为

ωRY(t+1)=ωjp(t)+Δη(t)

(17)

经过改进后的降噪自编码神经网络训练效果较好,能够结合环境变化自适应调节学习速率,并且有效改善训练过程中频率振动现象,避免网络局部缩小,增加预测准确度。

3 实验分析

3.1 实验数据与参数设置

为了验证所提预测模型的精准度,进行仿真实验。训练样本数据来自某烧结厂三月份的实际生产记录,结合要求从中选择控制效果较好的38组数据作为测试数据,选择10组预测样本。为方便神经网络学习,对真实数据做归一化处理,将物理量划分为[0,1]范围的数值。归一化公式如下:

d=0.1+(f-min)/(max-min)·(0,1)

(18)

式中:max与min分别表示样本中极大值与极小值。

使用Matlab仿真软件编写预测程序,其中,设置1 500次最大训练,0.5的学习率,降噪自编码神经网络结构是15×23×1,将烧结过程中一组操作过程的数目与四个质量指标当作神经元输入和输出结果。确定隐含层神经元个数为30。激励函数指的是输入层与隐含层神经元所具有的函数关系,其表达式如下:

(19)

为了验证所提方法的预测精度,在参数设置完成后,利用所提方法、文献[1]与文献[2]方法预测烧结矿碱度,预测结果如图1所示。

图1 不同方法预测结果对比图

根据图1实验结果可以看出,当燃烧时间达到50 min时,所提方法的烧结矿碱度预测值与烧结矿碱度实际值非常接近,而文献[1]和文献[2]方法的烧结矿碱度预测值与实际值偏差,以及预测差值很大,通过上述可知,所提方法的烧结矿碱度预测差值较小,能够有效减小烧结矿碱度预测误差。因此本文通过获取降噪自编码器的代价函数,去噪处理初始数据,将初始数据消噪后,构建烧结矿质量预测模型,从而增加了预测准确度,准确地预测烧结矿质量,实现实时反馈。

为了验证所提方法的预测时间,对比文献[1]方法、文献[2]方法与所提方法的预测时间,对比结果如图2所示。

图2 不同方法预测时间对比图

根据图2可知,当预测次数达到7次时,文献[1]方法的平均预测时间为2.24 s,文献[2]方法的平均预测时间为2.87 s,而所提方法的平均预测时间为1.01 s,与文献[1]文献[2]方法相比,所提方法的预测时间最短。由此可知,所提方法的预测时间较短,因为所提方法设置的学习速率较为合理,能够有效减少学习时间,缩短预测时间,从而实现实时预测。

为了进一步验证所提方法预测结果的可信程度,选取10组预测样本,分别采用文献[1]文献[2]方法与所提方法进行预测,对比10组预测样本采用不同方法得到的转鼓强度预测值与实际值的相对误差结果如表2所示。

表2 不同方法的转鼓强度相对误差对比结果

根据表2中的数据可知,对比三种方法10组预测样本转鼓强度预测值与实际值的相对误差,所提方法的相对误差最小,文献[1]方法的相对误差次之,文献[2]方法的相对误差最大,由此可知,基于降噪自编码神经网络的烧结矿质量预测模型方法能有效减小相对误差,预测的结果准确度高,因为所提方法的学习能力以及自适应能力很强,烧结矿质量预测模型的相对误差较小,提高了预测结果的可信程度。

在此基础上,进一步验证所提方法预测结果的抗干扰能力,设定烧结矿质量的初始值为0.45%,烧结矿温度为1 000 ℃。在燃烧时间为13、18 min时,更改烧结矿质量的初始值为0.5%,烧结矿温度为1 005 ℃;在燃烧时间为30、35 min时,再次更改烧结矿质量的初始值为0.55%,烧结矿温度为1 015 ℃。通过上述设定进行抗干扰能力实验,在燃烧时间为40 min时,对压差输入阶跃干扰。在抗干扰能力测试中,将文献[1]方法、文献[2]方法与所提方法进行对比,得到不同方法的烧结矿质量和烧结矿温度在输入阶跃干扰下抗干扰能力效果分别如图3和图4所示。

图3 不同方法的烧结矿质量在输入阶跃干扰下抗干扰能力效果

图4 不同方法的烧结矿温度在输入阶跃干扰下抗干扰能力效果

根据图3和图4可以看出,所提方法的烧结矿质量和烧结矿温度在输入阶跃干扰下能够有效跟踪上设定点,而文献[1]方法、文献[2]方法的烧结矿质量和烧结矿温度在输入阶跃干扰下均偏离了设定点。由此可知,所提方法具有较好的抗干扰性。

4 结 论

本文提出的基于降噪自编码神经网络的烧结矿质量预测模型,凭借降噪自编码神经网络所具备的容错性,有效避免了网络陷入局部最小,减小了预测误差,提高了烧结矿质量预测精度。通过定义学习速率并利用线性激励学习方法,修正预测模型,从而使预测结果的可信度得到了提升,并在一定程度上降低了预测所用的时间。通过深入研究烧结矿质量数据的采集方式及模型结构,为烧结矿质量数据的收集方式和模型结构提供科学的理论依据。