BP神经网络在铜锍吹炼终点预报中的应用.pdf

“ 神经网络在铜锍吹炼终点预报中的应用 时章明薛立华周安梁吴理鹏陈卓 （ 中南大学， 长沙845， 31 -68A567， B8CD67 ， E1F 34G （ED6HI5A 0GH4 6JDIKHL，E4567K45 ’0 “ 6DI5A 6DHRGIS； W5HHD/ OG6JDIH67； 6PCG6H CIDPOHG6 作者简介时章明 （XY / ） ， 男， 江苏海安人， 教授 吹炼是火法炼铜的重要过程 ［］ ， 铜锍吹炼的产 物是粗铜， 防止过吹和欠吹、 保证粗铜质量， 是整个 吹炼过程的目的和关键； 因此， 对铜锍吹炼终点的判 断成了控制生产的一个重要环节。由于铜锍吹炼工 艺过程的复杂性和随机性， 导致难以用理论推导的 数学函数来表达吹炼终点的范围。目前， 在实际生 产中， 主要是现场操作工人通过从风口取样或观察 炉内火焰颜色来对吹炼终点进行判断， 未能实现对 现场操作的实时控制。随着计算数学和人工智能理 论的发展， 人工神经网络在处理生产过程中各变量 的复杂关系、 随机性和非线性问题上得到广泛应用。 本文采用 “ 神经网络， 建立铜锍吹炼过程造铜期 终点与各参数之间的数学模型， 对铜锍吹炼终点进 行预报， 指导生产实践。 基本理论 神经网络是被相互连接起来的处理器的节点矩 阵， 每个节点是一个神经元， 是对人类大脑神经细胞 的简单近似模拟， 每个神经元接受一个以上与权值 因子相乘的输入， 并把这些输入加到一起产生输出； 它通过系统的组合功能效应， 完成各种复杂的信息 处理任务， 其主要特征为网络的全局作用、 大规模并 行分布处理能力、 高度的鲁棒性及学习联想能 力 ［8］ 。 “ （5OS “IGC575HG6） 模型是神经网络模型中 使用最广泛的一类。它是一种具有 层或 层以上 的阶层型神经网络， 上、 下层之间都实现全连接， 而 每层各神经元之间无连接 ［*］ 。网络按有教师监督 的方式进行学习， 当一对模式提供给网络后， 人工神 经网络通过节点之间的相互连接关系来处理从输入 层输入的信息， 然后， 从输出层的节点给出最终结 果； 之后， 按希望减小希望输出与实际输出误差的方 向， 从输出层至隐含层、 再到输入层， 逐层修正各连 接权值， 随着这种误差逆传播修正的不断进行， 可不 断提高网络输入模式响应的正确率 ［Y］ 。由于 “ 神 经网络能以任意精度逼近任意非线性函数、 大规模 有色金属 （冶炼部分） ’’ 年 * 期 万方数据 并行处理和分布式信息存储及较高的学习速率等特 性， 且结构简单、 易于编程处理， 它的应用范围极广。 铜锍吹炼终点预报 “ 模型结构及 算法 “模型结构 本文采用典型的 “ 网络， 即由一个输入层、 一 个隐含层和一个输出层组成的三层、 前馈阶层网络， 各层之间实现全连接， 其拓扑结构如图 所示。其 中， （ ’ ， ， ⋯， ）为网络输入层节点的输入 值， “（ ’ ， ， ⋯， ） 为网络输入层节点的输出值， （ ’ ， ， ⋯， *） 为网络隐含层节点的输出值， （ ’ ， ， ⋯， ,）为网络输出层节点的输出值， 、 *、 , 分别为网络输入层、 隐含层和输出层的节点 数； 、 “ 分别为网络输出层至隐含层、 隐含层至输 入层的连接权值； 、为隐含层及输出层的阈值。 图 “ 神经网络拓扑结构图 ’“**,*’-., /012-0213 *4 5321., 5306*17 由于炼铜转炉是以送风和停风作为吹炼开始和 结束的标志， 所以模型中把吹炼过程所需氧量作为 优化目标， 即取输出层节点数为 , ’ ， 输出变量 - ’ ［-］ ， 然后由富氧率计算所需风量， 并根据平均风 量确定吹炼时间。影响吹炼过程所需风量的因素很 多， 根据传统分类模式识别的 -. （主成分分析 法） ， 考虑到数据获取的方便性及变量间的相关性， 剔除强相关变量， 则其影响因素主要有 冰铜量、 冰 铜品位、 造渣期风量、 造渣期冷料量、 渣量、 渣中硅铁 比、 造铜期高铜冷料量和造铜期低铜冷料量， 因此， 模型中选择这九个变量作为模型的输入变量， 即取 输入层节点数 ’ /， 输入变量为 ［ ， ， ⋯， /］ ； 隐含层通过对输入层与隐含层之间连接权值 的 “自组织化” 对输入模式进行抽取， 并将抽取的特 征传递给输出层。一般地， 隐含层节点数越多越好， 但太多会导致网络泛化能力下降， 而且不易收敛； 本 文采用遍历的方式确定隐含层节点数， 即将隐含层 节点数从 0 到 12 逐一试探， 取达到相同精度时前后 两次迭代误差最相近的作为模型的隐含层节点数， 本文中取隐含层节点数 * ’ 3。 模型算法 铜锍吹炼终点预报模型是通过对大量典型生产 样本 （取样本数为 4） 的学习， 使其具有记忆及泛化 能力； 学习过程中， 反复向该模型提供一系列输入 输出模式对， 通过不断调整节点之间的连接权 值， 直至特定的输入产生所期望的输出。模型各层 神经元的输入及输出分别为 ， “ ’ （ ） （） * “ ， ’ （ ） （） , - . / ， 0 ’ （, ） （3） 给终点预报模型的初始权 值 、 “ 随机赋初 值， 设目标量的期望值为 1（ ’ ， ， ⋯， ,） ， 对于 每个输入模式2， 模型的实际输出与期望输出有一 定误差， 定义学习误差 为 3 4 2 32（1） 32 5 （1 0 ） 6（0） 当给定吹炼过程所需风量的期望值后， 终点预 0有色金属 （冶炼部分） 22 年 0 期 万方数据 报模型各层神经元的连接权值被不断调整， 直至输 出层各节点的误差平方和 最小。 该模型算法中， 通过梯度最速下降法来寻找输 出层的误差平方和 达到最小时的网络的权值， 其 基本思想是沿着 “的负梯度方向不断修正权值， 直 到 达到最小值。 模型权值调整的迭代公式为 “ （ “ ） “ （“）（ “ ）（’） “ （ “ ） “ （“）（ “ ）（） 令输出层神经元误差为 ’ ， 分别取 对 “ 和 “ 的偏 导数， 有 “ * * “ ’ * * “ ’ *“ （） “ “ , （ ’ * * “ “ -“ -“ “ ） “ , （ ’ * “ ） “ -“. （*） 令 ’ *， 将式 （） 、 （*） 分别代入式 （’） 和 （） 中， 则有 “ （ “ ） “ （“）“（） “ “ （ “ ） “ “ （“）“.（） 式中， 为学习速率； “, “ , （’ * “ ） “ -“ “ , （ “ ） “ -“ ， 为隐含层神经元误差。 为了反映上一次学习的权值变化对本次权值更 新的影响程度， 在权值修正公式 （） 、（）中再加 上一个动量项， 即有 “ （“ - ） , “ （“ ） - “- . “ （“） （.） “ “ （“ - ） ,“ “ （“ ） - “ . - “ “ （“）（/） 式中， 为一常数， 称为动量因子； “ （“） “ （“） “ （ “ ） ， “ “ （“） “ “ （“） “ “ （ “ ） 。 学习开始时， 给终点预报模型的权值及阈值随 机赋初值， 通过对典型样本的不断学习， 根据目标风 量的误差信息对权值进行调整， 迭代算法的具体步 骤如下 （）给权值和阈值赋初值； （.）将输入 矢量 / 和期望输出0 送 入人工神经 网络； （/） 计算隐含层和中间层各节点的输出， 所采 用的非线性函数为 123452 函数，即6（7） ’ 0 其偏导数为 6 （7） 7 6（7） ［ 6 （7） ］ （1） 计算总的误差平方和 “ 8 “ , （ ） . 9. （2） 用 （.） ，（/） 迭代公式调整权值； （’） 返回 （.） ， 重复执行， 直到总的误差平方 和 为 或充分小。铜锍吹炼终点预报模型学习算法 流程图如图 . 所示。 图 算法程序流程图 ““’ *,- ’. ’,-*/ ,’0-12 33样本数据采集及预处理 本文中， 铜锍吹炼终点预报模型的训练样本为 某冶炼厂在一段时间内转炉正常生产的生产数据， 采集的样本构成原始训练样本集和测试集。由于生 产上的随机波动或人为因素， 生产记录中难免夹带 着失真信号， 因此需对采集的样本进行过滤， 去除噪 音。又因各变量量纲不同， 不同变量的数据大小差 别很大， 为真实反应各变量对目标量的影响， 需对样 本集中的原始数据进行自标准化和范围标准化。为 了保证模型的自适应性、 增强泛化能力， 选取最新的 4 个样本作为训练样本集， 即在补充新样本的同时 去除最早的样本。 ’.有色金属 （冶炼部分） .. 年 2 期 万方数据 “在线学习及预报结果 利用原始训练样本集中的 “ 个样本对终点预 报模型进行离线学习， 用 ’ * 语言在计算机 上编制了基于 *, 神经网络的离线指导程序， 当学 习精度低于 -. 时终止模型的学习， 并保存学习 好的神经网络模型的权值、 阈值； 利用学习好的模型 对测试集中的 / 个样本进行了测试， 测试结果见图 /。 图 吹炼终点预报值与实际值的比较 ’*,-./ 012311/ -1452/ ,/4 2-61 7,861 9 1/4/2 可以看出， 经过学习的 *, 神经网络所预报的 吹炼终点与实际吹炼终点可以很好的拟合； 通过对 原始样本数据进行分析， 某些炉次偏差较大主要是 生产情况的不稳定 （如返白冰铜情况、 喷溅情况、 冰 铜带渣情况及吹炼过程温度控制等） 引起生产操作 参数的突变造成的。 /结论 （-） 通过预报值与实际值的比较表明， 采用 *, 神经网络预报铜锍吹炼终点具有较高的预报精度， 可对生产进行离线指导； （“） *, 神经网络能以任意精度逼近任意非线性 函数， 具有大规模并行处理和分布式信息存储及较 高的学习速率等优点， 在数值预报方面显示了巨大 的优势； （/） 应用 *, 神经网络避免了复杂的机理模型， 对其它复杂系统也具有使用价值。 参考文献 ［-］邱竹贤有色金属冶金学 ［0］ 北京 冶金工业出版社， -12/ -“3 ［“］王伟人工神经网络原理 入门与应用 ［0］ 北京 北京航空 航天大学出版社， -11. .“ ［/］张立明人工神经网络的模型及其应用 ［0］ 上海 复旦大学出 版社， -114 /4 ［4］王科俊， 王克成神经网络建模、 预报与控制 ［0］ 哈尔滨 哈尔 滨工业大学出版社， -113 /5 ［.］刘洪霖， 包宏化工冶金过程人工智能优化 ［0］ 北京 冶金工业 出版社， -111 2- ［3］虞和济， 陈长征， 张省， 等基于神经网络的智能诊断 ［0］ 北京 冶金工业出版社， “ -2 5“有色金属 （冶炼部分） ““ 年 . 期 万方数据