基于分布式神经网络的焦炭质量预测模型.pdf

第3 4 卷第4 期 2 0 0 5 年7 月 中国矿业大学学报 J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y V 0 1 ．3 4N o ．4 J u l ．2 0 0 5 文章编号1 0 0 0 1 9 6 4 2 0 0 5 0 4 0 5 1 4 0 4 基于分布式神经网络的焦炭质量预测模型 郭一楠，巩敦卫，程健 中国矿业大学信息与电气工程学院，江苏徐州2 2 1 0 0 8 摘要焦炭质量预测模型是确保焦炭生产顺利的基础．但在生产多种类焦炭时，模型的泛化能力 变差．针对此问题，提出了基于分布式神经网络的焦炭质量预测模型，给出了基于粗划分的自组 织网络初始权值选取方法，通过对基于遗传算法一反向传播人工神经网络的预测模型 G A B P 和 基于自组织映射网络一径向基函数的分布式神经网络 S O M R B F 的预测模型比较，发现后者比 前者的预测精度高且稳定，完全满足现场要求． 关键词焦炭质量预测；分布式神经网络；自组织神经网络；R B F 网络 中图分类号T P1 8 3文献标识码A P r e d i c t i v eM o d e lo fC o k eQ u a l i t yB a s e do n D i s t r i b u t e dN e u r a lN e t w o r k G U OY i n a n ，G O N GD u n w e i ，C H E N GJ i a n S c h o o lo fI n f o r m a t i o na n dE l e c t r i c a lE n g i n e e r i n g ， C h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g y 。X u z h o u ，J i a n g s u2 2 1 0 0 8 ，C h i n a A b s t r a c t P r e d i c t i v em o d e lo fc o k eq u a l i t yi st h eb a s i so fe n s u r i n gr e l i a b l ec o k i n gp r o c e s s ．B u t g e n e r a l i z a t i o no ft h em o d e lb e c a m ew o r s ew h e nt h et y p eo fc o k ei sm o r et h a no n e ．A i m e da t i m p r o v i n gg e n e r a l i z a t i o n ，t h ep r e d i c t i v em o d e lo fc o k eq u a l i t yb a s e do nd i s t r i b u t e dn e u r a ln e t w o r k w a sp r o p o s e d ，w h i c hc o m p o s e do fs e l f o r g a n i z i n gm a p s S O M a n dr a d i a lb a s i sf u n c t i o n R B F ． A n dt h ec h o o s i n gm e t h o do fi n i t i a l i z a t i o nw e i g h ti nS O Mb a s e do nr o u g hp a r t i t i o nw a sg i v e n ． C o m p a r e dp r e d i c t i v em o d e lb a s e do nG A B Pw i t ht h a tb a s e do nS O M - R B F ，t h er e s u l t ss h o wt h a t t h el a t e rh a sb e t t e rp r e d i c t i v ep r e c i s i o na n ds t a b i l i t y ． K e yw o r d s c o k eq u a l i t yp r e d i c t i o n ；d i s t r i b u t e dn e u r a ln e t w o r k ；s e l f o r g a n i z i n gm a p s ；r a d i a lb a s i s f u n c t i o n 焦炭质量好坏直接取决于配合煤成分及烧结 过程，特别是烧结过程具有非线性特性．目前对烧 结过程的预测，大多采用线性回归及B P 神经网络 来分别对个别指标建模[ 1 。3 ] ，缺乏整体模型，在实际 生产中容易造成质量波动． 为更加全面反映配合煤煤质对焦炭质量的影 响，文献[ 4 ] 提出了基于G A B P 的全指标改进预 测模型，并利用遗传算法对网络连接权值进行优 化．仿真结果表明虽然改进预测模型比B P 预测 模型收敛速度快，拟合能力好，但对训练样本以外 的焦炭质量预测效果仍不稳定．特别是对于偏离训 练样本较远的配合煤输入，焦炭质量指标的预测误 差远远超过了允许范围，已不能满足生产的实际要 求．分析表明，导致预测误差大的原因为企业生产 焦炭包括出口焦、冶金焦两类，随用途不同其质量 有所不同．另外，随着生产任务不同及煤源的日益 广泛，原料煤性质差别较大，导致配合煤质量存在 较大波动；由于B P 网络只能在教师指导下完成监 收稿日期2 0 0 4 一0 9 一0 6 基金项目z 国家自然科学基金项目 6 0 3 0 4 0 1 6 ；江苏省博士后基金项目 苏人通[ 2 0 0 4 1 3 0 0 号 作者筒介郭一楠 1 9 7 5 一 ，女，山西省太原市人，博士，博士后，从事智能计算、多智能体系统、P e t r i 网等方面的研究 E m a i l n a n f l y l 9 7 5 s i n a ．C O r n ．c nT e l ；0 5 1 6 - 2 1 1 5 6 0 1 万方数据 第4 期郭一楠等基于分布式神经网络的焦炭质量预测模型 督学习，泛化性能较差，因此，对偏离训练样本的输 入不具有适应性，导致焦炭质量的预测误差较大． 为解决上述问题，本文提出基于K o h o n e n 自 组织映射网络径向基函数 S O M R B F 的分布 式神经网络焦炭质量预测模型，给出了基于粗划分 的自组织网络初始权值选取方法，通过对基于 G A B P 和基于S O M R B F 的预测模型比较，发现 后者比前者预测精度高且稳定，满足现场要求． 1S O M R B F 分布式神经网络预测模型 S O M R B F 网络由一个自组织映射网络和多 个相对独立的、协同工作的R B F 网络构成，如图1 所示，通过S O M 将输入空间划分成小的局部空 间[ s - r ] ，在每个局部空间中采用R B F 网络实现期望 的非线性映射．各R B F 予网经合理连接，从而在整 体上反映输入输出关系． 自 型詈 组 织 网 络 分 、脚霸 类 器 图1基于S O M R B F 分布式神经网络 F i g ．1 D i s t r i b u t e dn e u r a ln e t w o r k sb a s e do nS O M R B F 1 ．1模式划分 K o h o n e n 自组织映射神经网络是由输入层和 竞争层组成的无监督学习网络，用以完成模式聚类 过程． 设X ∈R Ⅳ为输入模式向量，咖∈R ⅣP 为连接 权值矩阵，Y E R 尸 P Ⅳ 为输出节点的匹配响应， 则在t 时刻有y 币T ￡ G x t ．若。采用E u c l i d 运 算，则有y I I 妒 f - - X t 忆，代表竞争以输出响 应最小的神经元为胜． 通常网络连接权初始值在[ o ，1 ] 之间随机选 取，这样容易造成连接权值与输入模式方向差异较 大，导致网络学习时间长或无法收敛．为克服初始 权值随机选取引起的困难，在预测模型中，将输入 样本以某些质量指标为主进行粗划分，利用粗样本 聚类为K o h o n e n 网络学习提供初始连接权值，从 而构成递阶聚类结构． 设为输入样本空间，鼠为粗划分样本类，z 。。。， z 岫分别为样本数据最大值和最小值，则初始连接 权值为 B k ∑当兰譬 磊i O ] i 面r “ t m a x - - 一“ ‘ m i n ． 1 ∑i1；Xi__一一Xzmini 1 m a xi B _ l n ～～ 随学习进行，输出层中竞争得胜的神经元c 周 围M 区域内的神经元在不同程度上得到兴奋，而 在此区域以外的神经元被抑制，即连接权值依下式 进行更新[ 6 1 丸c z ，， { 蛾J ‘‘’ 口‘‘Z 丢；‘’一噍J ‘‘’’。 J j 告E M N c ， ，, c 2 ， 式中口 ￡ 为学习速率，Ⅳf ￡ 邻域采用正方形，且 随学习次数增加，学习速率递减，邻域范围逐渐缩 小． 1 ．2R B F 子网 子网采用4 输入4 输出R B F 网络实现．R B F 是三层前馈神经网络，从输入节点引入的输入向 量，保持不变的直接传递到隐含层曲] ．隐含层节点 选用高斯型函数作为径向基函数[ 9 ] f x A e x p [ 一 X 丁- - C i 2 ] i 一1 ，2 ，⋯，K ， 式中C i ，仉分别为隐含层第i 个单元的中心和宽 度；K 为隐含层节点个数．设隐含层节点输出为h ；， W 一[ 瓦] K 。M 为权矩阵，则网络输出Y J 为隐含层输 出的线性组合 Y 』 ∑一O A i J h ， ∑一o ． i j 厂 忪一c 川2 ． 3 ’ 网络的训练过程就是调整C ，盯，W ，使网络实 际输出向量巩与期望输出U t 的平方误差最小的 过程，即 M i n E r ] ，口，石 ∑| Iy 。一￡，。l I z ． 4 1 ．3 模糊综合 将子网综合形成一个完整模型是系统实现的 关键．为更好的体现各子网对系统输出的贡献，采 用模糊综合实现子网连接，及采用预测输入与训练 样本的距离来获得连接权值n 0 | ． 假设分布式网络由M 个子网构成，设对于预 测输入x ，y 口。，钞。，⋯，“ 0 M T 为x 对各个子网的 隶属度，Y y ，，y 2 ’．．． Y M T 为各子网输出，则整 个系统的输出L 为 Y 。一V T y 一∑轨Y f ． 5 设胁为预测输入x 对各个样本输入的隶属程 度，d ；一I | x X i | I2 ，则有 f 1 ，一≠f 0 盔 0 ，i 一1 ，2 ，⋯，N ， 一锄奎i 1 老h 舢⋯忽⋯∽． ’ 则预测输入x 对各个子网的隶属度为 万方数据 中国矿业大学学报第3 4 卷 ■ 可， ∑一， J 1 式中M 为第i 个子网络中学习样本数． 2 原料煤焦炭质量预测模型 炼焦配煤过程及对应的主要性能参数如图2 所示．其中，混合过程为纯物理过程，反映在模型中 通常为线性求和建模过程；烧结过程存在物理、化 学反应，因此其模型为线性与非线性混合模型． 单种煤特性④混合煤特性 翌多 焦炭质量指标 匪莲 醑 发 分 分 分 图2 配煤过程及相关参数 F i g ．2 T h em a i ni n d e x e so fb l e n d i n ga n dc o k i n gp r o c e s s 由图2 可见，焦炭质量的预测由配合煤质量预 测和焦炭质量预测两部分构成．设瓦；。为配合煤质 量预测函数， 出为焦炭质量预测函数，F 为原料 煤焦炭质量预测函数，则有 F ／二i ，。／0 k 。， 7 式中“。”表示／ m i 。与厂c 幽的复合． 由于配合煤质量预测具有线性迭加性，所以配 合煤指标为各种原料煤相应指标的加权和，以多元 线性函数关系表示．设共有挖种煤，缈为第i 种煤 的配煤比，A a i ，y Ⅲi ，S 。a i ，G i 分别代表第i 种煤的灰 分、挥发分、硫分和黏结性指数，A 。，y 捌。，．s m 。， G 。t 。分别为配合煤的灰分、挥发分、硫分和黏结性 指数．定义 芝 氅 最 聪 B 2 G 1 y d a f l A 。 ‰ G 2 V d a f 2 A 。 S t d 2 实测A b e ／％ 摹 ＼ 遥 汀 露 帑 G 。 V d “。 A 。 S m 。 Q 9 1 9 2 ● 吼 ．D A m y d a ‰ S t d 。k G 。i 。 则配合煤质量预测模型表示为 D 厶。。 B Q ． 8 3 仿真及运行效果 已知合格焦炭包括2 类，于是根据质量指标要 求将输出划分为3 个等级，如表1 所示 表1 焦炭质量等级划分 T a b l e1 T h el e v e l so fc o k eq u a l i t y ％ 为测试S O M R B F 网络预测模型的泛化能力， 将1 1 0 组样本中1 0 0 组所为训练样本，1 0 组作为 测试样本．采用1 0 0 组样本数据训练后预测模型的 相关参数如表2 所示． 表2 基于S O M R B F 的焦炭质量预测模型参数 T a b l e2T h ep a r a m e t e r si nc o k eq u a l i t y p r e d i c t i v em o d e lb a s e do nS O M R B F S O M 分类S O M 连接权值 1 1 ．4 8 。0 ．5 3 ，8 5 ．7 7 ，7 ．1 8 1 2 ．2 5 ，0 ．5 8 ，8 3 ．4 3 ，7 ．7 6 1 2 ．9 8 ，0 ．6 2 ，8 1 ．2 5 ，8 ．2 7 1 4 ．0 8 ，0 ．6 6 ，7 7 ．5 6 ，8 ．8 1 1 5 ．0 7 ，0 ．7 1 ，7 4 ．1 2 ，9 ．5 6 采用1 0 组配合煤质量作为验证输入，预测焦 炭质量输出与实测数据比较如图3 所示．可见，采 用分布式网络有效解决了一网多类引起的预测误 差较大及不稳定问题，提高了系统的泛化能力． 1 0 ．0 量9 ．0 跫8 ．0 鬻 露7 ．0 鼷 6 ．0 5 ．O 67891 0 实溯M i o 值／％ 图3 基于S O M R B F 焦炭质量预测模型的预测输出与实测数据比较 F i g ．3T h ec o m p a r i s o nb e t w e e no u t p u t so fS O M R B Fp r e d i c t i v em o d e la n da c t u a ld a t a 对G A B P 预测模型与S O M R B F 预测模型输 入相同的1 0 0 组样本作为训练输入，对学习样本以 外的相同配合煤煤质数据的输出预测值 M 。。， M 。。 分别如图4 所示．可见，S O M R B F 预测模型 较G A B P 预测模型的预测精度高． 摹＼娶露髅 万方数据 第4 期 郭一楠等基于分布式神经网络的焦炭质量预测模型 5 1 7 1 0 芝 9 鬯8 萋， 帑6 5 4结论 6789 a 实测M o 值／％ 8 6 、。 8 4 ￡ 8 2 避8 0 oG A ．B P 预测值 窖7 8 s o M 贼预测值饕7 7 4 6 7 2 07 07 27 47 67 88 08 28 48 6 b 实测M 4 0 值1 ％ 图4 预测模型效果比较 F i g ．4 T h ec o m p a r i s o no fp r e d i c t i v ee f f e c tb e t w e e nt w om o d e l s 本文针对焦炭质量预测模型在多种类焦炭生 产时泛化能力差的问题，提出了基于分布式神经网 络的焦炭质量预测模型，给出了基于粗划分的自组 织网络初始权值选取方法，通过对基于G A B P 和 基于S O M R B F 的预测模型比较，发现后者比前者 的预测精度高且稳定，完全满足现场要求．在上述 预测效果稳定且良好的预测模型基础上，如何进行 有效的配煤比计算以解决现有人工计算的不准确、 滞后大等问题，将亟待深入研究． 致谢 本研究得到中国矿业大学青年科技基金项目 资助，在此致谢． 参考文献 [ 1 ] W uM ，S h e nDY ．E x p e r tc o n t r o lb a s e do nn e u r a l n e t w o r k sa n dm a t h e m a t i c a lm o d e l sf o rt h ec o a l b l e n d i n g s p r o c e s s [ J ] ． C o n t r o l T h e o r y a n d A p p l i c a t i o n s ，2 0 0 0 ，1 7 6 8 6 8 8 7 2 ． E 2 ] 邓春萍，吴敏．配煤过程的神经网络专家控制策略 口] ．中国矿业大学学报，2 0 0 0 ，2 9 6 6 1 0 - 6 1 4 ． D e n gCP 。W uM ．N e r u a ln e t w o r ke x p e r tc o n t r o l s t r a t e g yt ob l e n d i n gc o a lp r o c e s s [ , J ] ．J o u r n a lo fC h i n a U n i v e r s i t yo fM i n i n g T e c h n o l o g y ，2 0 0 0 ，2 9 6 6 1 0 一6 1 4 ． E 3 - 1阳春华，沈德耀，吴敏，等．焦炉配煤专家系统的定 性定量综合设计方法E J - ] ．自动化学报，2 0 0 0 ，2 6 2 2 2 6 2 3 2 ． Y a n gCH ，S h e nDY ，W uM ，e ta 1 ．S y n t h e s i so f q u a l i t i v ea n dq u a n t i t a t i v em e t h o d si nac o a lb l e n d i n g e x p e r ts y s t e m f o rc o k e o v e n [ J ] ． A C T A A U T O M A T I C AS I N I C A ，2 0 0 0 ，2 6 2 2 2 6 2 3 2 ． [ 4 ] 郭一楠，王凌，谭得健，等．基于遗传算法和神经网 络混合优化的配煤控制[ J 3 ．中国矿业大学学报， 2 0 0 2 ，3 1 5 4 0 4 4 0 6 ． G u oYN ，W a n gL ，T a nDJ ，e ta 1 ．C o a lb l e n d i n g c o n t r o lb a s e do nm i x e do p t i m i z a t i o ng e n e t i ca l g o r i t h m a n dn e u r a ln e t w o r kE J - 1 ．J o u r n a lo fC h i n aU n i v e r s i t y o fM i n i n g8 LT e c h n o l o g y ，2 0 0 2 ，3 1 5 4 0 4 4 0 6 ． r - 5 3X i o n gQY ，H i r a s a w aK ，H i tJ ．S y n t h e s i so ff u n c t i o n sd i s t r i b u t e dn e u r a ln e t w o r k su s i n gk o h o n e n ’S s e l f o r g a n i z i n gm a p s [ A ] ．P r o c e e d i n g so ft h e3 r d A s i a nC o n t r o lC o n f e r e n c e [ C ] ．S h a n g h a i S h a n g h a i J i a o t o n gD a x u eP u b l i s h ，2 0 0 0 4 1 9 9 9 2 0 0 4 ． [ 6 3W a n gZ0 ，Z h uT ．A nf e f i c i e n tl e a r n i n ga l g o r i t h mf o r i m p r o v i n gg e n e r a l i z a t i o np e r f o r m a n c eo f r a d i a lb a s i s f u n c t i o nn e u r a ln e t w o r k s [ [ J - ] ．N e u r a lN e t w o r k s ，2 0 0 0 1 3 5 4 5 5 5 3 ． [ 7 ] D a v i dS a n c h e zA ．O nt h en u m b e ra n dd i s t r i b u t i o no f R B Fc e n t e r s [ J ] ．N e u r o c o m p u t i n g ，1 9 9 5 7 1 9 7 2 0 2 ． [ 8 ] Z h a n gAS ，Z h a n gL ．R B Fn e u r a ln e t w o r k sf o rt h e p r e d i c t i o n o fb u i l d i n gi n t e r f e r e n c ee f f e c t s [ J ] ． C o m p u t - e r sa n dS t r u c t u r e s ，2 0 0 4 ，8 2 2 3 3 3 2 3 3 9 ． I - 9 ] 靳蕃．神经计算智能基础原理方法l - M ] ．成都西 南交通大学出版社，2 0 0 0 ． [ , 1 0 3 王旭东，邵惠鹤，罗荣富．分布式R B F 神经网络及其 在软测量方面的应用r - J ] ．控制理论与应用，1 9 9 8 ，1 5 4 5 5 8 5 6 3 ． W a n gXD ，S h a oHH ，L u oRF ．D i s t r i b u t e dR B F n e u r a ln e t w o r k sa n di t sa p p l i c a t i o ni ns o f tm e a s u r e r - j - i ．C o n t r o lT h e o r ya n dA p p l i c a t i o n ，1 9 9 8 ，1 5 4 5 5 8 5 6 3 ． 责任编辑姚志昌 万方数据