应用改进的神经网络模型预报转炉冶炼终点

　　转炉炼钢属于复杂的高温多相反应过程,涉及多种反应界面并包括一系列复杂反应,受测试手段以及生产条件的限制,很难对其进行系统的实验研究。随着检测、控制技术的发展,转炉控制模型不断得到改善,但由于吹炼过程中存在许多无法测量且难以明确表达的过程参量,使得模型的实现仍具有一定的困难。人工智能(AI)技术的应用可以解决部分传统方法难以处理的变量间的模糊关系问题,使控制精度得以提高。

　　近年来,人工神经网络理论广泛应用于冶金工业过程,并且发展迅速[1-2]。其中采用误差反向传播(Back-Propagation)算法的多层前馈神经网络模型的研究相对成熟且应用最为广泛。本研究通过冶炼过程参量的相关分析结果和实际生产数据记录,采用基于BP神经网络的改进模型预测复吹转炉的冶炼终点,从而进一步提高转炉模型的命中率。

　　1　BP算法特征及其缺陷

　　标准PB算法的基本思想是构造一个类似于感知机(Perceptron)的非线性系统,并让这个非线性系统的决策能力与最小均方的客观误差函数和梯度下降联系起来。其实质上是把一组样本输入输出问题转化为一个非线性优化问题,并通过负梯度下降算法利用迭代运算求解权值问题的一种学习方法。BP算法已经在大量的确定性问题方面进行了试验,在诸如模式识别、系统辨识、图像处理、语言理解、函数拟合等一系列实际问题中得到了极为广泛的应用,大多数情况下都可以得到令人满意的结果;但标准BP算法本身存在着一些不足之处:易形成局部极小而使问题得不到全局最优解;迭代次数多,学习算法收敛速度极慢;算法受初始值的影响较大;计算过程使信息向前、向后流过网络,同时需利用导数,从生物学的角度看缺少可信性;网络在学习新样本时有遗忘旧样本的趋势,同时描述每个样本的特征的数目也必须相同。

　　实际上,鉴于标准BP算法存在的种种缺点,前人已提出了不少的改进方法[3-5],如学习率自适应调整法、动量法、共轭梯度法等,BI算法也是在这样的基础上出现的。BI(Back-Impedance)网络与BP网络有相同的结构与相同的学习规则,但BI网络在进行调整(n+1)时刻的权值时,不仅用到了n时刻的一阶导数,而且用到了(n-1)时刻的一阶导数,所以其学习精度高于BP网络1～2个数量级。在学习时间方面,达到相同精度时,BI网络所用的学习时间也少于BP网络。

　　2　改进网络算法的描述

　　本研究采用3层(单隐含层)网络结构,经理论研究后进行偏相关分析,选定神经网络的输入变量为:铁水成分及温度,铁水、废钢加入量,石灰、铁矿石、轻烧白云石加入量,供氧时间,冶炼周期,以及单炉耗氧量,共14个变量。网络输出量则分别为吹炼终点时的钢水碳含量及温度。即神经网络输入层神经元个数取14,输出层取单节点或双节点(碳、温度),隐含层节点数由经验公式初步选定12,在网络训练过程中逐渐调整。