基于Elman神经网络的烧结矿质量在线预测研究

发布时间：2020-05-20 12:27

【摘要】：针对传统烧结矿质量检测方法滞后,结果反馈不及时,导致造成烧结过程工艺参数调整不准确的问题,文中提出一种基于Elman神经网络的烧结矿质量在线预测研究方法。根据烧结矿历史生产数据建立以烧结矿转鼓强度和耐磨指数为指标的预测模型,随后对基于瞬发γ中子活化分析(PGNAA)成分技术的工业物料在线检测仪器检测经化学式转化得到的数据进行在线预测,并将结果反馈给烧结过程达到烧结矿质量在线调控的目的。实验仿真结果表明,在线预测明显缩补了物料调控时间,改善了烧结工艺品质,预测结果比较准确。
【图文】：

中间层,Elman神经网络,耐磨指数,转鼓强度

据影响烧结矿转鼓强度和耐磨指数的主要因素，本文拟选定以MgO含量、FeO含量和SiO2含量等影响较大的因素作为模型的输入神经元参数，以烧结矿转鼓强度和耐磨指数作为模型输出建立基于Elman神经网络的预测模型。其结构如图1所示。其中，输入层、隐含层、输出层的连接类似于前馈式网络，输入层的单元仅起信号传输的作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称上文层或状态层，它用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子。图1Elman网络结构Elman神经网络的特点是隐含层的输出通过承接层的延迟和存储，自联到隐含层的输入。这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增强了网络本身处理动态信息的能力，从而达到动态建模的目的。此外，Elman神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式，如果给出任意的输入输出数据对，，就可对系统进行建模［6－7］。假设Elman模型的输入项MgO、FeO、SiO2组成的向量为u(k－1)，输出项转鼓强度、耐磨指数组成的向量为y(k)，中间层向量为x(k)(本文选取9个中间节点)，则Elman神经网络的数学模型如下:y(k)=g［ω3x(k)］(1)x(k)=f{ω1xc(k)+ω2［u(k－1)］}(2)xc(k)=x(k－1)(3)式中:y为2维输出结点向量;x为9维中间层结点单元向量;u为3维输入向量;xc为9维反馈状态向量;ω3为中间层至输出层连接权值;ω2为输入层至中间层连接权值;ω1为承接层到中间层的连接权值;g(*)为输出神经元传递函数，是中间层输出的线性组合;f(*)为中间层神经元传递函数，本文采用sig-moid函数，具体表现形式如下:f(x

转鼓强度,检验值,模型预测,耐磨指数

100InstrumentTechniqueandSensorOct.20172Elman预测模型仿真结果分析对获取的历史烧结生产数据进行分析除异处理后共获得180组样本数据，为消除不同量纲的数据对模型的精度造成的影响，将所有样本数据映射到［0，1］区间内，随机选取其中70%组样本数据对El-man网络模型进行学习训练，剩下的30%组数据对模型进行验证。将瞬发γ中子活化分析(PGNAA)成分技术的工业物料在线检测仪器检测得到的20组数据经在线预测系统的化学式转化后作为预测模型的输入，对烧结矿转鼓强度和耐磨指数进行预测，预测结果如图2、图3所示，从仿真曲线能够直观地看出，烧结矿转鼓强度和耐磨指数的预测值变化曲线是以实际检测值变化曲线为中心波动，两条曲线基本符合。图2转鼓强度模型预测与实际检验值对比图3耐磨指数预测值与实际检验值对比样本预测值和实际值的比较结果见表1和表2，由表可知，烧结矿转鼓强度和耐磨指数的预测值和实际检测值的平均绝对误差分别为0．111%和0．047%，转鼓强度和耐磨指数的平均相对误差分别为0．140%和0．910%。预测值与实际检测值得偏差不超过±0．3，符合预期精度，说明建立的Elman神经网络预测模型能较准确地预报转鼓强度和耐磨指数，对烧结过程工艺参数的调控有很大的参考性。3结束语文中通过Elman神经网络算法结合使用基于PGNAA技术的在线检测仪器从烧结矿成分中的FeO、MgO、SiO23个方面建立模型对烧结矿转鼓强度和耐表1转鼓强度数据比对序号模型预测值/%实际检测值/%绝对误差/%相对误差/%179．264879．420．15520．19542279．784479．900．11560．14468379．517979．710．19210．2409986479．351879．390．03820．04812579．575379．540．03530．04438679．422379．380．04230．053288

【相似文献】