基于改进随机权神经网络的高炉铁水质量参数建模

发布时间：2020-05-19 08:24

【摘要】：高炉炼铁是钢铁冶炼中重要的生产环节。在高炉炼铁过程中,铁矿石、焦炭及溶剂按一定比例配成炉料,从炉顶进料口加入到炉内。铁矿石在高温高压下,经过一系列复杂的物理化学反应最终被还原成铁,以铁水的形式从高炉出铁口流出。铁水的质量对后续转炉炼钢有着很大的影响,因此有必要实时准确地监测高炉内部状态参数,来保障高炉的平稳运行以生产出质量合格的铁水。然而高炉炼铁是一个包含气、固、液三相混合,物理化学反应极其复杂的过程,其内部环境极其恶劣,这些导致了操作人员难以对其内部运行状态的变化进行实时监测。因此有必要建立准确可靠的铁水质量模型来反映高炉当前和预期的内部温度和指标参数变化,为现场操作人员提供全面的炉况和铁水质量信息。目前,随机权神经网络(RVFLNs)被广泛应用于解决实际工程的建模、回归与分类,并且近几年也用于解决高炉铁水质量建模问题。相比常规的BP、RBF等神经网络,随机权神经网络有更快的速度和更高的计算效率,但随机权神经网络普遍存在易出现过拟合情况、计算结果不稳定、模型精度不够高的问题。为此,本文针对这些问题,依托国家自然科学基金重大研究项目“大型高炉高性能运行控制方法及其实现技术”(61290323),以柳钢2号高炉为研究对象,开展基于改进随机权神经网络的多元铁水质量建模研究,具体工作如下:(1)针对现有随机权神经网络建模方法存在的节点选择不当时易出现过拟合的问题,基于自编码(Autoencoder)算法和主成分分析(PCA)技术,提出一种新型的改进随机权神经网络-基于自编码和主成分分析的随机权神经网络(AE-P-RVFLNs),并建立高炉多元铁水质量指标的带输入的非线性自回归(NARX)模型。首先,对高炉的状态变量和控制变量进行分析得到16个影响铁水质量指标的变量,并引入PCA对16个变量进行降维处理以降低运算的复杂程度。其次,为了使模型更好的逼近实际系统的动态特性,本文引入NARX模型,并基于AIC(Akaike's Information Criterion)准则和 SR(Schwartz-Rissanen)准则确定了 NARX模型的最佳阶次。在确定了模型结构后,为了分析出实际复杂工业数据中的有用信息和发现输入数据之间的隐藏关系,用Autoencoder训练输入数据,并将训练得到的输出权值作为后续神经网络中的输入权重。随后,引入PCA技术对隐层输出矩阵进行降维处理,避免隐层输出矩阵多重共线问题,大大降低网络中的无用隐层结点个数,简化网络结构,有效避免由于隐层节点过多导致的过拟合问题。最后,将所提方法在柳钢2号高炉进行了工业试验和比较研究。结果表明,相对于常规铁水质量估计方法,本文所提模型提高了计算精度和计算速度,并且有效解决了常规RVFLNs由于隐层节点选择不当造成的过拟合问题。(2)针对常规RVFLNs计算结果不稳定以及精度需要进一步提高的问题,本文提出基于改进增量型随机权神经网络(I-RVFLNs)的多元铁水质量动态NARX建模方法。首先,改进并设定了符合高炉炼铁工艺实际和多输入多输出动态建模问题的算法终止条件;其次,针对增量型神经网络节点过多的情况,提出一种改进的增量型随机权神经网络,该算法在不改变网络节点个数和保证误差不断下降的前提下,依次改变每个节点的输出权重来,逼近理想输出值;最后基于柳钢2号高炉的实际数据建立了改进的增量型随机权神经网络的多元铁水质量动态NARX模型,并和其他模型进行对比实验。结果表明,相对于常规铁水质量模型,上述模型有更好的精度和速度。
【图文】：

示意图,高炉炼铁,工艺,示意图

等溶剂结合形成炉渣，随铁水一同排出。大量还原性气体在上升过程中经过一系逡逑列复杂的反应，最终形成高炉煤气从炉顶回收，经重力除尘后作为热风炉、加热逡逑炉、焦炉、锅炉等的燃料，其工艺流程图如图２．１所示［４１］。逡逑由高炉炼铁工艺可知，，高炉冶炼过程包含众多的工序和大量的影响因素，如逡逑配料、上料、鼓风、喷煤等，且高炉内部存在着固液气三种不同的相态，三相流逡逑体之间不断进行着动量、质量和能量的传递和转换，同时在高温高压下，高炉内逡逑发生大量的化学反应，其复杂程度可想而知。此外，高炉冶炼过程所具有的时变、逡逑高维等复杂特性和封闭设备条件下所带来参数检测上的困难，导致操作人员难以逡逑对高炉内部的运行状态进行实时监测。因此有必要建立铁水质量模型来间接反映逡逑高炉当前和预期的内部温度和指标参数变化，为现场操作人员提供全面的炉况和逡逑铁水质量信息。逡逑－１０－逡逑

结构图,前馈神经网络

图３．１前馈神经网络结构逡逑Ｆｉｇ．邋３．１邋Ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｔｙｐｉｃａｌ邋ｆｅｅｄｆｏｒｗａｒｄ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ逡逑图３．１给出了单隐层前馈网络的结构图。Ｎ个任意的样本集合（＼，兄），逡逑＼邋二匕，，？，…，？］１邋ｅ／Ｔ，少，NB２，．＂，＿ｙ？？］Ｔ邋￡／？’’’，／邋＝邋１，２，＂－，＃。一个带有１个隐逡逑层节点，以舛幻为激励函数的标准单隐层前馈神经网络可以表示为：逡逑人＝５＾＞（＇，；＾，６；），／二１，．．．，＃逦（３．１）逡逑７＝１逡逑式（３．１）中，和＼是《个输入节点连接第＿／个隐含层的输入权重和逡逑隐层偏置；Ａ逦Ａ？，］Ｔ是第个隐含层节点连接ｍ个输出节点的输出权重；逡逑ＭｙＸ，表示．与；Ｃ，的内积；０（＞＾．，．＼：，．，６／）为第＿／个隐含层节点的输出函数。对于加性逡逑节点
【学位授予单位】：东北大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP183;TF53

【参考文献】