基于神经网络的高炉炉温预测模型的研究
Prediction model of Blast Furnace temperature bad on Neural network’s study
邱东
1，2
，仝彩霞 ，朱里红 ，陈爽 ，王龙山
厦门餐馆>充电器头有吱吱声
2
2
2
1
（1 吉林大学 机械科学与工程学院，吉林.长春,130012） （2 长春工业大学 电气与电子工程学院，吉林.长春，130012） 摘要：文章针对BP网络收敛速度慢和易于陷入极小值的问题， 应用RBF网络模型对高炉铁水硅 含量进行了预测， 通过对高炉一段连续时期内正常生产的数据经过归一化处理后进行
训练和 仿真，结果表明，高炉冶炼在运用了先进的RBF人工神经网络预测模型后，能预测铁水硅含 量的高低，从而判断炉温走势，调控炉温，同时监测多个生产过程控制对象，有利于提高高 炉生产艺，实现节能降耗。 关键词: 铁水硅含量，RBF神经网络， 预测模型， 能耗 Abstract: The model of Radial Basis Function (RBF) neutral network is ud to predict the silicon content of blast furnace hot metal as the calculation accuracy and convergence rate of the BP neural network are limited. Retreated data of the blast furnace is ud to train and simulate the model. The simulation results are proved that the model of RBF can forecast Si-content so as to judge the trend of furnace temperature and control furnace temperature. What’s more, the model can monitor multi-objects in production process at the same time. It is helpful to improve production process of blast furnace and reduce the energy consumption. Key words: hot metal Si-content，RBF neural network，prediction model，energy consumption 中图分类号: TP183 0 引言 保持良好合理的炉温是高炉生产稳定运行的关键条件之一
[1][2]
文献标识码: A ， 是实现高炉长寿、 高产、
蜗牛的特征优质、低耗的直接保证。在实际生产中，常用炉缸热状态来反应炉温。而炉缸热状态是通过 铁水温度
(物理热)和铁水硅含量(化学热)来确定的，鉴于无法直接测量高炉内铁水的温度， 而铁水硅含量（化学热）与炉缸温度之间有存在密切联系，故可通过确定铁水硅含量来间接 地反映炉内的温度变化。 径向基函数RBF神经网络是一个只有一个隐藏层的三层前馈神经网络结构。它与前向网 络相比最大的不同在于， 隐藏层的转换函数是局部响应的高斯函数， 径向基网络所需要的训 练时间比前向BP网络要少。另外，由于局部响应的特点，径向基网络能够以任意精度逼近任 意连续函数，本文通过对网络的连接权限和阈值的优化，得到最佳的RBF网络，提高硅含量 预测的精度，仿真结果证明了其有性。 1 模型结构的确定及功能设计 1.1 RBF网络模型的建立 径向基函数网络是由输入层、隐层和输出层构成的三层前向网络
[3][4]
，输入向量的数目等效
周公解梦梦于所研究问题的独立变量数目， 隐层神经元通过径向基函数(通常采用高斯函数)对输入产生 非线性映射。 输出层神经元对隐层的输出进行线性加权组合， 本模型要实现铁水硅含量的预 测，故输出变量为铁水硅含量，即输出层神经元的个数为1，其结构如图1所示。 1)前期准备 铁水硅含量主要受透气性、料速、喷煤量、风量和风温等重要因子影响，神经网络的输
入层起缓冲存储器的作用。 根据各参数和高炉铁水硅含量的相关程度， 最后选择12个参数作 为网络
力的三要素是什么模型的输入节点(见表1)。 2)样本集的确定 为完成对目标函数的逼近 ，在网络的构建训练和检测及结果评价的整个过程，首先要 求提供给网络一组适当数量的可靠样本。样本数据的准确性对RBF神经网络模型的建立，神
[5]
∑
图1 RBF网络结构 经网络的逼近能力， 学习所能达到的精度以及预报的准确性起着举足轻重的作用。 本文选择 通化钢铁集团公司高炉2006年7月一段连续时期内正常生产的120组数据，部分数据如表1所 示，选定其中的1～100组作为训练样本，101～120组作为测试样本，参数记录准确率很高。 3)数据归一化处理 考虑到各种数据量纲不一致， 容易造成模型计算时出现病态， 因此必须对数据进行归一 化预处理，即按照公式(1)进行归一化处理后的数据xi作为输入向量。本模型的RBF网络采用 Gaussian函数作为激发函数，即各节点的输入输出值应在[0,1]之间。因此，要对每一参数 进行相应的转换，在不失其变化规律的前提下，对于具有近似线性特征的输入信息，把参数 值都转换到[0,1]上。
x=
X X min X max X min
.
.
.
抗氧化的食物.relatives
（1）
表1 铁水硅含量影响因子数据表
序 号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 铁量 差 -10 47 -52 -52 -52 12 35 -22 -22 -22 12 -17 -17 -17 7 -45 7 7 12 -17 透气 性 16.27 15.01 17.05 16.21 15.78 16.61 16.64 15.24 16.72 15.65 17.19 15.80 15.10 14.90 15.05 17.31 15.38 14.86 16.83 15.74 料 速 88 92 106 93 82 85 89 98 100 86 93 94 90 80 80 86 81 78 70 72 喷煤 14.88 12.64 12.86 13.74 14.84 12.10 12.66 13.40 10.72 13.22 12.48 12.98 13.02 13.18 13.66 13.04 10.74 9.60 11.78 12.14 风量 1774.97 1686.10 1779.83 1759.77 1750.27 1768.50 1823.03 1714.90 1777.43 1764.97 1769.90 1772.43 1749.77 1707.77 1716.17 1785.33 1709.43 1669.70 1749.83 1733.00 风温 970.00 969.87 980.70 968.19 983.00 961.30 983.53 981.93 967.20 967.37 965.35 975.33 981.10 946.20 965.17 955.83 969.10 972.63 984.53 975.67 渣中 SiO2 32.69 32.06 30.96 32.76 33.35 31.60 32.76 32.58 33.33 32.40 32.61 33.86
33.03 33.48 32.14 32.69 32.64 33.41 33.19 33.10 冶炼 强度 0.93 0.91 0.90 0.96 0.96 0.96 0.93 0.98 0.93 0.97 0.92 0.95 0.90 0.95 0.89 0.83 0.90 0.93 0.91 0.95 焦 比 367 347 355 361 356 343 345 356 363 365 356 364 357 351 350 257 357 362 342 360 风 速 156 142 151 156 157 161 158 156 157 158 156 155 138 156 154 148 155 156 156 157 鼓风 动能 5976 5938 5583 5962 6160 6492 6140 5975 5957 6216 6001 5733 5416 5791 5512 5348 5702 5834 5838 6124 渣中 R2 1.14 1.19 1.23 1.14 1.14 1.21 1.16 1.16 1.12 1.17 1.14 1.10 1.14 1.12 1.20 1.14 1.17 1.12 1.12 1.14
式中 x —经过归一化计算后的样本值， x ∈[0,1]；
.
.
.
X —原始数据植； X min X max —原始数据最小，最大值。
对于冶炼强度和输出层的铁水硅含量，由于其取值范围均在[0,1]之间，无需进行归一化处 理。按上述方法将样本原始值转化成样本值，即得到训练样本集。 2 网络学习过程 确定RBF网络函数：应用 Matlab 中的 Newrbe 函数进行函数逼近，神经元传递函数常 用的形式是高斯函数( radbas )，径向基
传递函数可表示为如式(2)。
x ci φi ( x) = e ri 2
经元的阀值为：
2
(2)
1)隐层径向基神经元层，数目等于输入样本数，其权值等于输入向量的转置，所有径向基神
[ log(0.5) ]2 b=
spread
q
1
昆明著名景点
=
0.8326 spread
(3)
2)神经元 radbas 的输入为输入矢量 x j 权值向量 ω1 之间的距离乘以阀值 b1 ，如式(4)：
kiq =
∑ (ω1
j
ji
x q ) × b1i j
(4)
数)。本文应用 Matlab 工具箱中， b1 和 ci 之间的关系为 b1i = 0.8326 / ci ，此时隐含层神经 元的输出如式(5)：
3）径向基函数的阀值 b1 可以调节函数的灵敏度，但实际工作中更常用另一参数 ci (扩展常
2 ∑ ω1 x q × 0.8326 ji j ω1 x q i j 2 × = exp 0.8326 c c i i
为：
2
(5)
4)输出层的输入为个隐含层神经元输出的加权求和。 由于激励函数为纯线形函数， 因此输出
y q = ∑ ri × w2i
i =1
n
(6)
训练的目的是求取两层的最终权值 ω1 、 ω 2 和阀值 b1 、 b 2 ，在RBF网络训练中，从0 个隐含层神经元开始训练，每次网络的最大误差对应的输入作为权值向量 ω1i ，增加新的神 经元，目标误差取0.1，直到误差满足要求为止。 3 模型的预测仿真 按照RBF神经网络训练步骤和算法，对本文的高炉
炉温预测RBF神经网络模型进行训练。 神经网络的训练和仿真是在MATLAB7环境下，编制了相应的程序实现，对实验样本数据进行 仿真，得到预测误差曲线（神经网络输出值与样本目标值 之差的曲线） ，如图2所示，为了防止数据的数量级不一样而导致奇异解的出现，在训练之前 已经对数据进行了归一化处理，取其中的前100组数据用来训练，后20组数据用来验证，实
际值与预测值比较结果如图3所示。我们定义铁水含硅量的控制计算值与实际值之差的绝对 值≤0.1为该炉预报“命中”。从图2中可看出“命中”率为90%，可以用来指导生产。 4 结束语 RBF神经网络具有收敛速度快和全局优化的特点，本文提出的基于RBF神经网络的高炉硅
图2 RBF铁水预测模型误差曲线
图3 铁水硅含量实际值与预测值的比较
预报模型和学习算法， 通过预报高炉铁水硅含量反映高炉炉内的温度变化， 判断高炉炉热状 态。实践表明，高炉预测铁水硅含量命中率在误差小于10%的情况下一般可达90%以上，为企 业稳定并降低高炉铁水硅含量，实现炉温预测及节能降耗提供了理论依据和实践指导。 创新点：应用RBF网络模型对高炉铁水硅含量进行了预测，判断炉温走势，调控炉温，同时 监测多个生产过程控制对象，应用于冶金行业，实现节能降耗。 参考文献 [1]王华强，胡平，李海波.IGA-BP网络模型在高炉铁水硅含量预测中的应用[J].合肥工业大 学学报,2007,413-415 [2]曾燕飞，李小伟.基于BP神经网络的高炉铁水硅含
量预测模型研究[J].仿真技 术,2005,291-293 [3]魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社,2005,40-66 [4]葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].北京：电子工业出版 社,2007,67-68,117-121 [5]刘祥官，刘芳.高炉冶炼过程优化与智能控制系统[M].北京：冶金工业出版 社,2003,17-97,212-243 [6]李悦，张诤敏.基于聚类和模糊神经网络的装备使用维修费用预测［J］ ．微计算机信息 2006,09-03,234-235 基金项目: 计划名称：国家科技支撑计划 冶炼过程能耗监测与能耗系统优化 项目编号：2007BAQ00097项目名称：冶金企业 氩氧精炼铁合金工艺及综合节能技术的开发与示范 课题编号： 2007BAQ00097-4 课题名称： 申请人：邱东 作者简介：邱东（1969－） ，男（汉族） ，长春人，吉林大学在读博士研究生，长春工业大学 副教授，主要从事智能控制与工业节能技术。仝彩霞（1983-） ，女（汉族） ，内蒙古人，长 春工业大学在读研究生。 Biography:QIU Dong (1969-),Male,Doctor graduate student in JiLin university,Associate professor in Department of Automation at ChangChun university of Technology, main rearch fields are Intelligent control and industrial energy-saving technologies.TONG Cai-xia, Female inner Mongolia, graduate student in ChangChun university of Technology.
