用于混铁车喷吹脱硫的粉剂计算方法与流程

本发明涉及人工神经网络多层感知方法，更具体地说，涉及一种用于混铁车喷吹脱硫的粉剂计算方法。
背景技术：
：由于铁水预处理过程实时检测数据太少，影响因素太多，导致几乎无法通过机理计算的方式计算粉剂量，当前检索结果和已发表的相关参考文献中对喷吹粉剂计算的研究，大都停留在采用经验回归的方式计算，经验公式粉剂模型可被抽象为：y＝y0+ax其中，y＝(y1，y2，…，ym)表示各种粉剂喷吹量，如na2co3、s/d、cac2、cao、caf2、o2等；x＝(x1，x2，…，xn)表示各种预处理要素，如净空高度、处理前si(浓度)、要求目标si(浓度)、处理前渣厚、处理前温度、处理后温度、处理前s(浓度)、要求目标s(浓度)、处理前p(浓度)、要求目标p(浓度)等；a＝(aij)(i＝1，2，…，m；j＝1，2，…，n)为预先设定的经验参数，m和n的选取视每个计算区域而确定。y0＝(y10，y20，…，ym0)为常数，它们通常表示粉剂单耗基准值等，这些常数均为预先设定的经验参数。上述经验公式粉剂模型明显存在两个缺陷：(1)公式是线性的，实际上，铁水预处理是一个非常复杂的非线性过程，对于粉剂喷吹量与预处理要素之间的函数关系采用线性形式来描述不合适。(2)公式中大量参数需要预先设定，确定参数很困难。技术实现要素：针对现有技术中存在的粉剂经验公式仅仅是线性的，并且参数确定困难的问题，本发明的目的是提供一种用于混铁车喷吹脱硫的粉剂计算方法。为实现上述目的，本发明采用如下技术方案：一种用于混铁车喷吹脱硫的粉剂计算方法，包括以下步骤：确定脱硫目标；收集铁水条件的基础数据；将基础数据进行特征提取，作为神经网络输入信号；判断是否有新样本？若是，则训练神经网络；若否，则针对输入信号计算神经网络群粉剂。根据本发明的一实施例，基础数据包括铁水的重量、温度、成分。根据本发明的一实施例，特征提取包括将铁水重量、温度、成分数据实施归一化，同时对正弦波进行调幅与调频变换。根据本发明的一实施例，对正弦波进行调幅与调频变换包括：单个输入值xi扩展为一个输入序列xi(j)，其计算式为：xi(j)＝|xi|×sin(0.4×3.14×(1+xi)×j),j＝1,2,...,n根据本发明的一实施例，神经网络包括输入层、隐层和输出层。根据本发明的一实施例，输入层的输入信号包括：其中，hmw为铁水量，sb为处理前硫含量，st为目标硫含量、tempb为处理前温度，ave_hmw为平均铁水量，ave_s为平均处理前硫含量，ave_ds为平均脱硫数，ave_temp为平均处理前温度。根据本发明的一实施例，隐层包括累加器和非线性传递函数，非线性传递函数为双曲正切函数，其表达式为：根据本发明的一实施例，输出层包括累加器。在上述技术方案中，本发明的用于混铁车喷吹脱硫的粉剂计算方法能够提高模型的计算精度，增强网络的容错能力。附图说明图1是本发明用于混铁车喷吹脱硫的粉剂计算方法的流程图；图2是神经网络的结构示意图；图3是隐层的结构示意图；图4是输出层的结构示意图；图5是对正弦波同时调幅与调频的示意图；图6是神经元网络群并联的示意图。具体实施方式下面结合附图和实施例进一步说明本发明的技术方案。本发明的特点是：根据处理目标要求(单脱硫以及同时脱硫、磷)和粉剂使用情况不同划分多种处理模式，每种模式分别构筑人工神经网络粉剂模型，但模型结构相同，即用前馈型多层感知器(bp网络)构筑单网络，改造了输出神经元结构，对输入和输出信号进行特殊设计以满足粉剂计算需要，用同时调幅与调频正弦波的方法对输入信号进行特征提取与强化，进一步用多个单网络组成人工神经网络群并联计算，并辅之以经验知识库修正。因此，针对上述特点，本发明在炼钢过程控制机房设置一套控制服务器，部署人工神经网络粉剂计算模型，系统根据生产计划确定脱硫目标和处理模式，收集铁水条件等基础数据提交给粉剂模型计算粉剂投入量，并且将计算结果通过tcp/ip通信协议传送给混铁车脱硫基础自动化控制系统，用于喷吹脱硫控制。而系统在铁水预处理操作室设置一台操作终端，供操作人员监控粉剂计算情况以及生产情况，实现喷吹脱硫自动化。参照图1，针对上述系统，本发明公开一种用于混铁车喷吹脱硫的粉剂计算方法，其主要包括以下几个步骤：s1：接收生产计划，决定脱硫模式。脱硫模式表示不同的脱硫工艺，主要有两种，即：模式1：单纯用石灰。模式2：石灰和电石混合。s2：根据制造标准确定脱硫目标。脱硫目标指处理后铁水硫目标值，比如30ppm，在处理前确定。s3：收集铁水条件的基础数据。铁水条件的基础数据指铁水重量、温度、成分(硫、磷、硅)等。s4：将基础数据进行特征提取，作为神经网络输入信号。具体来说，将铁水重量、温度、成分等数据实施归一化、同时调幅与调频正弦波变换等处理，作为神经网络输入信号。s5：判断是否有新样本？若是，则进入s6，若否，则进入s7。s6：训练神经网络。神经网络训练步骤在通常情况下不需要训练，首次构建网络以及训练样本更新时需要训练。s7：针对输入信号计算神经网络群粉剂。s8：将计算结果发送至基础自动化装置。特别地，如图2所示，本发明特别针对神经网络进行了设计，本发明的神经网络包括输入层1、隐层2和输出层3，并采用前馈型的多层感知器(也称bp网络)构筑模型，按人工选定与自动筛选相结合的方法，以代表现场生产典型情况为基本准则，从预处理历史实绩数据中选取训练数据。输入层1负责接收粉剂计算的前提条件，包括处理前si、p、s成分和铁水温度，目标si、p、s成分和铁水温度，渣厚以及重要粉剂之间的比例关系等；隐层2负责映射和计算；输出层3神经元与所需计算粉剂的单耗一一对应。为适应粉剂模型的特殊要求，对网络的输入、输出信号进行了特别处理，对输出神经元的结构进行了改造。输入量都进行了减去平均值后的归一化处理，以脱硫模式的训练网络为例，假设hmw为铁水量，sb为处理前硫含量，st为目标硫含量、tempb为处理前温度，ave_hmw为平均铁水量，ave_s为平均处理前硫含量，ave_ds为平均脱硫数，ave_temp为平均处理前温度，则神经元输入信号分别为：铁水预处理的处理效果可以用多种方式来衡量，以脱硫为例，可以用处理后硫含量表示处理所达到的深度，也可以用脱硫数，即处理前硫含量减去处理后硫含量，表示脱硫的幅度。经过4000多车次的统计相关分析，本发明研究出了粉剂单耗与各种方式表达的预处理效果之间的关系，以脱硫为例，粉剂单耗与处理后硫含量之间没有明显相关关系，但与脱硫数之间有明显的非线性关系，即粉剂单耗与脱硫数之间并非正比关系，而是脱硫数越大粉剂单耗越低，这一关系有助于指导模型进行准确的粉剂计算。同时，本发明也在神经网络上做了一些特殊设计，使得神经网络粉剂模型能够有效辨识和提取粉剂单耗与脱硫数之间的非线性关系，将这一关系作为模型计算的主要准则。具体地说，本发明将脱硫数作为一个单独的输入变量，并且给它最高的权值，如公式(2)所示。输出信号是减去平均值后归一化的，因此要进行逆处理还原出粉剂单耗，还是以脱硫模式的训练网络为例，设cao、cac2为粉剂单耗，ave_cao、ave_cac2为平均单耗，则粉剂单耗为：cao＝(1+y0(1))×ave_cao(6)cac2＝(1+y0(1))×ave_cac2(7)如图3所示，本发明的输出神经元的结构也进行了特殊改造，一般神经元的结构包括累加器和非线性传递函数，本发明的神经网络的隐层2神经元即采用这种结构，传递函数采用双曲正切函数，表达式为：考虑到输出信号要线性还原为粉剂单耗，如公式(6)所示，因此本发明将输出神经元的非线性传递函数去掉，只留下累加器，如图4所示。进一步地，本发明采用同时调幅与调频正弦波变换法对单个输入数据进行特征提取与强化，将单个输入值xi扩展为一个输入序列xi(j)：xi(j)＝|xi|×sin(0.4×3.14×(1+xi)×j),j＝1,2,...,n输入值数值变化转变为正弦波的幅度和频率变化，特征有效提取并且被强化。输入数据原始数值分别为0.1和0.6时各变换为长度为100的调幅调频正弦波序列，如图5所示，可见反差很明显。原始数据数值差别同时表现为正弦波幅度和频率差别，特征明显，易于神经网络学习和训练。采用单一神经元网络进行权值训练和单一神经元网络进行粉剂计算的模型中，还存在以下一些问题：(1)对样本数据的优良性要求高，增加了对样本数据筛选的工作量和复杂度。(2)权值唯一，该权值与样本数据批次的关联度相当大，在实际生产中，由于现场工艺参数的变化和粉剂批次的变化，模型计算精度的提高受到较大限制，需要频繁进行网络训练。因此，本发明还采用多个网络并联训练和计算的方法，可以提高处理有噪声数据的能力和加强网络的容错能力，降低神经网络计算的随机误差，明显提高模型计算精度。具体来说，如图6所示，同时建立netn个结构相同的神经元训练网络，随机从样本中抽取sn组数据进行第一个网络的训练，产生w1(1)、w2(1)等各神经元之间连接的权系数矩阵。依次随机抽取其它样本(各网络的抽取样本不重合)进行其余网络的训练，产生w1(2)、w2(2)…直至netn个网络训练完毕，产生netn组权值系数。在模型计算时，将每车次的预处理要素分别作为已经训练好的netn个神经元网络的输入，通过并联网络群运算后产生netn组输出，即netn组粉剂量，对这netn组粉剂量进行累加求平均值得到最终的粉剂模型计算值。要想取得比较理想的计算精度，关键是确定比较合适的并联网络的个数netn和每个网络中参与训练的样本组数sn，因此要研究不同的netn和sn值对网络精度的影响，选取复核精度比较理想的netn和sn值。在对训练出的netn组权值进行复核时，原则为：如果该组样本参与了某一个网络的训练，则不参与该网络的复核。复核的方法为将每组样本中预处理要素作为已经训练好的netn个神经元网络的输入，通过网络运算后产生输出，将netn组输出值的均值与该组样本中的实绩粉剂量进行比较，计算出偏差率，最后对所有样本的复核偏差率进行绝对值的累计与平均，得到该并联网络群的计算精度。以脱硫方式1为例，选择不同的sn值构建训练网络，利用4000组样本数据进行复核计算，得到的对应的复核精度，获取sn＝30。脱硫方式2下，采用同样的方法，使用400组样本数据进行复核，得到sn＝20。sn值精度％sn值精度％583.592585.22683.462986.13784.073086.52883.623186.46983.963286.431084.633386.391183.863586.351283.634585.671384.555585.29综合考虑样本数量、训练成本以及计算机资源等因素，确定每种脱硫方式下的并联网络的个数netn为20。由于神经网络的计算结果具有一定随机性，为了防止出现较大偏差，本发明还引入专家知识，对于各种计算模式设置粉剂量上限值和下限值，组成经验知识库，对神经网络的计算结果进行修正和限制，让计算结果更稳定可靠。综上所述，本发明技术通过许多针对性地设计和创新，让人工神经网络代替经验公式参与粉剂计算，有以下优势：(1)根据综合评价所提供的样本数据，通过学习和训练，能够找出输入(预处理要素)与输出(粉剂投入量)之间的内在联系，比较好地归纳、掌握生产经验，弱化人为操作因素。(2)能够处理那些有噪声或不完全的数据，提升计算容错能力。(3)由于实际的铁水预处理过程较为复杂，各个因素之间相互影响，呈现出复杂的非线性关系，人工神经网络为处理这类非线性问题提供了强有力的支持，提高了粉剂计算精度。本发明领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。当前第1页12