基于径向基函数神经网络的烧结矿FeO实时预测.pdfVIP

《冶金自动化》2006年增刊(s1) 基于径向基函数神经网络的烧结矿FeO实时预测 王翊，王雪 (重庆大学机械传动国家重点实验室。重庆400044) 【摘要]瑚是烧结矿中重要指标，本文通过对影响烧结过程中的8个参数利片I径向基函数进行建模，为实时 预测FeO含量提供了一个新的可行方法。该网络建立的模型结构简单，训练速度快，并有严格的数学理论作为 基础。 【关键词】啪台鼍预测；径向基函数网络；BP神经网络；空问映射 O前言 经网络具有能对复杂函数逼近的能力，现行大多 烧结过程是钢铁冶金生产的重要工序之一， 采用BP神经网络的方法[2-3J进行建模和预测。 其作用是将含铁物料加工成适合高炉冶炼要求的 但是BP神经网络存在诸如对于噪声干扰非常敏 熟料。烧结矿FeO含量是评价烧结生产的一项综 感、隐藏层节点数无统一的计算公式，需要经过多 合指标，也是影响高炉冶炼的重要因素之一。合 次尝试、学习速度慢且易陷入局部极小点等缺点， 理控制FeO含量有利于降低烧结能耗，改善烧结 加上其结构复杂，影响了对FeO含量预测的精度。 Basis Function)神经 矿的还原性。因此，对烧结矿中FeO含量的检测 径向基函数(RBF，Radial 和控制对烧结生产有着十分重要的意义。 网络为一种性能良好的前馈型人工神经网络。它 当前，烧结矿FeO含量的检测方法主要有：化 是基于人脑的神经元细胞对外界反应的局部性而 学分析法、废气分析法、烧结机尾观察法和烧结参 提出的，是一种新颖有效的前馈式神经网络，具有 数数值分析法。化学分析法需要人工提取烧结矿 较高的运算速度。能以任意精度全局逼近一个非 样本进行化学分析，虽然结果精确，但是不能做到 线性函数，使其在很多领域得到了广泛应用。由 实时检测。废气分析法是通过对烧结尾气成分 于结构简单，其学习的过程通常为解线性方程组 的过程，所以可以保证快速的学习速度，并且是全 (主要是02和C02)含量进行分析来估计FeO含 量。该方法也需要人工取样，且容易受到外界因 局最优。本文将尝试以RBF网络作为模型对FeO 素干扰，造成结果误差大。烧结机尾观察法可分 含量进行预测。 为看火工观察法和基于机器视觉方法【1J，二者都 1 RBF网络原理 是通过对烧结机尾断面图像进行分析，从而估计 基本的径向基函数网络的构成包括三层【41 FeO含量。 (图1)每一层都有完全不同的作用。输人层由一 烧结参数数值分析法屉通过对影响烧结过程 些感知单元组成，它们将网络与外界环境联系起 中各个参数进行分析，建立数学模型，对FeO台量 来。第2层(径向基神经元层)是网络巾仅有的一 进行预测。由于烧结过程FeO含量受到精矿配 个隐层，它的作用是从输入空间到隐藏空闯之间 比，料层厚度，点火温度，混和料水分，燃料水分， 进行非线性空间变换；在通常情况下隐藏空间具 燃料配比，烧结机速度，烟道负压，大烟道温度，风 有较高的维数。隐藏空间维数越高，函数逼近就 箱温度等因素影响，因而实时得到上述参数数值， 越精确。输出层是线性的，它为作用于输入层的 便能实时预测FeO含量。由于影响参数众多，过 激活模式提供响应。 程机理复杂，采用一般的数学建模分析方法通常 径向基函数网络的核心就是将月维输入向量 不能够准确地对FeO含量进行预测。由于BP神p