BP算法在高炉煤气流分布模式识别中的应用.pdf

维普资讯 ⑦ 一一m 2000年 4月 东 北 大 学 学 报 ( 自 然 科 学 版 ) Apr 2000 第21卷第2期 JournalofNortheasternUnivermty(NaturalScience) Vo1．21．No．2 文章编号：1005—3026(2000)02·0t44—03 BP算法在高炉煤气流分布模式识别中的应用 兰 ，周建常 (东北大学 信息科学与工程学院．fi_宁 沈阳 110006) ，rF 7 摘 要：将模式识别中的统计方法与人工神经网络方法有机地结舍起来，设计了一种综台的 高炉煤气流分布礴式识别系统．该系统具有精度高、训练时间短、收敛速度快等特点，为实现高炉 实时操作控制奠定了基础 ．所研制的高炉煤气流分布模式识别系统的可视化软件界面友好，美观 易用． 关 键 词 蔓：!堡型：芝鲞垩堡立鎏：罂蔓鎏；亳 整墨篓 中图分娄号 TP391 文献标识码：A 高炉煤气流的分布对豫铁生产具有显著影响． 最大值以实现正规化． 因此．在生产过程中应及时判断煤气流在中心和边 1．2 数据分类 缘部位的分布情况，传统的判断方法是基于数学模 依据开发的可视化软件画出输入数据曲线 型来研究煤气流分布l1．2]，但该方法难 以进行实时 图，并根据图形性态及曲线分别与上述 5种模式 分析和控制．近来，模式识别得到广泛的应用D,43 标准性态比较的结果，直观地对数据进行分类．分 可以对依据高炉生产经验划分的5种煤气流分布 别表示产量较低时期、顺行产量适中时期、顺行高 进行识别．模式识别的方法主要有3种∞j：即，统计 产时期、连续滑料时期、难行 (悬料)时期的模式， 方法、结构化方法、人工利l经网络方法．本文将模式 屏蔽掉几乎等同地隶属于两个模式的数据，以增 识别中的统计方法与神经网络方法有机地结合起 加识别的精度 ．并分别形成 5个供 BP网络训练 来，设计了一种综合网络系统，对煤气流的分布模 和测试使用的样本数据文件(共 l0个)． 式进行识别，从而控制高炉工艺操作． 1．3 训练 BP网 采用人工神经网络方法中的反 向传播即BP 1 高炉煤气流分布模式识别系统的 算法，对 5种高炉煤气流分布进行BP网络训练． 建立 首先采用均方差定义网络误差，选择[0，0．2]区间 内的随机值对网络权值、阈值进行初始化，以避免 在炼铁生产中，通常根据高炉生产经验及传 网络不可训练，初始化后，训练集矢量用于网络． 感器数据，将煤气流分布划分为 5种 【-】：即，产 使网络向前运行产生一实际值集合．利用反向传 量较低时期、顺行产量适中时期、顺行高产时期、 播可以建立一新权值、阈值集合，采用最速下降法 连续滑料时期、难行(悬料)时期，本文基于高炉生 调整权值、阈值使网络误差最小，总误差经多次迭 产工艺的特点，将模式识别中的统计方法与人工 代后减小，否则，可以调整训练参数．对预处理和 神经网络方法有机地结合起来，设计了一种综合