高炉煤气流分布模式识别神经元网络模型和应用.docVIP

高炉煤气流分布模式识别神经元网络模型及应用 涂春林，毕学工，周勇 （武汉科技大学，湖北 武汉 430081） 摘　要：高炉煤气流的控制是高炉操作的重要方面，为了更直接地判断煤气流的分布，利用自组织神经网络开发的数学模型整理出了25种煤气流分布模式，该模型有助于高炉操作者更直观地判断煤气流的分布。关键词：高炉；煤气流分布；识别；自组织神经元网络；模型中图分类号：TF543.2　　 文献标识码：A　　 文章编号：1004-4620（2004）02-0042-03 Neural Network Model for Recognition of Gas StreamDistribution Pattern?in Furn ace Top and Its Application TU Chun-lin, BI Xue-gong, ZHOU Yong (The Wuhan University of Science and Technology, Wuhan 430081, China) Abstract： The control of gas stream is important in BF operation, how to estimate gas stream distribution is very vital. 25 kinds of gas stream distribution patterns have been arranged in order by means of mathematical model developed by the self-org anization neural network. This will be helpful for workers to operate BF.Key words：BF；gas stream distribution；recognition；self-organization neural network； mathematical model 1 前? 言 　　煤气流的分布关系到炉内温度分布﹑软熔带结构﹑炉况顺行和煤气的利用状况。所以，连续地掌握煤气流的分布情况很有必要。但由于高炉内部条件严酷，煤气流分布很难直接测量。目前，我国许多高炉安装了十字测温探尺，能够连续准确地测出炉喉的径向温度，为判断径向煤气流分布提供了条件。　目前国内外许多研究人员采用了神经元网络对高炉径向煤气流的分布模式进行识别。国内如攀枝花钢铁（集团）公司4号高炉采用BP网络建立高炉炉喉煤气流分布数学模型。东北大学的王玉涛等提出混合神经网络，并将其应用到高炉径向煤气流分布模式识别中。国外如日本新日铁大铁分厂进行煤气流分布模式预测，并与高炉专家知识结合预报高炉炉况；日本神户钢铁厂进行径向煤气流分布识别等。这些研究直接用于高炉煤气流判断的网络都采用了BP网络，BP网络是有导师训练模型，上述方法一般是先凭经验将径向煤气流分布模式分为几种类型，然后进行识别。但每个高炉的情况不同，并且同一高炉在不同时期炉况也会有所不同，与其相适应的煤气流分布也就不同，所以上述方法有其局限性。　自组织神经网络是一类无导师学习网络，可以自动地向环境学习，在无监督的情况下从输入数据中找出有意义的规律。本研究应用这种网络方法从我国宝钢1号高炉大量十字测温历史数据中自动整理出25种分布模式，以方便表达和描述实际气流分布状况。该模型作为宝钢1号高炉布料推定模型的一个子模型，已在线运行，目前运行情况良好。 2　自组织神经网络的结构和算法 　　自组织神经网络模型结构如图1所示。可以把k维输入空间映射成（输出层神经元的）二维阵列(i×j)，所有的神经元有相同的k维连接权，每个输出层神经元相联系的权值矢量，被看作是神经元对输入矢量的响应结果。若将输入向量X标记成：　　X=[x1,x2,....,xk]T　　与输出层神经元j相应的权值矢量Wj标记为:　　Wj=[wj1,wj2,......,wjk]T　　则获胜神经元的确定，相当于选择权值矢量W\-j与输入矢量X最为匹配的输出层神经元。可以选出权值矢量距离输入矢量有最小欧氏范数值的输出层神经元作为获胜神经元。如果将i(X)指定为获胜神经元的标号，则这种选择获胜的方法可以表示为：当‖Wk-X‖＜‖Wj-X‖ 图1 自组织神经网络结构x 输入向量? y 神经元输出? W 权值i,j 矩阵下标? k 输入向量维数 　　自组织特征映射适度保持侧反馈的方法是通过领域函数Λi(X)(n)来实现的，是一个离散时间函数，定义了围绕获胜神经元邻近区域的大小。使用这一函数意味着侧反馈的大小可在整个训练网络的过程中变化。领域越大意味着正向反馈越多，训练区域越大。正是通过网