毛家怡， 尤 文

(長(zhǎng)春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長(zhǎng)春 130012)

0 引 言

噴濺是由氧氣助燃進(jìn)行氬氧精煉烙鐵過(guò)程中經(jīng)常發(fā)生的使用操作故障問(wèn)題，AOD爐的噴濺不僅會(huì)對(duì)設(shè)備的正常冶煉過(guò)程造成干擾，而且會(huì)使設(shè)備受到損壞，例如粘槍、燒槍、爐口和煙罩掛渣，還會(huì)使鋼鐵收得率降低，并造成環(huán)境污染。氬氧精煉(Arg on-Oxy gen Decarburization， AOD)低碳烙鐵過(guò)程中,由于冶煉時(shí)溫度高，并且反應(yīng)劇烈，爐內(nèi)爐渣堆積，原料中含有硫雜質(zhì)等原因，其噴濺發(fā)生率高。在低碳烙鐵過(guò)程中的噴濺發(fā)生是典型的非線性分類問(wèn)題，文中采用具有優(yōu)秀學(xué)習(xí)能力的人工神經(jīng)網(wǎng)絡(luò)，提出一種基于RBF神經(jīng)網(wǎng)絡(luò)的氬氧精煉烙鐵過(guò)程噴濺預(yù)報(bào)方法，這種方法屬于前向神經(jīng)網(wǎng)絡(luò)類型，能夠以任意精度逼近任意連續(xù)函數(shù)，對(duì)解決分類等問(wèn)題十分合適。從模型整體來(lái)看，RBF神經(jīng)網(wǎng)絡(luò)中輸出與輸入間存在非線性關(guān)系，但是網(wǎng)絡(luò)輸出對(duì)可調(diào)節(jié)參數(shù)是線性的，網(wǎng)絡(luò)的權(quán)值用線性方程解出，可以解決學(xué)習(xí)速度慢，且避免局部較小問(wèn)題。

1 AOD爐的系統(tǒng)分析

氬氧精煉低碳烙鐵過(guò)程中，由于烙鐵合金溶體內(nèi)以及液面會(huì)發(fā)生三個(gè)化學(xué)反應(yīng)[1-3]：

C+O→CO↑,

(1)

2Cr+3O→Cr2O3,

(2)

3C+Cr2O3→2Cr+3CO↑,

(3)

其中：反應(yīng)(1)與反應(yīng)(2)均為放熱反應(yīng)；反應(yīng)(3)是吸熱反應(yīng)，其中O2，C，CO，Cr2O3同時(shí)發(fā)生反應(yīng)[2]。如果在低碳烙鐵的過(guò)程中，熔池的溫度驟降或者發(fā)生突然冷卻，使得反應(yīng)激烈的(3)受到抑制，吹入的氧氣反應(yīng)生成大量的Cr2O3并堆積；繼續(xù)反應(yīng)后熔池內(nèi)的溫度再次升高到一定溫度，反應(yīng)(3)繼續(xù)快速進(jìn)行，反應(yīng)(1)與(3)一同作用下瞬間反應(yīng)產(chǎn)生大量CO氣體，此時(shí)由于Cr2O3堆積較多，渣層很厚，渣液泡沫程度高，所以CO氣體難以逃出，導(dǎo)致AOD爐的噴濺產(chǎn)生[4]。如果(1)和(2)反應(yīng)劇烈時(shí)，就會(huì)產(chǎn)生泡沫噴濺(中型噴濺)，嚴(yán)重時(shí)會(huì)產(chǎn)生爆發(fā)性噴濺(大型噴濺)。

綜合以上信息，雖然爐渣中Cr2O3的含量可以用來(lái)表示噴濺的發(fā)生情況，但在冶煉過(guò)程中Cr2O3無(wú)法實(shí)時(shí)進(jìn)行檢測(cè)，所以應(yīng)該尋找一種能夠進(jìn)行在線檢測(cè)并且可以表征噴濺程度的信號(hào)。在生產(chǎn)過(guò)程中，一般采用“人工看火”和“聽(tīng)音辨識(shí)”的方法。

2 基于RBF的AOD爐噴濺預(yù)報(bào)模型的建立

2.1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

RBF網(wǎng)絡(luò)(Radical Basis Function)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，是一種前向神經(jīng)，對(duì)于連續(xù)函數(shù)的任意精度均可逼近，對(duì)于分類問(wèn)題較為適合。輸入層由各個(gè)信號(hào)結(jié)點(diǎn)構(gòu)成，其中第二層是隱含層，隱含單元的徑向基函數(shù)RBF()是空間上的任意一點(diǎn)到某中心之間歐氏距離的單調(diào)函數(shù)，其設(shè)定由描述的問(wèn)題需要而定；第三層為輸出層，輸出層是對(duì)輸出的作用做出的響應(yīng)。其中輸入到隱含層的變換屬于非線性的，而再?gòu)碾[含層到輸出層的空間變換是線性的[5],其結(jié)構(gòu)如圖1所示。

徑向基神經(jīng)網(wǎng)絡(luò)中常用的徑向基函數(shù)是高斯函數(shù)，包含了輸入對(duì)參數(shù)局部線性的特征, 因?yàn)橛?xùn)練時(shí)可以躲避非線性優(yōu)化,所以不存在局部極小問(wèn)題。對(duì)于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)可以在學(xué)習(xí)過(guò)程中確定,網(wǎng)絡(luò)權(quán)系數(shù)計(jì)算的難度降低，學(xué)習(xí)速度有所提高[6]。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

隱含層徑向基函數(shù)可以表示為

(4)

式中:‖xp-ci‖----歐式范數(shù);

c----高斯函數(shù)的中心;

σ----高斯函數(shù)的方差。

其中

(5)

式中：dm----兩個(gè)選取點(diǎn)中間的最大距離；

M----隱含層單元數(shù)。

徑向基神經(jīng)網(wǎng)絡(luò)的輸出為

(6)

p----樣本總數(shù),p=1，2，…;

ci----網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的中心;

wij----隱含層到輸出層的連接權(quán)值;

yj----輸入樣本對(duì)應(yīng)的第j個(gè)輸出的實(shí)際輸出。

2.2 訓(xùn)練樣本的標(biāo)準(zhǔn)化處理

由于AOD爐低碳烙鐵過(guò)程收集的輸入量之間的數(shù)值一般相差較大，必須將輸入的各量進(jìn)行標(biāo)準(zhǔn)化處理[7]。

(7)

式中:

3 基于RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與仿真

3.1 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

RBF神經(jīng)網(wǎng)絡(luò)的輸入向量設(shè)為[a,b,c,d]一組特征向量，其中a為音頻特征值，b為水平振動(dòng)特征值，c為垂直振動(dòng)特征值，d為火焰圖像特征值。設(shè)y作為RBF神經(jīng)網(wǎng)絡(luò)的輸出，將y依據(jù)噴濺的程度分為4個(gè)等級(jí)。當(dāng)未發(fā)生噴濺時(shí)y設(shè)定值為0；發(fā)生小型噴濺時(shí)y設(shè)定值為1；發(fā)生中型噴濺時(shí)y設(shè)定值為2；發(fā)生大型噴濺時(shí)y設(shè)定值為3。噴濺前80 s的數(shù)據(jù)因?yàn)轭A(yù)報(bào)特點(diǎn)較為明顯，可以作為預(yù)報(bào)的依據(jù)。該RBF神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為4個(gè)，分別對(duì)應(yīng)4個(gè)監(jiān)控特征值；輸出層節(jié)點(diǎn)數(shù)為3個(gè)。RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖2所示。訓(xùn)練樣本見(jiàn)表1。

圖2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

表1 訓(xùn)練樣本

由于獲得的數(shù)據(jù)各量之間差異較大，所以將所得數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，處理后的數(shù)據(jù)應(yīng)該在區(qū)間[0,1],這樣滿足RBF神經(jīng)網(wǎng)絡(luò)的輸入輸出要求。采樣數(shù)據(jù)進(jìn)行歸一化后用作神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對(duì)于RBF網(wǎng)絡(luò)的輸出是隱含單元輸出的線性加權(quán)和，其學(xué)習(xí)速度快，占用空間小，可以實(shí)時(shí)檢測(cè)故障并診斷。對(duì)于訓(xùn)練樣本應(yīng)該符合一定的密度和兼容性，但由于噴濺事故，無(wú)法獲取更多的樣本數(shù)據(jù)，本實(shí)驗(yàn)只選取了部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練。

3.2 RBF神經(jīng)網(wǎng)絡(luò)的測(cè)試

對(duì)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，通過(guò)實(shí)際數(shù)據(jù)進(jìn)行測(cè)試，驗(yàn)證網(wǎng)絡(luò)是否可以完成氬氧精煉低碳烙鐵過(guò)程噴濺的預(yù)報(bào)[8]。

用10組數(shù)據(jù)進(jìn)行輸入，選擇的特征向量如前所述，測(cè)試樣本見(jiàn)表2。

表2 測(cè)試樣本

分析結(jié)果發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)成功地預(yù)報(bào)了噴濺等級(jí)[9]。但是預(yù)報(bào)值不是特別準(zhǔn)確，均在[0,3]之間，雖然有負(fù)值出現(xiàn)，但對(duì)于等級(jí)劃分并沒(méi)有影響，對(duì)于小數(shù)點(diǎn)后的位數(shù)可以進(jìn)行四舍五入，比較是否在[0，3]內(nèi)，對(duì)于負(fù)值可歸為0。

經(jīng)過(guò)大量的數(shù)據(jù)訓(xùn)練與測(cè)試，表明使用RBF神經(jīng)網(wǎng)絡(luò)可以對(duì)噴濺程度進(jìn)行分類，能較為精準(zhǔn)地預(yù)報(bào)噴濺情況，說(shuō)明該方法對(duì)于AOD爐噴濺預(yù)測(cè)具有實(shí)效性，并且預(yù)測(cè)結(jié)果較為準(zhǔn)確。

4 結(jié) 語(yǔ)

使用RBF神經(jīng)網(wǎng)絡(luò)對(duì)冶煉過(guò)程中出現(xiàn)的噴濺進(jìn)行預(yù)測(cè)，精度較高，可以得到令人滿意的預(yù)測(cè)效果，表明該方法的有效性和實(shí)用性。RBF神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)噴濺的過(guò)程中，關(guān)鍵步驟是對(duì)隱含層節(jié)點(diǎn)數(shù)和傳遞函數(shù)的確定，并且RBF神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)遺傳算法的訓(xùn)練后，其結(jié)構(gòu)的收斂性有所提高，從而診斷相對(duì)精確。