基于多傳感器數(shù)據(jù)融合技術(shù)的燒結(jié)礦堿度預報與仿真

宋 強，張運素

（1.安陽工學院 機械工程學院，安陽 455000；2.河南安陽鋼鐵公司，安陽 455004）

基于多傳感器數(shù)據(jù)融合技術(shù)的燒結(jié)礦堿度預報與仿真

宋 強1，張運素2

（1.安陽工學院 機械工程學院，安陽 455000；2.河南安陽鋼鐵公司，安陽 455004）

燒結(jié)礦堿度的測量是鋼鐵工業(yè)中的關(guān)鍵和難點，況且又容易受到燒結(jié)幾乎每一個操作環(huán)節(jié)的影響。據(jù)此該文提出利用BP神經(jīng)網(wǎng)絡(luò)進行多傳感器數(shù)據(jù)融合的燒結(jié)礦堿度的預報模型。通過對現(xiàn)場實際數(shù)據(jù)進行仿真，表明該方法魯棒性強、準確性高、泛化能力廣，具有很強的實用性和推廣價值。

多傳感器數(shù)據(jù)融合；神經(jīng)網(wǎng)絡(luò)算法；堿度；權(quán)值和閾值；樣本數(shù)據(jù)

多傳感器數(shù)據(jù)融合技術(shù)是一種新型且實用的技術(shù)。數(shù)據(jù)融合，是針對一個系統(tǒng)中使用多個和（或）多類的傳感器這一特定問題，展開的一種新的數(shù)據(jù)處理方法，因此數(shù)據(jù)融合又稱作多傳感器信息融合或信息融合。隨著數(shù)據(jù)融合和計算機應用技術(shù)的發(fā)展，根據(jù)國內(nèi)外的研究成果，多傳感器數(shù)據(jù)融合比較確切的定義可以概括為充分利用不同時間與空間的多傳感器數(shù)據(jù)資源，采用計算機技術(shù)對按時間序列獲得的多傳感器觀測數(shù)據(jù)，在一定準則下進行分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，進而實現(xiàn)相應的決策和估計，使系統(tǒng)獲得比它的各組成部分更充分的信息。多傳感器系統(tǒng)是數(shù)據(jù)融合的硬件基礎(chǔ)，多源信息是數(shù)據(jù)融合的加工對象，協(xié)調(diào)優(yōu)化和綜合處理是數(shù)據(jù)融合的核心[1]。

在多傳感器數(shù)據(jù)融合系統(tǒng)中，各種傳感器的數(shù)據(jù)可以具有不同的特征，可能是實時的或非實時的、模糊的或確定的、互相支持的或互補的，也可能是互相矛盾或競爭的。它與單傳感器數(shù)據(jù)處理或低層次多傳感器數(shù)據(jù)處理方式相比較，能夠更有效地利用多傳感器的資源；單傳感器數(shù)據(jù)處理或低層次多傳感器數(shù)據(jù)處理，只是對人腦信息處理的一種低水平模仿，不能像多傳感器數(shù)據(jù)融合系統(tǒng)那樣，可以更大程度地獲得被測目標和環(huán)境的信息。多傳感器數(shù)據(jù)融合與經(jīng)典的信號處理方法，也存在本質(zhì)的區(qū)別：數(shù)據(jù)融合系統(tǒng)所處理的多傳感器數(shù)據(jù)具有更復雜的形式，而且可以在不同的信息層次上出現(xiàn)，包括數(shù)據(jù)層（像素層）、特征層和決策層（證據(jù)層）[2]。

1 多傳感器數(shù)據(jù)系統(tǒng)

1.1 系統(tǒng)輸入?yún)?shù)的取舍

將燒結(jié)過程可以看作是一個復雜的系統(tǒng)。一定的原料參數(shù)、操作參數(shù)作用于設(shè)備參數(shù)（統(tǒng)稱工藝參數(shù)），則有一定的狀態(tài)參數(shù)和指標參數(shù)與之對應。其中：

原料參數(shù)包括混勻礦配比、石灰石配比、焦粉配比、生石灰配比等；

操作參數(shù)包括一、二次混合加水量，料層厚度，臺車速度，等；

設(shè)備參數(shù)包括風機能力、漏風率、混合制粒能力等；

狀態(tài)參數(shù)包括煙道負壓、廢氣溫度、返礦率等；

指標參數(shù)包括堿度、全鐵含量、SiO2含量、轉(zhuǎn)鼓指數(shù)、利用系數(shù)等[3]。

工藝參數(shù)有很多個，每一個工藝參數(shù)對指標參數(shù)的影響不盡相同。需要找出的是那些對指標參數(shù)有顯著影響且獨立變化、易于控制的關(guān)鍵參數(shù)。

在燒結(jié)系統(tǒng)中，對堿度指標影響較大的工藝參數(shù)有原料參數(shù)（對應原料的配比、焦粉配比）和操作參數(shù)（一、二次混合加水率、料層厚度、臺車速度）。因此，確定了堿度預報的10個輸入?yún)?shù)，分別為①混勻礦SiO2及CaO含量；②石灰石配比或氫氧化鈣（俗稱消石灰）配比；③焦炭或煤粉配比；④一、二次混合加水量；⑤料層厚度；⑥臺車速度；⑦原料中FeO含量；⑧點火溫度；⑨燒結(jié)負壓；⑩混合料溫度。

1.2 系統(tǒng)的融合結(jié)構(gòu)

系統(tǒng)融合配置結(jié)構(gòu)如圖1所示。

2 神經(jīng)網(wǎng)絡(luò)融合的算法與模型

數(shù)據(jù)融合的算法很多，常用的有貝葉斯決策理論、卡爾曼濾波法、模糊融合、神經(jīng)網(wǎng)絡(luò)融合等。其中，人工神經(jīng)網(wǎng)絡(luò)是有大量稱之為節(jié)點或神經(jīng)元的簡單處理單元相互連接而成的一個大規(guī)模的信息處理系統(tǒng)，它主要從總體結(jié)構(gòu)和功能上模仿處理系統(tǒng)，而不是逼真的細節(jié)重現(xiàn)，其更注重神經(jīng)活動中的信息流及其運動方式。每個神經(jīng)元都是一個獨立的信息處理單元，分別對各自接收到的信息做獨立的運算處理（而不是直接從記憶中取出），然后它把結(jié)果再傳輸出去。這種分布式存儲可使系統(tǒng)在部分受到損壞時仍能恢復原來的信息，因此具有較強的容錯能力和聯(lián)想記憶的特點。同時，由于神經(jīng)網(wǎng)絡(luò)具有實時處理大量數(shù)據(jù)的能力，且信息處理是非程序式的，可根據(jù)外部的某個準則進行學習，因而神經(jīng)網(wǎng)絡(luò)具有自組織、自學習、自適應的特點，使得神經(jīng)網(wǎng)絡(luò)在信息融合中得到了廣泛的應用。

圖1 系統(tǒng)配置結(jié)構(gòu)Fig.1 System configuration

2.1 神經(jīng)網(wǎng)絡(luò)建模

本燒結(jié)礦性能指標預測的神經(jīng)網(wǎng)絡(luò)模型為10×22×3的3層誤差反向傳播神經(jīng)網(wǎng)絡(luò)，如圖2所示。

圖2 燒結(jié)礦堿度預測神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 Neural network prediction model of sinter alkalinity

該網(wǎng)絡(luò)為神經(jīng)元全連接網(wǎng)絡(luò)，其輸入量和輸出量如表1所示。該模型的每個隱含層神經(jīng)元都有一個附加輸入，因此每個隱含層具有10個權(quán)值。該附加輸入的值全部設(shè)成0.5，其權(quán)值在反向傳播過程中進行學習[5]。

表1 網(wǎng)絡(luò)的輸入量和輸出量Tab.1 Input and output of the network

模型的每個神經(jīng)元具有一個簡單的非線性方程。輸入神經(jīng)元含有一個簡單的隸屬度處理函數(shù)，將自變量的范圍從實際值轉(zhuǎn)變成神經(jīng)方程的最線性部分，即在0.2～0.8。隱含層和輸出層神經(jīng)元為以下非線性處理函數(shù)：

式中：yj為當前神經(jīng)元j的輸出；wij為從神經(jīng)元到神經(jīng)元的權(quán)值；xi為上一層神經(jīng)元的輸出；wj為神經(jīng)元的可調(diào)閾值。

2.2 隱含層神經(jīng)元數(shù)的確定

提高網(wǎng)絡(luò)訓練精度，可以通過采用1個隱含層而增加其神經(jīng)元個數(shù)的方法來獲得，這在結(jié)構(gòu)實現(xiàn)上要比增加更多的隱含層簡單得多。隱含層的單元數(shù)直接影響網(wǎng)絡(luò)的非線性性能，它與所解決問題的復雜性有關(guān)。由于問題的復雜性無法量化，因而未能有很好的解析式來確定隱含層單元數(shù)。

關(guān)于3層前向網(wǎng)絡(luò)隱含層節(jié)點數(shù)的經(jīng)驗公式為

式中：m為輸出節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；α為1～10的常數(shù)。一般情況下最常用的經(jīng)驗公式為

2.3 初始權(quán)值的選取

由于系統(tǒng)是非線性的，初始值對于學習是否達到局部最小、是否能夠收斂以及訓練時間的長短這三點作用關(guān)系很大。如果初始值過大，使得加權(quán)后的輸入落在激活函數(shù)的飽和區(qū)，從而導致其導數(shù)?f/?x 過小，而在計算權(quán)值修正公式中，因為 δ∝?f/?x，當 ?f/?x→0 時，則有 δ→0，使得 Δwy→0，調(diào)節(jié)過程，其中s1為第1層神經(jīng)元數(shù)。利用該方法可以在較少的訓練次數(shù)下得到較滿意的結(jié)果。

2.4 樣本數(shù)據(jù)的處理

因為所有收集的數(shù)據(jù)往往不在同一個數(shù)量級，故將所收集的數(shù)據(jù)映射到［-1，1］之間進行歸一化處理，以利于提高神經(jīng)網(wǎng)絡(luò)的訓練速度[4]。具體算法為這種標準化后的數(shù)據(jù)范圍是從0到1，在反傳人工神經(jīng)網(wǎng)絡(luò)算法使用Sigmoid函數(shù)時，輸出的數(shù)據(jù)范圍正好也是從0到1，所以這種標準化方法在使用Sigmoid函數(shù)的反傳神經(jīng)網(wǎng)絡(luò)算法中，被用來標度目標值。有時為了允許預報值在一定范圍內(nèi)超界，訓練樣本集目標的范圍標度轉(zhuǎn)化為0.1～0.9，歸一化公式為幾乎停頓下來。因此，一般希望初始加權(quán)后的每個神經(jīng)元的輸出值都接近于0，這樣可以保證每個神經(jīng)元的權(quán)值，都能夠在其s型激活函數(shù)變化最大之處進行調(diào)節(jié)。一般取初始權(quán)值在（-1，1）之間的隨機數(shù)。

另外，為了防止上述現(xiàn)象的發(fā)生，已有學者在分析了2層網(wǎng)絡(luò)如何對一個函數(shù)進行訓練后，提出了一種選定初始權(quán)值的策略：選擇權(quán)值的量級為

神經(jīng)網(wǎng)絡(luò)計算結(jié)束后，再做反歸一化處理，便得到實際的輸出值即預報值。反歸一化公式為

樣本數(shù)據(jù)中，不可避免地存在著部分異常數(shù)據(jù)，這些數(shù)據(jù)將給本模型帶來一定的影響，甚至有可能錯誤預報燒結(jié)礦化學成分，模型所用數(shù)據(jù)均來自生產(chǎn)現(xiàn)場的統(tǒng)計報表，早期樣本數(shù)據(jù)存在誤導作用，因此本模型采用的訓練樣本和測試樣本都是經(jīng)過仔細篩選而形成的。

3 仿真試驗

選取某燒結(jié)廠的歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓練，對該數(shù)據(jù)進行歸一化處理后，建立起神經(jīng)網(wǎng)絡(luò)的輸入、輸出標準矩陣樣本庫，然后對神經(jīng)網(wǎng)絡(luò)進行訓練。圖3為神經(jīng)網(wǎng)絡(luò)融合算法的仿真。由圖可見，對用于訓練的樣本，堿度的神經(jīng)網(wǎng)絡(luò)的訓練輸出和樣本中堿度的實測值都擬和得很好，命中率幾乎達到100%，也就是神經(jīng)網(wǎng)絡(luò)模型收斂到全局最小點。

圖3 神經(jīng)網(wǎng)絡(luò)融合算法的仿真Fig.3 Simulation of neural network fusion algorithm

4 結(jié)語

燒結(jié)過程是一個高度復雜、大滯后、強干擾的過程，在此過程中燒結(jié)礦的堿度幾乎受其工藝流程每一個環(huán)節(jié)的影響，使得堿度的測量誤差較大。仿真試驗的結(jié)果表明，應用神經(jīng)網(wǎng)絡(luò)的融合算法對多傳感器的輸入信息進行融合，可以大大提高預測精度，而且模型具有較好的魯棒形和泛化能力。該測量技術(shù)與方法具有十分重要的意義。

[1] 蘇紅，常曉權(quán).多傳感器信息融合技術(shù)在提高孔板測量精度中的應用[J].工業(yè)儀表與自動化裝置，2004，34（5）：20-22.

[2] 郭文軍，王福利，李明，等.基于神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦化學成分超前預報[J].燒結(jié)球團，1997，22（5）：8.

[3] 劉克文，周取定.燒結(jié)礦質(zhì)量預報模型的研究[J].燒結(jié)球團，1990，15（1）：1-4.

[4] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[5] 范曉慧，王海東.燒結(jié)過程數(shù)學模型與人工智能[M].湖南：中南大學出版社，2012.

Predict of the Alkalinity in Sintering Process Based on Multisensor Data Fusion

SONG Qiang1，ZHANG Yun-su2
（1.School of Mechanical Engineering，Anyang Institute of Technology，Anyang 455000，China；2.Henan Anyang Iron&Steel Company，Anyang 455004，China）

The measurement of alkalinity in sintering process is difficult to control，on the other hand，it is easily to be disturbed by almost process steps.A prediction model of alkalinity in sintering process based on BP neural network is proposed to judge the trend of alkalinity.The application result shows that the prediction with this method can achieve higher robust，better utility and expensive value.

multisensor data fusion；neural network algorithm；alkalinity；synaptic weights and bias；sample data

TP212；TP183

B

1001-9944（2017）08-0009-03

10.19557/j.cnki.1001-9944.2017.08.003

2017-01-03；

2017-05-05

宋強（1972—），男，碩士，副教授，研究方向為智能控制與計算機算法。