基于領域知識表征方法的神經(jīng)網(wǎng)絡模型在煉焦質量預測中的應用

吳宇航 閻少宏

【摘要】通常神經(jīng)網(wǎng)絡的運用是僅在數(shù)據(jù)驅動機制下的訓練和泛化.而運用領域知識對神經(jīng)網(wǎng)絡的輸出進行分析能彌補模型結果指向性不明確或解釋性不準確的缺點，能加速逼近搜索，提高質量預測的效果.通過對比前向網(wǎng)絡和基于領域知識的前向網(wǎng)絡的預測誤差發(fā)現(xiàn)基于領域知識的前向網(wǎng)絡的預測結果更好.在不同的焦炭質量參數(shù)上看，M25的預測效果最好，前向網(wǎng)絡和基于領域知識的前向網(wǎng)絡平均預測誤差分別為3.20%和2.12%；而CRI的預測效果最差，平均誤差分別為6.36%和3.35%.

【關鍵詞】領域知識；神經(jīng)網(wǎng)絡；質量預測

一、引 言

針對優(yōu)質煉焦煤資源相對匱乏的現(xiàn)象產(chǎn)生了混合配煤煉焦方法，混煤參數(shù)與焦炭性質指標之間呈非線性關系，這種關系是由煉焦環(huán)境、工藝及化學反應的固有屬性決定的，無法簡單地用函數(shù)來精確描述[1].神經(jīng)網(wǎng)絡模型能避免系統(tǒng)特征指標與因變量之間的函數(shù)描述，可根據(jù)記憶和特征提取得到輸入輸出量之間的關系，具備可泛化性、分布式知識存儲、聯(lián)系記憶及并行處理的特點，十分適用于煉焦系統(tǒng)的焦炭質量預測問題[3].

二、領域知識概述及符號表示形態(tài)

“領域知識”一詞來源于人工智能領域，由Maja DHondt等人于1999年提出，領域知識是指在某一領域內的概念、概念之間相互關系以及有關概念約束的集合[3].

神經(jīng)網(wǎng)絡的學習方法通過大量樣本歸納規(guī)律，要求有足夠的訓練樣本，不需要相關領域知識[4].而充分利用領域知識將會獲得不錯的結果，但要求相關領域是完備且可靠的.在煉焦領域的具體應用是將混合煤與焦炭質量各指標間的關系以分級形式給出，并將已有配煤煉焦知識提取成數(shù)據(jù)結構符號，具體表示形式如圖1所示[5，6].將結構映射成網(wǎng)絡結構，考慮到規(guī)則的不完全特性，故人工進行添加節(jié)點或增強必要的聯(lián)系.煉焦領域擴充后的網(wǎng)絡結構如圖2所示.

四、仿真結果及分析

利用經(jīng)過預處理的115組清潔數(shù)據(jù)，從數(shù)據(jù)集中隨機選取105組混合煤煤質參數(shù)及相對應的焦炭質量參數(shù)作為輸入和輸出樣本用于訓練基于領域知識的前向神經(jīng)網(wǎng)絡和基于領域知識的前向神經(jīng)網(wǎng)絡，在此，兩類神經(jīng)網(wǎng)絡的傳遞函數(shù)均取tansig和logsig，隱層節(jié)點設置為14，精度設置為0.01，最終得到的誤差曲線如圖3和圖4所示.

由圖可以看出，兩類神經(jīng)網(wǎng)絡的訓練、驗證和測試結果都能基本保持一致性.但基于領域知識的前向神經(jīng)網(wǎng)絡在迭代次數(shù)僅為前向神經(jīng)網(wǎng)絡一半的情況下，驗證性能便達到了0.015，明顯優(yōu)于前向神經(jīng)網(wǎng)絡的驗證性能0.066.兩類神經(jīng)網(wǎng)絡模型預測的誤差整體都較小，精度均較高.求解兩類神經(jīng)網(wǎng)絡模型的六類焦炭質量參數(shù)預測誤差值，對比結果如圖5所示.

由圖5可得知前向網(wǎng)絡和基于領域知識的前向網(wǎng)絡整體的預測效果較好，預測誤差都控制在10%之內，且基于領域知識的前向網(wǎng)絡的大部分預測結果好于前向網(wǎng)絡：在預測Ad和CSR時，顯示基于領域知識的前向網(wǎng)絡的預測結果略好于前向網(wǎng)絡；預測St，d、M10和CRI時基于領域知識的前向網(wǎng)絡的平均預測誤差僅為3.38%、2.00%和3.35%，明顯小于前向網(wǎng)絡的5.8%、5.00%和6.36%；而在M25的預測中基于領域知識的前向網(wǎng)絡的10組數(shù)據(jù)的預測效果均優(yōu)于前向網(wǎng)絡.

五、結束語

本文建立了基于領域知識的神經(jīng)網(wǎng)絡模型來進行焦炭質量預測，實驗結果顯示引入領域知識的網(wǎng)絡結構的預測誤差均控制在10%之內，且對于St，d、M10和CRI的平均預測誤差明顯優(yōu)于傳統(tǒng)前向神經(jīng)網(wǎng)絡.該模型充分利用了確定形式信息與無法表示成確定形式的樣本實例，彌補了僅依靠網(wǎng)絡預測時結果解釋能力差的缺點.

【參考文獻】

[1]姜靜，宮春暉.神經(jīng)網(wǎng)絡在焦炭質量預測模型中的應用[J].沈陽理工大學學報，2013（2）：25-27，32.

[2]趙樹果，單曉云，陳少敏，宋煥虎.人工神經(jīng)網(wǎng)絡在煉焦配煤質量預測模型中的應用[J].中國煤炭，2006（7）：52-54.

[3]DHONDT M，DHONDT T.Is Domain Knowledge an Aspect？[C].The Workshop on Object-Oriented Technology.London：Springer-Verlag，1999：293-294.

[4]黃永輝.基于神經(jīng)網(wǎng)絡的智能算法在焦炭質量預測中的應用[D].沈陽：沈陽理工大學，2014.

[5]CHELGANI S C，MATIN S S，HOWER J C.Explaining relationships between coke quality index and coal properties by Random Forest method[J].Fuel，2016（182）：754-760.

[6]LVAREZ R，DEZ M A，BARRIOCANAL C，et al.An approach to blast furnace coke quality prediction[J].Fuel，2007（14）：2159-2166.

[7]陶培生.配煤技術在提高冶金焦性能及控制焦炭成本中的應用[D].上海：華東理工大學，2014.