基于機(jī)器學(xué)習(xí)的球團(tuán)礦質(zhì)量預(yù)測模型研究現(xiàn)狀

楊會利，李 躍，趙 克，張建良，劉征建，王耀祖，孫慶科

（1.鞍山鋼鐵集團(tuán)有限公司大孤山球團(tuán)廠，遼寧 鞍山 114046；2.北京科技大學(xué)冶金與生態(tài)工程學(xué)院，北京 100083；3.北京科技大學(xué)人工智能研究院，北京 100083；4.北京科技大學(xué)自動化學(xué)院，北京 100083）

0 引言

隨著國家供給側(cè)結(jié)構(gòu)性改革和低碳節(jié)能戰(zhàn)略發(fā)展目標(biāo)的實(shí)施，鋼鐵行業(yè)的發(fā)展和生存面臨著嚴(yán)峻的挑戰(zhàn)。對于高爐煉鐵來說，球團(tuán)礦是高爐冶煉必備的原料，球團(tuán)礦的質(zhì)量直接影響著高爐的正常運(yùn)行和鐵水的質(zhì)量。因此對入爐球團(tuán)礦的質(zhì)量要求越來越高，這也就促進(jìn)了球團(tuán)礦工業(yè)的發(fā)展。球團(tuán)礦入爐前的質(zhì)量檢測是必不可少的環(huán)節(jié)，而目前球團(tuán)礦的質(zhì)量檢測結(jié)果大多是在成品球團(tuán)礦生產(chǎn)出來后經(jīng)現(xiàn)場人工采樣，送化驗(yàn)室檢測后得到。由于球團(tuán)礦質(zhì)量檢測時間長，現(xiàn)場獲得質(zhì)量數(shù)據(jù)時間滯后，很難及時快速對成品球團(tuán)礦的質(zhì)量進(jìn)行控制和調(diào)整，當(dāng)發(fā)現(xiàn)球團(tuán)礦質(zhì)量不合格時，已經(jīng)造成了巨大的損失。因此建立成品球團(tuán)礦質(zhì)量實(shí)時預(yù)測系統(tǒng)對球團(tuán)礦質(zhì)量、高爐生產(chǎn)及環(huán)境保護(hù)都有非常重要的意義。

目前計(jì)算機(jī)和人工智能技術(shù)已被廣泛地應(yīng)用于工業(yè)各個領(lǐng)域，進(jìn)一步加強(qiáng)生產(chǎn)方式智能化綠色發(fā)展已成為諸多鋼鐵企業(yè)的研究熱點(diǎn)。近年來，隨著大數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的發(fā)展，基于大數(shù)據(jù)開發(fā)的智能控制、智能預(yù)測算法也被應(yīng)用到工業(yè)的各個領(lǐng)域，例如燒結(jié)礦質(zhì)量預(yù)測[1]，球團(tuán)礦質(zhì)量預(yù)測[2]。為了能夠?qū)崟r監(jiān)測成品球團(tuán)礦的質(zhì)量，國內(nèi)外學(xué)者做了大量的研究。本文總結(jié)了近些年球團(tuán)礦質(zhì)量預(yù)測算法研究，主要包括案例推理、神經(jīng)網(wǎng)絡(luò)、遺傳算法以及其他改進(jìn)算法等，以期為鋼鐵企業(yè)球團(tuán)礦質(zhì)量預(yù)測的智能化提供參考。

1 球團(tuán)礦質(zhì)量預(yù)測研究現(xiàn)狀

國內(nèi)外對球團(tuán)礦質(zhì)量預(yù)測主要分為兩大類，如圖1所示。一類是對成品球團(tuán)礦質(zhì)量化學(xué)成分預(yù)測的研究，另一類是對球團(tuán)礦質(zhì)量物理性能預(yù)測的研究。

圖1 球團(tuán)礦質(zhì)量預(yù)測Fig.1 Pellet ore quality prediction

國內(nèi)外對球團(tuán)礦質(zhì)量化學(xué)成分的預(yù)測研究比較多。文獻(xiàn)[3]通過搭建BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測堿度，國外有學(xué)者通過對風(fēng)箱廢氣分析來預(yù)測FeO 含量。Liu Bin[4]等人建立了3 種不同的人工神經(jīng)網(wǎng)絡(luò)模型來預(yù)測球團(tuán)礦的熱狀態(tài)指數(shù)（RDI、RI、RSI），根據(jù)球團(tuán)礦理論確定網(wǎng)絡(luò)輸入，然后使用靈敏度分析來量化每個輸入變量的重要性，并逐漸降低網(wǎng)絡(luò)的輸入維數(shù)，最后通過最小網(wǎng)絡(luò)輸入因子來提高網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性，仿真結(jié)果表明，預(yù)測模型符合實(shí)際工程應(yīng)用要求。

在球團(tuán)礦質(zhì)量物理性能方面主要預(yù)測的是轉(zhuǎn)鼓指數(shù)和抗壓強(qiáng)度。在球團(tuán)的最佳粒徑方面德國人做過深入研究，球團(tuán)礦生產(chǎn)要盡可能滿足粒度均勻，大小適中，粒度不均勻會降低球團(tuán)的透氣性，會在焙燒和預(yù)熱過程中影響球團(tuán)的干燥和預(yù)熱速度，同時也影響冷卻的速度，從而使得球團(tuán)礦質(zhì)量下降。Wang Yukun[5]等人提出一種基于核主成分分析（KPCA）和RBF 神經(jīng)網(wǎng)絡(luò)結(jié)合模型，通過分析鏈篦機(jī)-回轉(zhuǎn)窯球團(tuán)礦生產(chǎn)過程的熱工參數(shù)，確定輸入輸出變量，利用核主成分分析算法（KPCA）處理樣品數(shù)據(jù)并簡化模型結(jié)構(gòu)，然后利用RBF神經(jīng)網(wǎng)絡(luò)建立了球團(tuán)抗壓強(qiáng)度預(yù)測模型，利用全局優(yōu)化的模擬退火算法對網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化，得到高精度的預(yù)測模型。仿真結(jié)果表明，該模型能夠準(zhǔn)確預(yù)測球團(tuán)礦的抗壓強(qiáng)度，克服原有球團(tuán)礦抗壓強(qiáng)度測量試驗(yàn)方法滯后的缺點(diǎn)。

2 球團(tuán)礦質(zhì)量預(yù)測模型

2.1 基于案例推理模型

案例推理（Case-based Reasoning）技術(shù)起源于Roger Schank 于1982年在Dynamic Memory 中的描述，在1988年由Roger C.Schank，Robert P.Abelson提出[6]，是人工智能領(lǐng)域中新崛起的一種基于知識問題求解和學(xué)習(xí)的方法[7]。圖2為案例推理流程，由圖2可以看出，該方法是基于案例庫中存儲的過往案例的解生成新的問題的解，從而解決現(xiàn)實(shí)中隨機(jī)出現(xiàn)的難以量化的解[8]。案例推理主要包括四個步驟，即案例描述、案例檢索、修改重用、保存更新。由于鋼鐵企業(yè)在過去的生產(chǎn)過程中生成大量的歷史數(shù)據(jù)，結(jié)合案例推理的方案將歷史生成的大數(shù)據(jù)得以利用從而對以后產(chǎn)品質(zhì)量的預(yù)測有著很大的生產(chǎn)意義。

圖2 案例推理流程圖Fig.2 Case inference flowchart

2.1.1 案例描述

將案例推理（CBR）引入到焙燒球團(tuán)質(zhì)量預(yù)測中就是找出球團(tuán)礦的質(zhì)量與各生產(chǎn)參數(shù)指標(biāo)之間的關(guān)系。根據(jù)現(xiàn)場專家經(jīng)驗(yàn)和歷史數(shù)據(jù)的分析，可以用向量對球團(tuán)礦案例進(jìn)行描述，同時將問題特征向量的元素設(shè)定為焙燒性能指標(biāo)，可以將入爐生球量、煤氣流量、主引風(fēng)機(jī)風(fēng)量、風(fēng)箱溫度、煙罩溫度、和燒嘴溫度等設(shè)定為焙燒性能指標(biāo)；將解的特征向量元素設(shè)定為球團(tuán)質(zhì)量指標(biāo)[9]。基于主成分分析法對影響球團(tuán)質(zhì)量的指標(biāo)進(jìn)行處理[10]，從球團(tuán)礦24個性能指標(biāo)中得到3 個綜合特性指標(biāo)，分別為化學(xué)成分FeO 質(zhì)量分?jǐn)?shù)（ym1）、轉(zhuǎn)鼓指數(shù)（ym2）、抗壓強(qiáng)度（ym3）。根據(jù)以上設(shè)定，影響球團(tuán)礦質(zhì)量因素指標(biāo)和球團(tuán)礦質(zhì)量評價指標(biāo)可以用向量表示為：

2.1.2 案例檢索

案例檢索與匹配是實(shí)現(xiàn)案例推理中非常重要的環(huán)節(jié)，案例檢索的速度大小和案例檢索的精度會影響案例推理的最終效果。為了滿足速度和精度的要求，要在案例庫盡可能檢索出與待求解問題相同或類似的集合，且要盡可能減少檢索次數(shù)。案例檢索方法主要有最近鄰、聚類分析、人工神經(jīng)網(wǎng)絡(luò)等，最常用的方法就是最近鄰算法[11]，最近鄰算法(k-Nearest Neighbor,KNN)是機(jī)器學(xué)習(xí)的經(jīng)典算法之一。最近鄰算法基于N 個已經(jīng)標(biāo)注好的訓(xùn)練集樣本T={Xi，i=1，…，N}，對于新輸入的測試集樣本，通過計(jì)算其與訓(xùn)練樣本之間的距離進(jìn)行分類。在案例檢索中認(rèn)為每個案例的特征是相同的且都有各自的權(quán)重w，每個案例都可以用與其最接近的案例來近似表示，通過求解二者之間的距離來評價當(dāng)前案例與案例庫中案例的接近程度[12]。計(jì)算案例之間最常用的距離是歐幾里得距離，則案例庫中第m條案例xm和當(dāng)前案例x0之間的歐幾里得距離為[13]：

其中d 的值越小，表明當(dāng)前案例與案例m 越相似。

2.1.3 修改重用

所謂案例重用，就是用在案例庫中檢測到的案例所提供的解決方案來解決目標(biāo)案例的問題，對匹配信息好的案例可以直接套用案例庫案例的解決方法作為目標(biāo)案例的解決方法。大多數(shù)情況下，沒有完全匹配的案例，只能通過對相似案例的解決方法進(jìn)行調(diào)整得出新的解決方案。

2.1.4 保存更新

修改重用后的目標(biāo)案例即使是與案例庫的一些案例極為相似，但依然會存在細(xì)微的差別，因此該目標(biāo)案例可以作為新的案例加入到案例庫中，從而達(dá)到更新案例庫的功能[14]。

劉丕亮[9]等人基于某煉鐵廠的生產(chǎn)數(shù)據(jù)建立初始案例庫，利用主成分分析法和k-means 算法建立索引結(jié)構(gòu)，采用最近鄰算法進(jìn)行檢索，修改重用，更新案例庫。最后用球團(tuán)焙燒實(shí)際數(shù)據(jù)仿真驗(yàn)證，對FeO 質(zhì)量分?jǐn)?shù)、轉(zhuǎn)鼓指數(shù)、和抗壓強(qiáng)度進(jìn)行預(yù)測，并將預(yù)測結(jié)果和多元線性回歸對比，結(jié)果表示案例推理預(yù)測精度高于多元線性回歸。兩種算法各質(zhì)量指標(biāo)參數(shù)預(yù)測相對誤差絕對平均值如表1所示。

表1 兩種算法各質(zhì)量指標(biāo)參數(shù)預(yù)測相對誤差絕對平均值Table 1 Absolute average value of the prediction relative error of each quality index parameter of the two algorithms%

東北大學(xué)的胡睿[11]為了分析影響球團(tuán)礦抗壓強(qiáng)度的各段溫度，選取了預(yù)熱一段、預(yù)熱二段、窯頭和窯尾的溫度作為輸入，以球團(tuán)礦成品球抗壓強(qiáng)度作為輸出，建立了基于案例推理的球團(tuán)礦質(zhì)量預(yù)測模型，從而得出抗壓強(qiáng)度預(yù)報值和噴煤量應(yīng)該輸出值。李東喆[15]改進(jìn)了案例推理預(yù)測球團(tuán)礦抗壓強(qiáng)度的模型，通過搭建球團(tuán)礦抗壓強(qiáng)度的質(zhì)量控制器和球團(tuán)礦生產(chǎn)過程的PID 控制器，以達(dá)到控制影響預(yù)熱球團(tuán)抗壓強(qiáng)度的過程參數(shù)的目的，并驗(yàn)證了控制系統(tǒng)能達(dá)到設(shè)定的控制要求。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)模型

BP（Back-propagation）神經(jīng)網(wǎng)絡(luò)是最傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，是Rumelhart 和McClelland 在20世紀(jì)八十年代提出的一種誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)[16]。BP 算法解決了多層神經(jīng)網(wǎng)絡(luò)中隱單元層權(quán)重連接的問題，得到了廣泛的應(yīng)用[17]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 BP Neural network structure

BP 神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的基本組成部分，輸入向量和輸出向量都是已知的，其任務(wù)是完成輸入X和輸出Y之間的非線性映射[18]，如等式（1）所示。

BP 神經(jīng)網(wǎng)絡(luò)屬于監(jiān)督學(xué)習(xí)，圖3顯示的是一個標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，左邊藍(lán)色的為輸入層，該輸入層有三個神經(jīng)元，中間為隱含層，通常神經(jīng)網(wǎng)絡(luò)有較多的隱含層，最右邊紅色的部分為輸出層。每個神經(jīng)元在計(jì)算線性加權(quán)后輸出，然后經(jīng)過激活函數(shù)將計(jì)算結(jié)果傳輸給下一層，在訓(xùn)練過程中，從輸入層依次經(jīng)過隱藏層到輸出層從前往后的過程叫做前向傳播。通過輸出層預(yù)測值和真實(shí)值之間的誤差，不斷計(jì)算損失函數(shù)，不斷地更新神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置項(xiàng)，該過程是從輸出層反向傳播的，故不斷地更新神經(jīng)網(wǎng)絡(luò)參數(shù)的過程叫做反向傳播。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程包括前向傳播和反向傳播兩個過程。

東北大學(xué)王武海[19]將球團(tuán)礦生產(chǎn)過程按工藝劃分為焙燒、預(yù)熱、環(huán)冷等各個階段，并找出影響每段的主要參數(shù)，根據(jù)各個分段的特點(diǎn)進(jìn)行建模，分別建立了鏈篦機(jī)、回轉(zhuǎn)窯、環(huán)冷機(jī)三個部分的球團(tuán)抗壓強(qiáng)度BP 神經(jīng)網(wǎng)絡(luò)模型，并從不同的角度對模型進(jìn)行驗(yàn)證，結(jié)果顯示模型性能較好。金達(dá)爾剛公司[20]建立了一個三層的BP 神經(jīng)網(wǎng)絡(luò)模型來預(yù)測球團(tuán)礦的冷壓強(qiáng)度，該網(wǎng)絡(luò)的輸入變量分別為給料率、料層高度、焙燒溫度等12 個變量，輸出為成品球的冷壓強(qiáng)度。經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試表明，該網(wǎng)絡(luò)的預(yù)測結(jié)果與實(shí)際結(jié)果的誤差在3%以內(nèi)，同時得出了輸入變量對成品球團(tuán)礦冷壓強(qiáng)度的影響程度關(guān)系。閆洪偉[21]搭建BP 神經(jīng)網(wǎng)絡(luò)對球團(tuán)礦抗壓強(qiáng)度、轉(zhuǎn)鼓指數(shù)和篩分指數(shù)進(jìn)行預(yù)測，獲得一定的效果，但預(yù)測精度還有待提升。東北大學(xué)的李明[22]依托弓長嶺球團(tuán)公司現(xiàn)場生產(chǎn)數(shù)據(jù)，搭建了基于BP 神經(jīng)網(wǎng)絡(luò)的抗壓強(qiáng)度和轉(zhuǎn)鼓指數(shù)的預(yù)報模型，結(jié)合球團(tuán)的固結(jié)機(jī)理，構(gòu)建了抗磨指數(shù)預(yù)測模型，該模型能夠及時準(zhǔn)確預(yù)測成品球團(tuán)礦冷的物理質(zhì)量，可以指導(dǎo)生產(chǎn)及時調(diào)整控制參數(shù)從而達(dá)到提高球團(tuán)礦物理性能的目的，最后結(jié)果表明所建立的預(yù)報模型可應(yīng)用于實(shí)際工程中。

2.3 基于遺傳算法模型

遺傳算法是在20世紀(jì)60年代由美國密歇根大學(xué)的John Holland 提出的，遺傳算法的主要思想是模擬達(dá)爾文生物進(jìn)化論，是一種用于解決最優(yōu)化的一種搜索啟發(fā)式算法，主要包括選擇、交叉、變異三個過程[23]。遺傳算法流程如圖4所示。

圖4 遺傳算法流程圖Fig.4 Genetic algorithm flowchart

李東喆[15]搭建了BP 神經(jīng)網(wǎng)絡(luò)模型來預(yù)測預(yù)熱球團(tuán)抗壓強(qiáng)度質(zhì)量，同時結(jié)合遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，并設(shè)計(jì)了預(yù)熱球團(tuán)抗壓強(qiáng)度的質(zhì)量控制系統(tǒng)。徐建有等人[24]利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，搭建了基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)，并以實(shí)際生產(chǎn)數(shù)據(jù)為依據(jù)，對抗壓強(qiáng)度、轉(zhuǎn)鼓指數(shù)和篩分指數(shù)等質(zhì)量指標(biāo)值進(jìn)行預(yù)測。結(jié)果表明該模型收斂快，精度高，對球團(tuán)礦的生產(chǎn)有重要指導(dǎo)意義。閆洪偉[21]在BP算法的基礎(chǔ)上搭建了GA-BP 網(wǎng)絡(luò)模型，結(jié)果表明相對于BP 神經(jīng)網(wǎng)絡(luò)，經(jīng)過遺傳算法的優(yōu)化，該模型對球團(tuán)的抗壓強(qiáng)度、轉(zhuǎn)鼓指數(shù)和篩分指數(shù)的預(yù)測準(zhǔn)確率都有較大的提高，同時遺傳算法加快了模型的收斂速度。邱波[25]等人利用遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)建立預(yù)熱球團(tuán)的質(zhì)量預(yù)測模型，仿真驗(yàn)證結(jié)果表明，球團(tuán)質(zhì)量模型精度達(dá)到了質(zhì)量控制要求。

2.4 其他模型

江山[26]等人提出并建立了基于非線性主成分分析方法與自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的球團(tuán)礦質(zhì)量預(yù)測模型，對轉(zhuǎn)鼓指數(shù)和抗壓強(qiáng)度進(jìn)行預(yù)測，結(jié)果表明該網(wǎng)絡(luò)比傳統(tǒng)的BP 網(wǎng)絡(luò)對質(zhì)量的預(yù)測準(zhǔn)確率更高。閆洪偉[21]在BP 算法的基礎(chǔ)上，將粒子群算法應(yīng)用到網(wǎng)絡(luò)中，結(jié)果表明，粒子群-BP 算法的預(yù)測精度非常高，但是其收斂速度偏慢。韓陽[27]在SVM的基礎(chǔ)上進(jìn)行改進(jìn)，提出了一種球團(tuán)礦冶金性能預(yù)測的SVM 改進(jìn)模型，將球團(tuán)礦相的紋理特征、顏色特征和分形特征構(gòu)成的特征向量進(jìn)行主成分提取并將其作為輸入，探索了礦相主特征與其冶金性能的關(guān)系。Jie-sheng[28]等人提出一種基于生物地理學(xué)優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型，該模型以成品球團(tuán)礦質(zhì)量最相關(guān)的物料厚度、窯頭的溫度、窯尾的溫度等六個變量作為輸入，以成品球團(tuán)礦的質(zhì)量指數(shù)作為輸出。仿真結(jié)果表明，該模型具有較好的泛化能力和較高的預(yù)測精度。Xiao-hui Fan[29]等人根據(jù)回轉(zhuǎn)窯溫度變化曲線預(yù)測了球團(tuán)抗壓強(qiáng)度，從而輔助工藝的優(yōu)化過程。部分球團(tuán)質(zhì)量預(yù)測算法的預(yù)測效果如表2所示。

表2 部分球團(tuán)質(zhì)量預(yù)測算法的預(yù)測效果Table 2 Prediction effect of some prediction algorithms on the pellet quality

3 結(jié)論

本文介紹了國內(nèi)外球團(tuán)礦質(zhì)量預(yù)測研究的現(xiàn)狀，重點(diǎn)總結(jié)了各種球團(tuán)質(zhì)量預(yù)測的算法模型，并對各算法模型在球團(tuán)礦質(zhì)量預(yù)測上的效果進(jìn)行了對比分析。目前的算法都是在大數(shù)據(jù)基礎(chǔ)上開發(fā)出的智能算法，在現(xiàn)實(shí)生產(chǎn)過程中，隨著工況的變化，模型預(yù)測精度就會出現(xiàn)振蕩。因此可以考慮將球團(tuán)礦生產(chǎn)過程機(jī)理加入智能算法模型中，與算法相結(jié)合使得球團(tuán)礦質(zhì)量預(yù)測模型更加精確。

隨著近些年計(jì)算機(jī)技術(shù)和人工智能的發(fā)展，各種智能算法都在不斷地優(yōu)化升級，智能算法在球團(tuán)礦質(zhì)量預(yù)測上的精度也在不斷地提高。隨著數(shù)字化時代的到來，在保證預(yù)測精度的情況下，建立全面的球團(tuán)礦質(zhì)量預(yù)測孿生系統(tǒng)是未來發(fā)展的方向。