基于神經(jīng)網(wǎng)絡(luò)的燒結(jié)終點(diǎn)預(yù)測(cè)模型

陳浩

（鞍鋼集團(tuán)信息產(chǎn)業(yè)有限公司，遼寧 鞍山 114051）

隨著高爐冶煉技術(shù)的提高，對(duì)入爐原料提出了更高要求。國(guó)內(nèi)高爐含鐵原料主要是燒結(jié)礦，比例達(dá)70%以上。 燒結(jié)終點(diǎn)是評(píng)價(jià)燒結(jié)成品品質(zhì)的重要依據(jù)，準(zhǔn)確地控制燒結(jié)終點(diǎn)位置對(duì)于提高燒結(jié)礦自身質(zhì)量以及后續(xù)工序產(chǎn)品質(zhì)量至關(guān)重要。

在燒結(jié)生產(chǎn)活動(dòng)中，燒結(jié)過(guò)程控制非常復(fù)雜，由于燒結(jié)終點(diǎn)預(yù)測(cè)問(wèn)題涉及到的影響參數(shù)多，各參數(shù)和結(jié)果間不是簡(jiǎn)單的線(xiàn)性關(guān)系，參數(shù)的效果要在數(shù)個(gè)小時(shí)后才能收到反饋，而人工神經(jīng)網(wǎng)絡(luò)因其自身特點(diǎn)，可以建立非線(xiàn)性輸入與輸出間的映射函數(shù)，具有解決這類(lèi)復(fù)雜問(wèn)題的能力，所以決定建立一種基于人工神經(jīng)網(wǎng)絡(luò)原理的預(yù)測(cè)模型，在燒結(jié)生產(chǎn)中快速準(zhǔn)確預(yù)測(cè)燒結(jié)終點(diǎn)。

1 燒結(jié)終點(diǎn)預(yù)測(cè)模型的建立

1.1 預(yù)測(cè)模型算法

目前，BP 神經(jīng)網(wǎng)絡(luò)模型本質(zhì)上是一種多層前饋神經(jīng)網(wǎng)絡(luò)，在輸入數(shù)從前向后逐層傳遞的同時(shí)，使用誤差修改權(quán)值和閾值來(lái)保證下次傳遞后的誤差小于此次誤差。神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練過(guò)程中誤差值的反向傳播對(duì)權(quán)值和閾值進(jìn)行不斷修正，最終達(dá)到建立起輸入與輸出間映射關(guān)系的目的。經(jīng)過(guò)訓(xùn)練且精度滿(mǎn)足要求的神經(jīng)網(wǎng)絡(luò)建立起來(lái)后，可將需求的輸入數(shù)據(jù)傳入此神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)輸出。

在燒結(jié)工藝設(shè)計(jì)系統(tǒng)中，可以采用BP 神經(jīng)網(wǎng)絡(luò)理論來(lái)預(yù)測(cè)燒結(jié)原料在輥道上停止的位置，實(shí)現(xiàn)燒結(jié)成品質(zhì)量好、生產(chǎn)效率高、返礦率低、資源消耗少，使用燒結(jié)礦的高爐產(chǎn)出的鐵產(chǎn)品冶金性能好的目的。

在實(shí)際生產(chǎn)中，燒結(jié)終點(diǎn)預(yù)測(cè)是指根據(jù)之前的n次生產(chǎn)中實(shí)際測(cè)得的p個(gè)控制參數(shù)u1、u2、u3、u4......up與終點(diǎn)結(jié)果yn，預(yù)測(cè)終點(diǎn)位置yn+1的過(guò)程。這個(gè)問(wèn)題的數(shù)學(xué)描述為公式（1）：

利用神經(jīng)網(wǎng)絡(luò)能映射非線(xiàn)性關(guān)系的特性，通過(guò)建立一個(gè)神經(jīng)網(wǎng)絡(luò)模型將燒結(jié)終點(diǎn)預(yù)測(cè)問(wèn)題轉(zhuǎn)換成得到非線(xiàn)性函數(shù)的問(wèn)題，見(jiàn)式（2）。

1.2 預(yù)測(cè)模型流程圖

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型流程如圖1 所示。

圖1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型流程Fig. 1 Technological Process for Neural Network Prediction Model

圖2 三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 Three-layer BP Neural Network Structure

將整理過(guò)的訓(xùn)練樣本作為預(yù)測(cè)模型的輸入數(shù)據(jù)，通過(guò)預(yù)測(cè)模型計(jì)算后得到輸出數(shù)據(jù)集；通過(guò)評(píng)價(jià)函數(shù)得到輸出數(shù)據(jù)集的精度； 在未達(dá)到訓(xùn)練次數(shù)且輸出誤差未達(dá)到精度時(shí)，調(diào)整預(yù)測(cè)模型的權(quán)值與閾值后，重新使用樣本進(jìn)行預(yù)測(cè)模型訓(xùn)練；如果達(dá)到預(yù)設(shè)訓(xùn)練次數(shù)或輸出誤差到精度要求，則訓(xùn)練結(jié)束。

1.3 預(yù)測(cè)模型

燒結(jié)終點(diǎn)預(yù)測(cè)可用來(lái)指導(dǎo)燒結(jié)結(jié)束時(shí)終點(diǎn)位置參數(shù)，所以要建立的神經(jīng)網(wǎng)絡(luò)模型的輸出變量就是燒結(jié)終點(diǎn)位置。 由關(guān)于燒結(jié)終點(diǎn)位置判斷的分析可知，輸出變量為燒結(jié)混合料到倒數(shù)第二個(gè)風(fēng)機(jī)需要的時(shí)間，容易精確測(cè)量且可連續(xù)監(jiān)控的排煙道負(fù)壓力、風(fēng)機(jī)吹風(fēng)量、輥道前進(jìn)速度、開(kāi)始點(diǎn)火溫度作為預(yù)測(cè)模型的輸入變量，以此建立BP神經(jīng)網(wǎng)絡(luò)模型，用來(lái)預(yù)測(cè)燒結(jié)終點(diǎn)位置。

建立一個(gè)神經(jīng)網(wǎng)絡(luò)，首先要確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，具體有網(wǎng)絡(luò)如何分層，每一層包含有多少神經(jīng)元，每個(gè)神經(jīng)元選什么樣的激勵(lì)函數(shù)，神經(jīng)元上的初始權(quán)值和閾值，初始學(xué)習(xí)率如何選擇。

1.3.1 確定網(wǎng)絡(luò)的層數(shù)

BP 神經(jīng)網(wǎng)絡(luò)是一種三層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)，第一層是輸入層，第二層為隱含層，第三層為輸出層。

在BP 神經(jīng)網(wǎng)絡(luò)模型中，輸入層神經(jīng)元的作用是接收輸入數(shù)據(jù)，并將處理后的數(shù)據(jù)作為輸出數(shù)據(jù)，傳遞給隱含層的每一個(gè)神經(jīng)元。 設(shè)輸入層有n個(gè)神經(jīng)元，則隱含層的輸入數(shù)據(jù)可用xi（i=1，2，3......n）表示。 輸入層的n個(gè)輸出數(shù)據(jù)傳入隱含層中的一個(gè)神經(jīng)元中，這個(gè)神經(jīng)元將每個(gè)輸入數(shù)據(jù)乘上與對(duì)應(yīng)輸入層神經(jīng)元間的權(quán)值后求和，和值再加上該神經(jīng)元的閾值得到的結(jié)果經(jīng)過(guò)激勵(lì)函數(shù)計(jì)算，最終結(jié)果即為該神經(jīng)元的輸出數(shù)據(jù)。輸出層的神經(jīng)元個(gè)數(shù)用m表示，隱含層神經(jīng)元個(gè)數(shù)用k表示，輸出層每個(gè)神經(jīng)元接收到k個(gè)輸入，經(jīng)過(guò)對(duì)k個(gè)輸入數(shù)據(jù)先乘權(quán)值再加和，加和結(jié)果傳入輸出層激勵(lì)函數(shù)計(jì)算出的結(jié)果就是整個(gè)神經(jīng)網(wǎng)的實(shí)際輸出，可以用yj（j=1，2，3......m）表示。

另外，定義權(quán)值矩陣vti儲(chǔ)存i（1，2，3......n）個(gè)輸入節(jié)點(diǎn)g 與t（1，2，3......k）個(gè)隱含層神經(jīng)元間的權(quán)值；定義權(quán)值矩陣wjt儲(chǔ)存t（1，2，3......k）個(gè)隱含層神經(jīng)元與j（1，2，3......m）個(gè)輸出層神經(jīng)元間的權(quán)值；定義bt（t=1，2，3......k）表示隱含層神經(jīng)元的閾值，定義cj（j=1，2，3......m）輸出層神經(jīng)元的閾值。定義f1 代表隱含層的激勵(lì)函數(shù)，負(fù)責(zé)將隱含層加權(quán)求和后的輸入數(shù)據(jù)處理成隱含層輸出數(shù)據(jù)；f 2 代表輸出層的激勵(lì)函數(shù)，負(fù)責(zé)將隱含層加權(quán)求和的輸入數(shù)據(jù)處理成輸出層輸出數(shù)據(jù)。

用公式描述數(shù)據(jù)從前向后傳遞過(guò)程中隱含層神經(jīng)元的輸出為：

輸出層神經(jīng)元j的輸出為：

最后綜合得到的實(shí)際輸出為：

式（5）描述了一個(gè)有n個(gè)輸入到m個(gè)輸出的BP神經(jīng)網(wǎng)絡(luò)，可以完成n維向量到m維向量的映射。假設(shè)有樣本集S（S1，S2......Sq......SQ），其中每個(gè)樣本Sq包含對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)n個(gè)輸入的數(shù)據(jù)。 樣本Si經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的期望輸出為T(mén)q，Tq中包含神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的m個(gè)輸出，表示為T(mén)q=[Tq1，Tq2......Tqj......Tqm]。使用樣本集S對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，取樣本Sq作為輸入數(shù)據(jù)訓(xùn)練BP 網(wǎng)絡(luò)后得到實(shí)際輸出Oq=[Oq1，Oq2......Oqm]。 代入公式計(jì)算出樣本Sq訓(xùn)練過(guò)后神經(jīng)網(wǎng)絡(luò)期望輸出和實(shí)際輸出的平方型誤差值為：

單個(gè)樣本的誤差求和后得到整個(gè)樣本集S的實(shí)際輸出與期望輸出之間的全局誤差為：

每次訓(xùn)練結(jié)束后均對(duì)誤差進(jìn)行判斷，如果誤差精度沒(méi)有達(dá)到設(shè)計(jì)要求，則按函數(shù)斜率下降方向調(diào)整隱含層和輸出層的權(quán)值與閾值，使下次訓(xùn)練后誤差值減小。 要求沿斜率下降方向求解極值問(wèn)題，通常使用最速下降法。 按照最速下降法，為了使誤差函數(shù)E持續(xù)減小，需按負(fù)斜率方向移動(dòng)搜索[1]。 負(fù)斜率可以通過(guò)對(duì)E求導(dǎo)獲得，最后得到隱含層權(quán)值調(diào)整量Δvki公式：

式中，η為學(xué)習(xí)速率，范圍在0.001～10，學(xué)習(xí)速率會(huì)影響在負(fù)斜率方向上前進(jìn)的步長(zhǎng)。也就是說(shuō)，如果想調(diào)整神經(jīng)網(wǎng)絡(luò)在整個(gè)訓(xùn)練中花費(fèi)的時(shí)間，可以通過(guò)調(diào)整學(xué)習(xí)速率來(lái)施加影響。 實(shí)際工業(yè)應(yīng)用中，通常在保證神經(jīng)網(wǎng)絡(luò)持續(xù)收斂的前提下，盡量加快網(wǎng)絡(luò)的訓(xùn)練速度。

將誤差公式（7）代入隱含層神經(jīng)元的權(quán)值調(diào)整量公式（8）后得到：

同理可以得到輸出層神經(jīng)元的權(quán)值調(diào)整量公式：

同樣，使用最速下降法，得到每次訓(xùn)練后隱含層和輸出層的閾值調(diào)整量公式如下：

BP 神經(jīng)網(wǎng)絡(luò)只有一個(gè)輸入層和一個(gè)輸出層，因此需要確定的只是隱含層的層數(shù)。 針對(duì)燒結(jié)終點(diǎn)預(yù)測(cè)問(wèn)題的特點(diǎn)和需求，本文采用三層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

1.3.2 確定每層神經(jīng)元數(shù)量

BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，各層神經(jīng)元數(shù)目與網(wǎng)絡(luò)的預(yù)測(cè)性能和預(yù)測(cè)結(jié)果密切相關(guān)。通常的原則是：

（1）立足實(shí)際生產(chǎn)中要解決的問(wèn)題，從實(shí)際出發(fā)，分析確定輸入層神經(jīng)元和輸出層神經(jīng)元的個(gè)數(shù)。

（2）關(guān)于如何確定隱含層神經(jīng)元數(shù)目，目前還沒(méi)有形成有效的理論基礎(chǔ)。 通常使用經(jīng)驗(yàn)公式確定，在實(shí)際使用中根據(jù)監(jiān)控到的訓(xùn)練時(shí)間和預(yù)測(cè)計(jì)算量來(lái)實(shí)時(shí)調(diào)整[2]。本文使用如下經(jīng)驗(yàn)公式確定隱含層神經(jīng)元數(shù)目，用I表示輸入層神經(jīng)元數(shù)量，表示H隱含層神經(jīng)元數(shù)。

依據(jù)以下條件確定燒結(jié)工藝終點(diǎn)位置預(yù)測(cè)模型的輸入變量：

（1）選擇輸入變量需根據(jù)實(shí)際生產(chǎn)過(guò)程中的情況，滿(mǎn)足生產(chǎn)工藝技術(shù)要求，面對(duì)實(shí)際生產(chǎn)中的真實(shí)問(wèn)題，了解操作人員關(guān)切的內(nèi)容，篩除無(wú)關(guān)內(nèi)容，以解決實(shí)際問(wèn)題為最終目標(biāo)。

（2）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型理論上不限制輸入和輸出變量的個(gè)數(shù)，是一個(gè)典型的多輸入-多輸出模型，但過(guò)多的內(nèi)部相關(guān)輸入變量會(huì)嚴(yán)重影響預(yù)測(cè)效果。因此，為滿(mǎn)足預(yù)測(cè)模型的實(shí)際應(yīng)用效果與可行性，盡量選取起主要作用的綜合變量，這種變量含有的信息量大，對(duì)預(yù)測(cè)效果有最直接的影響，且應(yīng)該是實(shí)際生產(chǎn)工藝中有設(shè)備測(cè)量，有手段調(diào)整的變量。

燒結(jié)廠生產(chǎn)過(guò)程中，一段時(shí)間內(nèi)的工藝參數(shù)是相對(duì)穩(wěn)定的，即使發(fā)生調(diào)整，調(diào)整的幅度也很微小，調(diào)整過(guò)后還會(huì)存在一段穩(wěn)定生產(chǎn)時(shí)期。經(jīng)過(guò)比較分析，最終決定將燒結(jié)終點(diǎn)時(shí)間作為輸出變量，容易精確測(cè)量且可連續(xù)監(jiān)控的排煙道負(fù)壓力、風(fēng)機(jī)吹風(fēng)量、輥道前進(jìn)速度、開(kāi)始點(diǎn)火溫度作為預(yù)測(cè)模型的輸入變量，以此建立BP 神經(jīng)網(wǎng)絡(luò)模型，用來(lái)預(yù)測(cè)燒結(jié)終點(diǎn)位置。 因此，最后確定輸入層和輸出層神經(jīng)元數(shù)分別為4 和1。本文使用經(jīng)驗(yàn)公式確定法，計(jì)算得到初始隱含層神經(jīng)元數(shù)為10 個(gè)。

1.3.3 確定激勵(lì)函數(shù)

BP 算法訓(xùn)練過(guò)程中有時(shí)會(huì)出現(xiàn)收斂速度減慢的情況，稱(chēng)之為“平臺(tái)現(xiàn)象”[3]。 具體體現(xiàn)神經(jīng)網(wǎng)絡(luò)在樣本訓(xùn)練過(guò)程進(jìn)行到一定時(shí)間后，實(shí)際輸出與預(yù)期輸出的誤差不隨訓(xùn)練次數(shù)的增加而減少，繼續(xù)訓(xùn)練一段時(shí)間后，誤差會(huì)出現(xiàn)明顯下降的現(xiàn)象。 可以通過(guò)選擇合適類(lèi)型的激勵(lì)函數(shù)來(lái)避免“平臺(tái)現(xiàn)象”的發(fā)生。 BP 神經(jīng)網(wǎng)絡(luò)使用激勵(lì)函數(shù)情況見(jiàn)表1。

表1 BP 神經(jīng)網(wǎng)絡(luò)使用激勵(lì)函數(shù)情況Table 1 Applications of Excitation Function in BP Neural Network

1.3.4 初始權(quán)值的選取

如果神經(jīng)元的輸入過(guò)大，激勵(lì)函數(shù)的輸出變化會(huì)減少，這時(shí)每次訓(xùn)練后得到的權(quán)值和閾值調(diào)整量變小，整個(gè)網(wǎng)絡(luò)逼近行為接近停滯，所以每個(gè)神經(jīng)元的輸出應(yīng)該靠近于0，這時(shí)可以對(duì)下層神經(jīng)元進(jìn)行有效的激勵(lì)。 因此，取初始值選取范圍在-1～1 的隨機(jī)數(shù)[5-6]。

1.3.5 學(xué)習(xí)率的選擇

學(xué)習(xí)速率會(huì)在每次訓(xùn)練后計(jì)算出的權(quán)值和閾值調(diào)整量上施加一個(gè)影響。 大學(xué)習(xí)速率對(duì)訓(xùn)練有加速作用，但會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的收斂性出現(xiàn)跳躍，表現(xiàn)是誤差值并不向極值靠近，網(wǎng)絡(luò)訓(xùn)練無(wú)法達(dá)到要求的精度。 較小的學(xué)習(xí)速率可以避免出現(xiàn)上述情況，但會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)，所以在保證神經(jīng)網(wǎng)絡(luò)收斂穩(wěn)定的前提上，加快訓(xùn)練速度，通常在0.001～0.8 之間選擇學(xué)習(xí)率。

2 仿真模型建立及結(jié)果分析

仿真是通過(guò)建立模擬系統(tǒng)模型對(duì)實(shí)際系統(tǒng)進(jìn)行實(shí)驗(yàn)研究的過(guò)程，是研究、設(shè)計(jì)、驗(yàn)證的重要手段。本文首先設(shè)計(jì)出仿真的整體結(jié)構(gòu)過(guò)程，之后選擇合適的樣本數(shù)據(jù)并對(duì)樣本數(shù)據(jù)做處理，最后借助Matlab 中的神經(jīng)網(wǎng)絡(luò)工具建立預(yù)測(cè)模型，對(duì)已建立的使用BP 神經(jīng)網(wǎng)絡(luò)思想的燒結(jié)終點(diǎn)預(yù)測(cè)模型進(jìn)行仿真與驗(yàn)證。

2.1 終點(diǎn)預(yù)測(cè)模型的仿真結(jié)構(gòu)

終點(diǎn)預(yù)測(cè)模型的仿真結(jié)構(gòu)如圖3 所示，主要包括模型建立、樣本準(zhǔn)備、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、預(yù)測(cè)驗(yàn)證四個(gè)部分。

圖3 終點(diǎn)預(yù)測(cè)模型仿真結(jié)構(gòu)圖Fig. 3 Simulation Structure Diagram for End-point Prediction Model

2.2 樣本庫(kù)的建立

訓(xùn)練和驗(yàn)證神經(jīng)網(wǎng)絡(luò)是否合理有效的基礎(chǔ)是合適樣本集，準(zhǔn)備樣本數(shù)據(jù)工作包括數(shù)據(jù)的收集和數(shù)據(jù)整理等步驟。

2.2.1 選擇訓(xùn)練樣本

經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)才是一個(gè)已經(jīng)完成輸入到輸出映射的神經(jīng)網(wǎng)絡(luò)，才可以用于指導(dǎo)燒結(jié)終點(diǎn)預(yù)測(cè)問(wèn)題。 生產(chǎn)收集到的原始樣本數(shù)據(jù)見(jiàn)表2。

表2 樣本原始數(shù)據(jù)示例Table 2 Examples of Initial Data on Samples

2.2.2 樣本的歸一化處理

歸一化處理就是通過(guò)函數(shù)轉(zhuǎn)換，使樣本集中參數(shù)落在統(tǒng)一的取值范圍里，抹平不同含意、數(shù)量級(jí)的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)的收斂性的影響。

使用已列線(xiàn)性函數(shù)（12）對(duì)原始樣本集中數(shù)據(jù)進(jìn)行歸一化處理，

式中，x* 代表處理后的樣本值；x代表原樣本值；xmin、xmax分別代表樣本的最小值和最大值。

經(jīng)過(guò)歸一化處理的樣本集見(jiàn)表3。

表3 經(jīng)過(guò)歸一化處理的樣本數(shù)據(jù)示例Table 3 Examples of Data on Samples by Normalization

2.2.3 導(dǎo)入樣本集

樣本集按用途分成三部分：訓(xùn)練樣本集、結(jié)果驗(yàn)證樣本集和測(cè)試用例樣本集。 首先使用訓(xùn)練樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在訓(xùn)練過(guò)程中神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)輸入到輸出的映射規(guī)律，建立預(yù)測(cè)模型。網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后需要用真實(shí)數(shù)據(jù)驗(yàn)證經(jīng)過(guò)訓(xùn)練在網(wǎng)絡(luò)的效果，所以將歸一化后的數(shù)據(jù)分成訓(xùn)練、驗(yàn)證兩部分，比例大致為7:3。

2.2.4 預(yù)測(cè)模型參數(shù)定義

在神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元數(shù)目與激勵(lì)函數(shù)設(shè)置畫(huà)面操作界面中可完成輸入?yún)?shù)、輸出參數(shù)、隱含層神經(jīng)元數(shù)目的設(shè)定，并選擇要使用的隱含層激勵(lì)函數(shù)與輸出層激勵(lì)函數(shù)。

2.2.5 訓(xùn)練網(wǎng)絡(luò)及結(jié)果評(píng)價(jià)

仿真訓(xùn)練結(jié)果展示畫(huà)面如圖4 所示。 訓(xùn)練集曲線(xiàn)表示訓(xùn)練樣本的誤差值，驗(yàn)證集曲線(xiàn)表示驗(yàn)證樣本的誤差值，測(cè)試集曲線(xiàn)表示測(cè)試樣本的誤差值。通過(guò)觀察訓(xùn)練結(jié)果，根據(jù)訓(xùn)練的速度與精度變化調(diào)整學(xué)習(xí)速率與動(dòng)量因子，使整個(gè)網(wǎng)絡(luò)達(dá)到比較準(zhǔn)確的預(yù)測(cè)效果。

圖4 仿真訓(xùn)練結(jié)果Fig. 4 Simulation Training Results

由圖4 可以看出，在145 次訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)的輸出誤差達(dá)到生產(chǎn)工藝控制要求精度，因此證明此網(wǎng)絡(luò)模型在預(yù)測(cè)燒結(jié)終點(diǎn)問(wèn)題上的預(yù)測(cè)結(jié)果，可以用來(lái)指導(dǎo)燒結(jié)生產(chǎn)工作。

3 結(jié)論

（1）影響燒結(jié)效果的關(guān)鍵控制參數(shù)是燒結(jié)終點(diǎn)位置，與燒結(jié)終點(diǎn)相關(guān)的因素包括點(diǎn)火溫度、堆料厚度、輥道前進(jìn)速度、含水量和風(fēng)量等。 通過(guò)對(duì)實(shí)際燒結(jié)工藝設(shè)計(jì)工作過(guò)程進(jìn)行總結(jié)與抽象，提出使用改進(jìn)型BP 神經(jīng)網(wǎng)絡(luò)模型解決燒結(jié)終點(diǎn)預(yù)測(cè)問(wèn)題。

（2）完成預(yù)測(cè)流程圖描述神經(jīng)網(wǎng)絡(luò)模型的工作過(guò)程。 首先選取排煙道負(fù)壓力、風(fēng)機(jī)吹風(fēng)量、輥道前進(jìn)速度、 開(kāi)始點(diǎn)火溫度四個(gè)參數(shù)作為燒結(jié)終點(diǎn)預(yù)測(cè)模型的輸入變量，然后選擇合適的神經(jīng)網(wǎng)絡(luò)層數(shù)與隱含層神經(jīng)元數(shù)量，在確定激勵(lì)函數(shù)、初始權(quán)值、學(xué)習(xí)速率后建立使用BP 算法的燒結(jié)終點(diǎn)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型。

（3）設(shè)計(jì)燒結(jié)終點(diǎn)預(yù)測(cè)模型的仿真結(jié)構(gòu)。 通過(guò)收集到生產(chǎn)過(guò)程數(shù)據(jù)并做歸一化處理，建立用于訓(xùn)練和驗(yàn)證模型的樣本集。 借助Matlab 工具完成預(yù)測(cè)模型的訓(xùn)練與驗(yàn)證，驗(yàn)證結(jié)果表明模型的預(yù)測(cè)精度和速度滿(mǎn)足設(shè)計(jì)要求。