1. 基于冶炼规律和因子分析的特征变量选取
因子分析是通过对原始数据的相关系数矩阵内部结构的研 究，将多个相关联的数值指标转化为少数几个互不相关的综合指 标的统计方法，能够达到用较少的指标代替和综合反映原来较多 的信息的效果。
1.1 研究数据选取
经过查阅文献 [1] 得知，在金属冶炼过程中，前期光强值都稳 步上升过程，但是由于炉内燃烧刚开始，在燃烧过程中不断加料， 导致烟雾过多，对特征量会造成干扰 ; 在中后期，火焰燃烧趋于 平稳，光强值达到峰值而且基本保持稳定，因此我们选择选用这 个阶段特征量干扰较小、特征量变化相对稳定的峰值量 [2] 作为样 本数据。
为了保证选定的变量能够正确输入到网络并正常训练，我们 首先进行了两步筛选工作 :
第一步是对采集的样本数据先进行了筛选，依据经验舍弃非 正常生产的转炉数据，保证调整后的数据均是转炉炉况正常时的 数据。
第二步是对样本数据中的集中值过大或过小的异常数据进行 了筛选，异常数据主要是山采集过程中的人为错误造成或者生产 条件改变所致，因为异样样本经过网络训练后，其误差可能很大， 所以这样的数据必须舍弃或进行修正。我们一般认为在网络的学 习过程中，如果个别样本经过长时间的训练后，仍不能达到预定 误差，即可认为其为异样样本，可以舍弃。
经过筛选最终从第一炉数据中选取频率 680-700、940-960、 1200-1220、1380-1400、1700-1720（如图 1 所示）为特征值选取 范围，在每个范围内通过因子分析确定特征量。
2. 温度 T 与 C 含量预测模型
2.1 模型建立
对于温度 T 和关键元素 C 含量的预测，将共扼梯度法与 BP 神经网络算法相结合，建立温度 T 与 C 含量预测模型，弥补了 标准 BP 神经网络其自身可能陷入局部最小点、学习步长固定造 成训练时间长的不足和缺点，得到较理想的训练精度和较短的 训练时间。
选定了所需的训练样本后，我们需要对转炉终点进行建模 分析。依照前文的理论分析，本文选用的模型为三层 BP 神经网 络，其模型结构如图 2 所示。其主要构成为 :
(1) 输入层共有 7 个变量输入，因而输入层节点数为 7。
(2) 隐含层的确定。隐含层节点数的取值与变量的选定一 样，也没有确定的方法，本文按照输入、输出神经元数目和前 文提到的公式，进行了尝试，最终确定隐含层神经元为 8。
(3) 输出层节点数为单输出。
(4) 隐含层传递函数选用 Tansig 函数形式 :
输出层传递函数选用 Purelin 线性函数 :
2.2 预测模型的训练结果
综合考虑实时性要求，系统训练精度设定为 0.0001，并用 误差收敛条件相对简单的批处理模式达到较短的训练时间。这 样，利用前文提到的改进算法和构建的网络模型，就可以把归 一化后的样本数据代入上述模型进行训练，训练一次一记为一 Epoch，图 4 显示该网络模型的训练过程，当运行到 127Epochs时，训练精度即可达到要求，训练结果如图 4 所示。
3 结论
从上面的结果可以看出，本文所建立的神经网络预测模型 所用的算法效果明显，对自身训练的样本数据有令人满意的拟 合结果，训练误差和预测误差在 5s 以内的精度均达到 76% 以上， 系统响应时间低于 2s，满足转炉终点在线预测的要求。虽然这 些结果基本达到了预测要求，但是要进一步提高预测精度，还 需要解决存在的以下几个问题 :
(1) 模型中所选取的训练样本都经过预处理。人为将数据 异常的炉次舍弃，这样来保证模型样本的合理性，而被舍弃的 炉次多为受现场干扰比较大的炉次，因此上文所建立的模型仅 是针对炉况好的炉次，对于干扰大的炉次还没有更好的解决办 法。但是这种干扰是由整个转炉生产过程的流程和环境所造成 的，需要冶炼各部门进行协调解决。
(2) 模型中原来使用的输入数据均是采集后离线处理得到， 我们分析数据的规律也是建立在已获得的数据信息之上。而在 实时采集的过程中，某些输入量的获取会比较困难，例如，输 入量中的转炉炼钢末期图像值最高点的时间，由于在整个炼钢 过程中图像特征值受到吹炼过程的干扰上下波动很大，因此对 于精确判断最高点有较大的困难。
参考文献：
[1] 史战东 . 转炉终点控制模型的比较分析和改进研究 [D]. 重庆大学 , 2015.
[2] 温宏愿 . 炉口辐射信息用于转炉终点判定的建模及预 测研究 [D]. 南京理工大学 , 2016.
论文作者:孔凡备 1,2，赵博 1,2，徐翔宇 1,2，王立亚 1,3
论文发表刊物:《红地产》2017年7月
论文发表时间:2018/4/2
标签：数据论文; 模型论文; 转炉论文; 样本论文; 误差论文; 过程中论文; 干扰论文; 《红地产》2017年7月论文;