摘要：在本研究中，主要阐述了冶炼高炉烧结矿化学原料的配比的准确预测，通过分析烧结具体工艺原理以及特点，提出采用深度学习中的深度置信网络算法，能够准确预测烧结矿化学成分，建立具有深度置信网络为核心的准确预测模型。首先，需要进行深度置信网络结构和参数的设计，通过利用无监督贪婪算法能够完成模型训练，采用BP网络反向微调权值对整个模型进行优化，最后比较浅层预测算法，通过仿真结果表发现，利用这种方法所获得的预测值是与具体值之间的差距相对较小，具有较高的预测精确度，相比其他方法来说具有显著优势，表明在烧结矿化学原料配比上采用深度置信网络法，具有较高的准确预测效果和有效性。
关键字：冶炼；高炉；烧结矿；化学原料配比；准确预测；仿真
我国高炉炼铁中烧结矿是主要的原材料其化学成分将会从一定程度上影响最终产品质量和高炉状况。龙红明等人提出了BP网络程序算法，建立多周期运行模式的预测模型。近年来，在很多领域中实现了广泛应用，本研究采用深度学习算法来代替传统方法，提出深度置信网络预测模型。通过与浅层学习算法进行比较，发现该方法能够准确预测烧结矿的化学原料配比，具有较高的预测精度。
1烧结矿预测原理分析
1.1整体结构
首先从预测系统整体结构上来看，由于烧结矿在制备过程中涉及复杂工艺，包括配料，混料，烧结，在配料时需要将化学原料及焦粉，生石灰按照比例，经混料加水混合后送入烧结机中完成烧结矿，整个烧结过程经历了物理、化学变化，且持续时间为两小时以上，通过检验混合料根据其化学成分能够预测及烧结矿的化学成分。以检测配料时的配比准确度，及时进行配料调整，改善烧结矿的产品质量，具体结构如下图所示。
1.2选择预测模型
由于烧结过程根据其结构和生产实践进行分析，通常烧结矿在烧结时具有较大的滞后性，强非线性和耦合性，因此很难利用简单模型对其过程进行分析。近年来，随着科学技术的发展，采用支持向量机和BP神经网络等多种浅层预测方法实现应用，并且能够用于生产过程的反应，并且在烧结矿配比预测上也获得了一定成果，但对于复杂烧结工艺来说很难利用这种方法，很难获得实际生产的预测精度要求。近年来，利用最广的深度学习算法及BP法，该方法是通过构建生存网络结构，完成逐层学习，进而能够拟合非线性函数，进一步提高最终的预测精度，本研究采用这一算法来构建预测模型。
2深度置信网络的模型建立过程
2.1深度置信网络
从一定程度上可以被认为是深度学习的框架内容。Bb深度学习算法采用分层抽象的方法，通过分层结构，使用贪婪算法从下到上的无监督学习，再经过从上到下的监督学习，进而实现网络结构权值调整，选取具有较高效浓的数据特征。该模型在深度学习中也是一种较为常见的网络模型，是由多个限制玻尔兹曼机共同构成的，而该限制玻尔兹曼机是由两个部分共同构成，不同节点无链接，一层为可视层，即数据输入层。另一层为隐藏层，所有节点是随机二值变量节点，因此可以假设V为可视层，h为隐藏层，其单元数目为m、n最终联合组态能量可以用下列公式表示。
RBM采用的是非监督贪婪算法，逐层学习的方式来产生不同层次的权值，在训练时由可视层曾映射到隐藏层中，再反过来重新构建可视层，反复执行并获得最终的权值不同。RBM隐藏层的输出值可作为下一可视层的输入值。相比传统BP算法来说，该方法只需要完成单个步骤即可完成函数，进而显著缩短训练时间。
2.2建立预测模型
确定参数。在本研究中模型选择会直接影响最终的烧结矿质量，化学成分，通过研究表明，烧结矿的化学原料中影响其质量的指标，包括氧化铁，氧化钙，二氧化硅，而关键指标为碱度和全铁，通常碱度是由二氧化硅和氧化钙的比例获得的，因此，模型输入的距离参数能够被纳入分析的参数，包括全铁，氧化铁，硫化氧化钙，二氧化硅的具体含量，而输出参数中能够用于烧结矿模型预测模型建立的，包括全铁，氧化钙，二氧化硅。在建立模型前需要对数据预处理，并进一步提升最终的预测可靠度和精确度。首先需要剔除异常数值，基于正常情况下将所收集到的数据进行分析。其次，在模型训练时由于输入、输出数据之间存在数据量以及数据集的差别，为确保预测的准确度需要对数据进行归一化处理，其公式如下所示，
这种归一化处理实质上是将数据变为[0，1].在使用用函数时能够避免网络工作在函数的平坦区域范围，能够将数据转化为0. 1,0 .9,并利用下列公式当完成DBN网络计算后可通过干归一化获得相应的预测数据。
目前对于DBN模型还没有提出最优化的网络结构理论，然而在调试时发现对于处于同种条件下使用三层RBM的模型，预测效果相比两层模型来说能够提升效果。而当使用四层结构时，预测精确度不会发生显著变化，且会增加训练时间，因此可以采用三层DBN结构用于模型网络构建。该模型包括一个输出层，一个输入层以及三个隐藏层，可以具体参考研究学者的资料，建立和设计模型参数，我们可以假设模型学习效率为0.1，训练步数为500，激励函数应当选择适用性更广的多分类函数。
2.3仿真结果分析
在本研究中通过对某大型钢厂样本数据进行仿真，结果表明其中530组数据可用于预测模型训练，而其余数据用于样本的校正，经过比较发现随机挑选的300例数据和其余数据进行比较。结果发现，当训练数据为241时，可以将全天预测误差控制在2%的范围内，而氧化钙和二氧化硅的预测误差能够控制在4.6的范围内，可见全铁具有较高的预测精确度。而究其原因主要是由于在实际生产中，工作人员对于全铁要求较高，在烧结时全铁含量产生的波动，而其余物质会受到燃烧时溶剂、燃料等多种因素影响，而使其含量产生较大变化。
小结
为进一步说明模型有效性，使用数据和测试BP神经网络模型进行比较，结果发现基于DBN的深层网络预测模型，相比其他方法的浅层网络模型误差值要小，表明DBN方法在烧结矿化学燃料配比方面具有较强的预测可行性，且预测效果好。
参考文献
【1】高峰, 张永忠. 宝钢3号高炉低烧结矿比例生产实践[J]. 炼铁, 2017(02):48-51.
【2】张古兴. 高炉冶炼钒钛磁铁矿软熔滴落性质的研究[J]. 冶金与材料, 2018(4):93,95.
论文作者:唐醌
论文发表刊物:《工程管理前沿》2019年第12期
论文发表时间:2019/8/27
标签：模型论文; 数据论文; 算法论文; 网络论文; 深度论文; 高炉论文; 结构论文; 《工程管理前沿》2019年第12期论文;