張學(xué)鋒¹, 聞亦昕¹, 熊大林², 龍紅明³

(1.安徽工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,安徽 馬鞍山 243032; 2.首鋼自動(dòng)化信息研究院,河北唐山 063000; 3.安徽工業(yè)大學(xué)冶金工程學(xué)院,安徽 馬鞍山 243032)

摘 要:針對(duì)燒結(jié)工藝 FeO 預(yù)測(cè)準(zhǔn)度問題,提出一種基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型。通過對(duì)機(jī)尾斷面溫度數(shù)據(jù)的采集和處理,建立包含多個(gè)特征的數(shù)據(jù)集。采用基于 MIV(平均影響值)的特征選擇方法,篩選出對(duì)預(yù)測(cè)模型權(quán)重占比較高的特征。使用 Bi-LSTM(雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò))算法對(duì)生產(chǎn)工藝數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試,得到高精度的預(yù)測(cè)模型。通過實(shí)驗(yàn)驗(yàn)證了該模型的預(yù)測(cè)效果,并與其他神經(jīng)網(wǎng)絡(luò)模型方法進(jìn)行了比較,比較結(jié)果表明該模型具有較高的預(yù)測(cè)精度和實(shí)用性。在企業(yè)誤差允許的范圍內(nèi),準(zhǔn)確率達(dá)90.2%,因此可以為智能燒結(jié)技術(shù)的應(yīng)用和燒結(jié)質(zhì)量的控制和優(yōu)化提供重要的參考。

關(guān)鍵詞:智能燒結(jié);預(yù)測(cè)模型;燒結(jié)礦 FeO 含量;大數(shù)據(jù);神經(jīng)網(wǎng)絡(luò)

中國(guó)大多數(shù)鋼鐵企業(yè)都配備了完整的燒結(jié)等煉鐵工藝數(shù)據(jù)采集和存儲(chǔ)系統(tǒng)^[1]。系統(tǒng)中積累了大量 燒結(jié)生產(chǎn)數(shù)據(jù),但相關(guān)數(shù)據(jù)尚未得到充分挖掘與分析。在大數(shù)據(jù)智能技術(shù)的高速發(fā)展背景下,研究人員可以利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法分析燒結(jié)工藝數(shù)據(jù)并發(fā)掘其相關(guān)性,將大數(shù)據(jù)智能化技術(shù)與冶金理論和燒結(jié)生產(chǎn)經(jīng)驗(yàn)深度融合^[2]。本研究旨在面向智能燒結(jié)的機(jī)尾斷面燒結(jié)礦 FeO 預(yù)測(cè)展開深入研究。如今鋼鐵企業(yè)對(duì)于燒結(jié)礦 FeO含量的判斷與檢測(cè)已愈發(fā)自動(dòng)化與智能化^[3]。然而,由于燒結(jié)現(xiàn)場(chǎng)環(huán)境差、信息延遲等因素,燒結(jié)礦中 FeO 含量測(cè)定結(jié)果的準(zhǔn)確性和穩(wěn)定性不夠,給燒結(jié)過程的及時(shí)控制帶來了巨大困難。根據(jù)燒結(jié)過程的原理和經(jīng)驗(yàn),燒結(jié)機(jī)尾斷面的溫度特征信息與燒結(jié)礦質(zhì)量及 燒結(jié)礦 FeO 含量密切相關(guān)^[4]。眾多研究證明紅火層的分布情況、氣孔大小以及燒結(jié)礦輪廓等圖像特征信息與燒結(jié)礦特性息息相關(guān),但燒結(jié)機(jī)尾斷面溫度分布特征與燒結(jié)礦特性之間存在更緊密的聯(lián)系^[5]。想要精確地預(yù)測(cè) FeO 的含量,需要更加智能的處理算法。

隨著大數(shù)據(jù)智能化技術(shù)的提高,各鋼鐵企業(yè)在提升產(chǎn)品質(zhì)量,降低工業(yè)成本等方面有了更新更高的要求。通過研究相關(guān)參考文獻(xiàn)發(fā)現(xiàn),唐玨等^[6]學(xué)者在燒結(jié)系統(tǒng)全鏈條數(shù)據(jù)治理、智能配礦、燒結(jié)狀態(tài)質(zhì)量智能預(yù)測(cè)、燒結(jié)狀態(tài)質(zhì)量綜合評(píng)價(jià)與優(yōu)化等智能化燒結(jié)技術(shù)方面開展了系統(tǒng)工作。劉榮貴等^[7]學(xué)者開發(fā) Web發(fā)布及云端交互子平臺(tái)實(shí)現(xiàn)了漣鋼所有鐵前工藝數(shù)據(jù)的移動(dòng)互聯(lián)和云端處理。而在燒結(jié)過程中,FeO 的含量作為衡量燒結(jié)礦質(zhì)量的重要指標(biāo)之一,除了對(duì)燒結(jié)礦的還原性和燒結(jié)過程的能耗產(chǎn)生影響之外,它還對(duì)高爐的間接還原和燃料比等方面有一定的影響。隨著大數(shù)據(jù)分析計(jì)算技術(shù)和人工智能技術(shù)的不斷進(jìn)步,許多學(xué)者已經(jīng)開始采用機(jī)器學(xué)習(xí)等方法對(duì)燒結(jié)礦中的 FeO 含量進(jìn)行預(yù)測(cè),以實(shí)現(xiàn)科學(xué)指導(dǎo)生產(chǎn)的目標(biāo)。 張智峰團(tuán)隊(duì)^[8]使用MIV-GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)燒結(jié)礦中FeO 含量進(jìn)行預(yù)測(cè),在誤差 ±0.5% 的 范圍內(nèi)準(zhǔn)確率達(dá)到87.9%。蔣朝輝團(tuán)隊(duì)^[9]提出基于模糊推理和 R-CLSTM 的燒結(jié)過程 FeO預(yù)測(cè)模型,能確保燒結(jié)過程平穩(wěn)運(yùn)行。張樂文團(tuán)隊(duì)^[10]以加權(quán)支持向量機(jī)(WSVM)為基礎(chǔ),提出了一種用于預(yù)測(cè) FeO 含量和轉(zhuǎn)鼓指數(shù)的回歸估計(jì)方法,有利于技術(shù)人員對(duì)燒結(jié)過程做出合理的調(diào)控。吉訓(xùn)生團(tuán)隊(duì)^[11]提出了一種改進(jìn)的螢火蟲算法不僅提高了網(wǎng)絡(luò)學(xué)習(xí)的速度,還顯著提升了模型的預(yù)測(cè)精度。

本文提出一種通過獲取智能燒結(jié)系統(tǒng)中機(jī)尾紅外熱成像圖像并建立 Bi-LSTM 神經(jīng)網(wǎng)絡(luò) FeO 預(yù)測(cè)模型。系統(tǒng)采集了大量的機(jī)尾斷面燒結(jié)礦溫度樣本數(shù)據(jù),并通過特征提取算法和分步模型構(gòu)建,建立了準(zhǔn)確可靠的燒結(jié)礦 FeO 預(yù)測(cè)模型。通過實(shí)驗(yàn)與生產(chǎn)現(xiàn)場(chǎng)的調(diào)試使用證明了該預(yù)測(cè)模型是實(shí)現(xiàn)燒結(jié)礦FeO 含量預(yù)測(cè)的途徑之一。

1 數(shù)據(jù)分析

1.1 數(shù)據(jù)來源

燒結(jié)機(jī)尾斷面圖像蘊(yùn)含了燒結(jié)豐富的信息^[12], 如燒結(jié)礦 FeO 含量、轉(zhuǎn)鼓指數(shù)、垂直燒結(jié)速度及橫向的均勻性等,如果能有效提取并應(yīng)用對(duì)燒結(jié)生產(chǎn)意義重大^[13]。如圖1所示,在智能燒結(jié)系統(tǒng)中,機(jī)尾斷面紅外熱成像系統(tǒng)采用制冷型熱像儀熱圖像溫度采集單元,捕獲臺(tái)車在傾倒物料的整個(gè)周期中溫度最高的機(jī)尾斷面,隨后計(jì)算機(jī)圖像處理單元機(jī)尾斷面溫度數(shù)據(jù)進(jìn)行處理,采用數(shù)字圖像處理技術(shù),將溫度數(shù)據(jù)轉(zhuǎn)換成熱圖像并使其具有溫度特征。

燒結(jié)礦斷面周期循環(huán),當(dāng)最清晰完整斷面圖像呈現(xiàn)時(shí),即認(rèn)為該時(shí)刻斷面為最佳機(jī)尾斷面圖像出現(xiàn)時(shí),因?yàn)闊Y(jié)礦的卸下一瞬間是伴隨著復(fù)雜的物理化學(xué)變化的過程^[14],在種種因素的影響下并不能保證剛好下落,時(shí)間方面可能提前也可能滯后,因此傳統(tǒng)根據(jù)標(biāo)定臺(tái)車車輪在軌道上位置,臺(tái)車長(zhǎng)度和運(yùn)行速度計(jì)算出控制攝像選取斷面圖像的周期的方法并不適用現(xiàn)場(chǎng)生產(chǎn)環(huán)境。本文采用計(jì)算機(jī)尾運(yùn)動(dòng)斷面圖像序列差分的方法^[15-16]選取最佳斷面。

由圖2所示,當(dāng)最佳斷面捕獲成功后,分析得到機(jī)尾熱成像圖像的溫度數(shù)據(jù),由此獲得主要的機(jī)尾斷面特征參數(shù)有最高溫度、最低溫度、平均溫度以及間隔為100℃的溫度間隔區(qū)間占比。

1.2 數(shù)據(jù)處理

在日常企業(yè)生產(chǎn)中,生產(chǎn)人員每日使用化學(xué)檢測(cè)法檢測(cè)燒結(jié)礦 FeO 含量4~5次,并傳輸至系統(tǒng)后臺(tái)進(jìn)行處理:將實(shí)測(cè)時(shí)間與最接近實(shí)測(cè)時(shí)間的溫度斷面數(shù)據(jù)形成對(duì)應(yīng)并存儲(chǔ),為模型的訓(xùn)練做數(shù)據(jù)基礎(chǔ)。而企業(yè)生產(chǎn)數(shù)據(jù)雖然由自動(dòng)裝置收集而成,但實(shí)際生產(chǎn)過程卻可能由于生產(chǎn)異常、停機(jī)檢修等情況產(chǎn)生損失信息的現(xiàn)象,所以須對(duì)異常信息值區(qū)分情況處理^[17]。在異常值處理中,本文選擇采用箱線圖算法。

在圖3箱線圖中,異常值通常是指離群點(diǎn)(Outlier),即遠(yuǎn)離箱體的數(shù)據(jù)點(diǎn)^[18]。箱線圖中的“whisker”線條可以幫助識(shí)別異常值。箱線圖中的“whisker”線條通常被定義為1.5倍的四分位 距(Q₃~Q₁)或者2倍的標(biāo)準(zhǔn)差。超出這個(gè)范圍的數(shù)據(jù)點(diǎn)被認(rèn)為是異常值^[19]。在本研究中,設(shè)定箱線圖中的“whisker”線條定義為1.5倍的四分位距,那么位于上下“whisker”之外的數(shù)據(jù)點(diǎn)被認(rèn)為是異常值。在這種情況下,若數(shù)據(jù)點(diǎn)的值大于 Q₃ +1.5× (Q₃-Q₁)或者小于Q₁ -1.5×(Q₃ -Q₁),那么它就被認(rèn)為是異常值^[20]。需要注意的是,箱線圖只能幫助初步識(shí)別異常值,并不能確定它們是否真的是異常值。如果遇到異常值,需要仔細(xì)檢查數(shù)據(jù)的來源和收集方式,以確定它們是否真正反映了數(shù)據(jù)的異常情況。因此,研究中將箱線圖處理結(jié)果與現(xiàn)場(chǎng)工作人員的生產(chǎn)經(jīng)驗(yàn)相結(jié)合最終得到目標(biāo)數(shù)據(jù)。

1.3 特征選擇

MIV 算法是一種特征選擇算法,用于從大量特征中篩選出最有價(jià)值的特征。它主要用于決策樹算法中,通過計(jì)算每個(gè)特征對(duì)決策樹劃分的貢獻(xiàn)來評(píng)估特征的重要性,然后選擇最重要的特征作為劃分依據(jù)^[21]。MIV 算法的核心思想是通過計(jì)算特征在決策樹中的信息增益,來評(píng)估特征的重要性。信息增益表示在給定特征的條件下,將樣本集分成不同類別所獲得的信息量。如果一個(gè)特征的信息增益越大,則說明它對(duì)決策樹的劃分越有價(jià)值,也就越重要。

具體計(jì)算過程如下:

(1)使用原始數(shù)據(jù)訓(xùn)練一個(gè)正確的神經(jīng)網(wǎng)絡(luò)。

(2)在訓(xùn)練完成后,對(duì)訓(xùn)練X中的各個(gè)指標(biāo)數(shù)據(jù)加和減10樣 % 本 ,形 X成進(jìn)2行個(gè)變新動(dòng)的 ,將樣本 X1和 X2。

(3)將 X1和 X2重新輸入到訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)中,得到變動(dòng)后的2種結(jié)果 P1和 P2。輸出 (4)求 P1和 P2的差值,為變動(dòng)該自變量后對(duì)產(chǎn)生的影響變化值。

(5)將變化應(yīng)變 值按觀測(cè)例數(shù)平均得出該自量對(duì)于量的 MIV 值。

根據(jù)各特征參數(shù) MIV值(表1)的參考,結(jié)合多實(shí)驗(yàn)結(jié)果最終選定 400~500℃,700~800℃, 900~1000℃,最高溫度,800~900℃與平均溫度作 為輸入特征進(jìn)行構(gòu)建模型。

2 模型構(gòu)建

2.1 LSTM 算法

燒結(jié)機(jī)的連續(xù)產(chǎn)出性與各臺(tái)車布料參數(shù)彼此關(guān)聯(lián)的特性,說明預(yù)測(cè)燒結(jié)礦中 FeO 的含量是一個(gè)時(shí)間序列預(yù)測(cè)問題。LSTM長(zhǎng)短期記憶網(wǎng)絡(luò) (Lon Short-Term Memory)是一種適合處理時(shí)間序列數(shù)g據(jù)的強(qiáng)大模型(圖4),因此在預(yù)測(cè)燒結(jié)礦 FeO 含量時(shí)選用 LSTM 是合理的選擇。相較于其他訓(xùn)練模型,有如下優(yōu)勢(shì)。

處理時(shí)間依賴性:LSTM 通過其內(nèi)部的記憶單元和門控機(jī)制能夠捕捉到時(shí)間序列中 FeO 含量之間的長(zhǎng)期依賴關(guān)系,從而更好地進(jìn)行預(yù)測(cè)^[22]。

處理序列的動(dòng)態(tài)模式:燒結(jié)礦中的 FeO 含量可能存在一些復(fù)雜的時(shí)間動(dòng)態(tài)模式,如季節(jié)性變化、趨勢(shì)或周期性變化等^[23]。LSTM 具有較強(qiáng)的非線性建模能力,可以適應(yīng)并捕捉這些動(dòng)態(tài)模式。

長(zhǎng)期記憶能力:LSTM 可以通過門控機(jī)制選擇性地保留和遺忘信息,使得長(zhǎng)期 FeO 含量能夠在預(yù)測(cè)中得到有效利用。

處理變長(zhǎng)序列:燒結(jié)礦生產(chǎn)中可能存在不同時(shí)間段的數(shù)據(jù)采樣間隔不一致的情況,導(dǎo)致產(chǎn)生不同長(zhǎng)度的時(shí)間序列數(shù)據(jù)。LSTM 因其計(jì)算過程是逐步進(jìn)行的,不依賴于固定的輸入長(zhǎng)度^[24]從而能夠處理變長(zhǎng)序列,這使得 LSTM 在處理具有不同時(shí)間間隔的燒結(jié)礦數(shù)據(jù)時(shí)非常適用。

式中:x_t 為t時(shí)刻的輸入;h_t-1 為t-1時(shí)刻的隱層狀態(tài)值;W_f、W_i、W_o 和W_a 分別為遺忘門、輸入門、輸出門和特征提取過程中h_t-1 的權(quán)重系數(shù);U_f、U_i、U_o 和U_a 分別為遺忘門、輸入門、輸出門和特征提取過程中x_t 的權(quán)重系數(shù);b_f、b_i、b_o 和b_a 分別為遺忘門、輸入門、輸出門和特征提取過程中的偏置值;σ為激活 函數(shù)Sigmoid。

遺忘門和輸入門計(jì)算的結(jié)果作用于c(t-1 (3 ) ) , 構(gòu)成t時(shí)刻的細(xì)胞狀態(tài)c(t),用公式表示為:

c(t)=c(t-1)☉f(t)+i

式中: (t)☉a(t) ☉ 為 Hadamard積。最終,t時(shí)刻的隱藏層狀態(tài)h(t)由輸出門o(t)和當(dāng)前時(shí)刻的細(xì)胞狀態(tài)c(t) 求出:

2.2 Bi-LSTM 模型

Bi-LSTM(雙向長(zhǎng)短期記憶網(wǎng)絡(luò))是一種深度學(xué)習(xí)模型,用于處理序列數(shù)據(jù),它是在傳統(tǒng)的 LSTM(長(zhǎng)短期記憶網(wǎng)絡(luò))基礎(chǔ)上發(fā)展而來的。在傳統(tǒng)的 LSTM 模型中,信息在序列中只能從過去傳遞到未來,即只有前向傳遞。 而如圖5所示的 BiLSTM 模型通過增加一個(gè)反向傳遞的分支,使信息 可以同時(shí)從過去和未來進(jìn)行傳遞,這樣就能更全面 地捕捉序列數(shù)據(jù)中的上下文信息。Bi-LSTM 模型 的結(jié)構(gòu)由2個(gè) LSTM 組成,一個(gè) LSTM 負(fù)責(zé)前向 傳遞,另一個(gè) LSTM 負(fù)責(zé)反向傳遞。每 個(gè) LSTM 單元都具有記憶單元和3個(gè)門控單元(輸入門、遺忘門和輸出門),以便控制信息的流動(dòng)和記憶的更新。前向 LSTM 處理輸入序列的從頭到尾的順序,而后向 LSTM 處理輸入序列的從尾到頭的順序。通過前向和后向的信息流動(dòng),Bi-LSTM 模型能夠同時(shí)利用當(dāng)前時(shí)間步之前和之后的信息,從而更好地捕捉序列中的時(shí)序關(guān)系和上下文信息^[25]。 訓(xùn)練BiLSTM 模型的過程通常涉及將輸入序列喂入網(wǎng)絡(luò), 通過反向傳播算法來優(yōu)化模型的權(quán)重和參數(shù)。訓(xùn)練完成后,該模型可以用于對(duì)新的序列數(shù)據(jù)進(jìn)行預(yù)測(cè), 以獲得特定任務(wù)的輸出^[26]。

2.3 算法流程

根據(jù) B-LSTM 的特點(diǎn),充分發(fā)揮其優(yōu)勢(shì),BiLSTM 層用于學(xué)習(xí)序列學(xué)習(xí)塊中的長(zhǎng)期時(shí)間信息, 最后在模型中疊加全連接層和輸出層,進(jìn)行最終預(yù)測(cè),從而提高模型的預(yù)測(cè)準(zhǔn)確率。模型結(jié)構(gòu)如圖6 所示,神經(jīng)網(wǎng)絡(luò)主要有6層包括輸入層、Bi-LSTM 層 (正向 LSTM 層、反向 LSTM 層)、全連接層、 Dropout層、全連接層和輸出層。

輸入層:將處理好的溫度相關(guān)數(shù)據(jù)作為 BiLSTM 層的輸入;

Bi-LSTM 層:該層由正向 LSTM和逆向 LSTM 組成,分別負(fù)責(zé)處理輸入序列的正向傳遞和輸入序列的反向傳遞;

全連接層:激活函數(shù)為Sigmoid;

Dropou層:按0.2比例進(jìn)行隨機(jī)失活操作，防止神經(jīng)網(wǎng)絡(luò)模型過擬合; ,

輸出層:維度為1,輸出最終的預(yù)測(cè)結(jié)果。

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)及其變體,具有長(zhǎng)序列依賴性的能力。然而,長(zhǎng)序列可能導(dǎo)致梯度消失或梯度爆炸問題,從而影響訓(xùn)練的穩(wěn)定性和效率。因此,針對(duì)Bi-LSTM 神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),還需要改進(jìn)以下2個(gè)方面:優(yōu)化算法與早停策略。

(1)AdaDelta優(yōu)化算法是一種自適應(yīng)學(xué)習(xí)率的優(yōu)化算法,旨在解決傳統(tǒng)隨機(jī)梯度下降(SGD)中學(xué)習(xí)率難以確定的問題,并且能夠緩解梯度消失和爆炸問題^[27]。算法核心思想是自適應(yīng)地調(diào)整學(xué)習(xí)率,使得每個(gè)參數(shù)的更新步長(zhǎng)可以根據(jù)梯度的歷史信息來自適應(yīng)地調(diào)整。該算法通過維護(hù)2個(gè)累積平均值來調(diào)整參數(shù)的更新步長(zhǎng)。一個(gè)是平方梯度的指數(shù)移動(dòng)平均(稱為accumulatedgradient),另一個(gè)是參數(shù)更新步長(zhǎng)的指數(shù)移動(dòng)平均 (稱為 accumulatedupdate)。這2個(gè)累積平均值使得更新步長(zhǎng)可以根據(jù) 梯度和參數(shù)歷史信息來動(dòng)態(tài)地進(jìn)行調(diào)整^[28-29]。優(yōu)化過程如下。

1)初始化參數(shù):

初始模型參數(shù)θ; 積累梯度平方的指數(shù)衰減平均值E[g 2]; E[Δθ 積累參數(shù)更新量平方的指數(shù)衰減平均值 2]; 超參數(shù)ρ(控制衰減率); 微小常數(shù)ε(防止除以0)。

2)對(duì)于每個(gè)訓(xùn)練批次(mini-batch),執(zhí)行以下步驟:

計(jì)算梯度g 關(guān)于當(dāng)前批次的損失函數(shù);

更新參數(shù):

(a)計(jì)算梯度平方的指數(shù)衰減平均值,E[g ²]= ρ·E[g ²]+ (1-ρ)·g²。

(b)計(jì)算參數(shù)更新量,

(c)計(jì)算參數(shù)更新量平方的指數(shù)衰減平均值, E[Δθ²]=ρ·E[Δθ²]+ (1-ρ)·Δθ²。

(d)更新參數(shù),θ=θ+Δθ。

(2)基于驗(yàn)證集損失函數(shù)的早停策略用于監(jiān)模型測(cè)在訓(xùn)練集上的損失函數(shù)值,當(dāng)損失函數(shù)值連續(xù)若干次迭代沒有顯著改善或開始上升時(shí),停止訓(xùn)練。

基于驗(yàn)證集指標(biāo)的早停策略用于監(jiān)測(cè)除損失函數(shù)和精度外其他指標(biāo),當(dāng)指標(biāo)連續(xù)若干次迭代沒有顯著 改善或開始下降時(shí),停止訓(xùn)練[30]。研究中將可用的數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于模型的參數(shù)更新,驗(yàn)證集用于評(píng)估模型的性能和監(jiān)測(cè)早停策略,測(cè) 試集用于最終評(píng)估模型的泛化能力。

1)定義均方

誤差損失函數(shù):

式中:n 為樣本數(shù)量;Y 為第i個(gè)樣本的實(shí)測(cè)值; YPred 為模型對(duì)第i個(gè)樣本的預(yù)測(cè)值。

2)初始化模型參數(shù):隨機(jī)初始化模型的循環(huán)權(quán)重參數(shù)、偏置參數(shù)等。

3)進(jìn)行迭代訓(xùn)練:在訓(xùn)練集上進(jìn)行模型的迭代訓(xùn)練。每個(gè)訓(xùn)練迭代中,使用訓(xùn)練集的一批樣本進(jìn)行前向傳播和反向傳播,更新模型的參數(shù)。

4)在驗(yàn)證集上評(píng)估模型:每個(gè)訓(xùn)練周期使用當(dāng)前模型在驗(yàn)證集上進(jìn)行評(píng)估。計(jì)算模型在驗(yàn)證集上的損失函數(shù)值和精度指標(biāo)。

5)監(jiān)測(cè)驗(yàn)證集損失函數(shù)與精度指標(biāo):比較當(dāng)前的驗(yàn)證集損失函數(shù)值與之前的最佳損失函數(shù)值。如果當(dāng)前損失函數(shù)值較低,則更新最佳損失函數(shù)值,并保存當(dāng)前模型的參數(shù)。同理比較驗(yàn)證集指標(biāo)值。若當(dāng)前 6 指 ) 標(biāo)值較高則更新最佳指標(biāo)值并保存。

設(shè)定早停條件:連續(xù)迭代中驗(yàn)證集損失函數(shù)值沒有顯著改善或開始上升,以及驗(yàn)證集指標(biāo)值沒有顯著改善或開始下降。當(dāng)早停條件滿足時(shí),停止訓(xùn)練。

通過組合使用2種早停策略,可以綜合考慮模型的損失函數(shù)和其他重要指標(biāo),從而更準(zhǔn)確地判斷模型的性能和泛化能力。

圖7算法結(jié)束后,將訓(xùn)練好的模型添加至智能燒結(jié)系統(tǒng)中,現(xiàn)場(chǎng)采集數(shù)據(jù)后進(jìn)行傳輸實(shí)現(xiàn)實(shí)施預(yù)測(cè),并根據(jù)長(zhǎng)期的預(yù)測(cè)命中率定期使用新的或擴(kuò)展的數(shù)據(jù)重新訓(xùn)練模型。

3 實(shí)驗(yàn)結(jié)果與分析

本文研究中,所有實(shí)驗(yàn)數(shù)據(jù)均來源于某燒結(jié)廠燒結(jié)機(jī)2022年3月11日至12月13日的1245組生產(chǎn)樣本。該數(shù)據(jù)樣本經(jīng)過數(shù)據(jù)清理,過濾空值樣本,箱型圖異常值處理等操作,最終剩余653組模型訓(xùn)練樣本數(shù)據(jù)。

實(shí)驗(yàn)中,所有樣本數(shù)據(jù)被隨機(jī)分為3部分:練習(xí)集,驗(yàn)證集和測(cè)試集,比例為7.5∶1.5∶1.0。劃分完成后使用 Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型對(duì)練習(xí)集進(jìn)行訓(xùn)練,訓(xùn)練完成后使用測(cè)試集來驗(yàn)證訓(xùn)練的有效性。

為驗(yàn)證使用 Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型對(duì)燒結(jié)礦 FeO 含量的預(yù)測(cè)性能,本文還研究了其他相關(guān)神經(jīng)網(wǎng)絡(luò) 模型與該企業(yè)燒結(jié)礦數(shù)據(jù)的訓(xùn)練學(xué)習(xí)預(yù)測(cè)性能。通過對(duì)比可知,Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型在均方誤差(MSE),均方誤差根 (RMSE),平均絕對(duì)誤差(MAE)均比其余網(wǎng)絡(luò)模型小(表2),說明該模型對(duì)燒結(jié)礦 FeO 含量的預(yù)測(cè)性能更佳。在各模型對(duì)比實(shí)驗(yàn) 中 CatBoost模型^[31]、BP 模型^[32]、GA-BP 模型、GRU 模型和 LSTM 模型^[33]均為相同參數(shù)條件下建立,且預(yù)測(cè)精度均達(dá)到75%以上。盡管各網(wǎng)絡(luò)模型都有較優(yōu)的訓(xùn)練效果,但企業(yè)生產(chǎn)數(shù)據(jù)的數(shù)量與質(zhì)量,優(yōu)化算法的選擇和調(diào)參等各種因素會(huì)導(dǎo)致預(yù)測(cè)模型的準(zhǔn)度下降。對(duì)此,本文所采用的 BiLSTM 模型,在性能方面,RMSE 等性能指標(biāo)均為最優(yōu),在預(yù)測(cè)精確度方面也為最高,充分證明了該網(wǎng)絡(luò)模型與生產(chǎn)環(huán)境的適配性與高泛化能力。

表3中,將性能較為優(yōu)良的模型進(jìn)行訓(xùn)練與測(cè)試,通過仿真及現(xiàn)場(chǎng)測(cè)試驗(yàn)證,Bi-LSTM 模型在允許誤差±6%的條件下精確度可達(dá)83.6%,在允許誤差±8%的條件下精確度可達(dá)90.2%,在允許誤差±10%的條件下精確度可達(dá)98.4%。在相同的FeO 含量預(yù)測(cè)值與實(shí)際值規(guī)定誤差下,模型的預(yù)測(cè)準(zhǔn)確率均高于其他實(shí)驗(yàn)?zāi)Ｐ汀?/p>

模型訓(xùn)練過程以及測(cè)試集結(jié)果如圖8和圖9中給出。通過訓(xùn)練效果圖可以觀察到模型在訓(xùn)練數(shù)據(jù)上的表現(xiàn)逐漸提升,損失函數(shù)逐漸減小,這說明模型對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行了有效的學(xué)習(xí)和擬合。通過預(yù)測(cè)結(jié)果圖可以觀察到模型在未見過的測(cè)試數(shù)據(jù)上能夠較為準(zhǔn)確地預(yù)測(cè)且表現(xiàn)穩(wěn)定。結(jié)合圖10測(cè)試集誤差示意圖說明模型在泛化能力上表現(xiàn)良好,且在模型訓(xùn)練測(cè)試中 Bi-LSTM 模型有著相當(dāng)突出的優(yōu)勢(shì)與高吻合度。

在智能燒結(jié)系統(tǒng)中,通過加載模型與傳輸數(shù)據(jù)達(dá)到實(shí)時(shí)預(yù)測(cè)的目的。圖11展示了模型與系統(tǒng)結(jié)合的實(shí)時(shí)預(yù)測(cè)效果,相較于以往建立的燒結(jié)終點(diǎn)預(yù)測(cè)模型,新的模型在預(yù)測(cè)準(zhǔn)確率和穩(wěn)定性方面進(jìn)一步提升。

4 結(jié)論與展望

(1)通過對(duì)機(jī)尾斷面燒結(jié)礦樣本的特征分析,發(fā)現(xiàn)機(jī)尾斷面相關(guān)溫度數(shù)據(jù)與 FeO 含量之間存在較為顯著的相關(guān)性。對(duì)于此非線性特征與 FeO 含量之間的關(guān)系,傳統(tǒng)的線性模型可能無法很好地捕捉到復(fù)雜的模式和依賴關(guān)系。在這種情況下,可以使用非線性模型來更好地建模和預(yù)測(cè)。

(2)本文研究基于 Bi-LSTM(雙向長(zhǎng)短期記憶網(wǎng)絡(luò))算法建立預(yù)測(cè)模型。為了進(jìn)一步提高預(yù)測(cè)準(zhǔn)確性,本文還引入了特征選擇和數(shù)據(jù)預(yù)處理技術(shù)。通過選擇關(guān)鍵特征和對(duì)數(shù)據(jù)進(jìn)行歸一化處理,成功提高了預(yù)測(cè)模型的性能,并減少了模型的復(fù)雜度。該模型能夠高度準(zhǔn)確地預(yù)測(cè)機(jī)尾斷面燒結(jié)礦的FeO 含量,并且具有較強(qiáng)的魯棒性和泛化能力。

(3)本文使用了大量的實(shí)驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證和評(píng)估。實(shí)驗(yàn)結(jié)果表明,該預(yù)測(cè)模型在不同的機(jī)尾斷面燒結(jié)礦樣本上都具有較高的準(zhǔn)確性和可靠性。這證明了該模型在實(shí)際應(yīng)用中具有潛在的價(jià)值。

參考文獻(xiàn):

[1] 楊聰聰,朱德慶,潘建,等.鐵礦石高溫?zé)Y(jié)基礎(chǔ)特性評(píng)價(jià)方法的國(guó)外研究進(jìn)展[J].鋼鐵,2022,57(5):11.

[2] 劉然,張智峰,劉小杰,等.基于工藝?yán)碚摵途矸e神經(jīng)網(wǎng)絡(luò)的燒結(jié)礦轉(zhuǎn)鼓指數(shù)預(yù)測(cè)[J].鋼鐵研究學(xué)報(bào),2023,35(6):651.

[3] 項(xiàng)鐘庸,王筱留,顧向濤.再論落實(shí)高爐低碳煉鐵生產(chǎn)方針[J]. 中國(guó)冶金,2021,31(9):9.

[4] Li Y X,Yang C J,Sun Y X.Sintering quality prediction model based on semi-supervised dynamic time feature extraction framework[J].Sensors,2022,22(15):5861.

[5] Zhang N,Chen X L,Huang X X,et al.Online measurement method of FeO content in sinter based oninfrared machine vision and convolutional neural network[J].Measurement, 2022,202:111849.

[6] Li Z P,Fan X H,Chen G,et al.Optimization of iron ore sintering process based on ELM model and multi-criteria evaluation[J].Neural Computing and  Applications,2017,28 (8):2247.

[7] 劉榮貴.漣鋼鐵前大數(shù)據(jù)平臺(tái)的開發(fā)與應(yīng)用[J].中國(guó)鋼鐵業(yè), 2019(12):46.

[8] 張智峰,劉小杰,李欣,等.基于 MIV-GA-BP 模型預(yù)測(cè)燒結(jié)礦FeO 含量[J].中國(guó)冶金,2022,32(10):75.

[9] 蔣朝輝,黃良,蔣珂,等.基于模糊推理和 R-C-LSTM 的燒結(jié)過程 FeO 含量預(yù)測(cè)[C]//第32屆中國(guó)過程控制會(huì)議(CPCC)論文集.太原:中國(guó)自動(dòng)化學(xué)會(huì),2021:1575.

[10] 張樂文,陳新兵,侯東旭,等.基于加權(quán)支持向量機(jī)對(duì)燒結(jié)過程中 FeO 含量和轉(zhuǎn)鼓指數(shù)的預(yù)測(cè)研究[J].冶金動(dòng)力,2017, 36(8):1.

[11] 吉訓(xùn)生,荊田田,熊年昀.燒結(jié)礦 FeO 含量預(yù)測(cè)研究[J].計(jì)算機(jī)仿真,2015,32(10):318.

[12]Du S,Wu M,Chen X,et al.An in telligent control strategy for iron ore sinteringig nition process based on the prediction of ignition temperature[J].IEEE Transactions on Industrial Electronics,2020,67(2):1233.

[13] 余駿,孟飛,陳生利,等.FeO 含量對(duì)燒結(jié)礦冶金性能影響研究[J].礦業(yè)工程,2021,19(5):41.

[14] 熊大林,張功輝,余正偉,等.基于計(jì)算機(jī)視覺的燒結(jié)機(jī)尾斷面圖像研究進(jìn)展[J].鋼鐵研究學(xué)報(bào),2022,34(9):869.

[15] 鄭兆穎,邢相棟,王蓀璇,等.燒結(jié)礦低溫還原粉化率的影響因素及預(yù)測(cè)模型[J].燒結(jié)球團(tuán),2023,48(2):25.

[16] 吳海濱,楊西男,張樂文,等.一種燒結(jié)礦質(zhì)量判定系統(tǒng)的開發(fā)及應(yīng)用[J].燒結(jié)球團(tuán),2018,43(4):6.

[17] 張振,李欣,劉頌,等.基于多類別生產(chǎn)狀態(tài)的燒結(jié)礦轉(zhuǎn)鼓指數(shù)預(yù)測(cè)模型[J].中國(guó)冶金,2022,32(1):27.

[18] 謝苗苗,李華龍.基于改進(jìn)D-S證據(jù)理論的室內(nèi)環(huán)境控制決策系統(tǒng)[J].計(jì)算機(jī)工程與科學(xué),2020,42(5):938.

[19] 史振杰,董兆偉,孫立輝,等.基于灰狼算法 SVR 的燒結(jié)礦 FeO 含量預(yù)測(cè)[J].河北省科學(xué)院學(xué)報(bào),2019,36(4):1.

[20] 張兆磊.基于機(jī)器視覺的燒結(jié)礦FeO 含量判斷方法研究 [D]//沈陽(yáng):東北大學(xué),2015.

[21] 劉丹,劉方,許彥平.基于 MIV-PSO-BPNN 的光伏出力短期預(yù)測(cè)[J].太陽(yáng)能學(xué)報(bào),2022,43(6):94.

[22] 孫勝博,吳彬彬,陳曄,等.雙通道多因素短期電力負(fù)荷預(yù)測(cè)模型[J].計(jì)算機(jī)工程與設(shè)計(jì),2023,44(6):1875.

[23] Li Y X,Yang C J,Sun Y X.Dy namic time features expanding and extracting method for prediction model of sintering process quality index[J].IEEE Transactions on Industrial Informatics,2022,18(3):1737.

[24] Shao H J,Yi Z M,Chen Z,et al.Applicati on of artificial neural networks for prediction of sinter quality based on process parameters control[J].Transactions of the Institute of Measurement and Control,2020,42(3):422.

[25] Jiang Z H,GuoY H,PanD,etal.Polymorphic measurement method of FeO content of sinter based on heterogeneous features of infrared thermal images [J].IEEE Sensors Journal,2021,21(10):12036.

[26] ShaoC J,LiZ C,Guo C X.A novel method for online detection of FeO content in sinter[C]//2022International Conference on Artificial Intelligence and Computer Information Technology(AICIT).Yichang:IEEE,2022:1.

[27] Zhou P,Gao B H,Zhao C H,et al.Heterogeneous data-driven measurement method for FeO content of sinter based on deep learning and tensor decomposition[J].Control Engineering Practice,2023,134:105479.

[28] Usamentiaga R,Molleda J,Garcia D F,etal.Monitoring sintering burn-through point using infrared  thermography [J].Sensors,2013,13(8):10287.

[29] 張劍,張燁.基于多特征融合的 GRU-LSTM 大學(xué)生就業(yè)動(dòng)態(tài) 預(yù)測(cè)[J].計(jì)算機(jī)科學(xué),2023,50(S1):906.

[30] Ding Q,Li Z P,Zhao L M.FeO content classification of sinter based on semi-supervised deep learning[C]//Proceedings of 2021 33^rd Chinese Controland Decision Conference(CCDC). Kunming,China:IEEE,2021:640.

[31] Yuan X F,Gu YJ ,Wang Y L,et al.FeO content prediction for an industrial sintering process based on supervised deep belief network[J].IFAC-Papers On Line,2020,53(2):11883.

[32] 馬德剛,王耐,李建英,等.100t復(fù)吹轉(zhuǎn)爐冶煉IF鋼終點(diǎn)磷分 配比預(yù)測(cè)模型[J].煉鋼,2023,39(3):30.

[33] Jiang Z H,Huang L,Jiang K,et al.Prediction of FeO content in sintering process based on heat transfer mechanism and data-driven model [C ]//Proceedings of 2020 Chinese Automation Congress (CAC).Shanghai,China:IEEE, 2020:4846.