高爐煤氣流分布模式識別神經(jīng)元網(wǎng)絡(luò)模型及應(yīng)用

《高爐煤氣流分布模式識別神經(jīng)元網(wǎng)絡(luò)模型及應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、高爐煤氣流分布模式識別神經(jīng)元網(wǎng)絡(luò)模型及應(yīng)用涂春林，畢學(xué)工，周勇（武漢科技大學(xué)，湖北武漢430081）摘　要：高爐煤氣流的控制是高爐操作的重要方面，為了更直接地判斷煤氣流的分布，利用自組織神經(jīng)網(wǎng)絡(luò)開發(fā)的數(shù)學(xué)模型整理出了25種煤氣流分布模式，該模型有助于高爐操作者更直觀地判斷煤氣流的分布。關(guān)鍵詞：高爐；煤氣流分布；識別；自組織神經(jīng)元網(wǎng)絡(luò)；模型中圖分類號：TF543.2　　文獻(xiàn)標(biāo)識碼：A　　文章編號：1004-4620（2004）02-0042-03NeuralNetworkModelforRecognitionofG

2、asStreamDistributionPattern?inFurnaceTopandItsApplicationTUChun-lin,BIXue-gong,ZHOUYong(TheWuhanUniversityofScienceandTechnology,Wuhan430081,China)Abstract：ThecontrolofgasstreamisimportantinBFoperation,howtoestimategasstreamdistributionisveryvital.25kindsofg

3、asstreamdistributionpatternshavebeenarrangedinorderbymeansofmathematicalmodeldevelopedbytheself-organizationneuralnetwork.ThiswillbehelpfulforworkerstooperateBF.Keywords：BF；gasstreamdistribution；recognition；self-organizationneuralnetwork；mathematicalmodel1前?言

4、　　煤氣流的分布關(guān)系到爐內(nèi)溫度分布﹑軟熔帶結(jié)構(gòu)﹑爐況順行和煤氣的利用狀況。所以，連續(xù)地掌握煤氣流的分布情況很有必要。但由于高爐內(nèi)部條件嚴(yán)酷，煤氣流分布很難直接測量。目前，我國許多高爐安裝了十字測溫探尺，能夠連續(xù)準(zhǔn)確地測出爐喉的徑向溫度，為判斷徑向煤氣流分布提供了條件?！—ツ壳皣鴥?nèi)外許多研究人員采用了神經(jīng)元網(wǎng)絡(luò)對高爐徑向煤氣流的分布模式進(jìn)行識別。國內(nèi)如攀枝花鋼鐵（集團(tuán)）公司4號高爐采用BP網(wǎng)絡(luò)建立高爐爐喉煤氣流分布數(shù)學(xué)模型。東北大學(xué)的王玉濤等提出混合神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用到高爐徑向煤氣流分布模式識別中。國外如日本新

5、日鐵大鐵分廠進(jìn)行煤氣流分布模式預(yù)測，并與高爐專家知識結(jié)合預(yù)報高爐爐況；日本神戶鋼鐵廠進(jìn)行徑向煤氣流分布識別等。這些研究直接用于高爐煤氣流判斷的網(wǎng)絡(luò)都采用了BP網(wǎng)絡(luò)，BP網(wǎng)絡(luò)是有導(dǎo)師訓(xùn)練模型，上述方法一般是先憑經(jīng)驗將徑向煤氣流分布模式分為幾種類型，然后進(jìn)行識別。但每個高爐的情況不同，并且同一高爐在不同時期爐況也會有所不同，與其相適應(yīng)的煤氣流分布也就不同，所以上述方法有其局限性?！—プ越M織神經(jīng)網(wǎng)絡(luò)是一類無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)，可以自動地向環(huán)境學(xué)習(xí)，在無監(jiān)督的情況下從輸入數(shù)據(jù)中找出有意義的規(guī)律。本研究應(yīng)用這種網(wǎng)絡(luò)方法從我國寶鋼

6、1號高爐大量十字測溫歷史數(shù)據(jù)中自動整理出25種分布模式，以方便表達(dá)和描述實際氣流分布狀況。該模型作為寶鋼1號高爐布料推定模型的一個子模型，已在線運行，目前運行情況良好。2　自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法　　自組織神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示?？梢园裬維輸入空間映射成（輸出層神經(jīng)元的）二維陣列(i×j)，所有的神經(jīng)元有相同的k維連接權(quán)，每個輸出層神經(jīng)元相聯(lián)系的權(quán)值矢量，被看作是神經(jīng)元對輸入矢量的響應(yīng)結(jié)果。若將輸入向量X標(biāo)記成：　　X=[x1,x2,....,xk]T　　與輸出層神經(jīng)元j相應(yīng)的權(quán)值矢量Wj標(biāo)記為:　　W

7、j=[wj1,wj2,......,wjk]T　　則獲勝神經(jīng)元的確定，相當(dāng)于選擇權(quán)值矢量W-j與輸入矢量X最為匹配的輸出層神經(jīng)元。可以選出權(quán)值矢量距離輸入矢量有最小歐氏范數(shù)值的輸出層神經(jīng)元作為獲勝神經(jīng)元。如果將i(X)指定為獲勝神經(jīng)元的標(biāo)號，則這種選擇獲勝的方法可以表示為：i(X)=k當(dāng)‖Wk-X‖＜‖Wj-X‖j=1,2,......k圖1自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)x輸入向量?y神經(jīng)元輸出?W權(quán)值i,j矩陣下標(biāo)?k輸入向量維數(shù)　　自組織特征映射適度保持側(cè)反饋的方法是通過領(lǐng)域函數(shù)Λi(X)(n)來實現(xiàn)的

8、，是一個離散時間函數(shù)，定義了圍繞獲勝神經(jīng)元鄰近區(qū)域的大小。使用這一函數(shù)意味著側(cè)反饋的大小可在整個訓(xùn)練網(wǎng)絡(luò)的過程中變化。領(lǐng)域越大意味著正向反饋越多，訓(xùn)練區(qū)域越大。正是通過網(wǎng)絡(luò)的早期訓(xùn)練期間領(lǐng)域函數(shù)的較大值，使得網(wǎng)絡(luò)達(dá)到拓?fù)浣Y(jié)構(gòu)有序化。領(lǐng)域的縮小使類別更小，以致于類別分得更細(xì)。　在確定連接權(quán)W時，需要用到大量的輸入數(shù)據(jù)。當(dāng)一個矢量X輸入到網(wǎng)絡(luò)后，輸出層各神經(jīng)元開始競爭，用上