CN108717506B - 一种预测焦炭热态强度的方法 - Google Patents

Abstract

一种预测焦炭热态强度的方法，包括以下步骤:数据预处理、训练、验证、测试的步骤得出。这种预测方法基于Sigmoid函数敏感区的正则化网络训练算法来修剪网络结构，删除多余的突触，网络泛化性能提高且占用更少的计算资源；该训练方法经过大量试验证明，采用配合煤的全水分、灰分、挥发分、硫分和黏结性指标作为输入参数，结合前向BP神经网络预测焦炭质量参数，克服了函数拟合等线性方法预测不精确的缺点。该预测方法能科学、准确地预测焦炭热态强度，合理利用炼焦煤资源，控制焦炭质量，降低配煤成本。

Description

一种预测焦炭热态强度的方法

技术领域

本发明涉及煤化工技术领域中炼焦生产中配煤炼焦、焦炭质量预测的方法，具体地说是一种预测焦炭热态强度的方法。

背景技术

在煤化工技术领域，炼焦过程是复杂、时变的化学变化，配合煤的各项性质与焦炭多种理化性质间存在复杂的关系，因此需要建立精确的预测模型来提高焦炭质量。

大量炼焦试验数据的统计规律表明：焦炭的理化性质与混煤之间存在着极强的非线性关系。传统的焦炭质量预测采用经验和函数拟合等方法，但靠经验的人工炼焦试验速度慢且结果应用性差；函数拟合法无法精确反应配煤和炼焦指标参数间复杂的非线性关系，不能捕捉训练数据的内部特征，远不能满足现代企业的生产需求。

发明内容

本发明是针对传统预测方式的缺陷，提供一种用神经网络、能科学准确地预测焦炭热态强度的方法。

为实现上述发明目的，本发明采用的技术方案是：

一种预测焦炭热态强度的方法，包括以下步骤:

(1)数据预处理

要求数据关于整个训练集上的均值接近0，常规的处理是均值中心和方差规整；令输入输出模式A∈R^n×m、C∈R^p×m按列排列，分别计算A和C的n行和p行的均值，并在每行中对应减去该值；计算A和C的n行和p行的方差，在每行中除以对应的值，对输入矩阵A和输出模式矩阵C的处理应同步进行；

处理前的两矩阵如下：

处理后的两矩阵如下：

(2)训练

将第1组数据作为训练样本呈现给网络，初始权重和阈值赋予一定范围内的随机值，计算每个节点的局部激活域；

设神经元j在迭代n时的输出

处产生的误差信号为

e_j(n)＝d_j(n)-y_j(n)…(2)

基于最速下降原理，突触权值在此时的修正值

将右侧改写为

根据delta法则及前文提出的激活函数敏感区概念，权值修正公式为：

η称为学习速率，公式表示权值变化沿着负梯度方向下降；

被称为delta，指明了第l层w_ji(n)的变化情况；

的不同表达形式用以区分隐层与输出层的权值修正方式；

因此对于隐层突触权值的修正公式，它的结构与输出层权值修正公式结构完全相同，唯一区别在于对局部梯度δ_j(n)的计算方式；由于隐层神经元j的期望输出难以确定，因此需要前向层产生的误差信息；

最终任意层的突触权值的修正公式可归纳表示为：

在网络训练部分完成后进行网络修剪过程，多余的突触会记忆数据中非期望特征信息，出现网络过拟合的现象；利用误差函数的二阶信息，综合考虑复杂度和训练误差性能，删除多余权值；最终得到的参数能够删除网络中多余的突触同时使性能函数增长最小，是网络复杂度与误差性能的理想的折中方案；

(3)验证

选择第2组数据作为验证样本，设定周期查看网络的验证误差，通过验证则进入下一个周期；

在越过极小点后的网络开始捕捉数据内的噪声信息，将此时状态作为评判网络的停止准则可减少过拟合情况的发生；

当过拟合发生时，会失去在其他样本中泛化的能力；前向BP神经网络中大量的隐层单元很可能存储过多的噪声因素，此时可利用交叉验证方法进行网络改善；

(4)测试

经验证后合乎要求的网络，用第3组数据进行测试，即输入多组配合煤质量参数，通过网络正向传播，计算出热态强度(CRI和CSR)的预测值；

程序中运用的规则如下：

a样本区域化处理方式：

其中，

分别为样本数据处理前的原始值、平均值、方差及处理后的样本值，处理后的每个指标数据服从均值为0，方差为1的标准正态分布；

b网络误差计算方式：

瞬时能量函数：

系统的代价函数

为误差能量函数在全部输出层神经元上的叠加；

上述预测方法基于炼焦试验结果，以配合煤煤质参数全水分M_t、灰分A_d、挥发分V_daf、硫分S_t,d和黏结性(X、Y和G)作为输入参数来预测热态强度。

焦炭热态强度是指焦炭的反应性指数CRI和反应后强度CSR。

预测焦炭热态强度指标通过前向BP神经网络来实现。

将有代表性配合煤煤质参数作为前向BP神经网络的输入参数，焦炭热态强度作为输出参数，训练前向BP神经网络，得到输入参数和输出参数之间的非线性关系。然后将待预测配合煤的煤质指标作为输入参数，即得到预测的焦炭质量参数。

有代表性配合煤煤质参数包括全水分M_t、灰分A_d、挥发分V_daf、硫分S_t,d和黏结性指标(X、Y和G)。

本发明所公开的这种预测方法基于Sigmoid函数敏感区的正则化网络训练算法来修剪网络结构，删除多余的突触，网络泛化性能提高且占用更少的计算资源；该训练方法经过大量试验证明，采用配合煤的全水分、灰分、挥发分、硫分和黏结性指标作为输入参数，结合前向BP神经网络预测焦炭质量参数，克服了函数拟合等线性方法预测不精确的缺点。该预测方法能科学、准确地预测焦炭热态强度，合理利用炼焦煤资源，控制焦炭质量，降低配煤成本。

附图说明

图1为本发明的焦炭质量参数作为输出参数结构图。

图2为本发明的流程框图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

本发明所公开的这种预测焦炭热态性质的方法是以配合煤的全水分、灰分、挥发分、硫分和黏结性指标为输入参数来预测焦炭热态性质。本发明涉及煤化工技术领域中炼焦生产中配煤炼焦、焦炭质量预测的方法。焦炭热态强度即焦炭的反应性指数CRI和反应后强度CSR。预测焦炭热态强度指标通过前向BP神经网络来实现。将有代表性配合煤煤质参数作为前向BP神经网络的输入参数，焦炭热态强度作为输出参数，训练前向BP神经网络，得到输入参数和输出参数之间的非线性关系。然后将待预测配合煤的煤质指标作为输入参数，即得到预测的焦炭质量参数。有代表性配合煤煤质参数包括全水分M_t、灰分A_d、挥发分V_daf、硫分S_t,d和黏结性指标(X、Y和G)。将上述有代表性配合煤的配合煤煤质参数作为前向BP神经网络的输入参数，焦炭将样本经过归一化处理为0到1范围内的值热态强度作为输出参数，将激活函数敏感区域的概念引入到均方差性能函数中，通过信号的反向传播调整网络参数，得到输入参数和输出参数之间的隐式非线性关系。然后将待预测配合煤的煤质指标作为输入参数，即得到预测的焦炭热态强度。

预测焦炭机械强度指标通过BP神经网络来实现：焦炭热态性质指标与配合煤的多种性质有关。本发明用配合煤的全水分M_t、灰分A_d、挥发分V_daf、硫分S_t,d和黏结性指标(X、Y和G)作为参数，通过前向BP神经网络预测焦炭热态性质。

将历史生产数据随机分成三组(记为第1、2、3组)，分别占总数据量的70％、15％、15％，将第1组数据中配合煤质量参数作为输入参数，焦炭热态性质指标作为输出参数，输入神经网络，预测焦炭热态性质。

本发明通过设计的基于Sigmoid函数敏感区的正则化网络训练方法来训练网络，采用前向BP结构的网络，选取配合煤质量参数作为输入，焦炭质量参数作为输出参数，其结构如图1所示；激励函数用于处理求和器的计算结果，一般采用非线性函数来最大化网络的效率。本文采用了logsig，tansig函数进行组合试错。隐层节点数取决于训练样本数、噪声大小以及数据隐藏规律，一般节点为输入层两倍左右效果最佳。

具体分为以下四个步骤，流程图如图2所示：

1.数据预处理

通常情况下，未处理数据的直接输入并不是最理想的。例如，logsig激活函数的有限极限为[0,1]，而样本值与其极限相比是巨大的，这导致函数几乎在饱和形式下进行，网络训练停滞。此外，反向传播算法与LMS算法相似，算法时间严重依赖于条件数λ_max/λ_min。非零均值输入的λ_max/λ_min大于零均值输入对应值。因此，要求数据关于整个训练集上的均值接近0，常规的处理是均值中心和方差规整。令输入输出模式A∈R^n×m、C∈R^p×m按列排列，分别计算A和C的n行和p行的均值，并在每行中对应减去该值。计算A和C的n行和p行的方差，在每行中除以对应的值，对输入矩阵A和输出模式矩阵C的处理应同步进行。

处理前的两矩阵如下：

处理后的两矩阵如下：

2.训练：

将第1组数据作为训练样本呈现给网络，初始权重和阈值赋予一定范围内的随机值，计算每个节点的局部激活域。设神经元j在迭代n时的输出

处产生的误差信号为

e_j(n)＝d_j(n)-y_j(n)……(2)。

基于最速下降原理，突触权值在此时的修正值

将右侧改写为

根据delta法则及前文提出的激活函数敏感区概念，权值修正公式(5)为：

η称为学习速率，公式表示权值变化沿着负梯度方向下降。

被称为delta，指明了第l层w_ji(n)的变化情况。

的不同表达形式用以区分隐层与输出层的权值修正方式。

因此对于隐层突触权值的修正公式，它的结构与输出层权值修正公式结构完全相同，唯一区别在于对局部梯度δ_j(n)的计算方式。由于隐层神经元j的期望输出难以确定，因此需要前向层产生的误差信息。

最终任意层的突触权值的修正公式可归纳表示为：

在网络训练部分完成后进行网络修剪过程，多余的突触会记忆数据中非期望特征信息，出现网络过拟合的现象。利用误差函数的二阶信息，综合考虑复杂度和训练误差性能，删除多余权值(即对性能影响极小并可能导致网络的过度训练的权值)。最终得到的参数能够删除网络中多余的突触同时使性能函数增长最小，是网络复杂度与误差性能的理想的折中方案，因而进一步提高泛化能力。

3.验证：

选择第2组数据作为验证样本，设定周期查看网络的验证误差，通过验证则进入下一个周期。一般训练误差随着训练次数的增加而逐渐收敛，而验证误差则先单调降低后上升。在越过极小点后的网络开始捕捉数据内的噪声信息，将此时状态作为评判网络的停止准则可减少过拟合情况的发生。

网络的训练是非线性输入输出拟合的过程，泛化可视为网络关于验证数据的非线性插值结果。当过拟合发生时，会失去在其他样本中泛化的能力。前向BP神经网络中大量的隐层单元很可能存储过多的噪声因素，此时可利用交叉验证方法进行网络改善。

4.测试：

经验证后合乎要求的网络，用第3组数据进行测试。即输入多组配合煤质量参数，通过网络正向传播，计算出热态强度(CRI和CSR)的预测值。程序中运用的规则如下：

(1)样本区域化处理方式：

其中，

分别为样本数据处理前的原始值、平均值、方差及处理后的样本值，处理后的每个指标数据服从均值为0，方差为1的标准正态分布。

(2)网络误差计算方式：

瞬时能量函数：

系统的代价函数(公示11)

为误差能量函数在全部输出层神经元上的叠加。

上述本申请实施例中的技术方案，至少具有如下优点：

本发明方法基于炼焦试验结果，以配合煤煤质参数全水分M_t、灰分A_d、挥发分V_daf、硫分S_t,d和黏结性指标(X、Y和G)作为输入参数来预测热态强度(反应性指数CRI和反应后强度CSR)。充分考虑了配合煤在冶炼成焦炭后的差异性，克服了传统经验公式和函数拟合等方法结果应用性差的缺点，预测精度大大提高。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种预测焦炭热态强度的方法，其特征在于，包括以下步骤:

(1)数据预处理

要求数据关于整个训练集上的均值接近0，常规的处理是均值中心和方差规整；令输入输出模式A∈R^n×m、C∈R^p×m按列排列，分别计算A和C的n行和p行的均值，并在每行中对应减去该值；计算A和C的n行和p行的方差，在每行中除以对应的值，对输入矩阵A和输出模式矩阵C的处理应同步进行；

处理前的两矩阵如下：

处理后的两矩阵如下：

(2)训练

将第1组数据作为训练样本呈现给网络，给一定范围内的随机数，赋予初始权重和阈值，计算每个节点的局部激活域；

设神经元j在迭代n时的输出

处产生的误差信号为

e_j(n)＝d_j(n)-y_j(n)…(2)

基于最速下降原理，突触权值在此时的修正值

将右侧改写为

根据delta法则及前文提出的激活函数敏感区概念，权值修正公式为：

η称为学习速率，公式表示权值变化沿着负梯度方向下降；

被称为delta，指明了第l层w_ji(n)的变化情况；

的不同表达形式用以区分隐层与输出层的权值修正方式；

因此对于隐层突触权值的修正公式，它的结构与输出层权值修正公式结构完全相同，唯一区别在于对局部梯度δ_j(n)的计算方式；由于隐层神经元j的期望输出难以确定，因此需要前向层产生的误差信息；

最终任意层的突触权值的修正公式可归纳表示为：

在网络训练部分完成后进行网络修剪过程，多余的突触会记忆数据中非期望特征信息，出现网络过拟合的现象；利用误差函数的二阶信息，综合考虑复杂度和训练误差性能，删除多余权值；最终得到的参数能够删除网络中多余的突触同时使性能函数增长最小，是网络复杂度与误差性能的理想的折中方案；

(3)验证

选择第2组数据作为验证样本，设定周期查看网络的验证误差，通过验证则进入下一个周期；

在越过极小点后的网络开始捕捉数据内的噪声信息，将此时状态作为评判网络的停止准则可减少过拟合情况的发生；

当过拟合发生时，会失去在其他样本中泛化的能力；前向BP神经网络中大量的隐层单元很可能存储过多的噪声因素，此时可利用交叉验证方法进行网络改善；

(4)测试

经验证后合乎要求的网络，用第3组数据进行测试，即输入多组配合煤质量参数，通过网络正向传播，计算出热态强度的预测值；

程序中运用的规则如下：

a样本区域化处理方式：

其中，

S^aver、σ_S、S^P分别为样本数据处理前的原始值、平均值、方差及处理后的样本值，处理后的每个指标数据服从均值为0，方差为1的标准正态分布；

b网络误差计算方式：

瞬时能量函数：

系统的代价函数

为误差能量函数在全部输出层神经元上的叠加；

上述预测方法基于炼焦试验结果，以配合煤煤质参数全水分M_t、灰分A_d、挥发分V_daf、硫分S_t,d和黏结性作为输入参数来预测热态强度；

预测焦炭热态强度指标通过前向BP神经网络来实现。

2.根据权利要求1所述的预测焦炭热态强度的方法，其特征在于，将有代表性配合煤煤质参数作为前向BP神经网络的输入参数，焦炭热态强度作为输出参数，训练前向BP神经网络，得到输入参数和输出参数之间的非线性关系；然后将待预测配合煤的煤质指标作为输入参数，即得到预测的焦炭质量参数。

Images