CN1763523B - 竖炉焙烧系统磁选管回收率软测量方法 - Google Patents

Abstract

一种竖炉焙烧系统磁选管回收率软测量方法，包括选择辅助变量，建立知识库并向知识库提供初始知识，预报回收率；其中预报回收率时，判断工况参数是否在边界范围内，来选择由神经网络还是专家系统预报；预报结果及对应的工况参数将保存到数据库，同时显示给用户。该方法还提供对推理过程和预报结果的解释。该方法利用计算机系统和常规的检测仪表提供的在线过程数据结合人工采样数据，实现了竖炉焙烧系统磁选管回收率的基于神经网络结合专家系统的软测量。与人工测量相比，减少了操作人员的工作量，降低了人为操作引入的测量的不确定性，提高了测量的时效性。该方法具有很强的自适应和自学习能力。该方法适用面广，测量精确，有助于系统的优化。

Description

竖炉焙烧系统磁选管回收率软测量方法

技术领域

本发明属于自动化测量技术领域，特别涉及对竖炉焙烧系统磁选管回收率的软测量方法，竖炉焙烧系统是磁铁矿选矿厂竖炉焙烧工段中用于对原矿进行还原性磁化焙烧的系统，而磁选管回收率是焙烧矿(即磁化焙烧的产品)的重要质量指标。

背景技术

在磁铁矿选矿厂中，竖炉是一种通过一系列物理、化学过程，把弱磁性铁矿转化为强磁性铁矿的热工设备，其工艺过程称为“焙烧”。焙烧产品的质量通过磁选管回收率(以下简称回收率)衡量。而磁选管回收率是在磁选管这一设备中对焙烧矿样品进行化验得出的结果。在焙烧过程中影响回收率的因素有很多，而在竖炉焙烧做业中期望高值的回收率，因此对磁选管回收率的测量就尤为重要。

常规的磁选管回收率测量方法是通过定期或不定期的人工取样离线化验得到回收率数值。这种方法有许多不足：1、人工操作时人为因素影响大，测量结果的客观性差；2、焙烧过程的周期本身是一个较大的动态参数，很难确定测量结果所对应的工况；3、测量的时间间隔长且具有随机性，测量结果反馈的滞后时间也长，因此得到的信息对操作人员和系统整体控制缺乏指导意义。

发明内容

为了解决现有竖炉焙烧系统的回收率测量方法之不足，本发明提供一种基于神经网络结合专家系统的回收率软测量方法，该方法通过常规在线测量仪表提供的辅助变量的测量参数，给出当前的磁选管回收率的预报值，为竖炉焙烧生产过程的优化操作和优化运行提供关键指标。

本发明回收率测量方法所应用的硬件平台核心包括竖炉及其附属设备，附属设备包括搬出机、排矿辊等，同时配备了测量仪表、信号采集系统以及进行测量计算的计算机系统。

其中，竖炉焙烧系统的测量仪表包括：

安装在加热带外层的燃烧室内的热电偶，用于在线测量燃烧室温度T_RS；

安装在还原煤气进气管上的流量计，用于在线测量还原煤气流量L_HY；

安装在加热煤气管道上的压力计，用于在线测量加热煤气压力P_JR；

安装在加热煤气总管上的热值仪，用于在线测量煤气热值H_RZ。

信号采集系统为分布式计算机控制系统(DCS)，包括数据采集器和控制计算机，用以采集与传输测量仪表测得的信号。

本发明的软测量方法既可以通过DCS的控制计算机实现，也可以通过独立的监控计算机实现，该方法通过与上述信号采集系统进行通讯，获得实时的过程数据，再通过神经网络并结合专家系统预测磁选管回收率的结果。

本发明方法包括以下步骤：

步骤一、选择辅助变量；

本发明选择的辅助变量包括燃烧室温度T_RS，还原煤气流量L_HY，搬出时间t_BC，以及时间变量T。

步骤二、建立知识库，并向知识库中提供初始知识；

利用在竖炉焙烧作业中，常规离线化验测量磁选管回收率时，每隔一定时间间隔人工对旋流器溢流进行采样，采样的目标即上述辅助变量，然后化验获得磁选管回收率。对应每一次的采样时间，辅助变量都有对应的过程变量值，这样的一组数据，再结合对应的测量样本的磁选管回收率化验值ε_HYi，收集m组数据后，可以得到如下的数据集合：

M_v＝{[T_i，ε_HYi，T_RSi，L_HYi，t_BCi]|i＝1，...，m}

以上述数据集合按照下述规则构成映射，建立知识库，知识库中的知识表示如下：

{[T_i，T_RSi，L_HYi，t_BCi]|i＝1，…，m}→{ε_HYi|i＝1，...，m}

通常，竖炉焙烧作业要分期处理多种矿石，在做处理时边界条件是不同的，其中边界条件包括每一种矿石的粒度、易烧程度以及焙烧时的炉况，针对上述不同的边界条件本发明方法中分别建立对应的数据库。

步骤三、预报回收率；

(一)专家系统评判工况参数，确定边界条件，选择对应的知识数据库；

读取工况参数描述，其中工况参数为手动输入工况参数，或在线实时自动读取当前工况参数。工况参数包括判断辅助变量的取值范围以及边界条件选取情况，判断工况参数是否超出神经网络输入变量的边界。如果在边界范围内，由神经网络预报回收率；如果不在边界范围内，则由专家系统给出回收率预报值。

(二)训练神经网络；

1)更新知识库：对训练神经网络的知识库中的信息手动或自动进行增补、更新和修改。

2)参数归一化：给当前辅助变量进行归一化处理，使其数值处在0～1之间。

3)网络初始化：采用径向基函数(RBF)神经网络对磁选管回收率进行预报。首先按照均匀分配的方法给出权值的初始值，利用K-均值聚类法确定中心与函数宽度的初始值。

4)利用误差平方法计算误差函数E；

$E=\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{e}_j^2$

$e_j=d_j-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{j}G\left({\left|\right|x_j-t_i\left|\right|}_{c_i}\right)---\left(1\right)$

其中，N为样本数，j为样本的序数，m为所选隐单元数，d_j为磁选管回收率实际值，ω为权值，G为高斯函数，x为样本，t为隐函数的中心，c为变换矩阵。

5)利用梯度下降法计算权值ω；

$\frac{\∂E\left(n\right)}{{\∂\mathrm{\ω}}_i\left(n\right)}=\mathrm{\Σ}{e}_j\left(n\right)\·G\left({\left|\right|x_j-t_i\left(n\right)\left|\right|}_{c_i}\right)$

${\mathrm{\ω}}_i(n+1)={\mathrm{\ω}}_i\left(n\right)-\mathrm{\η}\·\frac{\∂E\left(n\right)}{\∂{\mathrm{\ω}}_i\left(n\right)}---\left(2\right)$

i＝1，2，...，m

其中，n为迭代次数，η为训练步长。

6)判断是否满足精度要求；

E_s为软测量精度合格标准，若误差函数E＜＝E_s，则说明神经网络的参数满足预报精度要求，训练结束，保存神经网络的结构和参数，以备回收率软测量之用；若E＞E_s，则说明神经网络的参数还没有达到预报精度要求，因此需要对其继续训练，重复步骤(4)～(6)，直至满足预报精度要求。

(三)计算回收率预报结果；

1)由神经网络给出磁选管回收率的预报值；

如果工况参数在神经网络输入变量的边界范围之内，则对当前的辅助变量归一化处理。利用训练好的神经网络，计算回收率预报值。

2)由专家系统给出磁选管回收率的预报值；

当系统自动实时读取的、或人为设定的任何一个工况参数的数值超出了神经网络输入变量的边界范围时，由专家系统按照分段线性化方法计算该工况对应的磁选管回收率。

3)显示并保存软测量结果：

把当前工况参数情况下预报的磁选管回收率的软测量值显示在人机界面上，并把当前工况参数、时间、软测量值等数据保存到数据库中。

为了充分发挥本发明的磁选管回收率软测量方法的功能，软测量程序能实时自动读取当前工况参数描述，具体时限长短可以根据生产管理部门的要求确定，然后按照上述方法自动对读取的当前工况描述进行回收率软测量，把软测量结果显示在操作者或者技术工人容易看到的画面上，保存结果及其它数据。另外还可以对数据库中一些时间久远、不适应于目前工况的记录进行适当删减。

本发明方法还具有专家解释功能，包括两方面：

①咨询理解。用户可以自行提交一些假设工况，本方法则给出该工况下的磁选管回收率预报值。

②结论解释。对推理过程以及预报结果进行解释，使用户在一定程度上明确推理过程和依据，达到人机共识的效果。对推理过程的解释，即向用户说明预报值是由神经网络还是由专家系统预报得出的；对预报结果的解释，即对偏离正常值的结果分析偏离原因并告知用户。

本发明竖炉焙烧系统磁选管回收率软测量方法，其操作过程执行步骤如下：

(A)开始；(B)确定边界条件，包括矿石粒度范围、炉况等一些不可控的自然情况，对应不同的矿石的边界条件，建立了不同的数据库，在这里确定了边界条件，就是选择其对应的软测量数据库；(C)学习或预报？选择“学习”时，执行步骤(D)，开始对神经网络进行训练；选择“预报”时，执行步骤(L)，进行磁选管回收率预报；(D)修改知识库；对训练神经网络的知识库中的信息进行增补、更新和修改；(E)参数归一化：给当前辅助变量进行归一化处理，使其数值处在0～1之间；(F)网络初始化：采用RBF神经网络对磁选管回收率进行预报，首先按照均匀分配的方法给出权值的初始值，利用K-均值聚类法确定中心与函数宽度的初始值；(G)计算误差函数E；(H)计算权值ω；(I)是否满足精度要求？若误差函数E＜＝E_s，E_s为软测量精度合格标准，则说明神经网络的参数满足预报精度要求，训练结束，继续(J)；若E＞E_s，则说明神经网络的参数还没有达到预报精度要求，还需对其继续训练，即转向H，重复(G)～(I)的操作；(J)保存网络设置：保存神经网络的结构和参数，以备回收率软测量之用；(K)是否进行回收率预报？如果选择“是”，则转向(L)，进行回收率预报流程；如果选择“否”，则跳到(S)，结束程序；(L)读取当前工况描述：也就是读取需要进行回收率软测量的工况描述参数或者在线实时自动读取当前工况描述参数；(M)判断工况参数是否超出神经网络输入变量的边界？包括加热带温度取值范围、还原煤气流量取值范围、搬出时间取值范围以及边界条件选取情况，如果“是”，则转向(Q)，由专家系统给出回收率预报值；如果“否”，则继续(N)，由神经网络预报回收率；(N)同步骤E；(O)读取神经网络相关参数：调用保存过的神经网络的结构及其内部参数，以便利用其对回收率进行预报；如果不需要继续测量，则转至(P)；(P)计算回收率预报值：利用以上准备好的神经网络对当前工况下的磁选管回收率进行预报；(Q)由专家系统给出磁选管回收率的预报值：当系统读取的、或人为设定的任何一个工况参数的数值超出了神经网络输入变量的边界范围，便不能够使用神经网络对回收率进行预报；这时，由专家系统按照分段线性化方法计算该工况对应的磁选管回收率；(R)显示并保存软测量结果：把当前工况的解即磁选管回收率的软测量值显示在人机界面上，并把当前工况描述、时间、软测量值等数据保存到相关数据库中，以供案专家评判、网络训练及其它操作使用；(S)结束。

本发明的优点在于：利用计算机系统和常规的检测仪表提供的在线过程数据结合人工采样数据，实现了竖炉焙烧系统磁选管回收率的基于神经网络结合专家系统的软测量。与人工测量相比，减少了操作人员的工作量，降低了人为操作引入的测量的不确定性，提高了测量的时效性。由于知识库不断有代表最新工况的新知识加入，不适应工况的旧知识又不断被删减替换，所以本发明中软测量方法具有很强的自适应和自学习能力。另外，由于本发明针对不同的矿石边界条件的差异用不同的知识库来进行推理，所以适用面广，软测量也更精确。该方法有助于实现竖炉焙烧系统的优化控制和优化运行。

附图说明

图1竖炉焙烧系统的测量仪表及计算机配置原理框图；

图2本发明的软测量方法的流程图；

其中，T_RS燃烧室温度，L_HY还原煤气流量，t_BC搬出时间，H_RZ煤气热值，P_JR加热煤气压力，_HY磁选管回收率化验值，KT热电偶，HT热值仪，QT流量计，PT压力计。

具体实施方式

某大型铁矿选矿厂的竖炉磁化焙烧工段，该选矿厂的主要铁矿石为赤铁矿、褐铁矿，脉石以重晶石、石英、碧玉及铁白云石为主，矿石实际含铁品位33％，竖炉焙烧的目的是将弱磁性的赤铁矿(Fe₂O₃)还原成强磁性的磁铁矿(Fe₃O₄)，使它能在选别强磁性矿物的低磁场强度的磁选机上进行选别，达到提高金属回收率。

按照本发明方法的要求安装如下的测量仪表，包括：

四个镍铬硅-镍硅镁热电偶，用于在线测量燃烧室温度T_RS；

一个威力巴流量计，用于在线测量还原煤气流量L_HY；

一个1151压力变送器，用于在线测量炉内负压P_LN；

一个3051差压变送器，用于在线测量加热煤气压力P_JR；

一个煤气热值分析仪，用于在线测量煤气热值H_RZ。

以可编程控制器(PLC)实现基础控制回路和搬出时间t_BC的自动控制，并读取上述的过程数据。在监控计算机中以RSView32软件实现监控人机界面。该竖炉焙烧系统的正常工作范围为：

台时处理量——22~27吨/(台·小时)

燃烧室温度——1050~1200℃

还原矿石温度——550~600℃

废气温度——＜100℃

煤气热值——4600~5000KJ/m³

煤气压力——4800~5200Pa

软测量程序用RSView32提供的VBA应用软件编制。软测量软件在单独的优化计算机上运行，该计算机上装有RSLinx通讯程序负责与PLC和上位机进行数据通讯，RSLinx与软测量程序之间通过DDE方式进行双向通讯。

本发明方法的具体实现过程如下：

步骤一、选择辅助变量，包括燃烧室温度T_RS，还原煤气流量L_HY，搬出时间t_BC，以及时间变量T。

步骤二、建立数据库，用实验的方法建立数据库的初始数据，并从知识库中获取初始知识。

步骤三、预报回收率。

(一)专家系统评判工况，确定边界条件，选择对应的知识数据库；

判断工况参数是否超出神经网络输入变量的边界，神经网络输入变量的边界为燃烧室温度(1000～1200)℃，还原煤气流量(2000～2600)m3/h，搬出时间(2～4)分钟。如果工况参数在边界范围内，由神经网络预报回收率；如果不在边界范围内，则由专家系统给出回收率预报值。

(二)训练神经网络；

神经网络训练过程中涉及到的初始值和训练步长根据具体工艺特征和经验具体确定如下：

网络初始值：

初始权值——ω_i(0)＝0.33     i＝1，2，11

隐函数中心初始值——t_i(0)＝[0.21，0.46，0.5]    j＝1，2，3

隐函数初始宽度—— ${\mathrm{\Σ}}_i^{-1}=\left[\mathrm{0.29,0.24,0.34}\right]$ j＝1，2，3

训练步长：η＝0.6118

神经网络训练过程：

燃烧室温度的样本数据：Temp＝[1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 10001000 1025 1025 1025 1025 1025 1025 1025 1025 1025 1025 1025 1025 1050 1050 1050 10501050 1050 1050 1050 1050 1050 1050 1050 1100 1100 1100 1100 1100 1100 1100 1100 11001100 1100 1100 1150 1150 1150 1150 1150 1150 1150 1150 1150 1150 1150 1150 1200 12001200 1200 1200 1200 1200 1200 1200 1200 1200 1200]；

还原煤气流量的样本数据：Flux＝[2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 29003200 2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 2900 3200 2000 2200 2400 26002900 3200 2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 2900 3200 2000 2200 24002600 2900 3200 2000 2200 2400 2600 2900 3200 2000 2200 2400 2600 2900 3200 2000 22002400 2600 2900 3200 2000 2200 2400 2600 2900 3200]；

搬出时间的样本数据：Carry＝[9    8    7    6    5    4    4    56    7    8    9    9    8    7    6    5    4    45    6    7    8    9    9    8    7    6    5    44    5    6    7    8    9    9    8    7    6    54    4    5    6    7    8    9    9    8    7    65    4    4    5    6    7    8    9    9    8    76    5    4    4    5    6    7    8    9]；

将样本数据归一化：

燃烧室温度的归一化计算方法为：X1＝(Temp-1000)/200；

还原煤气流量的归一化计算方法为：X2＝(Flux-2000)/1200；

搬出时间的归一化计算方法为：X3＝(Carry*60-120)/300；

利用误差平方法计算误差函数E；

$E=\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{e}_j^2$

$e_j=d_j-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{j}G\left({\left|\right|x_j-t_i\left|\right|}_{c_i}\right)---\left(1\right)$

其中，N为样本数，j为样本的序数，m为所选隐单元数，d_j为磁选管回收率实际值，

ω为权值，G为高斯函数，x为样本，t为隐函数的中心，c为变换矩阵。

利用梯度下降法计算权值ω；

$\frac{\∂E\left(n\right)}{{\∂\mathrm{\ω}}_i\left(n\right)}=\mathrm{\Σ}{e}_j\left(n\right)\·G\left({\left|\right|x_j-t_i\left(n\right)\left|\right|}_{c_i}\right)$

${\mathrm{\ω}}_i(n+1)={\mathrm{\ω}}_i\left(n\right)-\mathrm{\η}\·\frac{\∂E\left(n\right)}{\∂{\mathrm{\ω}}_i\left(n\right)}---\left(2\right)$

i＝1，2，...，m

其中，n为迭代次数，η为训练步长。

判断训练结果是否满足精度要求时所需的精度阈值Es规定为10^-4，通过公式(1)和(2)计算得出的E，当E＜E_s时，ω_i(34)＝0.79(i＝1)，ω_i(34)＝0.054(i≠1)，训练结束。

(三)计算回收率预报结果；

1)由神经网络给出磁选管回收率的预报值；

利用前述训练好的神经网络，最终算得磁选管回收率为0.7931。

2)由专家系统给出磁选管回收率的预报值；

当系统读取的、或人为设定的任何一个工况参数的数值超出了神经网络输入变量的边界范围时，由专家系统按照分段线性化方法计算该工况对应的磁选管回收率。

3)显示并保存软测量结果：

每隔1小时调用一次磁选管回收率软测量程序，进行一次该时间工况下的回收率软测量，并及时把软测量结果输出到计算机的系统管理画面，同时把软测量结果保存到磁选管回收率软测量实时数据库中，为操作者或相关技术工人进行参数优化和监督操作提供参考指导作用。

本发明即基于神经网络结合专家系统的竖炉焙烧磁选管回收率软测量模型在竖炉焙烧系统正常运行期间，能够根据过程的实时数据估计出磁选管回收率，相对误差不超过2％，成为一个具有很高实用价值的、低成本的回收率测量手段。

Claims (4)

1.一种竖炉焙烧系统磁选管回收率软测量方法，该方法所应用的硬件平台包括测量仪表、信号采集系统以及进行测量计算的计算机系统，其特征在于将该软测量方法用于竖炉磁化焙烧工段，包括以下步骤：

步骤一、从竖炉磁化焙烧工段的变量中选择辅助变量；

包括燃烧室温度T_RS，还原煤气流量L_HY，搬出时间t_BC，以及时间变量T；

步骤二、通过测量仪表中的镍铬硅-镍硅镁热电偶在线测量燃烧室温度T_RS，通过测量仪表中的威力巴流量计在线测量还原煤气流量L_HY，并建立由采样时间、辅助变量对应的过程变量值和磁选管回收率化验值构成的知识库，并向知识库中提供初始知识；

利用在竖炉焙烧作业中，收集常规离线化验测量得到的磁选管回收率和对应的辅助变量值，得到m组数据后，构成如下的数据集合：

M_V＝{[T_i，ε_HYi，T_RSi，L_HYi，t_BCi]|i＝1，…，m}

以上述数据集合按照下述规则构成映射，建立知识库，知识库中的知识表示如下：

{[T_i，T_RSi，L_HYi，t_BCi]|i＝1，…，m}→{ε_HYi|i＝1，…，m}；

步骤三、预报回收率；

(一)专家系统评判工况参数，确定边界条件，包括矿石粒度范围、炉况不可控的自然情况，选择对应的知识数据库；

(二)训练神经网络，神经网络的训练过程如下：

1)更新知识库：对训练神经网络的知识库中的信息手动或自动进行增补、更新和修改；

2)参数归一化：给当前辅助变量进行归一化处理，使其数值处在0～1之间；

3)网络初始化：采用径向基函数神经网络对磁选管回收率进行预报；首先按照均匀分配的方法给出权值的初始值，利用K-均值聚类法确定中心与函数宽度的初始值；

4)利用误差平方法计算误差函数E；

$E=\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{e}_j^2$

$e_j=d_j-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{j}G\left({\left|\right|x_j-t_i\left|\right|}_{c_i}\right)$

其中，N为样本数，j为样本的序数，m为所选隐单元数，d_j为磁选管回收率实际值，ω为权值，G为高斯函数，x为样本，t为隐函数的中心，c为变换矩阵；

5)利用梯度下降法计算权值ω；

$\frac{\∂E\left(n\right)}{\∂{\mathrm{\ω}}_i\left(n\right)}=\mathrm{\Σ}{e}_j\left(n\right)\·G\left({\left|\right|x_j-t_i\left(n\right)\left|\right|}_{c_i}\right)$

${\mathrm{\ω}}_i(n+1)={\mathrm{\ω}}_i\left(n\right)-\mathrm{\η}\·\frac{\∂E\left(n\right)}{\∂{\mathrm{\ω}}_i\left(n\right)}$

i＝1，2，…，m

其中，n为迭代次数，η为训练步长；

6)判断是否满足精度要求：

E_s为软测量精度合格标准，若误差函数E＜＝E_s，则说明神经网络的参数满足预报精度要求，训练结束，保存神经网络的结构和参数，以备回收率软测量之用；若E＞E_s，则说明神经网络的参数还没有达到预报精度要求，因此需要对其继续训练，重复步骤4)～6)，直至满足预报精度要求；

(三)计算竖炉磁化焙烧工段中磁选管的回收率，预报结果。

2.如权利要求1所述的一种竖炉焙烧系统磁选管回收率软测量方法，其特征在于所述步骤三(一)中，工况参数包括判断辅助变量的取值范围以及边界条件选取情况，通过手动输入，或在线实时自动读取；

判断工况参数是否超出神经网络输入变量的边界，如果没有超出边界范围，由神经网络预报回收率；如果超出边界范围，则由专家系统给出回收率预报值。

3.如权利要求1所述的一种竖炉焙烧系统磁选管回收率软测量方法，其特征在于所述步骤三(三)中，计算及预报的实现过程如下：

1)由神经网络给出磁选管回收率的预报值：

如果工况参数在神经网络输入变量的边界范围之内，则对当前的辅助变量归一化处理，利用训练好的神经网络，计算回收率预报值；

2)由专家系统给出磁选管回收率的预报值：

当系统自动实时读取的、或人为设定的任何一个工况参数的数值超出了神经网络输入变量的边界范围时，由专家系统按照分段线性化方法计算该工况对应的磁选管回收率；

3)显示并保存软测量结果：

把当前工况参数情况下预报的磁选管回收率的软测量值显示在人机界面上，并把当前工况参数、时间、软测量值等数据保存到数据库中。

4.如权利要求1所述的一种竖炉焙烧系统磁选管回收率软测量方法，其特征在于该方法的软件执行步骤如下：

(A)开始；(B)确定边界条件，包括矿石粒度范围、炉况等一些不可控的自然情况，对应不同的矿石的边界条件，建立了不同的数据库，在这里确定了边界条件，就是选择其对应的软测量数据库；(C)学习或预报？选择“学习”时，执行步骤(D)，开始对神经网络进行训练；选择“预报”时，执行步骤(L)，进行磁选管回收率预报；(D)修改知识库；对训练神经网络的知识库中的信息进行增补、更新和修改；(E)参数归一化：给当前辅助变量进行归一化处理，使其数值处在0～1之间；(F)网络初始化：采用RBF神经网络对磁选管回收率进行预报，首先按照均匀分配的方法给出权值的初始值，利用K-均值聚类法确定中心与函数宽度的初始值；(G)计算误差函数E；(H)计算权值ω；(I)是否满足精度要求？若误差函数E＜＝E_s，E_s为软测量精度合格标准，则说明神经网络的参数满足预报精度要求，训练结束，继续(J)；若E＞E_s，则说明神经网络的参数还没有达到预报精度要求，还需对其继续训练，即转向H，重复(G)～(I)的操作；(J)保存网络设置：保存神经网络的结构和参数，以备回收率软测量之用；(K)是否进行回收率预报？如果选择“是”，则转向(L)，进行回收率预报流程；如果选择“否”，则跳到(S)，结束程序；(L)读取当前工况描述：也就是读取需要进行回收率软测量的工况描述参数或者在线实时自动读取当前工况描述参数；(M)判断工况参数是否超出神经网络输入变量的边界？包括加热带温度取值范围、还原煤气流量取值范围、搬出时间取值范围以及边界条件选取情况，如果“是”，则转向(Q)，由专家系统给出回收率预报值；如果“否”，则继续(N)，由神经网络预报回收率；(N)同步骤E；(O)读取神经网络相关参数：调用保存过的神经网络的结构及其内部参数，以便利用其对回收率进行预报；如果不需要继续测量，则转至(P)；(P)计算回收率预报值：利用以上准备好的神经网络对当前工况下的磁选管回收率进行预报；(Q)由专家系统给出磁选管回收率的预报值：当系统读取的、或人为设定的任何一个工况参数的数值超出了神经网络输入变量的边界范围，便不能够使用神经网络对回收率进行预报；这时，由专家系统按照分段线性化方法计算该工况对应的磁选管回收率；(R)显示并保存软测量结果：把当前工况的解即磁选管回收率的软测量值显示在人机界面上，并把当前工况描述、时间、软测量值等数据保存到相关数据库中，以供案专家评判、网络训练及其它操作使用；(S)结束。

Images