一种新的加热炉状态识别算法

D0I:10.13374/i.issn1001053x.2002.03.078 第24卷第3期 北京科技大学学报 Vol.24 No.3 2002年6月 Journal of University of Science and Technology Beijing Jun.2002 一种新的加热炉状态识别算法 李擎》郑德玲)孟文博”童新海) 谢四江) 1)北京科技大学信息工程学院，北京，1000832)北京电子科技学院，北京，100039 摘要最小距离法是一种应用非常广泛的状态识别算法，但其在使用过程中要求待识别样 本必须符合类内距离较小、类间距离较大这一前提条件，否则将会造成识别错误.针对最小距 离法存在的问题，提出了一种基于人工神经网络的改进最小距离法，并将该方法应用于加热炉 工况的状态识别.结果表明，该方法具有识别速度快、识别率高的优点，完全能够满足工业生产 过程的需要 关键词状态识别：最小距离法；人工神经网络 分类号TP183;TP391.4 加热炉是钢铁企业中必不可少的生产设 成立，则集合{M}(iEK)称为集合M的一个划分， 备.本文将主要针对加热炉工况的状态识别方 而M(iE)称为这个划分下的一个类. 法进行研究，以便使控制器针对不同的工况采 设M(iE)是一个非空集，而M(EKjEL) 取不同的控制策略，从而提高推理速度，获得最 (指标集L,可以是有限的，也可以是无限的)是集 佳的控制效果 合M(iEK)的某些非空子集.如果有： [UM,=M,(iEK) 1 状态识别常用概念川 EL MnM=Φp≠+q) 1.1样本、特征和特征值 成立，则集合{M(iEK,jEL)}称为集合M(iE) 在状态识别中待识别的对象称为样本.和 的一个子划分，而M(iEKjEL)称为这个子划分 样本有关的一些因素称为该样本的特征，样本 下的一个子类. 的取值称为特征值.本系统样本用向量X= 下面举例说明类与子类的概念.设：A分类 [xx,…x]表示，其中xx,x为样本的特征，它 准则为工况相同的点为1类.B分类准则为：彼 们的具体数值称为样本的特征值 此间距离小于r的点为1类.如图1所示，按A分 1.2距离 类准则，M中的点可以分为3类，设指标集 距离是描述两个向量间相异程度的量，本 K={1,2,3),则M{M,M,M}.按B分类准则将 系统使用的距离是指欧式距离.其计算公式如 M(=1,2,3)中的点继续分类，M,M不能划 下： 分出子类，设L=L={1},则M={M},M={M1}, d=[x1-x)+(x2-x2+…+(xm-xn)P]2(1)） M中的点可分为3类，设L2={2,3},则M= 其中，xmxn是2个向量X=[xxa,…xnlX=[xnx, (Ma,Mi Ma). …xn]的特征值 事实上，如果M中的点直接按C(C=AnB)分 13类及子类 类准则进行分类，则可以直接划分出5个类，设 设M为全体样本的集合，M(iEK)(指标集K 可以是有限的，也可以是无限的)是一个非空集. M 如果有： UM=M 0). M,nM-=Φ M M 收稿日期20010604李擎男，30岁，博士 图1类及子类示意图 *国家自然科学基金资助课题N0.69372031) Fig.1 Sketch map of class and subclass

第 2 4 卷 第 3 期 2 002 年 6 月 北 京 科 技 大 学 学 报 JO u r n a l o f U n vi e r s iyt o f S e i e n e e a n d eT e h n o el gy B e ji i n g Vb l . 2 4 N 0 . 3 J u n . 2 002 一种新的加热炉状态识别算法 李 擎 ” 郑德玲 ” 孟 文博 ” 童新 海 ” 谢四 江 2 , l )北 京科技 大学信息工程学院 , 北京 , 10 0 0 8 3 2 )北 京电子科技学 院 , 北京 , 10 0 0 3 9 摘 要 最 小距 离法 是一 种应用 非 常广泛 的状态识别算法 , 但其 在使用过 程 中要 求待 识别 样 本必 须符合类 内距离 较小 、 类 间距离 较大这一 前提条件 , 否 则将会造成 识别错误 . 针对 最小 距 离法存在 的问题 , 提 出 了一 种基 于人工 神经 网络 的改进最 小距离 法 , 并将 该方法 应用 于加热 炉 工况 的状态识别 . 结果 表 明 , 该方法 具有识别速 度快 、 识别率高的优点 , 完 全能够 满足 工业生 产 过程 的需 要 . 关键 词 状态识 别 ; 最 小距 离法 ; 人工 神经 网络 分类 号 T P 1 8 3 ; T P 3 9 1 . 4 加 热 炉 是 钢 铁企 业 中必 不 可 少 的生 产设 备 . 本文将 主要针 对加热炉工况 的状态识别方 法进行 研究 , 以便 使控制器针对 不 同的工况采 取不 同的控制策略 , 从而提高推理速度 , 获得最 佳 的控 制效果 . 成立 , 则集合 {城 } (汇劝称为集合材的一个划分 , 而城 (汇幻称为 这个 划分下 的一个类 . 设 从 (汇幻是 一个 非空 集 , 而城(汇 KJ 任 L,) (指标集云可 以是有限的 , 也可 以是无 限的 )是集 合从 (汇幻 的某些非 空 子集 . 如果有 : 、尹. q 刁八以羊 从 必( 切 ! ù一 寿从= J 肋U以 n 1 状态识别 常用概念川 1 . 1 样本 、 特征和特征值 在状 态识别 中待识别 的对象称 为样 本 . 和 样本有 关的一些 因素称为该样本 的特征 . 样本 的取 值 称 为 特 征 值 . 本 系 统 样 本 用 向量 X = x[ :声2 , … 禹 ]表示 , 其 中 x ,燕 , … 丙 为样本 的特征 , 它 们 的具 体数值称 为样 本的特征值 . L Z 距离 距离是 描述 两个 向量 间相异程度 的量 , 本 系统使 用的距离是指 欧式距离 . 其计算公式如 下 : 绮= 【x( , , 一 xj l ) ,+ 汰一介 ) , + … + x(,n 一 xjn ) , 〕 ’ 佗 ( l ) 其 中声 , , xjn 是 2 个 向量戈 = x[, .凡 , … 声 ,n] , 不二 x[, 1为 , … 为]的特征 值 . 1 .3 类及子类 设材为全体样 本 的集合 , 从 i( 任幻(指标集 K 可 以是有 限的 , 也可 以是无限的)是一个非空集 . 如果有 : ! U M 二 M 1 ` 一 J` 灯勺 J . l从 n 鲜 = 必 收稿 日期 2 0 01 一 6刁 4 李 擎 男 , 30 岁 , 博士 * 国家 自然科学 基金 资助课题困.0 6 9 3 7 2 0 3 1) 成立 , 则集合 {城 (汇’K, E ,)L }称为集合从 i( 任幻 的一个子划分 , 而城 (汇’KJ 任 L,) 称为这个子划分 下 的一个子类 . 下 面 举例说 明类 与子类 的概念 . 设 : A分类 准则为工况相 同的点为 1类 . B分类 准则为 : 彼 此间距离小于 r的点为 1类 . 如 图 1所示 , 按A 分 类 准则 , M 中 的点 可 以 分 为 3 类 , 设 指 标 集 =K { 1 , 2, 3} , 则 人介 {肠 ,城 ,城 } . 按B 分类准则将 从 (=1 1 , 2, 3) 中 的 点 继 续 分 类 , 肠 ,城 不 能 划 分 出子类 , 设乙=L 3= { l} , 则 从 ={ 肠 : } , 城袱从 , } , 从 中的点 可 分 为 3 类 , 设几二 {2, 3} , 则 从 = {城 , ,城 2从 3 } . 事实上 , 如果 M 中的点 直接按 (C C今月n B) 分 类准则进行分类 , 则 可 以 直接划分出 5 个类 , 设 ④ ④ 火 … 竺少 (二二) 图 1 类及 子类④示意 图 F ig . l S ke t e h m a P o f e l a s s a n d s u b e la s s . DOI: 10. 13374 /j . issn1001 -053x. 2002. 03. 078

Vol.24 李擎等：一种新的加热炉状态识别算法 .365. 此时指标集Z={1,2,3,4,5},则M={M,M2,M,M, M},如图2所示.这样，经过A分类准则和B分 类准则2次划分后得到的子类M,(iEK,jEL)其 实就是C分类准则下的新类（为了和4分类准则 下划分出的类区分开来，故称之为新类) M(iEZ).实际上，新类M(ieZ)就是子类 M(iEK,jEL)的重新组合， 图4与各新类中心点向量的距离 Fig.4 Distance between Xand the central vector of each new-class. M 即可判定X属于第2类.此时识别结果是正确的. 鉴于此，本文提出了一种改进的最小距离 法.设用分类规则A分出的类为M,即MF{M}K 图2子类转化为新类示意图 当M(iE)中的数据不满足类内距离小、类间距 Fig.2 Transform from subclass to new-class 离较大这个前提条件时，可按某种分类方法B划 分出各类数据的子类M,(iEK,jEL).如果分类方 2最小距离法存在的问题及改进 法B能保证分出的各子类数据满足子类内距离 本文采用最小距离法进行状态识别，其 小、子类间距离较大的前提条件，则可以利用分 基本思想是：设法求出各类数据M的中心点 类方法C(C=AnB)将M仲的数据重新分类，新的 向量W(i=1~c,c为状态类别数)，对待识别样本 类号记为M(ieZ).实际上，M(iEZ)完全可以通 X,分别求出它与W,之间的距离：d=x-W 过把M(iEK∈L)按某种对应关系进行组合而 [Σ(x4-w],若d,=minX-W,则把X归为第j类. 得到，此时M仁{M}ea.求出各新类数据的中心 点向量W(iEZ).对待识别样本X,分别求出它与 应用上述方法一个前提条件是：同一类别 W(iZ)之间的距离d"(ieZ).若dmin{d,则把 样本在特征空间中聚集在一起，而不同的样本 则相离得比较远.即类内距离较小，类间距离较 归为第个新类.然后再根据新类与类的对应 大.如果不满足上述条件，应用最小距离法将发 关系，确定X所属的类， 利用上述识别思想进行状态识别时，尚有 生错误.以图3为例进行说明（和图1进行配 两个问题需要事先解决：(1)如何确定分类准则 合)：按A类规则对M进行分类，{M,M,M}, 设3类中心点向量分别为W,W,W;待识别样本 B,以保证各子类数据满足前提条件；(2)如何确 与W,之间的距离为d,d,d.很显然应将X归为第 定各新类数据的中心点向量W(EZ) 3类，而实际上X属于第2类，识别发生错误. 3实现改进最小距离法的人工神经 如果利用C(C=AnB)分类准则将M重新分 类，则{M,MM,M,M},待识别样本X与 网络模型及算法 W(=15)之间的距离分别为d'(=1-5).由图4可 3.1神经网络模型 以看出：d2min(d,d,d,d,d),所以将X归为新 用于状态识别的人工神经网络由2层节点 类中的第2类.根据新类和类之间的对应关系， 组成.如图5所示：第1层节点接收输人向量X= (xo,x,…xm-)(m为特征量个数)，并把输入向量的 各个分量作归一化处理.第2层中每1个节点 y00-n)表示1个新类，2层间的节点是完全互 连的，连接权值记作W,输出层中第了个节点对 应的权向量记为W(w,w,,州-). 3.2UR&SAL算法 状态识别用神经网络所采用的学习算法为 图3与各类中心点向量的距离 Fig.3 Distance between and the central vector of each class UR&SAL算法，该算法的具体步骤如下：

、 b l . 2 4 李擎等 : 一种 新的加 热炉 状态识 别算法 此 时指标集吞 { 1 , 2 , 3 , 4 , 5 } , 则人介 {尸 , , 斌 , 斌 , .yM , 人少飞} , 如图 2 所示 . 这样 , 经过 A分类准则 和B分 类准则 2 次划 分后得 到的子类城l’( 任 v’K 任L,) 其 实就是 C分类 准则下 的新类 (为了和 A分类准则 下 划 分 出 的 类 区 分 开 来 , 故 称 之 为 新 类 ) 斌i( 任乃 . 实 际 上 , 新 类斌i( E 幻 就 是 子 类 城 i( 任 K’J 任 L,) 的重新组合 . 丈一兰岁 ④ 义一竺夕 皿 ha 图 4 与各新类 中心点 向 , 的距 离 Fig · 4 Dis t a n e e b e七钾 e e n X a n d th e 忱 n t r a l v e ct o r o f ae e h n e w 一 Cl a胎 . 图 2 子 类转化为新 类示 意 图 F ig . 2 竹 a n s fo r m fr o m s u b e l a s s t o n we , c l a s s 2 最小距离法存在的问题及改进12 本 文 采用 最小 距 离 法 进行 状 态识 别 , 其 基本思 想是 : 设法 求 出各类数 据从 的 中心 点 向量 不(卜 1一c, 。 为状态类 别数 ) , 对待识 别样本 x , 分 别求 出 它 与 班 之 间 的 距 离 汉:l 跨班胎 〔艺(x^ 一 w 泪 ’ 2/ ,若铸=nI inI 跨 班}I ,则 把尤归 为第j 类 . 应用 上 述方法一 个前提条件是 : 同一 类别 样本在特征空 间 中聚集在一起 , 而 不同的样本 则相离得 比较远 . 即类 内距离较小 , 类 间距离较 大 . 如果不满足 上述条件 , 应用最小距离法将发 生 错误 . 以 图 3 为例进行说 明 (和 图 1 进行配 合 ) : 按 A类规则对 材进行分类 j 卜 {肠 ,城 ,从 } , 设 3 类 中心 点向量分别为 不 , 矶 , 琪 ; 待识别样本 与 班之间 的距离为 d . 燕 ,话 . 很显然应将多归为第 3 类 , 而 实际上 训 $ 属于 第 2 类 , 识别发 生错误 . 如 果利 用 (C C = 月n )B 分类 准则将 M 重新 分 类 , 则几子 二 (材 , , 斌斌 ,材、 , 斌} , 待识 别样本尤与 砰仪拼 l 一 5) 之 间的距离分别为试(扮卜 5 ) . 由图 4 可 以看 出 : d兮 二 m in (了 , ,叭 , 叭 ,武 ,叭) , 所以 将尤归 为新 类 中的第 2 类 . 根据新类和 类之间的对应关 系 , 即可判定万属于 第 2 类 . 此时识别结果是正 确的 , 鉴于此 , 本文提 出了一种 改进 的最 小距 离 法 . 设用分类规则A 分出的类为从 , 即 几卜 二 {似 } , 。 当脱 ( i任劝 中的数据不 满足类 内距离小 、 类间距 离较大这个前提条件时 , 可按某种分类方法B 划 分 出各类数据的子类城i( 任 ’uK 任 L,) . 如果分类 方 法 B能保证 分出的各子类数据满足子类 内距 离 小 、 子类间距离较大的前提条件 , 则可 以利用 分 类方法 (C 〔片汉n )B 将刀中的数据重新分类 , 新 的 类 号记 为斌(汇幻 . 实际上 , 斌i( 任幻完全 可以 通 过 把城i( 任 ’aK 任 L,) 按 某种对 应关 系进行组合 而 得 到 , 此 时人仁 {斌 } (二。 . 求 出各新类数据 的中心 点向量 环代( ie 幻 . 对待识 别样本X , 分别求 出它与 邢:i( 任幻之 间的距离武(汇幻 . 若 d :劝in{ 试 } ,则 把 J 归为第Z个新类 . 然后再根据新类 与类 的对应 关 系 , 确定工所属 的类 . 利 用上述识 别思想 进行 状态识别时 , 尚有 两个 问 题需要事先解决 : ( l )如何确定分 类准则 B , 以保 证各子类数据满足前提条件 ; ( 2) 如何确 定各新 类数据的 中心 点 向量 砰方e 幻 . 图 3 与 各类中 心点 向 , 的距离 Fi乡 3 Di s at n c e b eWt e e n a n d t h e e e n t r a I v e e t0 r 0 f e a c b c l a s s 3 实现改进最小距离法的人工神经 网络模型及算法 .3 1 神经网络模型 l3,4 用于状 态识 别的人 工神经 网 络由 2层节点 组成 . 如图 5所示 : 第 l层节点接收输人向量 X 二 x(0 内 , …凡 一 , ) ( 。 为特征量个数 ) , 并把输入 向量 的 各个分量作归一化处理 . 第 2 层 中每 l 个节点 yj 心二 0一 n) 表示 1 个新类 , 2 层 间的节点是完全互 连的 , 连接权值记作 巩 ,输 出层中第 j 个节点对 应 的权 向量记为 牙片(wj0 , w/ , , … , wj, , 一 : .) 3 . 2 U R & S A L 算法 俘, 状态识别用神经 网络所采用的学习算法 为 U R& S A L 算法 , 该算法 的具体步骤如下 :

366 北京科技大学学报 2002年第3期 STEP11如果样本已全部输人，进行下一步； 否则转STEP9. STEP12计算误差E-max(0.5×‖W.(t什1)- W(t)),若E小于给定的误差限ε，结束；否则转 W STEP9. STEP1-STEP7为学习的第1阶段，类似于 ART算法.属于无监督学习，但没有噪声抑制过 -1 图5状态识别用神经网络结构图 程.这几步对输人数据进行预处理（归一化），把 Fig.5 Structure of neural networks for state recognition 各类数据进一步划分为子类.由于各子类的数 据与其中心点向量间的距离d=mind且d≤p, STEP1确定各类数据可分子类数的范围 所以保证了各子类的数据符合子类间距离较 [Ss,Sa],设置距离警戒参数p的范围[Pp].把输入 大、子类内距离较小这个前提条件，从而解决了 向量的各个分量归一化.总的类数记为C 第2节中提出的第(1)个问题.顺便提一下，距离 STEP2令K=1(K为类序号). 警戒参数是自适应变化的，它可以不断调整， STEP3新类序号记作L,L=ΣS(S,表示第类 直到每1类数据所分出的子类数满足要求为止， 分出的子类数，规定Sx=1).W=XO),XO)为第K 即保证Sx∈[Ss,Sl. 类对应的第1个输入向量， STEP8-STEP12为学习的第2阶段，实施的 STEP4对于第K类的每1个输入模式X,做 是有监督的学习，主要用来调节各连接权向量， 以下几步：①活动.计算X和该类各连接权向量 使其收敛到各新类数据的中心点，同时用来纠 !之间的距离d"dXW)x-w.②竞 正第1阶段的个别分类错误.可以看到，学习的 第2阶段计及了分类的正确与否.如果本次输 争.确定d=mind(Y,W)对应的权向量W.如果有 入向量的分类结果是正确的，则系数按正常学 多个这样的权向量，随机地从中选1个.③共振. 习来调整，保证连接权向量收敛到各新类数据 如果d>p,则在输出层增加1个节点，并赋予该 的中心点.所以，各新类数据的中心点向量就是 节点新的类序号L,且W=X,同时Sx=Sx+1,L=L+1, 对应于该新类的连接权向量，从而解决了第2 转到STEP5.④学习.如果d≤p,则W=+ 节中提出的第(2)个问题.如果分类结果是错误 X-),其中B为学习率. 的，则纠正错误，进行反向调整.其中(t)是1个 STEP5如果第K类样本已全部输人，转 随学习步数的增加而下降的步幅函数，用于压 STEP6;否则转STEP4. 制随机干扰，保证神经网络收敛到均方意义下 STEP6如果Sx∈[S,Sa]则进行下一步；否则 的局部最小值.()应同时满足下列约束： 更新警戒参数p,转STEP3 a(t)-o0 STEP7如果K<C,则K=K+1转STEP3. (3) STEP8根据新的类序号初始化权向量： a200 0 W(0)=W,L=1,2,…,n.其中n=∑S表示新类的总 如a(t)-a(1-t/T)就满足这个要求.其中a是1个 类数. 不大于1的正实数；t代表学习步数；T是1个常 STEP9随机地选择一个输入样本X),求出 量，它可以根据实际情况由用户确定 )与W()之间的距离.如果d,=mind(X), 4 W(),则X)应归为编号为r的新类.已知X)所 改进的最小距离法在加热炉状态 属类别为K,而根据新类号所确定的类别为 识别过程中的应用 SETP10更新权向量.其公式如下： W(t+1)=W"(t)+a(t)(X(t)-W(t))K=K' 经过特征提取，选出均热段炉温、加热[段 W(t+1)=W()-a){X)-W,(t)}K≠K'(2) 炉温、加热Ⅱ段炉温、炉压4个主要特征组成特 W(t+1)=W(t)） L丰r 征空间，所以神经网络有4个输人节点，它们依 其中a(t)为步幅函数. 次代表以上4个主要特征

一 3 6 6 - 北 京 科 技 W 月 州一 1 图 5 状态识 别用 神经 网络 结构 图 F ig . 5 S t r u e t u r e o f n e u r a l n e wt o r kS fo r s t a t e r e e o gn iit o n s T E PI 确 定各 类 数 据 可 分 子类 数 的范 围 sS[ ,凡 ] ,设置距离警戒参数户的范围叭八」 . 把输人 向量 的各个 分量归一化 总的类数记 为 C s T E ZP 令 K 二 1 (K 为类序 号 ) . S T E P 3 新类 序号记 作L 声二 艺及(S, 表示第 i类 分 出的子类 数 , 规定及一 1) . 叭气双0) 爪0) 为第K 类对应 的第 1 个 输人 向量 . s T E 4P 对 于第 K 类 的每 1 个输人模式X , 做 以 下几步 : ① 活动 . 计算尤和 该类各 连接权 向量 砰几之 间 的 距 离 d =, d( 尤肥):[ 艺 x(, 一 w 守 1 ’ 口 . ② 竞 争 . 确定试二in d( 尤肥 )对应 的权 向量 肥 . 如果有 多个这样 的权向量 , 随机地从 中选 1个 . ③共振 . 如果 d知 , 则在输 出层增 加 1 个 节点 , 并 赋予该 节点新 的类序号L, 且 叭只 Y , 同时又= 又+1 声=L +l , 转到 S T E SP . ④学 习 . 如果磷` p , 则 砰片肥 + 刀伏二 肥) , 其 中刀为学习 率 . s T E PS 如 果 第 K 类 样 本 已 全 部 输 人 , 转 S T E P 6 : 否则 转 S T E P4 . S T E P 6 如果又 E 【sS 凡」则进行下一 步 ; 否则 更新 警戒参数户 , 转 S T E 3P . S T E P 7 如果犬丈C , 则犬二犬汗 1转 S T E P 3 . S T E P S 根 据 新 的 类 序 号 初 始 化 权 向 量 : 砰飞(0 ) 一 砰飞 , L =l , 2 , … , n . 其 中二艺及表示新 类的总 类数 . sT E gP 随机地选择一个输人样本双t) , 求 出 双)t 与 砰议)t 之 间 的距 离 . 如 果 ’dr = m 1 n d( 溉)t, 砰议)t , 则双t) 应 归为编号为 r 的新类 . 已知城t) 所 属 类别 为K , 而根据新类 号所确定 的类 别为r . S E T P 10 更新 权 向量 . 其公 式如下 : {附仁(+t 1) = 附仁(t) 十a (日褚效 价一 砰几(价飞 犬毕尤 ` 弓砰牛(+t l ) = 砰仁( r ) 一 a ( t ) {石t) 一 砰仁(t) } K 羊 K ` ( 2、 {甲飞(+t l) = 牙飞( t) L 羊 r 其 中a( t) 为步 幅函 数 . 大 学 学 报 2 0 02 年 第 3 期 sT EP 1 1如果样本 已全部输人 , 进行下一步 ; 否则转 S T E P.g S T E p 12 计 算 误 差 E =切 ax ( 0 . 5 x }}砰飞(+t l卜 叭(t) }! 2 ) , 若 E小 于给定 的误差 限。 , 结 束 ; 否 则转 S T E Pg . S T E P I一 S T E P 7 为学 习 的第 1 阶段 , 类 似于 A RT 算法 . 属于无监督学习 , 但没有噪声抑制过 程 . 这几步对输人数据进行 预处理 ( 归一化 ) , 把 各类数据进一 步划分为子类 . 由于 各子类 的数 据与 其 中心 点 向量 间 的距 离d 片m in ’d, 且试` p , 所 以 保证 了各 子 类 的数据 符合 子类 间距 离 较 大 、 子类 内距离较小这个前提条件 ,从 而解决了 第 2 节中提出的第 ( l) 个问题 . 顺便提一下 , 距离 警戒参数p 是 自适应 变化 的 , 它可 以不 断调整 , 直到每 1类数据所分 出的子类数满足 要求为止 , 即 保证凡 e[ sS , s ] . S T E P S一 S T E P 12 为学 习 的第 2 阶段 , 实施 的 是有监督 的学 习 . 主 要用来调节各连 接权 向量 , 使 其收敛到各新类 数据 的 中心点 , 同时用 来 纠 正第 l 阶段的个别分类错误 . 可 以看到 , 学习 的 第 2 阶段 计及 了分类 的 正确与否 . 如果本 次输 人 向量 的分类结果 是正确 的 , 则系数按正 常学 习 来调 整 , 保 证连接权 向量 收敛到各新类数 据 的中心 点 所以 , 各新类数据 的中心 点 向量就是 对应 于该新类 的连 接权 向量 , 从而解决 了 第 2 节 中提 出的第 (2) 个 问题 . 如果 分类结果是错误 的 , 则 纠正错误 , 进行反 向调整 . 其 中a( )t 是 1个 随学 习 步数 的增加 而下降 的步 幅函 数 , 用 于压 制 随机干扰 , 保 证神经 网络 收敛到均方意义下 的局 部最小值 . a( t) 应 同时满足下列约束 : } 艺a ( t) = 二 ( 3 ) 艺a Z (t) < 二 如 a( t) = a0 ( 1一 t/ 乃就满 足这个要求 . 其 中a0 是 1 个 不 大于 1 的正实数 ; t代表 学习 步数 汀是 1 个 常 量 , 它 可 以 根据实际情况 由用户确定 . 4 改进的最小距离法在加热炉状态 识别过 程中的应 用 经过特征提取 , 选 出均热段炉 温 、 加热 I段 炉温 、 加热 n 段炉温 、 炉压 4 个 主要特征组成特 征空 间 , 所 以 神经网 络有 4 个输人节 点 , 它们依 次代表 以上 4 个 主要特征

Vol.24 李整等：一种新的加热炉状态识别算法 ·367· 根据加热炉实际工况，现场数据应分为5 应于炉温低的情况而已.从上述分析结果看，分 类，即={M,M,M,M,M}={正常，炉温高，炉 出的子类完全符合实际情况，故UR&SAL算法 温低，炉压高，炉压低.我们在现场采集了120 的第1阶段是完全合理的.神经网络的输出节 组数据，其中80组作为训练样本，另外40组数 点共计有1+7+7+1+1=17个.在经过UR&SAL算 据用来检验状态识别的正确率.经验证，各类数 法的STEP8STEP12处理后，就能确定各新类 据不满足类内距离较小、类间距离较大这个前 数据的中心点向量W(=016)了. 提条件，所以不能直接采用最小距离法进行状 网络经过训练后就可以用于状态识别了， 态识别，而应该采用UR&SAL算法对数据进行 设输入的状态向量为X,分别求出X与各新类中 处理后，再利用最小距离法进行识别. 心点向量W(0-16)之间的距离d”=X-W= 设定[Ss,S]=[1,10],[psp]=[0.01,0.05],取p= [2x-w9](=0-16),找出最小距离d-minX- 0.02.经过UR&SAL算法的STEP1-STEP7处理 W,则X属于新类中的第类.再根据表1中类K 后，类1、类4、类5中的数据只有1个子类，即 新类的对应关系，确定X所属的类别K. S,=S=S,=1.类2、类3中的数据各分成7个子类， 对40个检验用样本进行状态识别，识别的 即S,=S,=7.对各子类的权值进行分析后可以看 结果如表2所示 出，类2的7个子类分别为M={M1,M2,Ma,M, M,M,M,}={只有均热段炉温高，只有加热I 表1类K与新类方的对应关系表 Table 1 Relationship between new-class()and class(K) 段炉温高，只有加热Ⅱ段炉温高，均热段和加热 in state recognition of heating furnace I段炉温均高，均热段和加热Ⅱ段炉温均高，加 新类j 2-89-1516 17 热1段和加热Ⅱ段炉温均高，3段炉温全高}.类 类K 1 2 5 3的7个子类和类2的7个子类对应，只不过对 识别类型正常炉温高炉温低炉压高炉压低 表2加热炉炉温和炉压状态识别结果表 Table 2 The recognition result of 40 testing samples for temperature and pressure of heating furnace 序均热加热【加热Ⅱ炉压/状态的状态识别类正确序均热加热I加热Ⅱ炉压/状态的状态识别类正确 号段/℃段/℃段/℃Pa新类的类型性 号段/℃段/℃段/℃Pa新类的类型性 112501300125019.6 11正常△ 2113201336130422.6 62炉温高Δ 2124312001157 19.6 153炉温低△ 2212581300125421.6 11正常 △ 3128113251263 22.6 1 1 正常 23127012851239 24.5 11正常 △ 4130913541286 24.5 1 1正常△ 2412571287 1274 20.6 1 1 正常 ▲ 512831322 1266 16.7 17 5炉压低△ 2512561322 1258 23.5 1正常 △ 612671315 1266 23.5 1 1 正常 261275 1325 1265 21.6 1 1正常 △ 713521396 1357 21.6 8 2炉温高 △ 271220 1280 1270 21.6 123炉温低 81246 1294 1258 23.5 正常 281265 1330 1265 20.6 1 正常 4 91272 1335 1269 22.6 1 正常 △ 29 1270 1329 1278 21.6 1 正常 10 1306 1355 1283 27.5 4炉压高 △ 1325 1300 1250 17.7 17 5炉压低 111251 1305 1259 22.6 1 正常 △ 31 1259 1299 1255 22.6 1 正常 121248 1314 1265 21.6 正常 △ 32 1258 1308 1265 21.6 1 1 正常 131165 1310 1260 24.5 9 3炉温低 △ 1239 1325 1180 23.5 13 3炉温低 △ 141286 1320 1260 29.4 16 4炉压高 g 1255 1305 1255 20.6 1 正常 151290 1311 1273 23.5 1 正常 1279 1328 1245 23.5 1 1 正常 △ 1612781327 1265 22.6 1 正常 △ 哈 1264 1309 1255 21.6 1 1 正常 1712831330 1284 18.6 17 5炉压低△ 1270 1335 1276 14.7 17 5炉压低△ 18125813061263 21.6 1 1 正常 △ 38 1248 1315 1275 22.6 1 1 正常 4 1912751315125522.6 1正常 39 12501306 1254 22.6 1正常 2012451320127021.6 1 1 正常△ 4012431320126720.6 11正常△ 注：△表示识别正确，▲表示识别错误

Vb 】 一 2 4 李擎等 : 一种 新的加 热炉状态 识别 算法 . 3 6 7 . 根据加热炉实 际工 况 , 现场数据应分为 5 类 , 即 人介 {肠 ,城 ,姚 , 从 ,从 卜 {正常 , 炉温高 , 炉 温低 , 炉压高 , 炉压低 } . 我们 在现场采集 了 120 组数据 , 其 中 80 组作为训练样本 , 另外 40 组数 据用来检验状态识别的正确率 . 经验证 , 各类数 据不满 足类 内距离较小 、 类间距离较大这个前 提 条件 , 所 以不 能直接采用最小距离法进行状 态识 别 , 而应该 采用 U R& S A L 算法对数据进行 处理后 , 再利用最小距 离法进 行识 别 . 设 定 [sS 凡 ] = 「1 , 1 0」 , 叻 s 刃B」= [ 0 . 0 1 , 0 . 0 5 ] , 取户= 0 . 0 2 . 经过 U R & S A L 算 法的 S T E P I一 S T E P 7 处理 后 , 类 卜 类 4 、 类 5 中的数据 只有 1 个子类 , 即 5 1一凡钱 一 1 . 类 2 、 类 3 中的数据各分成 7 个子类 , 即凡=aS = 7 . 对各子类 的权值进行分析后 可 以 看 出 , 类 2 的 7 个子类 分别 为城 袱城 : ,城 2 ,城 3 ,从 4 , 城 , ,从 6 ,城 7卜 {只有 均热段 炉温 高 , 只 有加热 I 段炉 温高 , 只有加热 n 段炉温高 , 均热段和 加热 I 段炉 温均高 , 均热段和 加热 n 段炉温均高 , 加 热 I 段和 加热 n 段炉 温均高 , 3 段炉温全高 } . 类 3 的 7 个子类和类 2 的 7 个子类对应 , 只不 过对 应于 炉温低 的情况而 已 . 从上 述分析结果看 , 分 出的 子类完全符合实 际情况 , 故 U R & s A L 算法 的第 1 阶段是完全合理 的 . 神经 网络 的输 出节 点共计 有 1+7 +7 +1 +l = 17 个 . 在经过 U R& S A L 算 法 的 S T E SP 一 S T E P 12 处理后 , 就能确定各新类 数据 的中心 点 向量 肥( =1 0一 16) 了 . 网络经 过训 练后 就 可 以用 于状 态识别 了 , 设输人 的状态 向量 为X , 分别求 出尤与各新类 中 心 点 向量 砰义同 一 1 6 )之 间 的距 离 d 别} J Y` 肥】1 二 3 咚 x(, 一 w 份] ’ ` , (卜0一 1 6 ) , 找 出最小距离 d :=tn i n l比` 少月 i 肥日 ,则刃属于新类 中的第厂类 . 再根据表 1 中类 K 新为的对应关 系 , 确定尤所 属 的类 别.K 对 4 0 个检验用样 本进行状态识别 , 识别 的 结果 如表 2 所示 . 表 1 类 K 与新 类 j 的对应关 系表 aT b l e 1 R e la t i o o s h i P b e wt e e n n ew 一 e la s s (j ) a n d e is s s ( K ) i n s t a et er c o g n i t i o n o f h e a t i n g fu r n a e e 新类 j 1 2一 5 9一 1 5 1 6 1 7 类 K 1 2 3 4 5 识别类 型 正常 炉温高 炉温低 炉压高 炉压低 表 2 加热 炉炉温 和炉压 状态识 别结 果表 aT b l e 2 T b e ecr o g n i柱o n esr u lt o f 40 est it n g s a m PI韶 fe r t e m P e邝tU er a n d P erS u er o f h e a t i n g fu r n a e e 序 均热 加热 I 加热 n 炉压 / 状态 的 状态 识别类 正确 序号一212:3对6527893031245678390 号 段 /℃ 段 /℃ 段 / ℃ aP 新类 的类 型 性 1 1 2 50 1 3 0 0 1 2 5 0 1 9 . 6 1 2 12 4 3 12 0 0 11 5 7 1 9 . 6 1 5 3 12 8 1 132 5 126 3 2 2 . 6 1 4 1 3 0 9 1 3 5 4 12 8 6 2 4 . 5 1 5 1 2 8 3 1 3 2 2 12 6 6 1 6 . 7 1 7 6 1 2 6 7 1 3 15 1 2 6 6 2 3 . 5 1 7 1 3 5 2 1 3 9 6 13 5 7 2 1 . 6 8 8 1 2 4 6 1 2 9 4 12 5 8 23 . 5 1 9 127 2 1 33 5 12 6 9 2 2 . 6 1 10 1 3 0 6 1 3 5 5 12 8 3 2 7 . 5 1 6 1 1 1 25 1 1 3 0 5 12 5 9 2 2 . 6 1 12 124 8 1 3 14 12 6 5 2 1 . 6 1 13 1 16 5 1 3 1 0 12 6 0 2 4 . 5 9 14 12 8 6 1 3 2 0 12 6 0 2 9 . 4 1 6 15 129 0 13 11 12 7 3 2 3 . 5 1 16 12 7 8 1 3 2 7 12 6 5 2 2 . 6 1 1 7 12 8 3 13 3 0 1 28 4 1 8 6 17 1 8 12 5 8 13 0 6 1 26 3 2 1 . 6 1 1 9 1 27 5 1 3 15 1 2 5 5 2 2 . 6 1 2 0 1 24 5 1 3 2 0 1 27 0 2 1 . 6 1 注 : △表示 识别正确 , ▲ 表示 识别错 误 正常 炉温低 正常 正常 炉压低 正常 炉温高 正常 正常 炉压高 正常 正常 炉温低 炉压高 正常 正常 炉压低 正常 正常 正常 均热 加热 I 加热 n 炉压 / 状态的状态 识别类 正确 段 /℃ 段/ ℃ 段 /℃ P a 新类 的类 型 性 1 3 2 0 1 3 3 6 13 0 4 2 2 . 6 6 2 炉温高 △ 12 5 8 1 30 0 12 5 4 2 1 . 6 1 1 正常 △ 12 7 0 1 2 8 5 12 39 2 4 . 5 1 1 正常 △ 1 2 5 7 12 8 7 12 7 4 2 0 . 6 1 1 正常 ▲ 1 2 5 6 13 2 2 12 5 8 2 3 . 5 1 1 正常 △ 1 2 7 5 1 3 2 5 12 6 5 2 1 . 6 1 1 正常 △ 1 2 2 0 12 8 0 12 7 0 2 1 . 6 12 3 炉温低 △ 1 2 6 5 13 3 0 12 6 5 2 0 . 6 1 1 正常 A 127 0 1 3 2 9 1 2 7 8 2 1 . 6 1 1 正常 △ 1 3 2 5 13 0 0 12 5 0 17 . 7 17 5 炉压低 △ 1 2 5 9 12 9 9 12 5 5 2 2 . 6 1 1 正常 △ 12 5 8 1 3 0 8 1 2 6 5 2 1 . 6 1 1 正常 △ 12 3 9 1 3 2 5 1 1 8 0 2 3 . 5 1 3 3 炉温低 △ 12 5 5 1 3 0 5 1 2 5 5 2 0 . 6 1 1 正常 △ 12 7 9 1 3 2 8 1 2 4 5 2 3 . 5 1 1 正常 △ 12 6 4 1 3 0 9 1 2 5 5 2 1 . 6 1 1 正常 △ 12 7 0 1 33 5 1 2 7 6 1 4 · 7 1 7 5 炉压低 A 12 4 8 1 3 1 5 1 2 7 5 2 2 6 1 1 正常 A 12 5 0 1 3 0 6 1 2 5 4 2 2 . 6 1 1 正常 △ 12 4 3 1 32 0 12 67 2 0 . 6 1 1 正常 A △△AA

368 北京科技大学学报 2002年第3期 5结论 参考文献 】边肇祺.模式识别M北京：清华大学出版社，1988 从上表中可看出，已训练好的神经网络对 2李擎状态识别及无搜索快速推理理论的建立[D]: 输人向量X的识别率高达97.5%，而采用最小距 [硕士学位论文].北京：北京科技大学，1995 离法时，其识别率仅有35%.这充分证明了本方 3施宏宝.神经网络及其应用M[.西安：西安交通大学 法具有识别率高的特点.此外，由于神经网络具 出版社，1993 有并行处理数据的能力，所以基于神经网络的 4陈明.神经网络模型M].大连：大连理T大学出版 社，1995 最小距离法用于状态识别，其识别速度也是相 5王仕军，王树林.一种用神经技术学习模糊分类规则 对比较快的.以上两点充分说明了该算法的可 的方法.计算机研究与发展，1995,32(4)：6 行性，它能够满足工业生产过程的需要 A New kind of Algorithm for State Recognition of Heating Furnace LI Qing",ZHENG Deling",MENG Wenbo,TONG Xinhat,XIE Sijiang 1)Information Engineering School,UST Beijing,Beijing 100083,China 2)Beijing Electron Science and Technology,Beijing 100039,China ABSTRACT MDM(Minimum Distance Method)is a very familiar algorithm in state recognition.But it has a presupposition,that is,the distance within one class is short and the distance between classes is long.When this presupposition is not satisfied,a mistake is made.In order to overcome the shortcomings of MDM,an im- proved minimum distance method based on ANN(Artificial Neural Networks)is presented.The simulation re- sults demonstrate that this method has two advantages,that is,the rate of recognition is fast and the accuracy of recognition is high. KEY WORDS state recognition;minimum distance method;artificial neural networks 6堂望a堂6s堂es堂8堂5堂eY5as业5望a望ass堂s业童as业望SToSYeSPesYaTo6堂ao业业堂业5堂8s堂a业sY业s5堂 Preparation and Composition-Structure-Thermal Stability Relation of a Novel Open-framework Vanadium Phosphate (H:NCH,CH2NH3 )3[(VO)(PO)2(HPO)4] Zanzhong Yang,Libing Liao,Hongbing Du,Ming Xiong",Zhesheng Ma 1)School of Materials Science and Technology,China University of Geosciences,Beijing 100083,China 2)School of Materials Science and Technology,Shandong University of Science and Engincering,Zibo 255000,China Abstract:A novel open-framework vanadium(IV)phosphate (H,NCH2CHNH)[(VO)(PO,)2(HPO)4](short for V.P,-en)has been prepared.It is synthesized hydrothermally in the presence ofethylenediamine(en)at 170 C for 5 days by self-assembly from structurally simple precursors V2Os,H,PO,and H2O.The compound is characterized by means of Fourier transform-infrared spectroscopy (FT-IR),Thermogravimetry-differential thermal analysis (TG-DTA),X-ray powder diffraction analysis(XRD)and Scanning electron microscopy (SEM).Furthermore,the composition-structure-thermal stability relation of VP,-en is explored in terms of crystal chemistry,and the potential approach to the enhancement of its thermal stability is proposed. Key words:vanadium phosphate;hydrothermal synthesis;open framework;thermal stability;crystal chemis- try [Journal of University Science and Technology Beijing(English Edition)2002,9(1):36]

二 3 6 8 北 京 科 技 大 学 学 报 年2 0第0 2 3 期 5 结论 从 上表 中可 看 出 , 已 训 练好 的神经 网 络对 输人 向量X 的识别率高 达 97 . 5 % , 而采用最小距 离法时 , 其识别率仅有 35 % . 这充分证 明了本方 法具有识别率高 的特点 . 此外 , 由于 神经 网络具 有并行处理 数据的能力 , 所 以基 于神 经 网络 的 最小距离法用 于 状态识别 , 其识别速 度也是相 对 比较快 的 . 以上两点 充分说明 了该算 法的可 行性 , 它能够满 足工业生产过程 的需要 . 参 考 文 献 l 边 肇棋 . 模式 识别 [M』 . 北京 : 清华 大学 出版社 , 19 88 2 李 擎 . 状 态识别及无搜 索快 速推 理理论的建 立 [D] : [硕 士学位 论文 ] . 北 京 :北京 科技 大学 , 19 95 3 施 宏 宝 . 神经 网络及 其应 用 [M [ . 西安 : 西 安交通 大学 出版社 , 19 9 3 4 陈 明 . 神经 网络 模型 IM 〕 . 大 连 : 大连理 工大学 出版 社 , 1 9 9 5 5 王仕军 , 王树林 一种用 神经 技术 学习模 糊分类规则 的方法 [J ] . 计算机研 究与 发展 , 19 95 , 3 2 ( 4 ) : 6 A N e w k i n d o f A l g o r it h m fo r S t a t e R e e o g n it i o n o f H e at i n g F um a c e Ll Qing , ), Z H百 N G D e l ign , ), 肠 bn ol), 厂 ON G iX hn al ), 方7 E ijS ia 心 , l ) I n fo mr at i o n Egn i n e e r i n g S e h o o l , U S T B e ij i gD , B e ij in g 10 0 0 8 3 , C h i n a Z ) B e ij in g E l e e otr n S e i e n e e an d eT e hn o 1 o g y , B e ij i n g l 0 0 0 3 9 , C h i n a A B S T R A C T M D M (M i n im um D i s t an e e M e ht o d ) 1 5 a v e yr fa m ili ar a l g or lt hi nr i n s t at e er e o gn it i o n . B ut it h a s a Per s uP Po s it ion , t h at 1 5 , ht e d i s t an e e w iht i n o n e e l a s s 1 5 sh o rt an d the d i s t an e e b e wt e e n e l a s s e s 1 5 l o n g . W h e n ht i s Per s uP P o s it i o n 1 5 n o t s at i s if e d , a m i s t a k e 1 5 m a d e . I n o r d e r t o o v e r c o m e ht e s h o rt e o m i n g s o f M D M , an im - rP vo e d m i n i r n u 们n d i s t an e e m het o d b a s e d on A N N ( Airt if e i al N e u r a l N e 朴刃 。 r k s ) 1 5 P r e s e nt e d . T h e s im u lat i o n er - s u lt s d e m o n s tr at e ht a t ht i s m e t h o d h a s wt o a d v a n t ag e s , t h at 1 5 , t h e r at e o f r e e o gn it i o n 1 5 af s t an d ht e a c e ur a e y o f r e c o gn it i o n 1 5 h i g h . K E Y W O R D S s t at e r e e o g n it i o n : m i n im um d i st an e e m e ht o d : art iif c i a l n e ur a l n e wt o kr s p r e p ar a t i o n a n d否 o m p o s it i o n 一 S trU c utr e 一 T h e mr a l S t ab ili yt R e l at i o n o f a N o v e l . O p e n 一 afr m e W 0 kr 、 ar n a d i um p h o s p h a t e ( H 3 N C H Z C H入H 3 ) 3 [(V O ) 4 ( p O 4 ) 2 (H p O 4 ) 4 ] aZ 月 z h o gn aY gn , =,) iL b ign L ia 口’气oH 刀 g b ign D’u), iM n g iX o gn ,气hZ se he gn 几轰了l’ l ) S e h o o l o f M at e r i a l s S e i e n e e an d eT e hn o l o g y , C h i n a U n i v e rs ity o f G e o s e i e n e e s , B e ij ign l 0 0 0 8 3 , C h i n a 2 ) S e h o o l o f M at e r i a l s S e i e n e e an d 介 e h n o l o gy, S h an d o n g U n i v e rs iyt o f S e i e n e e an d nE g in e e r in g , Z ib o 2 5 5 0 00 , C h i n a A b s t r a e t : A n o v e l o P e n 一 fr a m e w o rk v an a d i um (Vl ) p h o s Ph at e 归 3 N C H Z C H入H 3 ) 3 [(V O ) 4 (P O 4 ) 2 (H PO ; ) 4 ] ( s h o rt of r V Z P , 一 e n ) h a s b e e n P r eP ar e d . It 1 5 s y in h e s i z e d h y dr o t h e mr a ll y i n ht e P r e s e n e e o f e ht y l e n e d i am i n e ( e n ) at 17 0 ℃ fo r 5 d ay s b y s e l-f a s s e m b l y fr o m s t ur e utr a lly s im Pl e P r e e ur s o r s 从0 5 , H 3 P O 4 an d H 2 0 . hT e e o m P o u n d 1 5 e h ar a e t e r i z e d b y m e an s o f Fo ur i e r tr an s fo mr 一 i n fr ar e d s Pe e tr o s e o Py ( F T 一 I R ) , Th e mr o g r va im e ytr 一 d i fe r e nt i a l ht e mr a l an al y s i s (T G 一 D T A ) , X . r a y P o w d e r d i份a e t i o n a n a ly s i s (X R D ) an d S c an i n g e l e e tr o n m i e or s e o Py ( S E M ) . F urt h e mr o r e , ht e e o m P o s it i o n 一 s trU c trU e 一 ht e mr a l s t ab iliyt r e lat i o n o f V Z P 3一 e n 1 5 e xP l o r e d i n t e mr s o f e yr s t a l c h e m i st yr , a n d th e P ot e in i a l ap Por a e h t o ht e e hn an e e m e nt o f it s t h e mr a l s t a b iliyt 1 5 P r oP o s e d . K e y w o dr s : v an a d i um P h o sPh at e : 妙d r o ht e mr a l s y n t h e s i s : o P e n fr am e w o kr ; ht e mr a l s t ab i liyt : e yr s at l e h e m i s - ytr o[J u r n a l of nU ’lv esr 仰 cS i e n e e a n d eT c h n o l o 舒 B e 扩动以石力g Zis h E id t io n ) 2 0 0 2 , 9 ( l ) : 3 6 ]