正在加载图片...
第2期 郭飞等：数据挖掘在安钢电极预测建模中的应用 .203 搜索算法，目前已经成功地解决了很多复杂系统的 1.2数据选择 优化问题.本文提出一种改进的混合遗传算法(y 根据实际的生产经验，从中选择出20炉钢的数 brid genetic algorithm,HGA),用于动态递归Elman 据.数据包括电极三相电压集U1=[Ua,Ub,Ue]、 神经网络的结构、权值及自反馈增益的同步寻优，从 三相电流集I=[Ia,,1]和三相液压伺服阀门开 而形成一种变结构遗传神经网络(variable structure 度Uz=[ha,h,he],选择的数据中包括了现代电 hybrid genetic Elman artificial neural networks, 弧炉冶炼的熔化期，氧化期等全部的工艺过程 VSHGEA),并将其应用于交流电弧炉电极的数据 1.3数据预处理 挖掘预测建模中，HGA算法在线调整适应度函数， 数据质量好坏会直接影响所建模型的质量和知 在交叉变异中引入自适应策略，采用保持最优个体 识的评价应用，所以需要处理噪声、错误、丢失或非 的方法改进了标准遗传算法，通过基于安钢（安阳 相关数据，对于这类坏数据，采取了剔除的方式，最 钢铁集团有限责任公司)现场实际数据的仿真实验 后获得2000组数据 表明：利用基于变结构遗传神经网络的数据挖掘技 1.4数据变换 术建立起的电极预测模型，有很好的预测精度，将 为了更好适应神经网络处理数据的要求，使数 其应用于电极控制系统的参数整定中，取得了良好 据在建模中发挥更有效的作用，按下式把数据归一 的控制效果，为交流电弧炉电极的良好控制提供了 化处理，变换成[一1,1]之间的数据 保证 x'=-1十2x二xmin xmx一xmin (1) 1电极预测模型的数据挖掘过程 其中，x'为归一化后的数据值，x为原始数据值， 交流电弧炉电极预测模型的数据挖掘过程如图 xmim、xmax分别为原始数据的最小值和最大值 1所示，主要处理步骤如下， 1.5数据挖掘 实现数据挖掘的方法主要有统计学方法、决策 树、聚类分析、规则归纳、人工神经网络、遗传算法、 数据选择 预处理 模糊技术、粗糙(Rough)集方法等，本文根据电极系 统的特点以及神经网络和遗传算法各自的优缺点， 采样数据库 建模用数据 预处理后数据 采用了人工神经网络和遗传算法相结合的方法 1.6知识评价和应用 知识 评价/应用 数据挖掘 将以上通过数据挖掘所得到的电极预测模型， 采用检验数据进行评价检验后，可以应用于电极位 电极控制 电极预测模型 变换后数据 置控制，电网谐波和闪变的抑止等，本文将其应用 于电极控制系统的参数整定上， 图1电极预测模型数据挖掘过程 Fig.I Data mining process of an electrode prediction model 2数据挖掘模型的遗传神经网络算法实现 1.1数据库的建立 2.1采用BP算法的Elman网络 安钢引进的FUCHS100t带指形托架超高功率 Elman神经网络是一种应用广泛的动态递归神 交流竖式电炉(FSF),其电极控制系统采用奥钢联 经网络，它的主要结构是前馈连接，包括输入层、隐 专为电极控制而研制的VAMELT十十电极控制装 层、输出层，其连接权可以进行学习修正，反馈连接 置，该装置是以PC为基础构成的独立控制系统，数 由一组“结构”单元构成，用来记忆隐层单元前一时 据库是用微软的EXCEL软件以.CSV文件的格 刻的输出值.Elman神经网络结构如图2所示[， 式来存储的，为了能够更方便有效地分析处理数 其中网络的外部输入为u∈R',输出为y∈Rm,隐 据，本文重新用微软的SQL SERVER2000建立电 层输出为x∈R”,结构单元的输出为x∈R.W、 极电气运行数据库，数据库中包括电极电压属性表 W和W分别为结构单元到隐层、输入层到隐层 (VOT)、电流属性表(CUT)、液压属性表(HYT)、遗 以及隐层到输出层的连接权矩阵.W是nXn维 传算法种群初始化表(GAT)、神经网络学习训练参 矩阵，W2是nXr维矩阵，W是mXn维矩阵 数表(ANNT)等 则Elman神经网络描述的非线性输入输出关系为： x(k)=f(w'xe(k)+w-u(k)) (2)搜索算法目前已经成功地解决了很多复杂系统的 优化问题．本文提出一种改进的混合遗传算法（hybrid genetic algorithmHGA）用于动态递归 Elman 神经网络的结构、权值及自反馈增益的同步寻优从 而形成一种变结构遗传神经网络（variable structure hybrid genetic Elman artificial neural networks VSHGEA）并将其应用于交流电弧炉电极的数据 挖掘预测建模中．HGA 算法在线调整适应度函数 在交叉变异中引入自适应策略采用保持最优个体 的方法改进了标准遗传算法．通过基于安钢（安阳 钢铁集团有限责任公司）现场实际数据的仿真实验 表明：利用基于变结构遗传神经网络的数据挖掘技 术建立起的电极预测模型有很好的预测精度．将 其应用于电极控制系统的参数整定中取得了良好 的控制效果为交流电弧炉电极的良好控制提供了 保证． 1 电极预测模型的数据挖掘过程 交流电弧炉电极预测模型的数据挖掘过程如图 1所示主要处理步骤如下． 图1 电极预测模型数据挖掘过程 Fig．1 Data mining process of an electrode prediction model 1∙1 数据库的建立 安钢引进的FUCHS100t 带指形托架超高功率 交流竖式电炉（FSF）其电极控制系统采用奥钢联 专为电极控制而研制的 VAMELT ＋＋电极控制装 置该装置是以 PC 为基础构成的独立控制系统数 据库是用微软的 EXCEL 软件以∗．CSV 文件的格 式来存储的．为了能够更方便有效地分析处理数 据本文重新用微软的 SQL SERVER 2000建立电 极电气运行数据库．数据库中包括电极电压属性表 （VOT）、电流属性表（CUT）、液压属性表（HYT ）、遗 传算法种群初始化表（GAT ）、神经网络学习训练参 数表（ANNT）等． 1∙2 数据选择 根据实际的生产经验从中选择出20炉钢的数 据．数据包括电极三相电压集 U1＝［ UaUbUc ］、 三相电流集 I＝［ IaIbIc ］和三相液压伺服阀门开 度 U2＝［ hahbhc ］．选择的数据中包括了现代电 弧炉冶炼的熔化期氧化期等全部的工艺过程． 1∙3 数据预处理 数据质量好坏会直接影响所建模型的质量和知 识的评价应用所以需要处理噪声、错误、丢失或非 相关数据．对于这类坏数据采取了剔除的方式最 后获得2000组数据． 1∙4 数据变换 为了更好适应神经网络处理数据的要求使数 据在建模中发挥更有效的作用．按下式把数据归一 化处理变换成［—11］之间的数据 x′＝—1＋2 x— xmin xmax— xmin （1） 其中x′为归一化后的数据值x 为原始数据值 xmin、xmax分别为原始数据的最小值和最大值． 1∙5 数据挖掘 实现数据挖掘的方法主要有统计学方法、决策 树、聚类分析、规则归纳、人工神经网络、遗传算法、 模糊技术、粗糙（Rough）集方法等．本文根据电极系 统的特点以及神经网络和遗传算法各自的优缺点 采用了人工神经网络和遗传算法相结合的方法． 1∙6 知识评价和应用 将以上通过数据挖掘所得到的电极预测模型 采用检验数据进行评价检验后可以应用于电极位 置控制电网谐波和闪变的抑止等．本文将其应用 于电极控制系统的参数整定上． 2 数据挖掘模型的遗传神经网络算法实现 2∙1 采用 BP 算法的 Elman 网络 Elman 神经网络是一种应用广泛的动态递归神 经网络．它的主要结构是前馈连接包括输入层、隐 层、输出层其连接权可以进行学习修正反馈连接 由一组“结构”单元构成用来记忆隐层单元前一时 刻的输出值．Elman 神经网络结构如图2所示［4］ 其中网络的外部输入为 u∈R r输出为 y∈R m隐 层输出为 x∈R n结构单元的输出为 xc∈R n．W 1、 W 2和 W 3 分别为结构单元到隐层、输入层到隐层 以及隐层到输出层的连接权矩阵．W 1 是 n× n 维 矩阵W 2 是 n× r 维矩阵W 3 是 m× n 维矩阵． 则 Elman 神经网络描述的非线性输入输出关系为： x（ k）＝ f （ W 1 xc（ k）＋ W 2 u（ k）） （2） 第2期 郭 飞等： 数据挖掘在安钢电极预测建模中的应用 ·203·