第9期 张建良等：基于炉热指数计算和炉温预测的电石炉热状态判断 ·1135· 互影响.这些因素的波动，必然引起电石液温度的 卫(-)2 波动. R(S)= (贴-列)严 (18) 在选择BP神经网络的输入参数时结合炉热指 式中，可为电石液温度的均值.确定相关系数最大的 数的计算结果，考虑到数据获取的方便性及其与电 点即为该参数的滞后时间 石液温度的相关程度，选取与电石液温度相关性大 (2)参数的归一化处理.为避免由于输入变量 的料面温度(T)、炉顶煤气压力(P)、电极电流 单位不同、绝对值相差很大对神经网络模型的影 ()、料速(W)、原料配比(X)、炉料配热系数(C)、 响，需要对输入、输出参数进行归一化处理，即将 高温区热盈余()和上炉电石液温度(Tc.i-1)八个 每一参数进行相应的转换，在不失其原变化规律性 参数作为网络模型的输入参数. 的前提下，把参数值都转换到[0，上，本文采用线 根据问题的实际，本研究采用了三层BP网络， 性转换方式进行归一化处理， 输入层神经元数为8，表示影响电石液温度因素个 数：隐含层单元数表示网络输入输出之间的非线性 Y(r)=-工min,i (19) Imax,i-Tmin,i 关系，由经验确定，本网络选10：输出层单元数为 1,表示电石液温度(Tc),训练误差取10-4.其神经 其中，Y(x)为归一化后的参数值，x为原参数值 网络结构如图2所示. xmin,为该参数变化区间的最小值，工min为该参 数变化区间的最大值. T 输出层 (3)样本集制作.在BP网络的学习、验证过 程中，首先要提供给网络一组适当样本个数为1 的可靠样本(X,T).其中，X=(XP1,XP2,·, 隐含层 XPs)T,P=1,2,…,1为输入向量，包括料面温度、 炉顶煤气压力、电极电流、料速、原料配比、配热 系数、热盈余和上炉电石液温度.T=(T)T为输 输入层 出向量，为电石液的温度值 X Tc-i-1 图2BP神经网络结构图 3仿真结果分析 Fig.2 Structure diagram of the BP neural network 为验证本文所建立炉热指数计算模型和电石 2.3数据处理 液温度预报模型的有效性，采用Microsoft Visual C++6.0分别建立了炉热指数计算和神经网络预报 (1)影响参数的滞后时间分析.电石炉属于大滞 后系统，某时刻的某一参数发生了变化，因为该参 的仿真模型进行仿真实验.实验所用数据为某电石 数的变化而导致其他参数的变化将发生在一段时间 生产企业实际运行的历史数据.将数据分成两部分： 部分为冶炼过程中的状态参数和操作参数的瞬时 之后，这段时间即所谓的滞后时间.电石生产中影 响电石液温度变化的大部分参数存在一定的滞后时 值以及特征值，用于炉热指数计算：另一部分结合 炉热指数计算结果制作成神经网络样本集，用于电 间，即nh或nmin以前某个参数变化的作用结果 石液温度预报. 与即刻电石液温度的变化的关系是密切的，相关性 通过对仿真数据的分析，发现高温区热盈余与 也应该是最大的.因此，利用相关分析的方法，确 定各相关工艺参数与电石液温度的滞后时间13-14 电石液温度的变化关系密切，呈线性关系.高温区 热盈余和电石液温度之间的关系如图3所示 根据各工艺参数之间的关系，采用多项式回归 高温区的热盈余主要用于加热电石液，使电石 的方法进行各参数间的相关性分析.影响电石液温 液的温度升高，高温区热盈余的大小决定了电石液 度的工艺参数设为工，电石液温度参数设为y,滞 温度的高低，当热盈余值大时电石液的温度高，当 后时间序列为S(0,10,20,30,…)min,则某一参数 热盈余值小时电石液的温度低.电石液温度的高 滞后时间为S的回归方程为 低，决定了电石液的发气量大小.要治炼出发气 i(S)=ao azi+a2x+...+amzi. (17) 量更高的电石液，必须增加高温区的热盈余值以提 高电石液的温度：而高温区的热盈余值增大，势必 其中，a0,a1,a2,…,am为待求参数. 会增加热量的损失量.所以控制合理的高温区热盈 对应的相关系数R:(S)为： 余，对提高电石液质量、能量利用率有重要意义第 9 期 张建良等：基于炉热指数计算和炉温预测的电石炉热状态判断 1135 ·· 互影响. 这些因素的波动，必然引起电石液温度的 波动. 在选择 BP 神经网络的输入参数时结合炉热指 数的计算结果，考虑到数据获取的方便性及其与电 石液温度的相关程度，选取与电石液温度相关性大 的料面温度 (Ts)、炉顶煤气压力 (Pt)、电极电流 (ie)、料速 (V )、原料配比 (X)、炉料配热系数 (C)、 高温区热盈余 (q) 和上炉电石液温度 (TC,i−1) 八个 参数作为网络模型的输入参数. 根据问题的实际，本研究采用了三层 BP 网络， 输入层神经元数为 8，表示影响电石液温度因素个 数；隐含层单元数表示网络输入输出之间的非线性 关系，由经验确定，本网络选 10；输出层单元数为 1，表示电石液温度 (TC)，训练误差取 10−4 . 其神经 网络结构如图 2 所示. 图 2 BP 神经网络结构图 Fig.2 Structure diagram of the BP neural network 2.3 数据处理 (1) 影响参数的滞后时间分析. 电石炉属于大滞 后系统，某时刻的某一参数发生了变化，因为该参 数的变化而导致其他参数的变化将发生在一段时间 之后，这段时间即所谓的滞后时间. 电石生产中影 响电石液温度变化的大部分参数存在一定的滞后时 间，即 n h 或 n min 以前某个参数变化的作用结果 与即刻电石液温度的变化的关系是密切的，相关性 也应该是最大的. 因此，利用相关分析的方法，确 定各相关工艺参数与电石液温度的滞后时间[13−14] . 根据各工艺参数之间的关系，采用多项式回归 的方法进行各参数间的相关性分析. 影响电石液温 度的工艺参数设为 x，电石液温度参数设为 y，滞 后时间序列为 S(0, 10, 20, 30, · · ·)min，则某一参数 滞后时间为 S 的回归方程为 yˆi(S) = a0 + a1xi + a2x 2 i + · · · + amx m i . (17) 其中，a0, a1, a2, · · · , am 为待求参数. 对应的相关系数 Ri(S) 为： Ri(S) = s 1 − Σ(yi − yˆi) 2 Σ(yi − y¯) 2 . (18) 式中，y¯ 为电石液温度的均值. 确定相关系数最大的 点即为该参数的滞后时间. (2) 参数的归一化处理. 为避免由于输入变量 单位不同、绝对值相差很大对神经网络模型的影 响，需要对输入、输出参数进行归一化处理，即将 每一参数进行相应的转换，在不失其原变化规律性 的前提下，把参数值都转换到 [0,1] 上，本文采用线 性转换方式进行归一化处理， Y (xi) = xi − xmin,i xmax,i − xmin,i . (19) 其中，Y (xi) 为归一化后的参数值，xi 为原参数值 xmin,i，为该参数变化区间的最小值，xmin,i 为该参 数变化区间的最大值. (3) 样本集制作. 在 BP 网络的学习、验证过 程中， 首先要提供给网络一组适当样本个数为 l 的可靠样本 (X, T). 其中，X = (XP 1, XP 2, · · · , XP 8) T，P=1, 2, · · · , l 为输入向量，包括料面温度、 炉顶煤气压力、电极电流、料速、原料配比、配热 系数、热盈余和上炉电石液温度. T = (TP ) T 为输 出向量，为电石液的温度值. 3 仿真结果分析 为验证本文所建立炉热指数计算模型和电石 液温度预报模型的有效性，采用 Microsoft Visual C++6.0 分别建立了炉热指数计算和神经网络预报 的仿真模型进行仿真实验. 实验所用数据为某电石 生产企业实际运行的历史数据. 将数据分成两部分： 一部分为冶炼过程中的状态参数和操作参数的瞬时 值以及特征值，用于炉热指数计算；另一部分结合 炉热指数计算结果制作成神经网络样本集，用于电 石液温度预报. 通过对仿真数据的分析，发现高温区热盈余与 电石液温度的变化关系密切，呈线性关系. 高温区 热盈余和电石液温度之间的关系如图 3 所示. 高温区的热盈余主要用于加热电石液，使电石 液的温度升高，高温区热盈余的大小决定了电石液 温度的高低，当热盈余值大时电石液的温度高，当 热盈余值小时电石液的温度低. 电石液温度的高 低，决定了电石液的发气量大小. 要冶炼出发气 量更高的电石液，必须增加高温区的热盈余值以提 高电石液的温度；而高温区的热盈余值增大，势必 会增加热量的损失量. 所以控制合理的高温区热盈 余，对提高电石液质量、能量利用率有重要意义