Vol.17 No.6 杨尚宝等：铁水含硅量预报神经网络模型 .527, 2.2 数据处理 数据处理的目的是为神经推理网络提供较准确的参数，它包括监测数据的平滑处理、组 合参数的计算、特征参数的计算、输入参数的归一化处理等. (1)数据的平滑处理 由于工作环境的影响，由监测系统通过传感器测得的信息数据常常呈伪周期性变化，因 此，必须对采集来的数据进行平滑处理.本系统采用最小二乘法对监测数据进行平滑处理. (2)复合参数与特征值 由系统所选参数可知，本系统在硅预报时，不仅要用到风量、风温等单一参数，同时还 用到了透气性指数等复合参数·当热状态发生变化时，参数规律性地呈现某些特征，因此， 系统计算推理中所用的参数值，不仅要考虑在本时刻的瞬时值，还要考虑高炉在过去一段时 间的参数值及其变化趋势，主要包括平均值、变化梯度和标准方差等， ①参数平均值的计算： y=Im2间 (8) 式中为参数的平均值，n为所考虑数据的次数，)为瞬时值. ②参数的变化梯度： △At=(m)y0-2 (9) 式中△yW△t为参数随时间的变化梯度. ③参数波动量的标准方差： △y={1/(n-1)∑)-y}2 (10) 参数的平均值、变化梯度、标准方差等称为特征值.这些数据和瞬时数据一起存放在动态 数据库中，以备网络计算推理之用，每当预报完毕，系统将自动把特征参数中最先入栈的数据 删除，而在栈尾加人一个新的瞬时数据，并自动进行数据的处理. (3)输入参数的归一化处理 在神经网络模型的计算推理过程中，需对输人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，本研究采用线性转换 方式，并采用如下公式： f(x)=(x-xm)/(Xmax-xmn) (11) 式中：x)为归一化后的参数值；x为原参数值；xm为该参数变化区间的最小值；x为该参数 x变化区间的最大值， 3硅预报模型的应用 根据以上所建的硅预报神经网络模型，我们取用了某高炉过去生产中的500炉次数据，对 该神经网络进行离线学习；学习误差率为01；学习后，再用该神经网络模型对另50炉数据进 行离线仿真预报，命中率达88%，其命中范围取±0.1%.1995年2月，我们将训练好的硅预报 神经网络模型在该高炉上在线试运行，也同样得到了较好的效果.在2月22日到2月27日的 6d中，该模型共预报72炉况，将模型预报的铁水含硅量与铁水实际含硅量进行比较，仍以丫b l . 17 N 6 . 6 杨尚宝等 : 铁水含硅量预报神经网络模型 2. 2 数 据处 理 数据 处理 的 目的是为神 经推理 网络 提供较 准确 的参数 , 它 包括监 测数 据的平 滑处理 、 组 合参 数 的计算 、 特征 参数 的计算 、 输 入 参数 的归一化 处理等 . ( l) 数 据 的平 滑处理 由于 工作 环境 的影响 , 由监测 系统通 过传感 器测得 的信 息数 据常 常呈 伪周期性 变 化 , 因 此 , 必须对采集 来 的数 据进行 平滑处理 . 本系 统采用最 小二乘 法 对监测 数 据进行 平滑处 理 . ( 2) 复 合参数 与 特征值 由系统所 选参数可 知 , 本 系统在 硅 预报时 , 不仅要 用到 风量 、 风温 等单 一参数 , 同时 还 用 到 了透 气性指数 等复合 参数 . 当热状态 发生变 化时 , 参数规律性 地 呈 现 某 些 特 征 , 因 此 , 系 统计算 推理 中所 用 的参 数值 , 不仅要 考 虑在本 时刻 的瞬时值 , 还要 考虑 高 炉在过 去一 段时 间的参数值及 其变 化趋 势 , 主要 包括 平均值 、 变 化梯度 和标准 方差等 . ① 参 数平均值 的计 算: 歹= ( l n/ 正夕( i ) ( 8) 式 中 歹为参数的平 均值 , ② 参 数 的变化梯 度 : n 为所考 虑数 据的次 数 , 贝i) 为 瞬时值 △ y体 t 式 中 △刃△ t 为参数 随 时间 的变化梯 度 ③ 参数波 动量 的标 准方差 : 二 ( l / n ) 区y i( ) 一 叉夕( i )] (9 ) r= 月+ 1 1 = 1 △ , = { [l (/ n 一 l )艺] 沙(i) 一 , ]} ,口 ( 10 ) 参数 的平 均值 、 变化梯 度 、 标 准方 差等 称为特 征值 . 这些数 据和 瞬 时数 据一 起 存 放 在 动 态 数 据库 中 , 以 备网 络计算 推理之 用 , 每 当预报完毕 , 系 统将 自动 把特 征参数 中最 先 人 栈 的数 据 删 除 , 而在栈 尾加人 一个新 的 瞬时数据 , 并 自动进行 数据 的处理 . ( 3) 输 人参数的归一 化处理 在神 经 网络 模 型的计算 推理过 程 中 , 需 对输人参 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[ , l] 上 . 本 研究 采 用 线 性 转 换 方 式 , 并采 用如 下公 式: f( x) 二 (x 一 编 n )/ ( x ~ 一 气n) ( 1 1) 式 中: f( x) 为归 一化后 的参数 值 ; x 为原参数值 ; x mr n 为该 参数变 化 区 间 的最 小值 冰~ 为该参数 x 变化 区 间 的最大 值 . 3 硅预 报模型 的应 用 根 据 以上所 建 的硅 预报神 经网 络模型 , 我们取 用 了 某高 炉过去 生产 中的 5 0 炉次数 据 , 对 该神 经网络进行 离 线学 习 ; 学 习 误差 率 为 0 . 1; 学 习 后 , 再用 该神 经 网 络模 型 对另 50 炉 数 据 进 行离 线仿真 预报 , 命 中率 达 8 % , 其命 中范围取 士 0 . 1% . 19 95 年 2 月 , 我们将 训 练 好 的硅 预 报 神经网络模 型在该 高炉上在 线试 运行 , 也 同样得到 了较 好的效 果 . 在 2 月 2 日到 2 月 27 日的 6 d 中 , 该模 型共预报 72 炉 况 , 将 模 型 预 报 的 铁水 含 硅 量 与铁 水 实 际 含 硅 量 进 行 比 较 , 仍 以