（机械设计及理论专业论文）烧结混合料水分控制的神经网络建模和实验.pdf

摘要 烧结矿的生产工艺是钢铁生产中的重要环节，目前该工艺中的烧结料混合加水控制 还是由人工操作，如何实现加水量的自动控制，目前还是一个难题。本论文工作包括以 下两部分研究工作：烧结料混合加水控制的神经网络建模和实验准备。 阱本溪铜铁公司第二炼铁厂冷烧车间二期工程的混合设备和工艺数据为样本，运用 了m a n a b 神经网络工具箱，建立烧结料加水混合工艺过程的神经网络模型，并使用 s i m u l i n k 工具箱，对工艺过程进行自动控制仿真。 如今，神经网络模型的设计方面尚无一套完善的理论指导，主要的设计方法是在充 分了解待解决问题的基础上将经验与试探结合。通过试验选取出一个较好的方案。本文 通过尺度变换、均衡筛选的办法解决了神经网络训练样本的获得问题，使用试凑法确定 了b p 网络的隐层节点数，逐步完成了工艺过程的神经网络模型的设计。 采用s i m u l i n k 工具箱建立了仿真模型，使用s 函数将神经网络模型嵌入s i m u l i n k 搭建的控制系统中，通过一系列模拟计算，结果证明仿真模型的可行性。 为了直接对烧结料加水混合系统进行控制实验，做了如下准备：提出第一期的初步 实验实施方案，得到工艺现场的认可。使用c y g n a l 公司的系统级单片机c 8 0 c 5 1 f 0 2 0 开发测控系统，调试结果证实其可行性。 关键词：烧结；加水混合；神经网络；模型；测控系统 a b s t r a c t s i n t e r - m a s t i n gi so n eo ft h em o s ti m p o r t a n tp r o c e s s e si ns t e e lp r o d u c t i o n a tp r e s e n t ， w a t e rf e e d i n gf o rs i n t e rm i x i n gi ss t i l lc o n t r o l l e dm a n u a l l yi no u rc o u n t r y a u t o m a t i cc o n t r o l i so fu r g e n tn e c e s s 崎，t os e n et h ep r o b l e m ，w o r k sd o n er e p o r t e di nt h i st h e s i sa r ea sf o l l o w s ： f i r s t l y , b a s e d0 1 1t h ep r o c e s sa n dd e v i c e sd a t af r o mt h eb e n x ii r o na n ds t e e lp l a n t ，t h en e u r a l n e t w o r km o d e lf o rt h ep r o c e s sc o n t r o li sp r o p o s e d ，b yu s i n gm a t l a ba n ds i m u l i n k ；s e c o n d l y , t h ec o n t r o l l i n ga n dm o n i t o r i n gs y s t e mi sd e s i g n e da n dv e r i f i e db yl a b o r a t o r yr u n n i n gt e s t u pt on o w , t h e r ei sn op e r f e c tt h e o r yt og u i d et h ed e s i g no fn e u r a ln e t w o r k t h em a i n d e s i g nm e t h o di ss e l e c tab e t t e rs c h e m eb y 时- a n d t r i a l ，w h i c hi sb a s e du p o nac a r e f i a l a n a l y s i so ft h ep r o b l e mt ob es o l v e d b yt h em e t h o d so fs c a l e - t r a n s f o r m a t i o na n du n i f o r m s c r e e n i n g ，t r a i n i n gs a m p l e d a t ao f n e u r a ln e t w o r ki sa c h i e v e d n u m b e ro f n o d e si nt h eh i d d e n l a y e ro f t h eb pn e t w o r ki sd e t e r m i n e db yt h et r y - a n d - t r i a lm e t h o d t h en e u r a ln e t w o r km o d e l o f t h es i n t e r - r o a s t i n gp r o c e s si si m p l e m e n t e ds t e pb ys t e p t h es i m u l a t i o nm o d e li sb u i l db yu s i n gs i m u l i n kt o o l b o x w i t ln e u r a ln e t w o r km o d e l e m b e d d e db yu s i n gs - f u n c t i o n i t sf e a s i b i l i t yi sv e r i f i e db yas e r i o u so f n u m e r i c a le x a m p l e s s o m ep r e p a r a t o r yw o r kf o rs i t et e s t i n go ft h ep r o p o s e ds y s t e ma r ec a r r i e do u ta sf o l l o w s ：t h e p r e l i m i n a r yt e s ts c h e m ei sd e s i g n e da n da p p r o v e db yt h ew o r k s h o p ；c o n t r o l - m o n i t o r i n g h a r d w a r ea n ds o f t w a r eo fc y g n aic 8 0 c 5 1f 0 2 0s i n g l e c h i p c o m p u t e ra r ei m p l e m e n t e da n d s u c c e s s f u l l yd e b u g g e d k e y w o r d s ：s i n t e r r o a s t i n g ；w a t e r 。f e e d i n gm i x i n g ；n e u r a in e t w o r k ；m o d e ii n g c o n t r o i m o n i t o r i n gs y s t e m i i 关于硕士学位论文使用授权的说明 论文题目：丝显鱼塑至! 丛盥亟盆险壅础烂 本学位论文作者完全了解大连轻工业学院有关保留、使用学位论 文的规定，大连轻工业学院有权保留并向国家有关部门或机构送交论 文的复印件和磁盘，允许论文被查阅和借阅，可以将学位论文的全部 或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等 复制手段保存、汇编学位论文，并且本人电子文档的内容和纸质论文 的内容相一致。 保密的学位论文在解密后也遵守此规定。 是否保密( 召) ，保密期至年 月日为止。 学生签名：每癞一缝向饰导师签名： 兰：l 二 切锌4 月日 量二童垡鲨一一一一 1 1 课题的提出 第一章绪论 2 0 0 4 年全球炼钢原料市场面临着供应严重短缺问题，而原料价格几乎是逐月攀升， 中国钢铁工业将迎接巨大挑战，提高产品的质量、降低成本对钢铁工业的发展有着特殊 的意义。在目前国内炼铁生产中，高炉炼铁工艺较成熟、产量大、能耗相对低，在炼铁 生产中占有举足轻重地位，产量占铁总产量的9 5 左右u i 。而其它的一些生产工艺从整 体上来衡量较高炉生产工艺仍具有一定的不足，因此在未来的几十年内高炉生产仍将占 主要地位。对于这种主要的炼铁生产方法进一步的加以改进，不断的开发研究新技术以 提高生产效率仍具有重要意义。 烧结矿是高炉炼铁的主要原料之一。实践表明，烧结矿质量的好坏是保证高炉合理 布料并获得良好料柱透气性的重要条件，直接影响高炉顺行的程度，是现代高炉获得生 产率高，能耗低，生铁质量稳定的重要因素。而烧结矿获得较高产量的先决条件之一是 混合料的透气性好。混合料的透气性直接影响烧结生产的技术经济指标，而透气性的变 化与混合料中水分的行为有相当密切的关系。 烧结生产的经济及技术指标在很大程度上取决于混合料水分、含碳量和操作控制手 段，丽水分在三者关系中起着决定性作用。在烧结工艺生产过程中【2 】，混合料水分的稳 定对于提高烧结的产量与质量有着重大影响。因此，混合料的水分测量是不可缺少的重 要环节。水分测定的目的是掌握和控制混合料水分，使其达到工艺上最佳水分含量的要 求。 烧结混合料中水分来源于：矿石、熔剂、燃料、在转运和处理过程中渗入的吸湿水， 混合料为了混匀制粒而在一次混合和二次混合时加入的水，燃料中碳氢化合物燃烧产物 中的水汽以及空气中带入的水蒸汽，还有混合料矿物中分解的化合水等等。从烧结过程 热平衡的观点来看，水分是不利成分，因为耍除去水分及其本身的蒸发都要消耗很大一 部分燃烧带中所放出的热量。但从改善烧结料的透气性来看，则正好相反，因为： ( 1 ) 通过水的表面张力，促使细粒烧结料粘结成较大的小粒或小球，而料球之间存 在的大空隙则可以改善混合料的透气性，提高烧结生产率； ( 2 ) 防止粉状矿物被气流带走和堵塞管道，降低物料损失； ( 3 ) 烧结料中含有一定水分促使热量集中在一个较窄的地带，在比较少的燃料消耗 第一章绪论 的情况下，达到烧结料软化和熔化所需的高温p l ； ( 4 ) 在烧结过程中，水分蒸发在块状物料上留下小孔，促进透气。 改善混合料成球性是改善烧结过程透气性的重要方法之一。而往混合料中加入水， 有助于混合料的成球，改善混合料的透气性，提高烧结生产率，这已为国内外无数的生 产和研究实践所证明。但水分过大，会使混合料过湿，出现粘结现象 4 1 ，妨碍物料的流 动，不但影响混匀，而且对制粒也不利，尤其是当混合料烧结时，由于负压和热的作用， 使有利的添加物水，转变成不利的东西。即水分过大导致烧结过程中水分的蒸发， 冷凝，以至在料层中形成过湿层，使料层透气性变坏，严重地影响了烧结过程的顺利进 行。 在多数烧结厂，对混合料含水量的判断仍然采用人工的方法，即在混合机出口处人 工对混合料取样并目测其水分，根据经验判断加水量并手动调节加水阎向混合机内加 水。这种凭人工经验加水的方法不能保证水分含量的稳定，同时浪费了人力。在钢铁行 业竞争如此激烈的今天，正如论文开头的描述。一个钢铁企业的发展前景是与其自动化 程度紧密相连的，为了提高产品的产量和质量，研发先进自动控制技术、提高烧结矿生 产企业自动化程度是刻不容缓的。 1 2 主要方案论证 烧结料加水混合工艺原理为：通过控制物料的加水量得到含水量稳定的混合料。工 艺涉及到的几个主要参数为：混合料水分含量m 、混合料总料量巩、热返矿料量巩、 加水量，、热返矿温度r 和蒸汽( 以下文中字母指代不变) 。该系统特点为纯滞后大， 随机因素较多【5 1 ，故系统模型难以建立。为了使水分控制精确，人们进行了大量自动加 水的研究和实验，针对系统的特点提出了不同的控制方案。 针对系统滞后时间大的特点有人提出 s m i t h 预估补偿方案，即预先估计出被控过 程的动态模型，然后将预估器并联在被控过程上，使其对过程中的滞后特性进行补偿， 力图将被延迟了一段时间的被控量提前送入调节器，s m i t h 预估补偿的思路为消除系统 的时间滞后因素，从而达到消除过程滞后对系统稳定性的不利影响。s m i t h 预估补偿要 求过程的数学模型非常精确，而烧结料加水过程的精确模型是很难得到的，故s m i t h 预 估补偿在工程实际中应用还需要改进。 除此之外，还有人提出了专家系统方案。专家系统一般由知识库、推理机、人机接 第一章绪论 口、知识获取子系统和解释子系统等几个部分组成【6 】。工作时根据当前的输入数据( 如 机器设备运行时的各种征兆) 运用知识库中的知识，按一定的策略进行推理，以达到 要求的目标。可以看出，专家系统的输出结果是知识库所储存的信息。混合料加水工艺 是一个复杂的过程，存在着很多随机因素，如各配料因季节、空气湿度不同导致的水分 含薰不确定( 很多配料没有特定仓库存储，直接即运即用) 、为了保证生产的顺行对备配 料的含量人为更改等等，针对这样的过程，很难建立知识库和获取知识。故专家系统方 案也很难推广。 神经网络作为智能控制一个新的分支，在解决复杂的非线性、不确定、不确知系统 的控制问题上具有其独特的优势【7 i 。 针对混合料加水工艺的特点，在不影响正常生产的前提下，本论文采用了如下研究 方案：第一步：以混合料加水量为控制量、混合料水分含量作为被控量、混合料量为干 扰量实现现场加水自动控制，采集热返矿量、混合料量和对应的加水量的现场数据为以 下的建模作好准备；第二步：针对烧结工艺建立专用的测控仪表，完成基本功能相应的 软硬件设计：第三步：处理采集到的现场数据，神经网络建模；第四步：在m a t l a b 上使 用s i m u l i n k i 具箱建立仿真模型对工艺过程进行控制仿真。 1 3 主要研究内容 本课题主要研究的内容有： l 、建立实验仿真用模型： 1 1 、现场考查，采集测量数据，对采集的现场数据进行处理，选择有代表性的数据 组作为样本集合； 1 2 、实验选择神经网络的结构； 1 3 、用选择好的样本集合作为神经网络的学习样本；对神经网络进行训练，达到期 望的误差指标要求，从而建立烧结料加水混合过程数学模型； 2 、在实验室建立实验研究平台，并进行实验研究： 2 1 、p c 上用m a t l a b c $ 经网络工具建立模型 2 2 、使用s i m u l i n k i 具箱建立模型并进行仿真实验，以期望得到满意的控制效果。 3 、测控系统设计调试： 3 1 、比较不同单片机及硬件方案特点，选用一种系统级单片机c 8 0 c 5 1 f 0 2 0 进行仪 第一章绪论 表设计： 3 2 、确定仪表功能，设计并调试相应软件； 4 、对实验研究所取得的结果进行分析整理，得出结论，为下一步工业现场提供参考。 4 第二章烧结生产工艺过程和控制参数 第二章烧结生产工艺过程和控制参数 2 - 1 本钢冷烧二期烧结生产工艺 烧结生产工艺是为高炉生产提供高含铁人造块状原料的主要生产方法之一，是将粉 状物料( 如精粉和精矿) 进行高温加热，在不完全熔化的条件下烧结成块的方法，所得产 品称为烧结矿【蚋。本溪钢铁公司第二炼铁厂冷烧车间烧结二期建设的2 6 5 平方米烧结工 艺流程如图2 1 所示。 图2 1 本钢冷烧二期烧结工艺流程图 f i g2 1t h ep r o c e s so f s i n t e ri nb e n x ii r o na n ds t e e lp l a n t 各种原料经转运站至配料室，配料室共有1 7 个料仓，包括五种原料，分别为铁矿 石6 个料仓、白云石1 个仓、石灰石3 个仓、生石灰2 个仓、焦和煤3 个仓( 一般焦煤 第二章烧结生产工艺过程和控制参数 按1 ：l 混合，共同算作一种原料的配料) ，除原料外还有2 个仓为冷返矿。各种原料所占 百分比如表2 1 所示。 表2 1 配料组成 k 山l e2 1n l ef o r mo f m i x e dm a t e r i a l 原料依次从各料仓由小传送带送至主传送皮带，在配料室出口处加入冷返矿，在进 入一混室前加入热返矿，由于热返矿温度很高，而此时输送带上已经均布了原料和冷返 矿，加入的热返矿铺在原料上方，防止传送带被烫坏( 冷烧工艺中热返矿经过1 2 0 m 的钢 带，温度已经由3 0 0 左右度降至1 0 0 度左右) 。原料经传送皮带至一次混合室，在圆筒 型一次混合机内进行加水混合，混合工艺和设备如图2 2 所示。 节阀 图2 2 一次混合工艺和设备示意图 f i g2 2t h ee q u i p m e n ta n dp r o c e s so f t h ef i r s tm i x i n g 圆筒型混合机由两部分组成，其中a 为混合机主体，结构等参数如表2 2 ，b 为一 个倒梯形料槽，与主体相接，混匀料由此槽落入传送带，送至二混室。在倒梯形槽上有 一人工取样口c ，通过这个取样口，工人用铁锹接取下落的混合料，并目测观察物料的 水分含量，如果需要调整，可通过两个手动调节阀门改变两个水管的加水流量。如图所 6 第二章烧结生产工艺过程和控制参数 示，两根加水管分别为长管和短管，短管只有混合圆筒长度的一半，大约6 5 m 左右， 通过调节短管阀门可以更快的改变混合料水分含量。 表2 - 2 混合机参数 t a b l e2 - 2t h ep a r a m e t e ro f m i x i n gm a c h i n e 经过混合后的混匀料再经二混室混合，送往烧结机。二混工艺与一混相同。混合机 参数如表2 2 所示。本钢冷烧二期采用2 6 5 m 2 烧结机，烧结机长9 0 3 5 m ，其中有效长度 7 5 m ，宽约3 5 m 。烧结工艺采用抽风式燃烧方式，混合料经料仓和布料机均布在烧结机 上，厚度在5 0 0 m m 左右。点火器位于烧结机上方，混合料在此处点火，烟气由下方的 抽风机抽走，在台车向终点移动过程中，烧结过程白上而下进行，沿着烧结机长度方向 烧结过程的分层次结构如图2 3 所示。 图2 3 烧结过程的层次结构 f i g2 3l a y e rs t r u c t u r eo fs i n t e r i n gp r o c e s s 娆结机长度方向 第二章烧结生产工艺过程和控制参数 抽风式烧结是目前国内外使用最广泛、生产效率最高的烧结生产工艺。烧结机上的 料厚大约为5 0 0 m m ，该方式采用的向下抽风的方法使燃烧自上而下进行，这样烧结料 的透气性就成了影响烧结效率的决定性因素。若将燃烧进行彻底就要求烧结料具有良好 的透气性，而水分含量是影响烧结料透气性的决定性因素，在适宜的水分含量下，烧结 料聚成小球块，小球块之间的空隙有利于空气的通过，故稳定混合料的水分含量对烧结 成矿十分重要。水分过小时形成的干料小颗粒容易在抽风力的作用下移动，使得下层料 层空隙被堵塞：过大则使混合料出现粘结现象，妨碍物料的流动且使气流通过的阻力变 大，使得这一带的透气性恶化1 9 。故混合料的水分含量决定性地影响着烧结的产量与质 量。 本钢二铁冷烧二期烧结生产过程目前采取人工加水的方法控制混合料的水分含量， 手动调节阀装在混合机出口处，通过两条输水管道进入圆筒型混合机内，水管道上均布 小孔，水从小孔喷出，洒在混合料上。人工加水的方法在开始上料时，每分钟取样5 6 次，在正常运转一段时间而且水分含量较稳定的情况下每分钟取样1 3 次，工人根据 经验判断混合料中的水分含量并调节水量调节阀门以求取得较理想的水分含量。 这种人工加水方法操作时间长、劳动强度大、控制效果差。下面以在本钢二铁厂冷 烧二期工程调研期间记录的混合筒电机重启时人工加水实际情况为例。电机重启后，滚 筒机旋转，皮带上料。由于水分仪装在离滚筒出口料槽5 5 米处，在大约4 0 秒后水分仪 有示数5 5 ( 7 0 为目标水分含量) ，随着工人连续几次加水，在两分钟的时候，水分仪示 数达到6 o ：在两分钟到六分钟的时间内，由于料量不稳定但是总体呈增加趋势，随着 工人的继续频繁加水，水分仪示数震荡增至6 6 ：电机启动六分钟到八分钟的时间段内， 工人加水次数减少，水分仪示数增至6 8 ；在随后的两分钟内，工人微调加水调节阀， 水分仪示数较平稳增至6 9 ：随后工人采取间歇观察和调整加水量的操作方式，水分含 量趋于稳定( 7 o 左右) 。将该人工加水过程绘制成水分含量变化曲线如图2 4 所示。 第二章烧结生产工艺过程和控制参数 图2 4 加水滚筒电机重启混合料水分含量变化曲线 f i g2 4t h ec h a n g i n gc u r v eo f t h ew a t e rc o n t e n ti nt h et i m eo f t h em o t o r sr e s t a r t i n g 总结人工调节主要有以下几点：第一、电机重启动并上料时，加水量不能很快调整 到位，一般需经较长时间的人工频繁多次调节，此时混合料水分非常不稳定；第二、物 料及工艺参数变化时，加水量不能及时跟随其变化，做出正确调整，造成水分波动较大； 第三、工作环境变化如光线、蒸汽和气温等将对人工调节水分产生影响。因此在烧结混 合料加水混合过程中，用水分自动控制取代手动水分调节方式就变得极为迫切。 2 2 混合料工艺过程参数测量 建立混合料如水过程神经网络模型霈要的几个参数分别为混合料原料量畈、总料 量彬、热返矿料量暇、加水量f 、热返矿温度t 和混合料水分含量m 。混合料总料量 选用电子皮带秤测量；热返矿料量使用冲击称测量；热返矿温度由测温仪表测量；加水 量通过电磁流量计的显示值得到。 烧结料加水混合工艺中混合料水分含量的测量尤其重要，常用的水分测量方法【l o 】 有：热干燥测定法、中子测定法、红外线测定法、快速失重法和动态接触式激发极化水 分测量法。其中热干燥法要经过取样、干燥、称量几个阶段，测量周期达半小时之久， 故不能应用于连续生产工艺：中子测定法利用中子源产生的快速中子被氢原予幔化的次 9 第二章烧结生产工艺过程和控制参数 级反应原理来测定物料水分，该方法有放射危害、安装条件苛刻，故难以应用于烧结料 水分测量；红外线测量【l l 】则利用水分可以吸收特定波长的红外线特性来测量物料水 分，该方法受其它环境因素影响较大且目前成本很高也很难用于混合料水分测量。 本钢烧结工艺水分含量测量如今采用的是动态接触式散料测水仪u 3 ，该专利使用高 压脉冲信号对被测物料进行激励，利用不同湿度混合料的激发极化特性柬测定水分含 量，该水分测量方法成本低、安装简单，测量准确，适合应用于各种散料水分含量的测 量。 各测量装置安装位置如图2 5 所示。 o o 入 圆筒混合机 f 、 入 m s ， 、l f oo k s 一 图2 5 各测量装置安装位置示意图 f i g2 5t h ef i x i n gp o s i t i o no f m e a s u r em e t e r s 如图，原料测量点与总料测量点距混合机分别为s ，= 9 5 m 、s ：= 3 2 m ，在距圆筒 = 5 5 1 1 1 处安装水分仪。神经网络建模所使用的数据必须是各物理量在某位置同一 时刻的采样值，而各物理量是从不同位置测量的，所以需将不同点测得的物理量值转化 到同一位置的某一时刻。如选择圆筒混合机入口作为取样时间基准，原料与总料到达入 口经历时间分别为f l 、“，物料从混合机入口到达水分测量点需要的时间为l ，皮带传 送速度为v = 1 2 5 m s ，混合料在混合机中停留的时间为“大约1 4 0 s 。 则有任意时刻t 在各采样点采样值分别为：o 一) 、彬o 一屯) 、m ( t + f 3 ) 。其 中，f t = s l v 、f 2 = s 2 v 、f 3 = s 3 v + r o 。 选取不同时刻的凡组、总料量彬、热返矿科量、加水量f 、热返矿温度t 和混 合料水分含量m 的采样值作为以后训练神经网络的输入样本。 1 0 第三章神经网络建模 3 1 人工神经网络概述 3 1 1 人工神经网络的由来 第三章神经网络建模 人类具有高度发达的大脑，大脑不但是人体生理活动和肌体运动的控制中心，又是 思维活动的物质基础。长期以来，人们想方设法了解人脑的功能，向往能够制造出类似 的人工智能系统，以模仿大脑来完成类似的工作。2 0 世纪4 0 年代问世的第一台电子计 算机就是这样一种用机器模拟人脑逻辑思维的人工智能系统。今天，个人电脑的中央处 理器的计算速度为纳秒级，而人脑中神经细胞的反应时间只有毫秒级别。但是迄今为止， 计算机在解决一些简单的感觉识别如视觉、听觉、嗅觉上十分迟钝，而在涉及到联想或 经验的问题上就更无法与人相比了。 人脑由大量神经细胞广泛连接而成，在整体上完成一系列思维活动。比如联想，看 到多年未见的好友就想起往事或其他好友；看到刚出土的古代兵器联想到金戈铁马的古 战场。当然，对于同一件事物，联想的结果可能成千上万，这又和每个人的知识水平和 思维能力有关，而同一个人在不同时刻面对同一事物所产生的感觉又可能不同，不能从 一而论。计算机从一问世起就是按v o n n e u m a r m 方式工作的，它是一种基于算法的程序 存取式机器，其所谓的“联想”功能并不是计算机的信息存储机制所固有的，其联想能 力与联想范围取决于程序的查询能力，因此不可能像人脑的联想功能那样具有个性、不 确定性和创造性。 人们向往能够设计出一种新型的、类似于人脑的系统，既有超越于人的计算能力， 又有类似于人的识别、智能、联想的能力。 人工神经网络( a n n ，a r t i f i c i a ln e u r a ln e t w o r k s ) 是从微观结构与功能上对人脑神经 系统的模拟而建立起来的一类模型，具有模拟人的部分形象思维的能力，其特点主要是 具有非线性特性、学习能力和自适应性，是模拟人的智能的一条重要途径 川。从结构上 看，人工神经网络由大量的简单处理单元广泛连接而成，是对人脑的某种抽象、简化和 模拟。网络的信息存储在神经元之间的连接权上，信息处理通过处理单元之间的相互作 用来实现。 3 1 2 人工神经网络的研究简史 至今为止，人工神经网络的研究已有六十多年的历史。其中经历了启蒙、低潮、复 兴和高潮几个时期，目前已有上百种人工神经网络模型。 1 9 4 3 年，生理学家w s m c c u l l o c h 和数学家w p i t t s 发表了一篇神经网络方面的著 名文章“神经活动中所蕴含思想的逻辑活动”f ”】。在这篇文章中，他们第一次在已知的 神经细胞生物学的基础上从信息处理的角度出发，提出形式神经元的数学模型。称为 m p 模型。他们把神经元描述为具有兴奋和抑制两种状态、可以完成有限逻辑运算的单 元。m p 模型的建立为以后人工神经网络的理论研究奠定了基础。 1 9 4 9 年，心理学家d o n a l a o h e b b 出版了一本名为“行为构成”( o r g a n i z a t i o no f b e h a v i o r ) 的书 1 6 1 。在书中他首先建立了人们现在称为h e b b 算法的连接权训练算法。1 9 5 8 年，计算机学家f r a n kr o s e n b l a t t 发表的文章提出的具有三层网络特性的神经网络结构 “感知器”( p e r c e p t r o n ) ，是第一个完整的人工神经网络。1 9 6 9 年，人工智能的创始人之 一m m i n s k y 和s p a p e r t 出版了 p e r c e p t r o n ) ) 【l 7 峙旨出：简单的神经网络只能运用于 线性问题的求解。其悲观论点极大的影响了当时的人工神经网络研究，从此，人工神经 网络的发展进入了长达十年的低潮时期。 进入2 0 世纪8 0 年代后，经过十几年发展起来的以处理逻辑符号为主的人工智能理 论和v o nn e u m a n n 计算机在处理诸如视觉、听觉、形象思维、联想记忆等智能信息上遇 到了挫折，计算机很难“学会”人们习以为常的普通知识和经验。人们考虑：人脑的智 能可否在计算机中重现? 1 9 8 2 年，美国物理学家j j h o p f i e l d 博士在吸取了前人对神经网络研究的结果与经 验，提出了一种新的网络模型称为h o p f i e l d 网络【1 8 。h o p f i e l d 网络的出现引起了研究神 经网络的又一次热潮。1 9 8 4 年g e h i n t o n 和t j s c j n o w s k i 借助统计物理学的概念和方 法提出了一种随机神经网络模型b o l t z m a n n 机，有效的克服了h o p f i e l d 网络存在的能量 局部最小问题。1 9 8 6 年，d a v i de r u m e l h a r t 和j a m e sl m c c l e l l a n d 及其领导的研究小组 发表了“并行分布式处理”( p a r a l l dd i s t r i b u t e dp r o c e s s i n g ，简称p d p ) 一书的前两卷并于 1 9 8 8 年发表了带有软件程序的第三卷，这部书发展了多层感知机的反向传播训练算法 “9 j ，该算法是对当今影响很大的一种网络学习方法。 如今，神经网络的研究进入了新的发展时期。神经网络的理论、应用、实现及开发 工具均以令人振奋的速度快速发展。神经网络理论已经成为涉及生理科学、数理科学、 信息科学、计算机科学、微电子学、光学等多学科交叉的综合学科；其应用已渗透到模 第三章神经网络建模 式识别、图像处理、非线性优化、机器人、专家系统等各个领域，并已取得令人瞩目的 成果；与此同时，在神经网络计算机的硬件实现方面也取得了许多成果 2 0 】【2 1 1 。 3 2 人工神经网络基础 3 2 1 人工神经元模型 人们提出的神经元模型已有很多，其中最早提出且影响最大的是m p 模型。该模型 经过不断改进和简化后，形成目前广泛应用的形式神经元模型【2 2 1 ，模型示意如图3 1 。 x n 乃 图3 1 神经元模型示意图 f i g3 1t h en e r v ec e l lm o d e l 每个神经元都是一个多输入x 。，x ：，x 。、单输出o ，的信息处理单元，每条输入信息 x i 具有加权系数嘞，神经元对所有输入信号进行整合并判断各输入加权和是否大于一， 即判断神经元净输入糯0 是否大于零，净输入聊0 用下式表示 n e t ，= ( x ) 乃( 3 - 1 ) 净输入珊0 小于零时，神经元处于抑制状态，没有输出；当经元净输入朋f ，大于零 时，神经元被激活，其输出o ，的公式表达为： 口= 怨e w f x 。) 一0 ( 3 - 2 ) 其中厂为某一特定函数，被称为转移函数。神经元的各种不同数学模型的主要区别 第三章神经嗣络建模 在于采用了不同的转移函数，从而使神经元具有不同的信息处理特性。 3 2 2 常用的转移函数 神经元的转移函数反映了神经元输出与 其激活状态之间的关系，最常用的转移函数 有以下4 种形式。 ( 1 ) 阈值型转移函数： 阈值型转移函数采用了图3 2 中的单位 阶跃函数，用下式定义 m ) = 怯黑 ( 3 3 ) 图3 2 阈值型转移函数 具有这一作用方式的神经元称为阈值型f i g 3 2t h r e s h o l dt y p eo p e r a t i o nf u n c t i o n 神经元，是神经元模型中最简单的一种，经典的m p 模型就属于这一类。其中，自变量 x 即神经元的净输入。 ( 3 4 ) f i g 3 3s i g m o i dt y p eo p e r a t i o nf u n c t i o n 有时为了需要，也用如下的形式： 1 厂 ) 2 东，肛0 ( 3 - 5 ) s 型函数曲线如图3 3 。 ( 3 ) 分段线性作用函数： 该函数特点是神经元的输入与输出在一 定区间内满足线性关系。由于具有分段线性的 1 4 图3 4 分段线性函数 f i g3 4s u b s e c t i o nl i n e a r i t yt y p e o p e r a t i o nf u n c t i o n 第三章神经网络建模 f 0 x 0 f ( x ) = c x0 工s x 。 【1 哎 z 3 3m a t l a b 神经网络以及s i m u iin k 工具箱 ( 3 6 ) 在利用神经网络解决问题并进行程序设计时，必定会涉及大量的数值计算，其中既 包括一般的矩阵运算问题如微分方法求解、优化问题等，也包括许多模式的正交化、最 小二乘法处理和极大极小匹配等求解过程等等。尽管现代数值计算理论己经发展得很完 善，多数计算问题都有高效的标准解法，但是，利用计算机对神经网络模型进行仿真和 辅助设计时，仍然是件很麻烦的事情。 在2 0 世纪7 0 年代后期到9 0 年代仞的十几年时间里，m a t l a b ( m a t r i xl a b o r a t o r y , 矩阵实验室) 从起初的矩阵处理及简单的描点绘图软件发展成为集科学与工程计算、图 形可视化、图像处理、多媒体处理于一身的高度集成的软件系统1 23 1 ，m a t l a b 已广泛 的应用于自动控制、航天工业、汽车工业、生物医学工程、语音和图像信号处理、雷达 工程、信号分析等领域，如今，m a t l a b 已经成为系统仿真领域的首选语言。 m a t l a b 主要包括四大工具箱和近3 0 个附属工具箱，其中神经网络工具箱是以人 工神经网络理论为基础，用m a t l a b 语言构造出典型神经网络【2 7 l 2 9 的激活函数，如s 型、线性、竞争层、饱和线性等激活函数，目前m a t l a b 的最新版本6 5 几乎完整的 概括了神经网络的基本成果，所涉及到的模型有感知器、线性网络、b p 网络、径向基 函数网络、自组织网络和回归网络。神经网络工具箱集成了多种学习算法并在d e m o 中 给出了大量示例程序，使用m a t l a b 对神经网络模型仿真和辅助设计无疑是一个很好 的选择。 本论文采用m a t l a b 神经网络和s i m u l i n k 工具箱结合建立烧结料加水混合工艺过 程的静态模型和动态模型。 s i m u l i n k 词根“s i m u ”意为计算机仿真，而“l i n k ”表明它可以进行仿真连接，即 把一系列模块连接起来构成系统模型。模块是s i m u l i n k 建模的基本元素，s i m u l i n k 提供 了各种功能模块，每个模块对用户而言都是透明的，用户只需要知道模块的输入输出以 及模块的功能，通过选择模块并采用合适的方法进行连接就可以完成动静态系统的建模 第三章神经网络建模 和仿真。当然，在实际应用中，有些过程用普通的s i m u l i n k 模块不容易搭建，如本文在 建立动态模型时需要将输入量引入神经网络模型在线学习并将学习结果作为下一个仿 真环节的输入，如何将训练好的神经网络嵌入s i m u l i n k 搭建的模型就成了常用s i m u l i n k 模块无法解决的问题。本文采用s i m u l i n k 支持的s 函数( s f u n c t i o n ) 后，可以用m a t l a b 语言或c 语言、c + + 等语言编写描述过程的特殊模块，属于s i m u l i n k 仿真的高级应用。 由于使用m a t l a b 语言编写的s 函数可以调用m a t l a b 函数，故文中采用m a t l a b 语言编写s 函数。 3 4 神经网络建模 3 4 1 标准b p 算法( 三层8 p 网络) 在目前人工神经网络的实际应用中，绝大部分的神经网络模型采用b p 网络【2 9 】 ( b a c k p r o p a g a t i o nn e t w o r k ，简称b p 网络) 的原因正是基于它较强非线性映射能力、泛 化能力和易实现性等优点。 从理论上讲多层前馈型神经网络具有任意的函数逼近能力 2 7 2 8 i 2 9 1 ，而b p 网络是前 馈网络的一种。b p 网络由输入层、隐含层、输出层组成，各层包含一个或多个神经元， 相邻两层神经元之间通过可调权值相连接。b p 算法的基本思想是：学习过程由信号的 正向传播与误差的反向传播两个过程组成，正向传播过程中，输入样本从输入层传入， 经各隐层逐层处理后，传向输出层。若实际输出与期望输出不符，则转入误差的反向传 播阶段。 权值修正 z l x j x n 层 层 图3 5 b p 神经网络 f i g3 5b pn e u r a ln e t w o r k 第三章神经网络建模 误差反传是将输入误差以某种形式通过隐层向输入层逐层反传，并将误差分摊绘各 层的所有单元，从而获得各层单元的误差信号，此误差信号则作为修正各单元权值的依 据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始的进行的，权值 不断调整的过程也就是网络的学习训练过程。图3 5 所示为一单输出网络模型及学习过 程。 以一个具有输入层、隐层和输出层的b p 神经网络学习训练为例，设其输入向量为 x = ( x l ，x 2 ，x 。) 7 ； 隐层输出向量为y = ( y l ，y 2 ，y 。) 7 ； 输出层向量 o = ( o i ，0 2 ，d ，y ；期望输出向量d = ( d l ，d 2 , - - , d f ) ，：输入层到隐层的权值矩阵 v = ( k ，矿- ，) ，其中列向量一为隐层第j 个神经元对应的权向量：隐层到输出 层之间的权值矩阵用w 表示，w = ( w l ，形) ，其中列向量为输出层第k 个神经元对应的权向量。则该b p 网络可以建立数学模型如式( 3 7 ) ( 3 1 0 ) ： 则对于隐层，有 对于输出层有 y ，= f ( n e t ) n e t ，= v 口z o k = f ( n e t ) n e t i = w ：y j ，- 0 ，= 1 , 2 ，m ，= 1 , 2 ，r a k = 1 , 2 ，m k = 1 ，2 ，脚 ( 3 7 ) ( 3 8 ) ( 3 - 9 ) ( 3 - 1o ) 其中，转移函数，( 功均为单极性s i g m o i d 函数。当网络输出与期望输出不等时，存 在输出误差e ，定义如下： e = 寺( d d ) 2 = 寺( 矾d 女) 2 ( 3 1 1 ) 将该式逐层展开至输入层，得到下式： e = 三骞 d 。一， 薹w 弘，c 兰t = 0v 。曩， 2 c ，t z ， - i j ，z 0i i 由上式可以看出，网络输入误差是各层权值的函数，因此调整权值可以改变误差。 显然，调整权值的原则是使误差不断的减小，因此应使权值的调整量与误差的负梯度成 第三章神经网络建模 正比，即 嘶叫嚣 o e 加f 一叩瓦 ，= 0 , 1 ，2 ，川；= 1 , 2 ，f( 3 - 1 3 ) i = 0 , 1 ，2 ，n ；j = 1 , 2 ，聊( 3 1 4 ) 式中负号表示梯度下降，常数玎( 0 ，1 ) 表示比例系数，在训练中反映了学习速率。 这类算法常被称为误差的梯度下降算法。对输出层和隐层各定义一个误差信号，令 哦o = 一两o e 占? ：一旦 7 o n e t ， 参考式( 3 一| 7 ) ( 3 1 0 ) ，将式( 3 ，1 3 ) 算法权值调整计算公式为： ( 3 - 1 5 ) f 3 - 1 6 ) 、( 3 - 1 4 ) 对e 的偏导展开，则得到三层b p 网络学习 n 蚋= 叩础y = 】7 ( 以一o k ) o 。( 1 - - o k ) y j 1 v o = r 掣x ，= 叩 套c 以一。，。c 一。，_ 肚 乃c ，一一，一 3 1 7 上式即为闽值修正值公式，权值修正的原理与之相同，在此处就不赘述了。图3 , 6 给出标准b p 算法流程。其中各物理量表示的意义如前面的假设。 第三章神经网络建模 图3 6 标准b p 算法流程 f i g3 6s t a n d a r db pa r i t h m e t i c 1 9 3 4 2m a t l a b 的b p 网络工具箱 m a t l a b 的b p 网络工具箱中包含了b p 网络分析和设计的许多函数p o 】，表3 - 1 给 出了这些函数的名称和基本功能。 表3 - 1 主要的b p 神经网络工具箱函数 t a b l e3 - 1m a i nf u n c t i o no f b pn e u r a ln e t w o r kt o o l b o x 函数名 功能 i n i t f f至多四层的前向网络初始化 p u r e l i n 纯线性传递函数 t a n s i g双曲正切s 型( s i g m o i d ) 传递函数 l o g s i g对数s 型( s i g m o i d ) 传递函数 t r a i n b p 利用b p 算法训练前向网络 t r m n b p x 利用快速b p 算法训练前向网络 n w l o g 对l o g s i g 神经元产生随机数 n w l a n 对t a n s i g 神经元产生随机数 e r r s u r f 计算误差曲面 d e l t a l i n p u r e l i n 神经元的sf d e l t a ) 函数 d e l t a l o g对数s 型( 1 0 9 s i g ) 神经元的6 函数