（计算机软件与理论专业论文）实时十字测温预报系统的设计与实现.pdf

东北大学硕士学位论文摘要 实时十字测温预报系统的设计与实现 摘要 本文论述了面向对象的实时高炉炉喉十字测温预报的设计和程序的具体实 现问题。作为开发高炉煤气流分布及布料操作决策人工智能系统的基础研究和 关键技术，本系统采用基于t d 算法的时序神经网络进行十字测温的预报。鉴 于十字测温的温度变化属于非单纯时间序列问题，通过分析影响煤气流的因素 结合专家意见，根据测温点位置的不同相应地选择了影响温度变化的状态量。 在利用u m l 语言和设计模式进行了软件体系结构设计的基础上，用 c + + b u i l d e r 6 0 编写了代码。从实时数据存入数据库、数据预处理到各温度点分 别预报直至用直方图和趋势曲线显示，代码实现简洁，系统运行稳定。最后对 运行结果进行了分析，并且提出了系统改进的设想。 关键词十字测温专家系统t d 方法递推神经网络 一i i 东北大学硕士学位论文a b s t r a c t t h e d e s i g n a n d i m p l e m e n t a t i o n o ft h e r e a l t i m ep r e d i c t i o ns y s t e mo fc r o s s t e m p e r a t u r e a b s t r a c t t h ep r o b l e mo f d e s i g n i n ga n di m p l e m e n t i n gt h er e a l - t i m ep r e d i c t i o ns y s t e mo f c r o s s t e m p e r a t u r eu s i n go o d m e t h o di sm a i n l yd i s c u s s e di nt h i sp a p e r a st h eb a s i cr e s e a r c ha n dk e yt e c h n o l o g yo fa r t i f i c i a li n t e l l i g e n c es y s t e mo f g a sf l o wd i s t r i b u t i o na n ds t u f f - d i s p o s i n go p e r a t i o n ，w ea d o p tt i m e s e q u e n c eb p n e u r a ln e t w o r ka n dt d a l g o r i t h mt op r e d i c tc r o s st e m p e r a t u r e w h e r e a st h ec h a n g e o fc r o s st e m p e r a t u r ed o e s n tb e l o n gt op u r et i m e s e q u e n c ep r o b l e m ，w es e l e c ts o m e o t h e rp a r a m e t e r sa c c o r d i n gt ot h ea n a l y s i so ff a c t o r si n f l u e n c i n gf l o wg a sd i s t r i b u t i o n a n de x p e r t s o p i n i o n s ，w h i c hi n f l u e n c eg r o s st e m p e r a t u r e t h ew h o l es y s t e mi s m o d e l e db yt h eu m lo v e ra g a i nb a s e do no b j e c t - o r i e n t e di d e a t h ep r o g r a mi s d e v e l o p e di nc + + b u i d e r 6 0 f r o mr e a l - t i m ed a t ab e i n gs t o r e di nd b ，d a t ab e i n g r e p r o c e s s e d ，t o2 1p o i n t s t e m p e r a t u r eb e i n gp r e d i c t e da n dr e s u l t sb e i n gd i s p l a y e d ， t h ec o d ei sc o n c i s e ，a tt h es a m et i m e ，t h es y s t e mi ss t a b l e a tt h ee n do ft h ep a p e r ，w e d i s c u s st h ep r e d i c t i o nr e s u l t sa n d p u tf o r w a r ds o m ei d e a s t oi m p r o v et h es y s t e m k e y w o r d s ：c r o s st e m p e r a t u r e ，t da l g o r i t h m ，n e u r a ln e t w o r k ，e x p e r ts y s t e m i i i 声明 本人声明所呈交的学位沧文是在导师的指导下完成的。论文中取 得的研究成果除加以标注和致谢的地方外，不包含其他人已经发表 或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材 料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作 了明确的说明并表示了谢意。 本人签名：弓象 o ) 时的取值 y ( t + k ) 进行估计，即 寻找未柬时刻的取值 y ( t + k ) ) 与其历史观测值 y ( t ) ，y ( t 一1 ) ，y ( t m + 1 ) ) 及其影 响变量 x i ( t ) ，x 2 ( t ) ，x n ( t ) ) 取值之间的关系【i 4 】。可用下式描述： y ( t + k ) = f ( y ( q ，y ( t 1 ) ，y ( t - r e + 1 ) ，x i ( t ) ，x 2 ( 0 ，x n ( t ) ) 其中，当k 1 时称为步预报，当k l 时称为直接多步预报。时间序列预报 神经网络是通过神经网络来拟合函数f ( ) ，以进行时间序列的一步或多步预报。 因此，采用神经网络可以进行以下三种类型【15 j 的预报： ( 1 ) 一步预报：当k = l 且网络所有输入的数据均是相关变量与时间序列的 历史实际观测值时所做的预报； ( 2 ) 迭代一步预报：将一步预报网络输出的预报值反馈给网络作为输入， 用于下一步的预报，以得到未来一段时间的预报值； ( 3 ) 直接多步预报：当k l 时网络为直接多步预报，例如，用历史实际观 测值 y ( t ) ，y ( t ，1 ) ，y ( t m + 1 ) ) 来预报y ( t + k ) ，接着利用历史实际 观测值 y ( t + 1 ) ，y ( t ) ，。y ( t - m + 2 ) 来预报y 竹一k + 1 ) ，如此往复。 其中，迭代一步预报和直接多步预报都称为多步预报。这里选择了直接多步预报 的神经元网络。 采用神经网络时间序列进行学习与预报是一个具有挑战性的问题。在一些情 况下，事先并不具备进行时间序列预报所需要的模型，收集数据、建模与预报必 须同时进行，并随着观测数据的增加使模型不断完善。另外，对于一个实际预报 问题，只有当预报模型的参数随着预报环境的变化而调整时，才会得出较好的预 报结果。即，只利用历史数据建立的模型不能完全反映时间序列近期和现时的特 性。为了保证预报精度，需要随着新数据的积累不断地调整模型的参数。这种边 收集数据，边建模、边修改模型、边预报就是实时建模预报。 3 3t d 算法及权值变化公式推导 t d ( t e m p o r a l d i f f e r e n c e ) 是由相邻实际输出之间的差别驱动的，输出有变 化就会产生学习。采用t d 算法进行直接多步预测时，相邻两次网络的输出不是 针对同一时刻十字测温时间序列的预测，如在t 时刻网络输出层第k 点的预测输 出为o k ，在t + l 时刻，网络输出层第k 点的预测输出为o k t “，而o k 与o k t + 1 之 间没有必然的期望关系。为应用t d 方法，采用将多步预测的各个十字测温预测 1 7 东北大学硕士学位论文第三章十字测温预报的原理 值在网络同时输出的方法，即在t 时刻不仅输出o k ，还要输出oj 、0 2 、 o k ，而在t + l 时刻，网络的输出为0 1 ”1 、0 2 ”1 、0 k 。这样，t + l 时刻网 络输出层第一个结点和t 时刻网络输出层第二个结点均是对同一时刻时间序列值 的预测。 我们将通过有监督学习中的w i d r o w - h o f f 学习规则来引出t d 算法，并揭示 出这两种方式会产生相同的权值变化量，但t d 算法能渐进地实现预测。 首先，我们做一些假设。假设在多步预测问题中，经验是以 ( 爿。，x ：，x 。，x 。，z ) 这样的观测一结果序列表示的，其中，( 1 r m ) 是t 时刻的 观测值，z 是该序列的实际值，每个z ，的组成元素均假设是实数矢量值，z 是实 数标量值。对每一个观测一结果序列，学习者均会产生相应的预测值序列，即 ( 0 ，墨，巴) ，其中每个预测p 值都是对实际值z 的估计。一般情况下，只是 t 时刻之前所有矢量的函数，但为了简单起见，我们暂且假定只仅与矢量x ，有函 数关系，同时，p 又与可修改的权值有关，因此，我们用p ( x ，缈) 来表示只与 x 及缈的函数关系。 所有的学习过程都是通过修改权值矽来表示的，此处我们假设矿的修改仅在 处理完整个序列之后才进行，而在整个序列过程中不作修改。对每一个观测值都 对应着一个矿，当处理完整个序列之后，w 就通过序列中所有增量的总和柬 改变，即： m 卜+ 1 a 矿 ( i ) + 莒 有监督学习要将每一个观测值与其要预测时刻的实际值形成观测值实际值 对，即( x 。，z ) ，( x ：，z ) ，( 爿。，z ) 。与t 有关的彬取决于只与z 之间的误差值及形 的改变对p 的影响程度。因此，有监督学习的权值变化公式就如公式( 2 ) 所示： 彬= q ( z c ) v ，只 ( 2 ) 其中q 是影响学习速度的正向参数，即学习率：梯度v ，c 是f 对缈的每个分量 的偏导数向量。考虑一种特殊情况，假设p 是x ，和w 的线性函数，即 f = 7 z ，= ，w ( i ) x ，( f ) ，其中w ( i ) ； f l z ，( i ) 分别是和z ，的第f 个分量，此时， v ，p = z ，这样就推导出了著名的w i d r o w - h o f r 规则【1 6 1 ： 彬= u ( z w 7 x ，) x ， 其基本思想是：z w 7 x ，代表了预测值缈7 x ，与本应出现的结果值的标量误差。 该误差值与观测值矢量x ，相乘，就确定了权重的改变量，因为矢量x ，指出了如 何改变每一个权值将会影响误差。例如，如果误差值是正向的，同时x ，( i ) 也是 1 8 东北大学硕士学位论文第三章十字测温预报的原理 j f 向的，那么彬( f ) 将会增加，相应的矿7 x ，就增加，最终导致误差值的减小。 我们注意到，无论在什么情况下，( 2 ) 式中的所有彬都严格地取决于z ， 这样，只有当整个序列结束知道z 以后，才能确定所有的彬。正因为如此，在 整个序列中的所有观测值与预测值都必须记忆下来直到结束，此时才能计算所有 的矿，换句话说，( 2 ) 式不能渐进计算。 与有监督学习不同的是，t d 算法不仅能产生与( 2 ) 式相同的误差，并且可 以进行渐进计算，其关键就是将误差值z p 用预测值的改变量的和来表示，即 如下式所示： ：一只= ( 只。一只) ，定义尸卅+ 。= ： k = t 利用该式，公式( 1 ) 和公式( 2 ) 就可综合在一起表示，即 卜w + ，7 ( z 一只) v ，只 t = l w + ，7 ( r r 最) v ，p = + ，7 ( 只。一只) v ，尸 = + 材( e 。一只) v ，只 对应着( 1 ) 式可以看出，此时的彬就变成了公式( 3 ) 的形式 ， 彬= 7 t ( p , + 1 _ c ) v ，最 ( 3 ) k = l 与公式( 2 ) 不同，公式( 3 ) 可以进行渐进计算，因为每个彬仅仅取决于一对 相邻的预测值以及所有过去v ，只之和。这样就潜意识地节省了记忆空间，因为 它不再需要单独记住每一个过去的v ，p 。尽管公式( 3 ) 可能需要更多的附加计 算( 也就是要计算y v ，只) ，但它们可以均匀地分布在各个时间步上，因此在 对计算设备的速度方面无需太高要求。公式( 3 ) 要在每一个时间步计算矿的增 量，相反地，公式( 2 ) 必须等到整个序列完成以后才能计算该序列的所有增量 之和。如果m 是该序列的最大可能长度的话，那么，在很多情况下，( 3 ) 式可 能仅仅是( 2 ) 式所需空间及速度的1 m 。 为了简单明了，我们把公式( 3 ) 称作t d ( 1 ) 算法。另外需要说明的是，如 果预测值尸是观测值x ，及矢量参数的线性函数的话，即只= 7 x ，那么我 们就将t d ( 1 1 算法看成是线性的。 1 9 东北大学硕士学位论文第三章十字测温预报的原理 时差算法的最大特色就是它更注重于相邻的预测值变化量，而不是预测值与 最终结果值之间的总体误差。作为从只到只+ ，预测值是增大还是减小的响应， 彬就被确定了是增大还是减小。公式( 3 ) 是在一种特殊情况下的推导，即预 测值的改变是同等程度。在此。我们再引入一种预测值的改变不是同等程度的 t d ( 旯) 算法，即离当前时刻越近的预测点，其预测值变化越大。我们利用标志着 离当前预测点远近程度的指数矿( 0 墨兄1 ) 来分配当前预测点前k 步的每个偏导 数起作用的程度，这样公式( 3 ) 就变成了下面的形式： 彬= 町( 只。一只) 名4 v ，冀 ( 4 ) 女= 1 这里，我们注意到当兄= 1 时，公式( 4 ) 就变成了公式( 3 ) 。因此，我们把公式 ( 3 ) 称作t d ( 1 ) 算法，而把公式( 4 ) 称作t d ( ) 算法。在高炉含硅量预测模型 中，我们将以t d ( 五) 算法为基本指导思想进行预测。 当然，先前预测值的改变可以不用上面的指数形式，而是随专门的应用有所 选择：指数形式的最重要特点是可以进行渐进计算。我们用e ，来表示公式( 4 ) 中的随时间，变化的偏导数之和，这样仅需要当前的信息就可计算g 。，如下所示： q + 。= “v ，b = v ，只+ l + a t “甲只 = l = v 只+ 1 + 血， 对于五 1 的t d ( a ) 算法，其权值改变量则不同于任何有监督学习方法的权 值改变量。当五= 0 时，权值的增量仅取决于最接近当前时刻的预测值的影响， 这时的权值变化公式就如下所示： v 彬= 叩( 只+ 一只) v ，只 我们注意到，上面的这个式子在形式上与有监督学习的公式( 2 ) 非常相似，不 同之处在于公式( 2 ) 中的z 由下一个预测僵只+ ，所替换。虽然这两者用了相同的 学习机制，但产生的误差却是不一样的。 现在，我们再来考虑从严格意义上说不是t d 算法的当前时刻之后固定时间 量上的预测问题。例如，要提前一周时间来预测是否下雨，即在每周一预测下周 是否下雨，在每周二预测下周二是否下雨，在每周三预测下周三是否下雨等等， 以此类推，在一周的每一天均作这样的预测。尽管该问题包含着一系列的预测值， 2 0 一 东北大学硕士学位论文第三章十字测温预报的原理 但不能直接应用t d 算法来解决，因为其中的每一个预测值都处在不同事件中， 在它们中间没有我们所需要的时间关系。但如果我们采取一些措施，就可以用 t d 算法来求解，为此，我们构造一个大规模的预测值序列。在每一天( 用，来 表示) ，不仅要构造尸7 ( 其表示对当天时刻的后7 天这一天是否下雨的预测值) ， 而且还必须生成p 6 ，p 5 ，爿，其中每个口代表了当天时刻后占天是否下雨的预 测值，这就形成了内在相关的预测值序列。因为这时所构成的只7 ，或，p ：，p k 都是针对同一时间做出的预测，也就是都是对t + 7 这一天是否下雨的预测。如果 预测准确，将有毕= 只：i 1 ，其中，v ，l 占7 ，并且我们定义p o 是时刻r 的 实际结果值( 比如说1 代表下雨，0 代表不下雨) ，这时用于计算的权重6 的 修改规则就成为如下形式1 1 7 j ： a w 6 = 玎( p ：i 1 一只6 ) 爿“v ，彬 k 。l 3 4t d 算法应用于高炉十字测温预测的具体权值计算 我们用一个预测值输出图( 图3 1 ) 来表示上述例子中对应各个时刻的预测 值状态，并用斜线指出了对应相同时刻的预测值。然后，根据t d 算法求出每2 个相邻时刻的误差值( 即将对应同一时刻的预测值相减) 。最后，我们抽象出误 差序列公式，如下式所示，其中，f ：。定义为f + 1 时刻的实际值。 e 。 1 1 = 战一f e 。1 2 = p , l 。一只2 e 。 3 】_ p 。2 一口 e 。【4 】= 只l 一只4 e 。【5 】5 = 心，一只5 e 。【6 】_ 只；，一只6 根据权值向量的修改规则，( 在t d 算法和逆向传播方式相结合来预测十字 测温一节中介绍1 ： = 彬吲牡哟扩器眵 一2 l - 厂11lif，、lilli一 东北大学硕士学位论文第三章十字测温预报的原理 从上式可以看出，要求解喜器，就必须先求解器，而器是针对 权值向量的偏导数，因此我们先讨论如何求解针对权值向量的每一个分量的偏导 数 1 1 ：0 0 时的嗡 预测输出值 1 0 ：3 0 时的 预测输出值l _ 。 1 0 ：0 0 时的 预测输出值 9 ：3 0 时的 预测输出值 9 ：0 0 时的 预测输出值 8 ：3 0 时的 预测输出值 8 ：0 0 时的 预测输山值 p l l ：3 0p 1 2o op t 2 3 0p i o op i ：3 0p 2 o o p u o op 1 l ：3 0p 1 2 ：o op 1 23 0p i o op i 3 0 p o ：3 0p l ：o o p l i3 0 p 1 2o o p 1 2 3 0p l ：o o 一 p l o ：o op l o 3 0p t l ：o op 1 l ：3 0p 1 2 o op i 23 0 666666 p 9 ：3 0 p o mp o p 【o op 1 l ：3 0p t 2 o o p 9o o p 9 3 0p i o ：o o p i o ：3 0p u ：o op u - 3 0 p 83 0p 9o op 93 0p i o o op l o3 0p 1 1 o o 6 6 666 6 图3 1 各个时刻的预测值输出图 f i g 3 1t h ep r e d i c t e d v a l u eo f d i f f e r e n tt i m e 2 2 一 易占6 6 占 6 6 东北大学硕士学位论文第三章十字测温预报的原理 竺车，这样，当求出所有针对权值分量的偏导数后，针对权值向量的偏导数也 a w ! 就迎刃而解了。 当神经网络模型的隐含层与输出层的输入函数采用线性函数，活化函数为 s i g m o i d 函数( ，( x ) = 石) 时， n e j + j 表示t 时刻神经元i 的激活值，则可得 到下式： a p l e p fc 3 n e t | 一一 o w ： o n e t j o w ； = 著t ：旦生0 c a n e t ：。 = 5 ：o i 我们定义h 代表输出层单元( 1 h 6 ) ，饿代表输出层单元的输出值，d f 代表隐含层单元的输出值，下面分两种情况来讨论彭： 若i 为输出层单元，则有 耻盖 d ：( 1 0 i ) 若i 不是输出层单元，而是隐含层单元，则有 占f = 盟盟 。 a d ! a h e t ! ：旦堕v 里生o n e t ；一 o n e t ；午o n e t ：0 0 ； 2 3 堕州碱 。 仃。 q 0 o 研 叫 = = 东北大学硕士学位论文第三章十字测温预报的原理 综合以上结果，我们得到j j 的计算公式为 e ，= v ，b p = v 只+ 】+ p t 其中的p ，恰恰正是我们刚刚求解的a k = l 所有需要计算的问题全都得到了解决。 o i ) ，f 属于输出层，即j = ； o j ) “t w 彬t f 属于隐含层。 h 曾推导过这样一个公式，即 甏，晰帆网求。这样 3 5t d 算法和逆向传播方式相结合来预测十字测温 3 5 1 十字测温直接多步预测神经网络模型的结构 以前，我们曾采用基于b p 算法的多层前馈型网络来识别高炉煤气流分布 模式，该网络的学习过程是由正向和逆向传播过程两部分组成。在正向传播过程 中，每一神经元的状态只影响下一层神经元网络，如果输出层不能得到期望输出， 就是实际输出值与期望输出值之间有误差，那么转入逆向传播过程，将误差信号 沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播并进 行计算，然后再经过正向传播过程。如此经过这两个过程的反复运用，使得误差 信号最小。实际上，当误差达到人们所希望的要求时，网络的学习过程就结束。 b p 算法是在教师指导下，适合于多层神经元网络的一种学习，它是建立在梯度 下降法的基础上的。 当我们对t d 算法进行研究以后，发现t d 算法和逆传播方式的意图是相同 的，即都是要精确地分配学习信号的可信程度，只不过逆传播方式确定了网络的 哪个部分有了改变以至于影响了网络的输出，从而可减小总体误差；与之相反， t d 算法则决定了输出结果所对应的每一个时态序列中的每一个输出浚如何改 变。可以看出，逆传播着重强调了结构上的学习信号可信程度的分配，而t d 算 2 4 0 o 时 喏 研 法算 ，t咐 t = 沦 彭 泔在医回们我 东北大学硕士学位论文第三辛十字测温预报的原理 法则强调了时态上的学习信号可信程度的分配。尽管二者侧重点有所不同，但有 一点很重要，这就是二者的兼容性非常好，因此很容易结合在一起来解决问题。 在上述引入t d 算法的论述中，重点介绍的是线性情况下的理论推导，当然， t d 算法同样可以应用于由非线性函数构造的预测问题中( 诸如利用逆传播方式 进行学习的网络) ，关键在于梯度v ，p 应该是可计算的。在线性函数构造的预测 问题中，梯度仅仅是，而在微分非线性函数构造的预测问题中，梯度则在每 一次的逆传播过程中都要进行计算。 下面，我们就详细说明t d 与逆传播方式相结合的算法如何具体应用在高炉 炉喉十字测温预测上。 高炉炉喉十字测温的预测根据其自身的特性分为三类预测网络，分别为中心 区、中间区和边缘，共计2 1 个。它们的预测不仅与自身时间序列的历史十字测 温数据有关，而且还与高炉的某些特征参数有关，并且不同类预测网络选择的高 炉特征参数也不同。对于中心区，鼓风动能、炉顶温度、料批数作用比较显著： 对于中间区，鼓风动能，炉顶温度，料批数，矿石批重作用比较显著；对于边缘， 鼓风动能，对应点炉顶温度，料批数，对应点炉墙温度，热负荷，料批重作用比 较显著。为反映这些与预测有关的特征参数及历史数据，我们选用了一种以前馈 为主，具有代表动态特征的外部反馈和自反馈的简单递归神经网络。 第一类网络的模型结构如图3 2 所示。它用于预报最外圈上各点的十字测温， 共有四个网络( 边缘有四个点) ，其中m = 6 ，p = 4 5 ，k = 6 ，n = 1 2 。下面具体阐述 一下该网络结构。 该网络共有三层，第一层为输入层，第二层为中间层，第三层为输出层。 第一层输入层，其输入包括二部分。第一部分是与最外圈十字测温相关的参数， 我们采用其中主要的6 个参数作为输入，它们分别是：鼓风动能，对应点炉顶温 度，料批数，对应点炉墙温度，热负荷，料批重，依次用6 个神经元表示。第二 部分是最外圈十字测温时间序列的历史数据，这些时间序列的历史数据是通过时 延环节进入网络的。它们通过本身带有的负反馈，使不同历史时刻的数据在参与 网络的学习时衰减程度不同，距离当前时刻越近的历史数据的衰减程度越小；反 之，衰减程度越大( z 一，z “，z - 1 ) 。用6 小时最外圈十字测温数据作为第 二部分的输入，每半个小时取一次平均值以达到滤波的效果，用1 2 个神经元表 不。 第二层为隐含层，对于多层神经元网络来讲，首先确定选用几层隐含层。根 据1 9 8 8 年c y b e n k o 的指出，当各节点均采用s i g m o i d 型函数时，一个隐含层就 足以实现任意判决分类问题，两个隐含层则足以表示输入图形的任意输出函数 0 8 1 。所以根据实际情况，隐含层只有层。 2 5 东北大学硕士学位论文第三章十字测温预报的原理 输出 图3 2 十字测温最外圈神经网络模型结构图 f i g 3 2n e u r a l n e t w o r km o d e ls t r u c t u r e 出层 含层 输入层 基于b p 算法的神经元网络中各层节点数的选择对网络的性能影响很大，所 以，层内节点数需要进行恰当的选择，一般来说，一个多层网络需要多少隐单元 层，每层需要多少隐单元，这要由网络的用途来决定，但这并非是唯一确定的， 因为采用不同的内部表象时所需要的内部单元数是不同的，因此，对于隐含层单 元数的选择是一个十分复杂的问题。根据对隐含节点的几何解释，知道第一隐古 层的每个节点确定了一个判决面，它把n 维输入空间( n 为输入向量的分量数) 分为两部分。第二隐含层的每个节点又将第一隐含层节点形成的多个判决面组合 成凸域空间或者判决域。最后，输出节点又把多个凸域组合成任意形状的判决空 蒯或判决边界。很明显，隐含层的节点有些用来提取输入图形的特征，有些则用 2 6 东北大学硕士学位论文第三章十字测温预报的原理 来完成某些特殊功能。因为网络映射的复杂性和由于许多成功地完成训练过程的 不确定性的性质，目前大多数还是以经验为依据。因此，根据经验，在隐层我们 采用了4 5 个神经元来表示。 第三层为输出层，用6 个神经元表示。为应用t d 算法，按照上面所论述的 用于求解当前时刻之后固定时间量的多步预测问题的处理步骤，我们采用将多步 预测的各个最外圈十字测温的预测值在同一时刻同时输出。预报时间取3 小时， 为了在这3 小时时间中进行多步预测，就要对3 小时的时间自j 隔划分成相等的时 间步距，才能采用t d 算法，因此，我们将3 0 分钟作为一个时间步距，那么3 小时就被划分成了6 步。这样，为了预测下3 小时的最外圈十字测温，在时刻f ， 我们不仅要输出对应着当前时刻3 小时后的最外圈十字测温预测值p l o ，而且还 要输出在时间上相继3 0 分钟的5 个最外圈十字测温的预测值，即p t l 、p t 2 、p t 3 、 p t 4 、p 。5 。其中，代表着当前时刻占个3 0 分钟后的最外圈十字测温预测值， 也就是p 。1 是对应着当前时刻3 0 分钟后的最外圈十字测温预测值，p 。2 是对应着 当前时刻6 0 分钟后的最外圈十字测温预测值，p 。3 是对应着当前时刻1 5 小时后 的最外圈十字测温预测值等等，以此类推，直到p ，5 是对应着当前时刻2 小时3 0 分之后的最外圈十字测温预测值。同样，在t + 1 时刻，相应的6 个输出依次为 p 、p l 十1 2 、p t + 1 3 、p ”1 4 、p 川5 、p ”1 6 ，其中，p l 十1 1 是对应着f + 1 时刻3 0 分钟 后的最外圈十字测温预测值，p i + 1 6 为对应着r + l 时刻3 小时后的最外圈十字测温 预测值。如果预测准确，则有f 掣= 彳，其中v ，1 占6 ，并且我们定义p t + t o 为，+ 1 时刻的实际最外圈十字测温值。 这样，采用t d ( ) 算法时可以得到神经网络的权值向量的调整规则： = 彬州& - i 卅) 酽t 焉m 其中v f ，1 j 6 ； e , 2 1 ：r + 1 时刻输出层第占一1 个神经元的预测输出值； p 4 ：f 时刻输出层第占个神经元的预测输出值； 珂：学习率； a ：动量增益率； 形：前次加权变化量； ：规定了参与权重调整的最外圈十字测温历史预测数据的时间窗口长度， 2 7 东北大学硕士学位论文第三章十字测温预报的原理 为历史数据的权重调整系数，0 九1 ： ，o d d 爿。詈争：连接权与输出层第万个神经元在时间窗口长度内的历史数据偏 = l“”k 导数之和。 在此公式中我们加入了一个动量项a a 矿，原因是这样的：基于t d 算法的 神经元网络，在学习过程中，只需要改变权重，而权重是和权重误差导数成正比 的，但真正的梯度下降方法要求所取的时间间隔无限小。比例系数，7 是学习过程 中的速率，它是一个常数。由于节越大，权重改变越大，若能选择合适的速率， 使它的值尽可能的大但又不至于引起振荡，这样就可以为系统提供一个最快的学 习，增大学习速率而又不导致振荡的方法，就是修改反传中的学习速率，使它包 含有一个动量项，具体说，就是每个加权调节量上加上一项正比例于前次加权变 化量的值( 即本次权重的修改表达式中引入前次加权的权重修改) 。这就要求每次 调节完成后，要把该调节量记住，以便在下面的加权调节中使用。 第二类网络的模型结构亦如图3 2 所示。它用于预报中间4 圈的十字测温， 共有1 6 个网络，其中m = 4 ，1 3 = 4 5 ，k = 6 ，n = 1 2 。下面具体阐述一下该网络结构。 该网络共有三层，第一层为输入层，第二层为隐含层，第三层为输出层。第 层输入层，其输入包括两个部分，第一部分是状态量，包括鼓风动能，炉顶温 度，料批数，矿石批重共四个，其中炉顶温度有方向之分，因此不同方向的十字 测温点应取相应方向的炉顶温度。第二部分是中间4 圈十字测温时间序列的历史 数据，注意，在这里，并不是把中间4 圈作为一个整体，而是每圈作为一个整 体，但这4 圈有相同的规律，所以使用同一个神经网络。这些时间序列的历史数 据是通过时延环节进入网络的。它们通过本身带有的负反馈，使不同历史时刻的 数据在参与网络的学习时衰减程度不同，距离当前时刻越近的历史数据的衰减程 度越小；反之，衰减程度越大。我们将用2 4 分钟中间4 圈十字测温数据作为输 入，每两分钟一次半小时平均值以达到滤波的效果，用1 2 个神经元表示。 第二层为隐含层，根据实际经验，我们采用了4 5 个神经元来表示。 第三层为输出层，用6 个神经元表示。 第三个网络的模型结构亦如图32 所示。它用于预报中心点的十字测温，其 中m = 3 ，p = 4 5 ，k = 6 ，n = 1 2 。下面具体阐述一下该网络结构。 该网络共有三层，第一层为输入层，第二层为隐含层，第三层为输出层。 第一层输入层，其输入包括两个部分，第一部分是状态量，包括鼓风动能， 炉顶温度，料批数共三个，其中炉顶温度有方向之分，但十字测温中心点只有一 个，因此炉顶温度取四个方向上的平均值。第二部分是中心点十字测温时闻序列 一2 8 东北大学硕士学位论文第三章十字测温预报的原理 的历史数据，这些时间序列的历史数据是通过时延环节进入网络的。它们通过本 身带有的负反馈，使不同历史时刻的数据在参与网络的学习时衰减程度不同，距 离当前时刻越近的历史数据的衰减程度越小：反之，衰减程度越大。我们将用 2 4 分钟中间4 圈十字测温数据作为输入，每两分钟一次半小时平均值以达到滤 波的效果，用1 2 个神经元表示。第二层为隐含层，根据实际经验，我们采用了 4 5 个神经元来表示。 第三层为输出层，用6 个神经元表示。 3 5 2 编程中解决2 1 个3 种不同类型网络的技巧 要想在一个周期预报2 1 个点，显然需要分别为2 1 个网络分别分配空间， 这里用到了自定义类型t d n n 的指针数组n e t 2 1 1 ，t d n n 不仅含神经网络结 构体n e t 还有可以操作该结构体的公用方法，其中涉及到网络输入的便是 s e t l n p u t t 0 方法，它将时序量和状态量输入到神经网络中。由于三种类型网络要 求状态量的节点个数不同( 分别为3 、4 、6 ) ，如果以固定长度的数组作为参数 传递则不能自动伸缩( 如f l o a ta i n t l e n g t h 不合法) ，解决这个问题我使用了c + + 标准库类型v e c t o r 。 本质上c + + 标准库提供了最常见的基本数据结构，以及在它们上面操作的 基本算法。它提供诸如基本运算支持、c 标准库支持、容器( 例如v e c t o r 、l i s t 和m a p ) 和使用容器的算法、对数值计算的支持。其中v e c t o r 就是容器的一种。 利用标准库提供的b e g i n ( ) 、e n d ( ) 、a t ( ) 可以访问容器中的元素，也可以直接用数 组下标的访问方式。v e c t o r a ( 1 e n g t h ) 这种表示方式是合法的，我们可以改 变l e n g t h 来动态改变a 的长度，从而可以先判断是哪类的点，然后对l e n g t h 分别 赋值为3 、4 或6 ，这样就解决了在一个网络模型的基础上实现2 1 点同时预报， 代码简洁清晰执行效率高。 3 5 3 十字测温直接多步预测神经网络模型的工作过程举例 夺网络训练 随着时间推移，炉内环境不断变化，网络模型要经常调整才能保证预报准确。 神经网在初始状态和运行一段时间后都要训练。由于采用了t d 算法( 3 4 节) 输出端每个节点不仅在一步训练时有实际值与网络输出值做差，在多步训练时也 可以通过同时刻相邻两次预报值差来计算误差驱动网络学习，所以多步训练成为 可能，使网络学习得更好。我们采用六步训练的方式，在误差计算上，如果有实 一2 9 东北大学硕士学位论文第三章十字测温预报的原理 际值与输出值进行比较，就用两者的差为误差驱动网络逆传播；如果没有实际值 与输出值比较就用前一次的输出与本次输出比较即只：一只“驱动网络逆传播。设 当前时刻为8 ：0 0 ，以边缘区为例说明网络训练过程，具体训练步骤如图3 3 、 3 4 、3 5 所示，每次训练b p 网都重复以下步骤： 一 网络输入赋值； 一模式顺传播； 计算误差； _ 逆传播进行网络学习调整权值。 8 ：0 07 ：3 07 ：0 06 ：3 06 ：0 05 ：3 0 静神经嚣嬲嚣j i i ：；| j j 。 一 一l 一，脾旗壤薹? i ；羹赣誉嘲蒸豢童。| - 。? - ? ：。j 一 5 ：0 0 时的相应传感器参数的值 图3 3 第一步训练 f i g 3 3t r a i n i n gs t e p1 l 、y ，一 5 ：0 04 ：3 0 。2 3 ：3 0 8 ：3 08 ：0 07 ：3 07 ：0 06 ：3 06 ：0 0 。 _ 暑霸黧? 神经蠢；潞绦叠囊囊参蠢。麓誊i j 叠一 i | i t i 。誉| 獭；莲瓣黎藕蘸黼黼笺辫 爨纛；冀蒸誊誊攀簿； s ：3 0 时的相应传感器参数的值 图3 4 第二步训练 f i g 34t r a i n i n gs t e p2 3 0 l y ， 5 ：3 05 ：0 0 0 ：0 0 查! ! 茎堂塑主芏堡垒墨簦三主兰兰坚望垫竺堡翌 1 0 ：3 01 0 ：0 09 ：3 09 ：0 08 ：3 08 ：0 0 i ”、誊i 擎糟，缝菇燃缮i ；：；曩譬；j i _ ；- ； + ”；i 曩+ ：i j | 。1 曩誉董：_ o 叠i 曩鼍篓”。* 毒矗j _ 譬 ( n e t c t - a l 瓣零t w o 尊k ) j 7 ：3 0 时的相应传感器参数的值 图3 5 第六步训练 f i g ，3 5t r a i n i n gs t e p6 l 、r j 7 ：3 07 ：0 0 2 ：0 0 如图3 3 所示，第一步输出端从5 ：3 0 到8 ：0 0 六个值都有已知值。5 ：0 0 时相应传感器参数的值指瞬时值；2 3 ：3 0 至5 ：0 0 历史数据指半小时的平均值， 如5 ：o o 是4 ：3 0 到5 ：o o 的均值。 如图3 4 所示，第二步中输出端6 ：0 0 至8 ：0 0 为实际值，8 ：3 0 为预报值。 第三、四、五步与第二步相似省略。 如图3 5 所示，第六步只有8 ：o o 是实际值，至此网络训练完成。 图3 6 网络预报 f i g 3 6p r e d i c t w i t ht r a i n e dn n 3 l - 东北大学硕士学位论文第三章十字测温预报的原理 夺网络预报 经过训练，神经网识别并记忆了十字测温非线性时间序列模型，将权值做了 修改可以用来进行预报。如图3 6 所示，输入当前( 8 ：0 0 时) 的瞬时状态量和 均值时序量，得到输出端8 ：3 0 至1 1 ：0 0 的预报值，这里只选择8 ：3 0 一点作 为输出，其他不计。 3 2 查! ! 垄芏翌主兰堡垒查箜里主! 型兰翌塑墨丝堡盐兰壅塾 第四章十字测温预报系统设计与实现 4 1u m l 与系统设计 u m l ( 统一建模语言，u n i f i e dm o d e l i n gl a n g u a g e ) 就是信息技术行业的蓝 图，是详细描述系统结构的方法，是一种标准的图形化建模语言，是面向对象 分析和设计的一种标准表示方法“。利用这个蓝图，我们越来越容易建立和维 护系统，保证系统能适应需求的改变。最初是由g r a d y b o o c h ，j a m e s r u m b a u g h 和i v a rj a c o b s o n 三位著名的信息系统和面向对象领域的方法学家提出的，并得 到了工业界的广泛支持，由o m g 组织采纳作为业界标准”。在本系统的设计 过程中，我们全面采用了u m l 作为系统设计和实现的重要工具，使其完全符 合面向对象的国际化标准。 4 1 1 用户事例图( u s ec a s ed i a g r a m ) 用户事例图显示系统中的使用案例与角色及其相互关系，如图4 1 所示。使 用案例是系统提供的高级功能块，角色是与所建系统交互的对象( 人或物) 。使 用案例描述系统内的一切，而角色描述系统范围外的一切。 用户事例图是从专家系统的用户角度出发，便于阐明系统的主要功能和设 计目标。用户事例图用于显示若干个角色( a c t o r ) 以及这些角色与系统提供的用 户事例( u s e c a s e ) 之间的连接关系。用户事例是系统提供的功能( 即系统的具体 用法) 的描述。通常一个实际的用户事例采用普通的文字描述，作为用户事例符 号的文档性质。用户事例仅仅从角色( 触发系统功能的用户等) 使用系统的角度 描述系统中的信息，也就是站在系统外部察看系统功能，它并不描述系统内部 对该功能的具体操作方法“。对炉前人员，系统的主要功能为其提供十字测温 当前和将来半小时分布的实际值和预测值柱状图，还有十字测温的实际变化趋 势曲线和预测的温度变化曲线；对于系统维护人员，专家系统为他提供了调整 系统参数的接口，对于不同的高炉神经网络结构、状态量计算参数、网络训练 的频度都有可能不同，提供参数调整接口可以方便系统移植或者在条件变化时 仍能较好的工作。另一方面，系统的主要功能如图所显示的首先读入传感器数 据，这旱使用了模拟现场环境的切割、发送数据程序作为实验室的模拟数据源 定时更新指定目录的分钟文件，读入的就是这些数据；预处理一方面将直接得 到的时序量和状态量转变成能够输入到神经网络的数组，同时计算间接量：然 后运用时差递推神经网络进行预报，最后结果以图形的方式显示给炉前人员。 一3 东北赶学硕士学位论文第四章十字测温预报系统设计与实现 预处理 ( 二) j ( ) i )，- 、7 神经网预报结果显示 a 、一j 系统维护人员 参数调整 图4 1 用户事例图 f i g 4 1t h eu s ec a s ev i e w 4 1 2 类 ( c l a s sd i a g r a m ) 炉前人员 类图显示系统中类与类之间的交互，如图4 2 所示。类是对象的设计图， 用来表示系统中需要处理的事务。类图用类和它们之间的关系来描述系统的一 种图示，是从静态角度表示系统的，因此类图属于一种静态模型。类图是构建 其它图的基础，没有类图，就没有状态图、协作图等其它图，也就无法表示系 统的其它各个方面。 类图中包括了七个类：c e n t e r 类、d b f r e s h 类、t d n n 类、p r e d i c t 类、s t a t e 类、s h i x u 类、r e s u l t d i s p l a y 类。各类功能如下： c e n t e r ：主类，负责初始化系统和调用各类的方法，关闭程序时释放资源。 d b f r e s h ：为了存储历史数据将传感器数据处理后存储数据库中，该类负责 定时追加新数据并删除过期无用的数据。 s t a t e 类：一方面，根据神经网训练和预报的要求准备历史数据；另一方