高炉炉壁侵蚀状态预测的神经网络分析法

　　1刖言多少年来，人们一直渴望在高炉操作室里就能看到高炉炉衬的烧损情况，准确掌握炉底、炉缸及炉身的耐火材料在役运行状态，从而及时调节高炉操作，有效地延长高炉的寿命。因此，对高炉侵蚀监测数学方法的研究和应用己得到了国内外科技工作者的重视。在日本，相应的开发工作早在20世纪70年代就己开始，并陆续应用于生产实践中，收到了良好的效果。对一般的高炉而言，由于在具体监测过程中所能得到的数据只有高炉外层中预埋的感应器所读出的温度值，以及每次大修时所得到的炉壁、炉底侵蚀线的具体数据，要进行高炉炉壁侵蚀状态的预测，具有强大非线性映射能力的神经网络方法自然成为**方法之一。本文通过一个简化的二维炉壁模型来模拟实际场计算然后在MATLAB界面中建立一个BP模型，并将所得数据代入训练并与仿真结果进行印证，证明了在工程允许误差范围内，神经网络方法用于高炉侵蚀状况的预测工作的可行性。

　　2神经网络方法112 2.1神经网络神经网络作为一种新的方法体系，是由大量简单的、反映非线性本质特征的处理单元（即神经元）广泛连接而构成的复杂网络系统，并具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特性，这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。

　　目前，神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类：①利用神经生理与认知科学研究大脑思维及智能机理。

　　②利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能（如稳定性、收敛性、容错性、鲁棒性等），开发新的网络数理理论。应用研究可以分为以下两类：①神经网络的软件模拟和硬件实现的研高炉炉壁侵蚀的撤兄A先运用ANSYa程序进行温度昭经网络魅个领域中卿的研究6包括模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等。

　　人工神经网络主要包括以下模型：多层前向神经网络MLFN；递归神经网络RNN；自组织神经网络；Hopfield神经网络；模糊神经网络FNN；脉冲神经网络PCNN等等。

　　本文中所采用的BP神经网络就属于多层前向给出了一个基本的BP神经元模型，其中的传递函数f通常取Sigmoid型函数和现性函数purelin等。BP网络*后一层神经元的特性决定了整个神经网络的输出特性。当*后一层神经元采用Sigmoid型函数时，那么整个网络的输出就被限制在一个较小的范围内；当*后一层神经元采用purelin型函数，那么整个网络的输出可以取任意值。神经网络一类。2.2BP神经网络BP神经网络方法，通常是指基于误差反向传播算法（BackPropagation，简称BP算法）的多层前向神经网络，是由D.E.Rumelhart和。L.McCelland及其研究小组在1986年研究并设计出来的。目前BP算法已成为应用*为广泛的神经网络学习算法。BP网络的神经元采用的传递函数通常是Sigmoid型可微函数，例如对数Sigmoid函数logsig正切Sigmoid函数tansig等，所以可以实现输入和输出间的任意非线性映射，这使得它在诸如函数逼近、模式识别、数据压缩等领域有着更加广泛的应用。

　　BP神经网络模型BP神经网络通常采用基于BP神经元的多层前向神经网络的结构形式。是一个典型BP网络结构。网络中通常具有一个或多个隐层。其中隐层神经元通常采用Sigmoid型传递函数，而输出神经元则采用purelin型传递函数。是一个具有单隐层的BP神经网络模型，图示输入维数为2，隐层含有4个神经元，采用tansig作为传递函数，输出层包含3个神经元采用purelin传递函数。已经证明，具有所示结构的BP神经网络当隐层神经元数目足够多时，可以以任意精度逼近一个具有有限间断点的3MATLAB的神经网络工具箱MATLAB具有强大的数值计算能力和优秀的数据可视化能力。MATLAB包括神经网络等工具箱，且其中的函数实现了该领域内*为常见和经典的方法。

　　在MATLAB的神经网络等工具箱中，神经网络了网络结构、网络权值、和阀值以及训练函数等所有重要的网络属性。当用户建立一个神经网络对象后，只要设置好网络属性就可方便地按照自己的期望进行训练和工作，而不必再编写冗长的程序语句，从而大大提高了神经网络系统的设计与分析效率。

　　炉壁侵蚀状态预测是一个热传导反问题，即由外部测试点的温度，反推炉壁内部边界形状。因此，从数学角度来讲，要进行炉壁侵蚀状态预测，就需要建立炉壁内部边界线与外部测试点温度的对应数学关系式，但这一关系式是难以得到甚至不可能得到的，从而为炉壁侵蚀边界的预测带来了困难。由热传导正问题理论可知，如果知道炉壁侵蚀线的形状，可计算出整个温度。当采用有限单元法进行热传导计算时，炉壁内部边界形状可由有限单元边界结点的坐标值来反映，预设的测试点在进行网络划分时设置为有限单元的结点，于是，可以假设炉壁侵蚀线的形状，由热传导有限单元法计算出测试点的温度，从而得到若干侵蚀边界与测试点温度的对应数据。然后将测试点的温度作为神经网络的输入，而对应的边界的形状作为神经网络的输出，代入设计的神经网络中进行网络训练，从而利用神经网络建立一种测试点温度与边界形状的数值模型。当将真实的实际测试点温度代入训练好的神经网络时，就可利用神经网络的函数逼近和记忆功能预测出对应的边界形状。

　　4.1算例本文所选为简化的二维炉壁模型，目的在于验证本文方法的可行性。整个模型长2m，宽0.8m（形状见），其主要结构参数见表1.其中，碳化硅砖左侧与钢水接触，设钢水温度为1600Q两者之间热交换系数为320W/m2炉壳右侧与空气接触，设空气温度为30C，两者之间热交换系数为12W/表1铜冷却壁结构参数及物理参数碳化硅砖厚度铜冷却壁厚度填料厚度炉壳尺寸（m）导热系数4.2数据收集在炉壳中任意选取十个点，视为在该处己预埋感应器。由于钢水对碳化硅砖的侵蚀作用，碳化硅砖外延边界线必然会发生变化，在此边界线上均匀选取五个点。当边界线上的五个点的坐标值发生变化时，炉壳中所选取的十个点处的温度值必然相应改变。每次人为假设此五点的坐标后，用ANSYS程序作热传导有限元计算即可得到炉壳上十个点处对应的温度值。然后，以所得温度值作为输入向量，分别为Ti ~Ti；以其所对应的边界的五个点的坐标作为目标向量，分别为Ai~Ai，从而产生训练样本集以及测试集共选取了38组数据（坐标原点设在的左下角，水平方向为横轴，竖直方向为纵轴。Ai表示**个点的横坐标，A2表示**个点的纵坐标，依次排列下去）4.3网络训练及仿真具体操作时，先运用MATIAB程序建立了一个具有双隐层的BP神经网络模型。其中，输入层包含10个神经元，两个隐层均含有30个神经元，都采用tansig作为传递函数；输出层包含10个神经元，采用purelin作为传递函数。由于网络规模较大，指定trainscg为网络的训练函数，指定learqgdm为网络权值和阀值函数的学习函数。而后，以训练样本集中所得温度值作为输入向量，以所设坐标值作为目标向量，同时代入所建BP神经网络中进行训练。*后代入测试集数据对网络进行仿真。

　　在仿真过程中发现，仿真结果随着训练样本集中数据的加而更接近于计算结果，误差更小。限于篇幅，现仅将训练样本集设为第1 ~30组数据，测试集设为第31~38组时的仿真结果（见模型中采用神经网络来求得此5个点的坐标，从而近似得到碳化硅砖层的左边界线。炉壳层内部的10个点初始时假定预埋感应器的5结论位置铎搬视相o1Ele蚶潘shingH由力。经训练后，网络的仿真结果己能与实际边界线较为接近。由于在实际情况下，判断高炉受损情况的主要依据是炉壁*薄处的厚度。而仿真边界线虽然上端的模拟结果不是很理想，但对炉壁*薄处的厚度的模拟是较为准确的。因此，本例显示：神经网络方法完全可以用于高炉受损情况的预测工作。

　　本文采用神经网络方法预测高炉炉壁侵蚀状况，所得与计算结果较为吻合，说明此方法可行。

　　由于网络自身的局限，经多次试算证明，在实际应用时须注意：随训练集数据量的加大，网络的推广能力经同一训练集数据多次训练后，网络的适应性强，但每次的具体仿真结果可能有细微偏差，可忽略不计。

　　若测试集数据与训练集数据越为接近，则推广效果越好。且每次训练后推广网络时，**组测试数据的仿真结果*为理想。因此，建议仿真时每次只推广一组。

　　实际运用此方法时，结构的可靠性将在很大程度上依赖于网络的训练效果及训练集规模的大小。

　　上述神经网络模型还存在一定的缺陷，将在进一步的工作中做出相应的改进。