基于RBFNN的烧结矿FeO含量预报系统研究

针对烧结矿FeO 含量存在的非线性、随机性和不确定性的特点，提出了基于RBF 神
经网络的FeO 含量测量模型，将烧结断尾图像特征和主要操作工艺参数等多种数据进行融合，对FeO 含量进行在线预报，并开发了“烧结矿FeO 含量在线智能检测系统”。应用表明该模型计算量小、精度高，算法实用简单，达到了理想效果。
烧结矿FeO 含量是评价烧结生产的一项综合指标，合理控制FeO 含量有利于降低烧结
能耗，改善烧结矿的还原性。因此，对烧结矿中FeO 含量的检测和控制对烧结生产有着十分重要的意义。当前，烧结矿FeO 含量的检测方法主要有：化学分析法、废气分析法、烧结机尾观察法和烧结参数数值分析法。化学分析法需要人工提取烧结矿样本进行化学分析，结果精确但不能做到实时检测。废气分析法通过对烧结尾气成分含量进行分析来估计FeO含量，该方法也需要人工取样，且容易受到外界因素干扰，结果误差大。烧结机尾观察法可分为看火工观察法和基于机器视觉方法[1]，二者都是通过对烧结机尾断面图像进行分析，从而估计FeO 含量。烧结参数数值分析法是通过对影响烧结过程中各个参数进行分析，建立数学模型，对FeO 含量进行预测。
烧结过程的复杂性质和系统的灰色性，决定了FeO 含量很难用准确的数学模型描述其
现象和过程，烧结理论和光学CCD 成像理论表明，烧结矿FeO 含量不仅与烧结机尾断面图像特征有关，同时与烧结操作工艺参数也存在着复杂的非线性映射关系。国内外在烧结矿FeO 预报方面进行了较深入的研究，张石[2]等应用烧结机尾断面图像特征值进行FeO 回归分析，但误差大；蒋大军[3]等根据烧结操作工艺参数建立FeO 含量的BP 网络模型，该模型命中率高，但是收敛速度慢，很难在线运行。径向基函数神经网络为一种性能良好的前馈型人工神经网络，具有较高的运算速度，能以任意精度全局逼近一个非线性函数，并且是全局最优。为此，本文通过RBF 神经网络将主要工艺参数和图像特征进行融合，对FeO 含量进行在线预报。针对某钢铁集团公司炼铁厂六号烧结机开发了“烧结矿FeO 含量在线智能检测系统”。应用表明，该模型运行速度快，命中率高，达到了理想效果。