基于長短時記憶神經網絡的鋅液溫度預測模型

顧婧弘 李曉義

（中國能源建設集團鞍山鐵塔有限公司，鞍山 114000）

鐵塔[1]主要是用于電力輸送、信號遠距離傳輸等露天場景，因此要求鐵塔質量穩定，能夠長時間使用，同時要求鐵塔加工企業鐵塔制造高質量發展。防止工件生銹，提高鐵塔防生銹能力，是一個關鍵問題。因此，在鐵塔制造中有一個主要步驟是熱浸鍍鋅[2-3]，即將鐵塔工件浸入到高溫鋅液，使得工件表面均勻附上厚度合適的鋅層，使得鐵塔能夠有效抗腐蝕、防生銹。

鋅液溫度控制是熱浸鍍鋅工藝流程中的關鍵環節。溫度過高會造成鋅液過多氧化，產生更多鋅渣，加速鋅鍋的腐蝕；溫度過低則會造成附著能力不足，對鋅層厚度和工件表面鋅花狀態產生不利影響[4-5]。針對不同的工件，會要求不同的鋅液溫度。在鐵塔、鋼結構件鍍鋅時，溫度應保持在450 ℃±5 ℃。然而，在實際熱浸鍍鋅過程中，受外界環境、鋅液成分波動或者生產工藝變化等因素的干擾，實際鋅液溫度會存在不可控制的波動變化。因此，本文在對熱浸鍍鋅工藝流程、現場相關實測數據分析的基礎上，確定影響鋅液溫度的多個因素，選取更加適合時間序列分析的長短時記憶神經網絡，建立鋅液溫度在線預測模型，從而為操作人員控制鋅液溫度提供有效參考。

1 熱浸鍍鋅工藝流程與參數分析

鐵塔加工企業熱浸鍍鋅的工藝流程及各階段的溫度要求，如圖1所示。它可以分為3個階段。第1階段，工件預處理，包括脫脂和酸洗兩個主要步驟。脫脂是指用以氫氧化鈉、碳酸鈉、磷酸鈉為主要成分的脫脂液清除工件表面油污。酸洗則是利用硫酸或鹽酸清除工件表面的氧化物。脫脂與酸洗后的工件都要充分進行水洗，以去除工件表面殘留的酸液、鐵鹽等。第2階段，工件鍍鋅。先在助鍍劑槽中用以氯化鋅、氯化銨以及氯化亞鐵為主要成分的助鍍劑進行浸泡，提高鋅液對工件的浸潤能力，再將工件浸潤到鍍鋅鍋中進行熱鍍鋅。第3階段，冷卻與處理。將鍍鋅后的工件在冷卻槽中冷卻，并進行后續的整理、分類以及排序等處理。

圖1 熱浸鍍鋅工藝流程區

熱浸鍍鋅整個工序的溫度經歷了先升高再降低的過程，并在鍍鋅工序達到最高溫度。鋅液溫度受到多種因素的影響。從鋅液本身分析，鋅液溫度變化是一個連續的過程，歷史時刻的鋅液溫度對當前時刻的溫度具有直接影響。同時，鋅液中鐵含量以及合金含量的成分會間接影響鋅液溫度。另一方面，從整個工序的角度分析，進入鍍鋅鍋的工件溫度越高，從鍍鋅鍋帶走的熱量就越少，鋅液溫度的降低量就少；反之，相反。與鍍鋅工序最近的工序是烘干工序，因此烘干工序的溫度越高，工件攜帶的熱量會越高。

綜上所述，最終選取上一時刻的鋅液溫度、鋅液鐵含量、鋅液合金含量以及烘干爐溫度作為影響鋅液溫度的參數建立后續的預測模型。

2 鋅液溫度長短時記憶神經網絡預測模型

長短時記憶（Long Short-Term Memory，LSTM）神經網絡模型[6]是在深度循環神經網絡基礎上發展起來的。與傳統前饋神經網絡相比，它具有超強的多元時間序列建模能力，能夠提取更豐富的內在信息。圖2是LSTM單元的結構示意圖。

圖2 長短時記憶神經網絡示意圖

在RNN隱含層節點的基礎上，LSTM加入了一個內部“細胞狀態”c，用于存儲長期狀態。更進一步，LSTM增加了3個具有不同功能的門：遺忘門ft決定長期歷史狀態中哪些內容被遺忘；輸入門it決定當前時刻的狀態中哪些被記錄到單元狀態；輸出門ot決定當前單元狀態怎么生成當前時刻的輸出。

LSTM單元中各參數關系描述如下。

在時刻t，信息通過輸入門，則輸入門it和隱藏狀態c～t的值分別為：

最后，信息通過輸出門獲得記憶單元最后的輸出：

式中：Wi、Wc、Wf和Wo分別為遺忘門、輸入門、輸出門以及當前時刻狀態的權重矩陣；bi、bc、bf和bo分別為遺忘門、輸入門、輸出門以及當前時刻狀態的偏置向量；σ(x)和tanh(x)為激活函數。

經過參數分析，LSTM模型的輸入變量設為鋅液溫度時間序列{Tk-1}、鋅液鐵含量wFe、鋅液合金含量wAlloy以及烘干爐溫度Td，輸出變量為當前時刻的鋅液溫度。本文建立的鋅液溫度長短時記憶神經網絡預測模型的輸入節點數是4個，輸出節點數為1個，其輸入與輸出變量為：

3 模型訓練與驗證

LSTM神經網絡模型的訓練數據是通過某鐵塔制造企業鍍鋅車間2019年7月23日采集的數據整理得到的。鋅液溫度與烘干爐溫度由相應傳感器測量，采樣間隔可以精確到秒，而鋅液中鐵含量、合金含量通過化驗得到，采樣間隔遠大于秒。為了建模需要，本文將這些數據的樣本間隔統一到1 min。對鋅液溫度與烘干爐溫度測量數據進行再次采樣，采樣時間間隔為1 min。此外，采用線性插值的方法對鋅液中鐵含量、合金含量的數據進行擴充。

3.1 數據預處理

由于熱浸鍍鋅生產線環境干擾或者操作人員可能存在的不當操作，樣本數據中會存在噪聲，需要童工以下過程對樣本數據進行預處理。

3.1.1 異常數據剔除

根據熱浸鍍鋅生產工藝規程與操作人員實際生產的經驗，剔除樣本數據中明顯異常的數據，以提高數據的可靠度。

3.1.2 數據歸一化

本文采用最大最小法將數據歸一化到[0,1]，以避免因輸入、輸出數據屬性不同而造成較大的網絡誤差。

3.2 模型訓練與測試

將預處理后的314組樣本數據分成200組訓練集與114組測試集，分別對LSTM神經網絡模型進行訓練與測試。LSTM神經網絡模型的訓練目的是獲取最優的網絡權重與偏置。算法采用基于時間的反向誤差傳播公式。

圖3為LSTM神經網絡模型的仿真結果。其中，圖3（a）是模型訓練的結果，模型的鋅液溫度預測結果與測量數據基本吻合，訓練誤差保持在1 ℃以內，訓練精度較高。圖3（b）是模型測試的結果，預測結果與測量數據吻合，測試誤差在1.5 ℃以內，小于鋅鍋±5 ℃的波動要求，證明了模型的有效性。

圖3 LSTM模型仿真結果

4 結語

針對鐵塔加工企業鍍鋅車間的熱浸鍍鋅工藝中鋅液溫度控制問題，分析影響鋅液溫度的工藝參數，采用對多元時間序列具有超強建模能力的長短時記憶神經網絡，建立鋅液溫度預測模型，有效預測未來一段時間的鋅液溫度，預測誤差小于1.5 ℃，可以為操作人員或者鋅液溫度控制系統提供可靠的參考。