大同大学学报神经网络在钢铁企业质量预测方面的应用

　　在钢铁企业质量预测工作中，使用数据挖掘技术可以以钢铁企业的产品质量目标以及产品生产中存在的问题为依据来探索大量的钢铁产品生产业务数据，并对钢铁产品生产中存在的规律进行总结，然后通过模型化来指导钢铁企业开展实际的钢铁产品生产工作。数据挖掘过程所处理的数据具有随机性、模糊性、不完全性以及量大的特点，但是通过数据挖掘技术所得到的信息却是人们并不熟悉但是对钢铁产品生产具有较高价值的信息数据以及知识。利用数据挖掘所获取的信息能够作为钢铁企业开展信息管理、信息查询、生产过程控制以及决策工作的重要依据。

　　从钢铁企业质量预测中对数据挖掘的应用步骤来看，主要步骤体现为以下几个方面：一是钢铁企业中钢铁产品生产数据的准备工作。数据挖掘技术所处理的内容是经过长期积累并存储于数据库中的信息数据，虽然数据挖掘一般都是对大量数据进行处理，但是这些原始数据却并不适合使用数据挖掘技术开展直接挖掘，这要求钢铁企业能够对这些信息数据做出整理与准备，如对这些数据进行缩减、转换、净化以及挑选等，这种准备工作对于提高数据挖掘的效率以及质量具有重要意义，换而言之，钢铁企业在数据准备方面所做出的工作是否合格直接影响着数据挖掘的速度、准确性以及得出信息的价值;二是构建模型。在钢铁企业质量预测中应用数据挖掘技术，必须要面临构建模型这一重点工作与难点工作。在这项工作中，钢铁企业需要对数据挖掘的算法以及模式模型做出合理的选择，尤其是数据挖掘算法的挑选十分重要。在此基础上，数据挖掘可以根据钢铁企业质量预测目标来使用所确定的数据挖掘算法参数对前期准备完成的数据进行分析，从而形成可以作为知识与规律的模式模型;三是对模式模型做出解释与评估。在钢铁企业质量预测工作中，当利用数据挖掘完成模型构建后，还需要制定严格的模型评估标准，并以这些评价标准为依据来对所构建的模式模型做出评估，从而有针对性地取出无效的模式模型，并选择一种在理解难度方面具有优势的模式模型来做出解释;四是对模型做出巩固与运用。在钢铁企业质量预测工作中，需要对数据挖掘所构建的模式模型知识做出统一检查，并对知识中存在的冲突与矛盾做出剔除。然后可以利用数据分析方法来对数据挖掘所得到的知识开展二次处理，以便让数据体现出形象化、可视化以及专业化的特点。

　　在应用数据挖掘开展钢铁企业质量预测的工作中，并不能通过一次数据挖掘就完成相关工作，而应当对整个过程进行反复循环，并做出反馈与完善。虽然数据挖掘技术能够很好地得出钢铁企业质量预测结果，但是需要注意的是，数据发掘仅仅是一项可以应用于钢铁企业质量预测中的工具，而并不是万灵药，虽然良好的应用能够减少钢铁企业生产中的质量问题，但是如果不能做出良好应用，则会导致钢铁企业在质量预测方面投入不必要的人力与财力。

　　2 人工神经网络在钢铁企业质量预测中的应用

　　人工神经网络是以人脑组织原理与活动原理为依据构造数据驱动型非线性映射模型，通过对这种模型的运用，可以对因果关系做出映射。将人工神经网络引用于钢铁企业质量预测中，可以从钢铁企业产品生产的历史信息内进行学习，并发现钢铁企业质量规律，从而对钢铁企业质量做出准确预测。相对于数学模型而言，人工网络模型具有更广的处理范围，并且具有自组织、自适应、容错鲁棒等特性，因此对于复杂数据的处理往往具有良好的表现。人工神经网络在钢铁企业质量预测中的应用为钢铁企业质量预测提供了一种新的办法与途径，在利用人工神经网络开展钢铁企业质量预测的过程中，可以将影响钢铁企业质量的各类要素进行输入并构建包含不确定性影响的模型，在钢铁企业质量预测中十分适用。

　　当前钢铁企业质量预测目标是对影响钢铁企业生产质量的因素做出预测并对这些因素做出改进，同时预测在钢铁企业生产过程中是否仍旧会产生质量问题。如果判定钢铁企业生产仍旧会产生质量问题，则要求钢铁企业寻找问题产生的原因与对策，并在解决问题之后开展生产以生产出具有更高质量的产品。在其他方面，人工神经网络还可以预测钢铁企业生产工艺改变对生产质量的影响等。由此可见，人工神经网络在钢铁企业质量预测中具有重要的应用价值。人工神经网络在钢铁质量预测中的应用，会让钢铁质量预测工作的理念以及技术都产生一种变革，并在对传统质量预测方法做出突破的基础上解决钢铁企业传统质量预测中存在的缺陷，从而为钢铁企业生产质量预测模式体现出实用化的特点以及钢铁企业生产现代化的发展发挥推动作用。但是同时，人工神经网络在钢铁企业质量预测中的应用也具有一定缺陷，这些缺陷主要体现在人工神经网络所得出的知识是分散于系统内部的，通过对人工神经网络的使用，在使原始数据在归纳法基础上利用学习算法来完成内部知识库的构建，然而单个的神经元并不进行信息数据的存储，这导致了知识具有不明确的表达以及具有很大的正视难度，同时也无法做出有效的解释。

　　3 BP人工神经网络在钢铁企业质量预测中的应用

　　在钢铁企业应用神经网络开展质量预测工作的过程中，需要认识到人工神经网络具有多样化的特点，因此需要钢铁企业以实际问题为依据来对网络类型做出选取。在一些情况中，钢铁企业需要根据历史产品质量数据来获得质量特性信息，从而为质量预测与分析工作提供依据。能够对质量模型产生影响的因素较多，并且也没有一个专门的数学解析式来用于钢铁企业质量预测的计算，因此这属于一个具有复杂性特点的非线性问题。对于这类问题，钢铁企业可以使用BP网络模型来进行解决，这种模型的优势在于具备较强的非线性映射能力。在钢铁企业质量预测工作应用BP网络的实践中，大部分的神经网络模型都是使用BP网络或者BP网络的变化形式，其作用在于数据压缩、函数逼近、模式识别以及分类。在这种网络的应用中，只要具备隐层以及隐层单元数的数量够多，BP网络就能够在不构建数学解析式模型的基础上向任意非线性映射关系进行逼近。则主要是因为只要以原始的钢铁企业生产数据为依据，并利用学习与训练就可以找出原始数据与有价值数据之间的联系，由此可见，这种方法在钢铁企业质量预测中具有良好的适应性。另外，BP网络所采用的学习算法具有稳定的工作状态、严谨的结构以及清晰的思路，并且良好的容错能力也能够在连接改动甚至损坏的情况下不会出现系统崩溃的情况。但是BP网络所使用的学习方法具有过慢的收敛速度，因此需要在数据分析中做出千次迭代，因此，很多BP网络在一些系统中并不具备适应性。总之，BP在包括钢铁企业在内的许多工程领域都得到了运用，随着BP网络的不断完善，BP网络在钢铁企业质量预测中也将发挥出越来越重要的作用。

　　参考文献：

　　[1]张维维，赵成林，李广帮，等.BP神经网络技术在钢铁工业中的应用[J].鞍钢技术，2010(4).

　　[2]陈蕴博，左秀荣，王淼辉，等.人工神经网络在钢铁材料研究中的应用[J].材料导报，2009(7).

　　[3]张永敢，蔡瑞英.基于BFGS算法的BP网络在烧结终点预报中的应用[J].微计算机信息，2008(34).

　　[4]邓俊，赖旭芝，吴敏，等.基于神经网络和模拟退火算法的配煤智能优化方法[J].冶金自动化，2007(3).

　　[5]刘俊，张学东，刘宏，等.基于BP神经网络的焦炭质量预测[J].燃料与化工，2006(6).