基于长短时记忆神经网络的锌液温度预测模型

2021-07-02顾婧弘李晓义

现代制造技术与装备 2021年5期

顾婧弘李晓义

（中国能源建设集团鞍山铁塔有限公司，鞍山 114000）

铁塔[1]主要是用于电力输送、信号远距离传输等露天场景，因此要求铁塔质量稳定，能够长时间使用，同时要求铁塔加工企业铁塔制造高质量发展。防止工件生锈，提高铁塔防生锈能力，是一个关键问题。因此，在铁塔制造中有一个主要步骤是热浸镀锌[2-3]，即将铁塔工件浸入到高温锌液，使得工件表面均匀附上厚度合适的锌层，使得铁塔能够有效抗腐蚀、防生锈。

锌液温度控制是热浸镀锌工艺流程中的关键环节。温度过高会造成锌液过多氧化，产生更多锌渣，加速锌锅的腐蚀；温度过低则会造成附着能力不足，对锌层厚度和工件表面锌花状态产生不利影响[4-5]。针对不同的工件，会要求不同的锌液温度。在铁塔、钢结构件镀锌时，温度应保持在450 ℃±5 ℃。然而，在实际热浸镀锌过程中，受外界环境、锌液成分波动或者生产工艺变化等因素的干扰，实际锌液温度会存在不可控制的波动变化。因此，本文在对热浸镀锌工艺流程、现场相关实测数据分析的基础上，确定影响锌液温度的多个因素，选取更加适合时间序列分析的长短时记忆神经网络，建立锌液温度在线预测模型，从而为操作人员控制锌液温度提供有效参考。

1 热浸镀锌工艺流程与参数分析

铁塔加工企业热浸镀锌的工艺流程及各阶段的温度要求，如图1所示。它可以分为3个阶段。第1阶段，工件预处理，包括脱脂和酸洗两个主要步骤。脱脂是指用以氢氧化钠、碳酸钠、磷酸钠为主要成分的脱脂液清除工件表面油污。酸洗则是利用硫酸或盐酸清除工件表面的氧化物。脱脂与酸洗后的工件都要充分进行水洗，以去除工件表面残留的酸液、铁盐等。第2阶段，工件镀锌。先在助镀剂槽中用以氯化锌、氯化铵以及氯化亚铁为主要成分的助镀剂进行浸泡，提高锌液对工件的浸润能力，再将工件浸润到镀锌锅中进行热镀锌。第3阶段，冷却与处理。将镀锌后的工件在冷却槽中冷却，并进行后续的整理、分类以及排序等处理。

图1 热浸镀锌工艺流程区

热浸镀锌整个工序的温度经历了先升高再降低的过程，并在镀锌工序达到最高温度。锌液温度受到多种因素的影响。从锌液本身分析，锌液温度变化是一个连续的过程，历史时刻的锌液温度对当前时刻的温度具有直接影响。同时，锌液中铁含量以及合金含量的成分会间接影响锌液温度。另一方面，从整个工序的角度分析，进入镀锌锅的工件温度越高，从镀锌锅带走的热量就越少，锌液温度的降低量就少；反之，相反。与镀锌工序最近的工序是烘干工序，因此烘干工序的温度越高，工件携带的热量会越高。

综上所述，最终选取上一时刻的锌液温度、锌液铁含量、锌液合金含量以及烘干炉温度作为影响锌液温度的参数建立后续的预测模型。

2 锌液温度长短时记忆神经网络预测模型

长短时记忆（Long Short-Term Memory，LSTM）神经网络模型[6]是在深度循环神经网络基础上发展起来的。与传统前馈神经网络相比，它具有超强的多元时间序列建模能力，能够提取更丰富的内在信息。图2是LSTM单元的结构示意图。

图2 长短时记忆神经网络示意图

在RNN隐含层节点的基础上，LSTM加入了一个内部“细胞状态”c，用于存储长期状态。更进一步，LSTM增加了3个具有不同功能的门：遗忘门ft决定长期历史状态中哪些内容被遗忘；输入门it决定当前时刻的状态中哪些被记录到单元状态；输出门ot决定当前单元状态怎么生成当前时刻的输出。

LSTM单元中各参数关系描述如下。

在时刻t，信息通过输入门，则输入门it和隐藏状态c～t的值分别为：

最后，信息通过输出门获得记忆单元最后的输出：

式中：Wi、Wc、Wf和Wo分别为遗忘门、输入门、输出门以及当前时刻状态的权重矩阵；bi、bc、bf和bo分别为遗忘门、输入门、输出门以及当前时刻状态的偏置向量；σ(x)和tanh(x)为激活函数。

经过参数分析，LSTM模型的输入变量设为锌液温度时间序列{Tk-1}、锌液铁含量wFe、锌液合金含量wAlloy以及烘干炉温度Td，输出变量为当前时刻的锌液温度。本文建立的锌液温度长短时记忆神经网络预测模型的输入节点数是4个，输出节点数为1个，其输入与输出变量为：

3 模型训练与验证

LSTM神经网络模型的训练数据是通过某铁塔制造企业镀锌车间2019年7月23日采集的数据整理得到的。锌液温度与烘干炉温度由相应传感器测量，采样间隔可以精确到秒，而锌液中铁含量、合金含量通过化验得到，采样间隔远大于秒。为了建模需要，本文将这些数据的样本间隔统一到1 min。对锌液温度与烘干炉温度测量数据进行再次采样，采样时间间隔为1 min。此外，采用线性插值的方法对锌液中铁含量、合金含量的数据进行扩充。