高炉冶炼过程的大数据建模研究.pdf

《高炉冶炼过程的大数据建模研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、技术管理高炉冶炼过程的大数据建模研究曹正盛冯健沛杨非蔡俊廖进（南昌大学理学院，江西南昌330031）摘要:利用遗传算法优化的BP神经网络和局部线性的混隐层网络结构的效果并不很好，于是考虑双隐层结构。根据文沌时间序列模型对连续1000组高炉数据进行了预测。实验结[3]献，利用经验公式综合确定两层隐含层的单元数。果表明GA-BP神经网络相比传统BP神经网络在各方面都有2.2适应度函数了很大的提升；局部线性混沌时间序列的预测结果相当好，均næöF(Xi)=kç∑

2、yi-ai

3、÷，F(Xi)为个体适应度值，

4、k为系高达80%以上，对实际生产有很好的指导作用。èi=1ø关键词：含硅量[Si]；GA-BP神经网络；混沌时间序列；预测数，n为网络的神经元个数，yi和ai分别是预测输出和期望模型输出。对高炉复杂系统的建模与控制一直以来都是冶金科技发把训练数据预测误差的绝对值和作为个体适应度值，个体[1]展的前沿，其中对高炉炉温的预测与控制更是难点所在。本适应度值越小个体越优。文采用GA-BP神经网络和局部线性的混沌时间序列预测模2.3遗传操作型，对含硅量[Si]进行预测。GA-BP神经网络利用遗传算法的（1）基

5、因选择：计算出个体适应度值，适应度越小的个体越全局搜索改进了传统BP神经网络易陷入局部最小值的问题,提好，被选中的概率也越高。本文选择轮盘赌法：高了模型的预测性能。并且神经网络的泛化能力和非线性映f(X)1if(Xi)=,Pi=N射能力都使模型的应用突破了传统模型的局限性，而混沌时间F(Xi)∑f(Xi)序列模型充分利用信息，精度较高。i=11含硅量Si的动态建模预处理式中N为种群规模。（2）交叉操作：交叉操作是希望通过使用交叉算子从全局炼铁过程依时间顺序采集的工艺参数是一个高维的大数考虑改善个体编

6、码结构。个体使用实数编码，第i个染色体据时间序列。本文利用某高炉连续1000组正常时间生产的数据作为数学建模分析的基础。Xi和第j个染色体Xj在其第k位进行交叉操作的公式：为避免对预测造成影响，我们对样本数据进行预处理，对Xik=Xik(1+b)-Xjkb原始数据做异常值剔除。Xjk=Xjk(1+b)-Xikb第一步，剔除含硅量[Si]、含硫量[S]、喷煤量PML和鼓风量式中b为常数，取值为[0,1]。FL时间序列中的异常值，异常值的判断准则为：（3）变异操作：为提高算法局部搜索能力及维持种群的多

7、

8、xi-xˉ

9、>3σ样性。选取第i个个体的第j个基因Xij做变异操作。则新其中，σ的计算公式为：的基因点表示为：n2ì[Xij+(Xij-Xmax)f(g)r≥0.5]∑(xi-xˉ)X=íijσ=i=1Xij+(Xmin-Xij)f(g)r<0.5în-1得到剔除异常值之后的932组数据。其中f(g)=r2(1-g/Gmax),Xmax和Xmin分别为初始个体第二步，含硅量[Si]、含硫量[S]、喷煤量PML和鼓风量FL基因的上界和下界，r和r2为[0,1]之间的随机数，Gmax为最大的量纲存在很大

10、差异，会极大地影响后面的预测。因此我们对进化次数，g为当前迭代次数。数据归一化至[0,1]区间，以消除这种影响。2.4预测模型及结果2GA-BP神经网络预测模型最终神经网络结构为3-13-12-1，共有207个权值，25个阈值，所以遗传算法个体编码长度为232。932组有效数据，从中GA-BP神经网络预测模型包括：BP神经网络拓扑结构的[2]随机选择900组作为训练数据，用于BP神经网络学习，剩下32确定、遗传算法的优化和BP神经网络的预测输出3个部分。确定BP神经网络结构主要根据输入和输出单元的个

11、数，组作为测试数据。确定网络层的层数和节点数，进而确定遗传个体的长度。种群最终得到最佳参数为：种群规模为20，进化次数为50，交叉中的每个个体都记录了网络的所有的权值和阈值，网络每训练概率为0.4，变异概率为0.2。1次，个体就更新1次，通过适应度函数计算个体的适应度,以及利用该参数重新训练模型，对含硅量[Si]预测，结果如下利用GA算法对个体进行选择、交叉和变异。进化后的个体不(见图1、图2所示)断更新权值和阈值，使BP神经网络预测更加准确。含硅量[Si]的预测取得较好的效果：训练集的预测成功率2

12、.1神经网络的拓扑结构及参数的确定为75.33%，测试集的预测成功率为71.88%。本文的有3个输入，1个输出。在模型训练过程中发现单相比于传统BP神经网络，笔者经过试验发现成功率不足1762017年11月技术管理图1.GA—BP神经网络训练结果图2.GA—BP神经网络测试预测结果30%，其预测性能有了一个很大的提高。当然，由于该网络模型定义：结构较为复杂，采用了双隐层，故训练的成功率比测试的成功1nP≡k∑i=0Xp,ξi≡Xpi-P,ξP≡Xp-P率略高。3局部线