论文部分内容阅读
该研究提出将BP神经网络与遗传算法(GA)相结合,建立GA-BP网络模型.模型利用遗传算法筛选网络模型的输入变量,通过网络自构性学习确定网络隐含层结点数.通过这些手段,使网络结构优化和简化,缩短网络学习训练时间,提高模型预测精度.该研究应用GA-BP网络模型,建立了三层GA-BP神经网络模型,对炼铁系统进行多目标质量预测,获得了较高的预测精度.其中,烧结矿质量预测包括FeO含量和转鼓强度两个指标,烧结矿FeO含量预测子模型从10个工艺参数中,通过遗传操作筛选出混合料粒度、温度、废气温度、料层厚度、机速、原始水6个因素作为网络输入变量,隐含层数为2层,通过自构性学习,结点数分别选择为20和8.当要求FeO含量预测绝对误差为±0.15％时,命中率可达82.78％.烧结矿转鼓强度预测模型的输入变量分别是点火温度、废气温度、混合料温度、机速、二次水、混合料粒度,隐含层数为2层,结点数分别选择为20和9.当要求转鼓强度预测绝对误差为±0.15％时,命中率可达91.46％.高炉铁水质量预测包括铁水[Si]、[S]含量的预测,网络输入变量为风量、热风压力、全压差、透气性指数、热风温度、炉顶温度、喷煤量、富氧量、铁间料批数九个因素,当要求硅含量预报的绝对误差为±0.1％时,命中率为95％;当要求硫含量预报的绝对误差为±4ppm时,命中率可达84.69％,命中率较高.结果表明:GA-BP网络模型比传统的BP网络模型能够获得更高的精度.该研究提出应用GA-BP网络模型建立炼铁系统多目标优化分析模型,分别将高炉系统和烧结系统的成本、产量、能耗、质量四项指标作为目标,在对每一目标预测的基础上,分析归纳出各影响因素与各目标变量间的相关关系,为不同生产时期提供生产决策依据,为非线性系统建立多目标优化模型探索出了一条新途径.