在炼铁过程中,保持合理的炉温水平是达到炉况稳定顺行、实现高炉生产“优质、高产、长寿、低耗”的直接保证。由于高炉过程的复杂性,精确掌握炉内的温度分布尚不可能,一般通过预报铁水硅含量来间接地反映炉内温度的变化,判断高炉炉缸热状态。在正常的冶铁条件下铁水含硅量与炉温成正比,铁水含硅量越高,炉温越高,反之亦然。在冶炼过程中,如果能及时地掌握铁水中硅的含量及其变化趋势,并作出较精确的估计,以便于及时采取调节措施,则对于稳定热制度,减少炉况波动,降低铁水硅含量以及提高铁质量和降低焦比等都是非常有利的。 神经网络技术是人工智能中发展活跃的一个分支,具有自适应、自学习、自组织、联想记忆、并行计算等能力,特别适用于描述同时考虑许多因素的、不确定的、因果关系复杂的判断、识别和分类问题,但同时存在学习速度慢,有可能收敛于局部极值点、网络结构缺乏足够的理论指导等问题。因此,本研究提出将BP神经网络与遗传算法(GA)相结合,建立GA-BP网络模型。模型利用遗传算法来修改网络的连接权值,构筑进化型的神经网络模型,缩短网络学习训练时间,提高模型预测精度。 本文应用GA-BP网络模型,建立了三层GA-BP神经网络模型。炉温预测主要是高炉铁水硅含量的预测,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、富氧量等因素,当要求硅含量预报的绝对误差为±0.05%时,命中率为90%,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。