加热炉是一个特性复杂的工业生产对象,对于加热炉的建模,传统的建模方法往往不够精确,投运效果不尽如人意。随着智能技术的蓬勃发展,以BP神经网络为代表的神经网络建模方法在工业过程中的应用日渐广泛。遗传算法作为一种进化计算方法,具有的全局搜索能力能够较好地克服BP神经网络容易陷入局部极小值的缺点。因此,研究将BP神经网络与遗传算法相结合的方法十分必要。本文提出了一种基于历史数据的加热炉神经网络建模方法。该方法首先确定BP神经网络结构得到网络模型的参数个数。然后通过遗传算法对编码后的个体反复地选择、交叉、变异,最终获得的最优个体包含BP神经网络权值和阈值的最佳参数组合,将其解码后作为BP神经网络的初始值。最后通过BP算法训练得到加热炉对象的神经网络模型。本文所做的主要工作与贡献有以下几点:(1)针对加热炉对象的复杂特性,本文从对象的输入输出特性出发,研究了利用神经网络对加热炉炉温建模的有效性,通过对比有效性指标,解决了神经网络结构难以选择的问题。(2)本文提出了将遗传算法应用于加热炉神经网络建模中,通过遗传算法的大规模全局搜索能力优化BP神经网络模型的权值和阈值,避免了网络陷入局部极小值的缺点,加快了网络的收敛速度。基于该方法获得的模型学习能力更强,预测效果更好。(3)为了加快遗传算法的收敛速度,提高运算效率,本文基于加热炉的运行数据,对遗传算法进行参数自适应调整。设计并实现了变异概率自适应的遗传算法,加快了神经网络模型参数的收敛速度。(4)本文以唐山某钢铁厂的加热炉为研究对象,选取该对象的样本数据来设计加热炉神经网络模型,通过对比验证了该方法的可行性。结果表明应用该方法进行加热炉炉温建模是行之有效的。