（钢铁冶金专业论文）基于gabp混合算法的转炉终点优化控制模型.pdf

中文摘要 摘要 对转妒蒺钢终点羲准确颈溅，送行慧锈工艺参数懿後亿控镄楚合理缀织生产、 提高钢水质量和降低炼钢成本的萤要前提。 本文在分援人王雄经霹络等技零杰练镪终点攘裁中懿应蘧王芟状基礁上，针对 遗传算法早熟收敛和b p 神经网络容易陷入局部优化点的问题，提出了一种基于小 生壤思想黪改进适应度蘧数默克鞭遗传算法妁早熬枝敛秘题；搦建，一秽用遗传 算法来加速b p 神经网络学习过程的混合簿法；构建了种基于0 a b p 的混合遗 健簿法来综合遗佟舞法熬全局优化能力和b p 鹌缀网络的快速收敛能力。袋躅收敛 概率、平均收敛时间和种群距离舔评价指标以多峰函数优化问题对混合遗传算法 进抒了硪究。研究表明：改进的逑应度函数能有效提高遗传算法性能，混合冀法 用于神经网络训练能有效避免陷入局部最优并且其有较快的收敛速度。 建立了基于g a - b p 濑台遗传舞法的转炉炼钢终点预测模型，在预测精度为终 点f c l 土o 0 2 、终点温度强1 5 的情况下，用攀销转炉炼钢“低拉臻碳”工落下的涟 镑钢种、“离拉补吹”工艺下的s t b 3 2 和p d 3 钢种分别对该模型进行离线检验。结 栗表明：袋甭g a d p 混合遗传算法用于神经两络模型训练眈采雳单独的遗终算法 或b p 算法能获得更快的收敛速度和更高的终点预测命中率；对“低拉增碳”下的遥 铸钢种，蘩于g a 。b p 混合遗传算法的转炉终点预溺神经闷络模型的终点【q 、终点 温度和同时命中率分别为9 4 、9 6 和9 2 ，对“高拉补吹”的s t b 3 2 钢种分别为 9 5 、9 4 和9 1 ，对“嵩拉於吹”的p d 3 镧矛孛分踊为7 4 、7 9 和7 l 。 最后，在转炉炼钢终点预测模型基础上，建立了基于多目标遗传算法的转炉 豫钢终点德位控制模鍪。在已螽入炉铰承绰镶谥含量、镶隶，半镧硫含豢、铁水， 半钢硅含缀、铁水半钢磷含量、铁水半钢温度、铁水质黩、半钢质量等祭件下， 运蠲该模溪，可竣获褥以终点f c j 籀终点瀵度偿为绕仡囊橼豹唆萋辩润、全炉薅阖、 石灰石加入量、萤石加入摄、废钢质量等优化工艺参数。 关键词：转炉炼钢终点预测优化控制神经网络混合遗传算法 英文摘耍 a b s t r a c t i ti se s s e n t i a lt o p r e d i c ta c c u r a t e l yt h ee n dt e m p e r a t u r ea n dc a r b o nc o n t e n ti n m o l t e nm e t a li nl d p r o c e s sa n do p t i m i z et h em a i n t e c h n o l o g i c a lf a c t o r so f l d p r o c e s s f o rp r o d u c t i v e p l a n n i n g ，i m p r o v i n g s t e e lq u a l i t ya n d c u t t i n gd o w n c o s t a r t i f i c i a ln e u r a ln e t w o r kb p a l g o r i t h ma n dg e n e t i ca l g o r i t h mg a a r ei n t r o d u c e dt o l dc o n v e r t e r an e wf i t n e s sf u n c t i o nb a s e do hn i c h ei sp r o p o s e di no r d e r t oi m p r o v et h e s e a r c h i n go fg a a n dt op r e v e n tf r o mp r e m a t u r ec o n v e r g e n c e g aa n db p a l g o r i t h ma r e a l s oi n t e g r a t e dt op u tu pan e w h y b r i dg e n e t i ca l g o r i t h mf o rt h eo p t i m i z a t i o no f t r a i n i n g p r o c e s so f b pn e u r a ln e t w o r k t h e h y b r i da l g o r i t h mb a s e do ng a a n db p a l g o r i t h mh a s b o t hr a p i dl o c a ls e a r c h i n ga b i l i t yd e r i v e df r o mb pa n db e t t e rg l o b a ls e a r c h i n ga b i l i t y d e r i v e df r o m g a i n v e s t i g a t i o n sh a v e b e e nc a r r i e do u tf o rt h e o p t i m i z a f i o n o f m u l t i p e a kc o m p l i c a t e df u n c t i o nw i t hs e v e r a le v a l u a t i n gc r i t e r i o ns u c ha sc o n v e r g e n c e p r o b a b i l i t y , a v e r a g ec o n v e r g e n c et i m e ，a v e r a g ec o n v e r g e n c ev a l u ea n ds oo n t h e r e s u l t ss h o wt h a tt h en e wf i t n e s sf u n c t i o nb a s e do nn i c h ec a ni m p r o v et h es e a r c h i n g w i t hg e n e t i ca l g o r i t h ma n dp r e v e n tg af r o mp r e m a t u r ec o n v e r g e n c ei ns o m ed e g r e e t h e h y b r i da l g o r i t h m b a s e do ng aa n db p a l g o r i t h mw i t hr a p i dl o c a lr e s e a r c h i n ga b i l i t y a n dg l o b a lr e s e a r c h i n ga b i l i t yi sm o r ee f f i c i e n ta n dr e l i a b l et h a ng ao rb p a l g o r i t h mo n t r a i n i n ga r t i f i c i a ln e u r a ln e t w o r k s am o d e lf o rp r e d i c t i n gt h ee n dt e m p e r a t u r ea n dc a r b o nc o n t e n ti nm o l t e nm e t a li n l d p r o c e s si s e s t a b l i s h e db a s e do nt h eh y b r i da l g o r i t h mi n t e g r a t e dg aw i mb rt h e m o d e lh a sb e e nt e s t e db yu s i n gt h r e ek i n d so fs t e e la te r r o r so fe n dc a r b o nc o n t e n t i 0 0 2 a n de n dt e m p e r a t u r e4 - 154 c ，r e s p e c t i v e l y i th a sb e e ns h o w nt h a t ，f o rt h e c o n t i n u o u sc a s t i n gs t e e lm a d ei nam a n n e ro fl e a v i n gh i g hc a r b o nc o n t e n ta n dp o s t b l o w i n gi n t h es i t u a t i o no fs t e e l m a l d n g p r o c e s s i nt h e v a n a d i u m - e x t r a c t i n g a n d s t e e l m a k i n gp l a n to fp i s c o ，t h ea c c u r a c yo fp r e d i c t i o nf o re n dt e m p e r a t u r e ，c a r b o n c o n t e n ta n dt h eb o t ha r er e s p e c t i v e l y9 6 ，9 4 a n d9 2 ；f o rs t b 3 2s t e e lm a d ei na m a n n e ro f l e a v i n gl o w c a r b o nc o n t e n ta n dt oa d j u s t i n gc a r b o na f t e rt h el d p r o c e s s ，t h e a c c u r a c y o f p r e d i c t i o nf o re n dt e m p e r a t u r e ，c a r b o n c o n t e n ta n dt h eb o t ha r er e s p e c t i v e l y 9 4 ，9 5 a n d9 1 ，a n df o rp d 3 s t e e lm a d ei nam a n n e ro f l e a v i n gl o w c a r b o nc o n t e n t a n da d j u s tc a r b o na f t e rt h el d - p r o c e s st h ea c c u r a c yo fp r e d i c t i o no ft e r m i n a lt a p p i n g t e m p e r a t u r e c a r b o n c o n t e n ta n dt h eb o t ha r er e s p e c t i v e l y7 9 ，7 4 a n d71 a tl a s t ，am o d e lf o ro p t i m i z i n gl d p r o c e s sc o n t r o lw i t hm u l t i o b j e c t i v eg e n e t i c i 重庆大学硕士学位论文 a l g o r i t h mi se s t a b l i s h e db a s e do nt h ep r e d i c t i n gm o d e l w h e ng i v e nc h a r g i n gq u a n t i t y o fh o tm e t a l ，t e m p e r a t u r e ， c ， s i ， p 】i nh o tm e t a l ，t h em o d e lc a nl e a dt ot h e o p t i m i z e d v a l u eo f p r o c e s sp a r a m e t e r ss u c h a st h eq u a n t i t yn e e d e do fl i m e s t o n e ，f l u o r i t e s c r a pa n d t h et i m eo f b l o w i n go x y g e na n ds oo n ，i nl d p r o c e s s k e y w o r d s ：l d p r o c e s s ，t e r m i n a lp o i n tp r e d i c t i o n ，o p t i m i z e dc o n t r o l ，n e u r a ln e t w o r k , h y b r i dg e n e t i ca l g o r i t h m i v 1 绪论 1 1 引言 转炉炼钢怒一个 攀复杂鹃多元多稳高瀑物理纯学过程，最显蓉浆特点羧是 反应遗度快、影响因索多、反应复杂，人工操作不易控制咿l 。转炉终点控制怒指 控铡唆滚蓬稷馕钢隶达到要求瓣终点瀑度彝残分，其中终点碳含量秘终点滠度是 控制的主要对浆。转炉炼钢终点控制是保证炼钢顺利完成的一项重要的操作制度， 终点控制技术已成为缀量炼钢练会鼓零承平蜓一项重溪戆拯毒器。疆罄计算撬粒自 动化技术的不断发展，转炉炼钢逐渐从人工经验控制、静态撩制向着动态控制的 方彝发震，鬓燕人工麓能技术瞧已应燃于转炉悠钢终点控制o e t 3 1 。 由于转炉炼钢过稷存在很多难以定量的因索，难以获得澈确实时的检测佟怠， 这决定了转炉炼钢万能采用一般过程拄铡对被调整量进行连续调节的控制方法， 使得转炉炼钢终点控制问题长期以来直成为转炉控制的焦点和难点嘲，其控制效 果( 主要是钢水碳含爨和温度鸵同时命中率) 直接影嫡着产黯质量、生产效率和 经济效益。正楚由于这一特点，使得转炉炼钢终点预测显得尤为重要。转炉终点 预测是指在欧炼条辱串茅工艺确定的情况下由静态模型预测转炉炼钢终点钢水温度 及碳含量，根据预测结果及时调整加入的原稽睾茸、辅助材料及耗氧薰等【3 l 。在吹炼 前准确预测终点碳含黛和温度值对终点控制达到目标要求具有很大的指导和辅助 决策作用，准确预湔转炉炼钢终点锱水温度及碳含量，可以有效提裔终点命中率 5 l 。 从转炉操作参数优化的角度看转炉终点控制的任务是求适合本炉冶炼的优化 操作参数，帮在冶炼稀裰据冶炼的初始条释帮蟊标要求穰嗣饶纯模黧对转炉操佟 参数进行优化，以使吹炼达到目标要求。由于转炉冶炼通常包括温度和碳含量等 多个终点蛋标簧求，转炉工兹参数的後幸艺实际上是个多毽标傻纯阕麓，针对转炉 冶炼过程的特点建立一种有效的工艺参数多目标优化模型，也是提商转炉控制水 平的一稀有效方法，对提高转炉冶炼工艺参数翡台溪纯萃羹舔零蒺量、海低成本霸 能耗鳟有重要意义。 瓣蘸国内藕当鼗鏊夔中，l 、鳖转爹爨廷在经验蕊钢秘单一黪态控铡模式豹东平 上，终点命中率低。随着全避铸工艺的发展，铁水预处理系统的建成和精炼手段 弱不黻完善，大大热涣了生产节奏，生产设餐弱增燕鄹兹滤黥复杂镬炼镪厂愿有 的生产平衡被打破陌1 ，同时，随着产品品种、质量要求的不断提高及降低成本的需 要，帮遑甥霭要提毒转炉终点控割永乎，黟 究并建立转炉终点预测摸型和工艺参 数的优化模型对改善产品质爨、提高炼成率、缩短冶炼时间和提高企业经济效益 都其鸯重要懿意义。 重庆大学硕士学位论文 1 2 转炉终点控制技术现状 转炉吹炼终点控制技术主要经历了人工经验控制、静态控制和动态控制几个 发展阶段1 3 j 。静态控制比人工经验控制能有效地利用吹炼过程的初始条件进行定量 计算并进行控制，使终点钢水温度与碳含量的命中率有所提高，但由于仅考虑始 态和终态之间的差别，而未考虑各种变量随时问的实际变化，不能进行在线跟踪 实时修正，因而终点命中率提高有限；而动态控制是在静态控制的基础上，应用 副枪、炉气分析仪、自动测温装置等检测吹炼过程中有关参数随时间变化的动态 信息，依据检测到的动态信息对吹炼参数及时进行修正以达到预定的吹炼目标， 从而大幅度提高转炉终点命中率。 1 2 1 转炉静态控制 转炉静态控制的核心和关键是建立准确的静态模型，模型越精确其实用性也 就越高。依据建模方法的不同，静态模型大致分为四类：机理模型、统计模型、 增量模型和基于人工智能技术的静态模型【5 j 。 1 ) 机理模型 机理模型( 理论模型) 是从冶金工艺理论出发，以质量平衡、能量平衡为基础， 通过推导确定各变量之间关系。由于是从冶金工艺理论出发，这类模型的开发相 对复杂，周期较长，同时由于转炉冶炼过程是一个多输入多输出的复杂非线性系 统，过程受诸多随机性干扰的影响，机理模型常常难以满足现场的要求，从而导 致计算精度差，命中率低 3 1 。另外在机理模型的建立中通常需要加进一些假设和先 验值。由于所作假定与采用实验值不尽一致，所导出的理论模型的具体形式也有 所区别。 2 ) 统计模型 统计模型是采用统计的方法，通过生产数据的收集、整理与统计分析，确立 模型的建模方法。这种方法其过程相对简单，但由于冶炼过程机理复杂，干扰因 素众多，目前，统计模型还不能有效地覆盖各种冶炼模式，因而其适用范围有限。 3 ) 增量模型 增量模型是通过对照历史炉次与本炉次的冶炼初始状态和目标状态并采用增 量计算的方法确定本炉主要操作变量。参考炉次和各项系数的选取是增量模型的 关键。这种建模方式其过程相对简单，维护容易，且具有一定的自动更新和自学 习能力【3 】o 理论模型、统计模型和增量模型是转炉控制的三种传统静态模型。由于炼钢 反应的复杂性和随机性，许多因素很难用准确的数学方程和统计方法进行描述， 同时由于忽略了冶炼过程中的动态信息，因此实际应用中这三种静态模型的准确 性受到很大的限制，其碳温同时命中率较低3 1 。实际应用中，以上方法往往是相互 结合，取长补短以提高控制精度。对于静态模型，影响其精度的关键是输入数据 的精度和冶炼过程的可再现性f 3 l o 1 2 2 转炉动态控制 静态模型只是考虑了转炉吹炼前的一些已知参数信息，而忽略了吹炼过程中 的动态变化。目前，一些大中型转炉采用副枪取样来检测钢水成分和温度，即在 氧枪吹氧至一定程度时，通过副枪取样检测确定钢水距目标出钢状态的距离，及 时调整后期的冶炼策略，相对于静态控制这种方法被称为动态控制，它对应的模 型称为动态模型。动态控制的应用使得转炉命中率得以显著的提高，可达 8 0 9 0 l ”。广泛使用的动态控制技术有两种，即副枪终点检测动态控制技术和炉 气控制技术。 1 ) 副枪动态控制技术 2 0 世纪8 0 年代，宝钢在国内率先采用了计算机和副枪技术对转炉冶炼过程和 终点进行控制，实现了转炉炼钢的动态控制，大大提高了转炉的产钢能力。副枪 动态控制是指在吹炼接近终点时，根据静态控制模型确定的副枪插入时刻，向熔 池内插入副枪，检测熔池的温度和碳含量，并取金属样。根据捡测的数据，修正 静态模型的计算结果，确定达到吹炼终点所需要的供氧量和副原料加入量，以提 高转炉冶炼自动化率和终点命中率，配合计算机实现对转炉冶炼的动态控制。副 枪动态控制有以下特点【8 】： ( 1 ) 可使用多种探头：测温探头、测温定碳( 取样) 探头、测温定氧( 取样) 探头 和测钢液面探头等。 ( 2 ) 可实现5 种功能，分别为测定钢水温度、含碳量、含氧量、取样、测定 钢液面高度 ( 3 ) 受炉口尺寸限制，不适用于小转炉； ( 4 ) 成本较高； ( 5 ) 命中率高； ( 6 ) 命中率根据吹炼终点碳含量范围而变。 2 ) 炉气动态分析技术 炉气动态分析技术是通过对炉口逸出气体的动态检测，推算出熔池内的脱碳 速度和s i 、m n 、f e 、p 等主要成分的瞬时氧化量，进而在微小时间段内对熔池进 行物料平衡和热平衡的计算，以求出温度的瞬时变化量。这样就可以在任意时刻 计算出下一时刻的成分和温度变化，通过不断校正检测值和预测值的误差，以及 通过连续的微积分运算，消除初始条件的波动误差和系统误差，从而提高控制精 度和命中率 9 , 1 0 , 1 1 】。炉气动态分析技术与其他控制技术相比具有以下特点“： ( 1 ) 动态校正可实现控制过程的连续预测，控制精度得以提高。 重鉴奎堂堡主兰垡堡苎 ( 2 ) 除了可以预测【c 和温度外，还可以预测 s 】、 p 以及炉渣成分的变化。 ( 3 ) 适应性强。适用于各种转炉，不受炉口尺寸的限制。 ( 4 ) 实现困难，成本高。 与副枪动态控制相比炉气分析动态控制技术具有连续检测和使用成本低的优 点，在现有转炉治炼终点碳基本上都控制在0 0 3 0 0 5 【1 0 】。同时使用副枪和炉气 分析仪对转炉吹炼终点进行控制，可以充分发挥各自优点，可以在将终点碳含量 和温度控制在极小的偏差范围内的同时保持较高的命中率。 1 2 3 转炉静态控制模型的重要性 虽然转炉动态控制技术可以减少随机误差对转炉控制精度造成的不良影响， 能有效的提高控制精度。但无论是采用何种动态控制技术，首先都要根据静态控 制模型来计算初始的装料量、氧流量、氧枪高度等 1 。然后在吹炼过程中，根据 副枪或炉气分析仪检测到的信息修改控制策略，达到对转炉炼钢过程的控制。无 论采用哪种动态控制技术，其控制模式大致是相同的： 1 ) 根据初始条件和终点控制目标，通过静态控制模型计算吹氧量、氧枪枪位、 底吹气体种类及流量、副原料的加人模式以及副枪测定时间； 2 ) 吹炼开始后，根据测得的炉气流量、成分等参数，由喷溅预测静态模型调 整吹炼模式，加速化渣； 3 ) 当吹炼进行到预定的副枪插人时刻，用副枪测定熔他的温度和 c ，根据副 枪测得的数据通过动态控制模型精确预测至吹炼终点的总供氧量和冷却剂加入 量； 4 ) 根据吹炼终点熔池温度、 c 、【o 含量，通过铁合金计算模型，预测出钢 过程中需要加人的铁合金量。 另外，实现转炉动态控制受诸多条件的限制，对我国许多转炉目前的装备条 件和自动化水平，其实现困难且成本高。相比而言静态模型控制技术具有以下特 点 1 2 】： 1 ) 静态控制可以在转炉原有的自动化控制系统上有效提高转炉的控制水平， 而不必对转炉的基础自动化和过程机系统进行大的改造，投资省、不需要安装副 枪，适合于不安装副枪的中小型转炉，而且控制精度明显优于人工控制； 2 ) 实现静态控制是实施转炉动态控制的重要组成部分和必由之路，它在转炉 工艺控制参数优化中起到重要的作用； 3 ) 先建立并使用好转炉静态控制模型，提高工艺和管理水平，等条件成熟再 转为转炉动态控制，不失为一种实用、稳妥的技术路线。在建立静态模型工作中 积累的经验和数据可以为实施动态控制打下良好的基础。 可见，建立准确的静态模型对提高转炉控制水平具有重要的意义。 1 2 4 转妒终煮饶纯控嗣技求 转炉冶炼过程涉及很多工芑参数，转炉操作优化的主要任务是根据吹炼前的 琢榜辩条 孝( 主要是铁承成分幂莓瀑凄) 与所炼镪释兹艇捂帮终点要求，估算融为 达到目标终点碳含量与目标终点温度所需要的供氧量与冷却剂量等，从而确定出 欧滚方式与番唆薅阚，帮菝援鞭瓣条 孛寻我稳纯懿王艺参数，并稷恭它来确定冶 炼方案( 造渣制度、喷吹制度等) ，再由计算机控制吹炼过程 4 , 6 1 。由于炼钢过程中 受多令因素静影璃稳裁缝，多个强标鞠互联系甚至稳互矛匿，邈j 邈这楚个鹊多强 标优化问题。 在众多王艺参数孛，炉料结构是缀重要熬部分，它是炼钢芏艺铡发的基蕊， 主要包括两中类型：一是钢铁料结构，即铁水和废钢及废钢种类的合理配比；二 是造瀵科结稳，郯石灰、囊云石、萤石、矿石薄弱酲比制度；为了实现科学炼镪， 需要充分利用各种炼钢原料慢钢铁料和造渣料被科学利用，即进行炉料结构的优 化以达到稳定挺镪质爨，降低各类物糖漕耗的强的。 转炉工艺参数优化计算悬炼钢生产中的一项基本工作，传统的转炉工艺参数 优化方法是以物斟平德及热平衡为基础，按照已知的原材料条件和预定的蠛钢拉 碳温度和碳含蹩的目标值，计算转炉冶炼所需的造瀵材料、冷却剂加入量和吹氧 量等。但是幽于转炉炼钢是个复杂的非线性系统，简单的根据物料平衡和热平衡 很难准确的计簿出最佳的炉料配料方案，从而导致终点命中率低，造成资源浪费， 降低企业的生产效率和经济效益。文献 4 】用多目标规划法和炼钢理论结合建立了转 炉多秘标决策穰型，在考虑能耗、成本和产鬣前提下优化转炉工艺参数。 另外，对吹炼结束后的台金化过程，由于每种合金含有不同的元素成分，同 时存在多个成分要求鄹多种台金原誊善，麦了精确选实现成分黼标要求帮合金成本 最小，需要进行复杂的数学遮算，为了能保证钢水品质，应综合考虑合金投入量 及晶种对钢承成分、滋度、羹篷的彭确，同辩还应最大隈度溅降糕投入合金畿本， 如何在众多制约条件下计算出需投入台金的鼎种、数量以及最小的成本，具有相 当重簧意义，这也蹩多嚣舔饶纯霹遂，已经骞学毒开发了基于模糊线性簸翎在 转炉台金模型” 骚裁，鬣淹在转炉控裁领域载磷建多集中在终点鞭测这领域，嚣对转炉工 艺参数优化的研究并不多见。本文将基于遗传算法的多目标优化技术引入到转炉 工艺参数熬铙纯中亲。 1 2 5 人工智能技术在转炉终点控制中的应用 邋霉寒一些基予人工智能技术特慰是享枣经网络或其结合算法豹预潮控剖方法 广泛应用到转炉生产过程的优化和控制中来刚”。与传统的静态模型相比，e i = j 于人 工稳经网终爨有童学习、鸯组织、强鲁捧蛙靼能够避近任意嚣线性溺数的能力， 一重鏖奎兰堡主兰垡笙茎 基于此建立的静态模型更能准确的指导生产，其应用也越来越广泛5 1 。表1 1 总 结了近年来人工智能技术在转炉终点控制上的一些研究、应用实例。人工智能技 术特别是人工神经网络是目前转炉终点控制领域研究和应用的一个热点。 表1 1 人工智能技术在转炉终点控制上的应用 t a b l e1 1t h e a p p l i c a t i o no f a i t ot h ec o n v e r t e rs t e e l m a k i n g p r o c e s sc o n t r o l 一_ _ _ - _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ - _ _ _ _ _ - _ _ _ _ _ _ _ _ _ - - _ _ _ _ _ _ _ _ _ _ _ _ - 一 转炉终点预测的对象建模方法 预测效果文献出处 基于b p 人工神经网络的转炉炼钢终点预测模型最先得到广泛研究和应用， 用其来对钢水温度及碳含量进行预测，取得了比较好的结果。武钢采用b p 神经网 络计算机静态控制以来，在终点【c = 0 0 6 0 硅0 0 2 平h 终点温度1 6 6 0 士1 2 的条件下， 碳温同时命中率达到6 2 2 ，温度命中率达到7 8 4 ， c 命中率达到7 3 o ，碳温 同时未中率为1 0 8 【3 】。大量实践应用表明，b p 网络静态模型优于传统的静态模 型，具有更高的分析处理非线性关系的能力，同时对系统随机因素的变化具有更 高的反应能力和适应能力，b p 神经网络模型能有效提高了静态模型的控制精度和 终点命中率。 遗传算法和径向基函数神经网也引入到了转炉建模过程中，由遗传算法辨识 转炉炼钢的脱碳与升温过程，并利用径向基函数神经网络及时学习和补偿辨识模 型的误差，实际结果表明这一方法大大提高了转炉模型的同时命中率，当预测误 差要求终点温度偏差小于1 5 。c ，终点 c 】偏差小于o 0 5 时，温度命中率为8 5 ， 碳命中率为8 0 ，碳温同时命中率为7 5 i l 。 传统建模方法都是直接使用已有数据来建立系统模型，然后利用这个模型对 系统未来输出做出预测。灰色系统模型是将原始数据进行累加生成，使原来无规 律的数据变成一组单调递增有规律的数据，然后用一个指数函数拟合，即用一阶 微分方程来描述。灰色系统建模不需要大量的数据，计算量小，尤其适合各种预 6 测，应用灰色系统建模方法对转炉炼钢终点钢水温度及碳含量进行预测，并采用 线性回归进行补偿，仿真结果令人满意” 。 1 3b p 神经网络的特点与应用 1 3 1 人工神经网络的特点 经典的预测多以线性预测为主，神经网络理论的产生为非线性系统的建模与 预测研究开拓了广阔的视野。其基本思想是从仿生学的角度对人脑的神经系统进 行模拟，使机器具有类似人脑的感知、学习和推理能力。对处理非线性系统问题， 神经网络具有以下的优点 2 5 - 2 7 】： ( 1 ) 能够充分逼近任意复杂的非线性函数； ( 2 ) 能够学习与适应不确定性系统的动态特性，仿效人类智能实现对不确定系 统的控制。 ( 3 ) 所有定量或定性的信息都等势分布在网络的各神经元中，有很强的鲁棒性 和容错性； ( 4 ) 采用并行分布处理的方法，使的快速进行大量运算成为可能。 人工神经网络各神经元间的连接权是存储信息和处理信息的关键参数，各种 学习算法的不同特点都反映在如何调整权值和阂值上。网络学习的过程，就是网 络通过自组织来调整权值和闽值以达到所期望目的的自适应过程。b p 模型是一种 用于前向多层神经网络的反传学习算法，由d r u m e l h a r t 和m c c l e l l a n d l 2 8 1 于1 9 8 5 年提出，并在之后得到广泛的重视和应用，特别是在智能计算、智能控制【2 、模式 识别、图像处理、预测口0 - 3 2 、组合优化f 3 珂和系统辩识【3 4 j 等领域得到广泛应用。b p 网络应用于系统预测的主要思路是3 5 3 6 】：通过b p 网络对训练样本进行网络训练， 使网络输出达到或接近目标值，从而构造了适合于特定任务的b p 网络模型，包括 网络结构及网络权重和闽值；之后，再应用该b p 网络对相似的输入样本计算其输 出值达到预测目的。 1 3 2b p 神经网络模型原理 b p 网络模型是由输入层、输出层和至少一个中间层构成的网络结构( 见图 1 1 ) 。b p 算法即是反向传播( b a c k p r o p a g a t i o n ) 【2 8 】学习算法，是一种多层前馈神 经网络使用的监督式学习算法，其基本思想是使用梯度搜索理论，使得网络的实 际输出( 计算输出) 和期望输出( 目标输出) 的均方差达到最小，学习中将输出 层的误差反向传播到隐层和输入层【j ”。 当有信息向网络输入时，信息首先由输入层传至中间层( 隐含层) 节点，经 特性函数作用后在传至下一层，直到最后传至输出层进行输出，期间每经过一层 都要由特性函数进行变换。设任意神经元j 的输入为薯，输出为m ，只与五满足关 垩星：缝堡主堂垡堡壅 系m = ，( _ ) ，则称函数y = ，( 萄为b p 网络的激励函数。 输入层输 层 隐层输出层 图1 1b p 神经网络结构图 f i g1 1t h e s t r u c t u r e o f a b p a r t i f i c i a ln e u r a l n e t w o r k 学习样本 滋l l0 0 麟1 1 1 3 瀵1 0 1o 黼l0 1 图1 2b p 神经网络的训练过程 f i g1 2 t h e t r a i n i n gp r o c e s so f b p a r t i f i c i a ln e u r a ln e t w o r k b p 网络的学习目的是对网络的连接权值和闽值进行调整，以便使得对任意输 入都能得到所期望的输出。b p 学习算法是一种典型的纠偏型学习算法，学习的方 法是用一组训练样本对网络进行训练，每一个样本都包括输入和期望输出两部分， 训练时首先把样本的输入信息，由网络自输入层开始逐层进行计算，直到最后到 达输出层，训i 练期间每一层神经元只影响到下一层的神经元的状态。然后，以实 际输出与期望输出进行比较，如果他们比较的误差不能满足要求，则沿着相反的 方向由输出层到输入层对连接权值和阈值进行逐层校正，使误差逐渐减少直到满 足要求为止( 图1 2 ) 。 1 3 3b p 神经网络模型应用中的问题 b p 网络预测最重要的环节是建立适合特定任务的b p 网络考察一个神经网 络的性能主要有三个指标：学习速度、一致性和泛化能力 3 8 , 3 9 。学习速度指满意 的逼近训练样本所花费的时间，一致性是指神经在网络在样本上的逼近能力，泛 化能力描述了人工神经网络在整个输入和输出空间上的逼近能力。泛化能力在很 大程度上表征了网络性能。一般泛化能力决定于网络自身、学习样本的性质和训 练时间，网络自身因素主要是指网络结构、激励函数性质和初始权值等，学习样 本的性质主要是学习样本的数量、质量、选取方法和样本列测试数据的代表性， 训练时间指训练次数反映训练误差的大小。 针对这三点，在神经网络建模和应用中应该注意以下问题： 1 ) 学习速度 学习速度1 2 5 , 3 7 1 决定权值修改的步长，它对网络学习的收敛速度影响很大。若 学习速度值设置过大，容易使网络产生振荡；若设置过小，会使网络的学习过程 缓慢。为了避免学习过程中出现震荡同时又具有较快的收敛速度，通常在权值修 改公式中添加一动量项，使得调节向着底部的平均方向变化，不产生大摆动，起 到了缓冲平滑的作用，有利于稳定并加速网络的收敛。 2 ) 训练样本选择 对样本的质量、数量、和选取样本的方法都直接关系到网络的泛化能力忡“”。 样本集中的样本之间往往存在一定的相关性，根据具体问题从系统大量样本中选 择代表样本是减少训练样本数量，提高泛化能力的有效方法。文献j 通过实验指 出聚类方法是一种有效的样本代表选取方法，文献1 4 2 j 中采用主成分分析法在神经 n n i j i l 练前对训练集进行优化和选择，结果显示改善了泛化性能并能起到加快收 敛速度、提高网络训练效率的效果。 3 ) 神经网络的结构设计 结构设计的核心问题是网络层数和隐层节点数目的确定。要精确确定隐层节 点数目是很困难的，目前还没有有效的理论指导，常常是凭经验人为选取，虽有 各种改进方法出现，但缺乏严格的证明，而且很多改进方法都是针对特定问题的， 缺乏一般性 2 5 , 3 7 l 。关于网络拓扑结构的确定，可分为静态构造和动态构造两类。 静态构造是在学 - j 前预先确定网络拓扑结构，在学习过程中不再改变。动态构造 是在网络学习过程中对拓扑结构进行动态调整。 4 ) 训练停止准则 训练误差越小神经网络就能越精确的拟合训练样本集，但过多的训练会使神 经网络拟合数据中的噪声，导致过拟合现象【4 3 4 4 ，从而降低泛化能力。因此，对 于神经网络训练不能过分追求小的训练误差。 一重鏖查堂堡圭堂垡堡奎 5 ) 权值的调节时机 在连接权值及阈值的广义占规则2 5 ，3 刀中，权值调节方式是按照样本集中样本的 顺序逐一依次的对单个样本进行训练，这种权值调整方式，使得神经网络受样本 集中样本依次接受训练的顺序很大影响，容易导致训练结果“偏爱，后出现接受训练 的样本，不利于改善神经网络的泛化能力。基于样本集所有样本的输出误差总效 果完成在权值空间的梯度搜索，能较好的解决因样本顺序i u q n 弓i 起的精度问题和 训练抖动问题，使神经网络具有更好的泛化能力”】。 1 4 遗传算法及多目标优化 1 4 l 遗传算法原理和特点 遗传算法( g e n e t i c a l g o r i t h m ，简记为g a ) 是一种非数值并行优化算法，首先 由h o l l a n d f 4 5 提出，它是模拟自然界生物物种进化过程，利用编码将问题的解用字 符串表示，然后应用选择、交叉、变异、替代等对个体进行操作，实现在解空间 中的搜索，再根据“适者生存”的原则，保留计算过程中的最优解或潜在最优解，在 此基础上进行不断迭代，直到找到最优解或满意解为止。基本遗传算法( s i n g l e g e n e t i ca l g o r i t h m ，s g a ) 使用选择、交叉和变异三个算子，基本遗传算法可定义 为一个8 元组【“i ： s g a = ( d ，f ，r ，m s m ，c ，r j 式中d 个体的编码方式，f 个体的适应度评价函数 只初始群体n 种群规模 s 选择算子m 变异算子 c 交叉算子丁搜索终止条件 1 ) 编码方法 遗传算法的进化过程是建立在编码机制的基础上的，g a 不是对研究对象直接 进行讨论而是通过编码机制把对象统一赋予由特定符号按一定顺序排成的串，编 码对算法性能如搜索能力和种群多样性影响很大i 拍j 。 常用的编码方式有：位串编码、实数编码、有序串编码、结构式编码。其中 位串编码最为普遍，具体包括二进制编码、g r a y 编码、动态编码等几种方式。对 于函数优化和多数工程领域的优化问题，其变量都是用实数表示，这种情况下采 用实数编码不仅表示方便，而且能以小的个体长度实现足够的精度，另外在变异 操作上比二进制编码能够保持更好的种群多样性f 4 “。 2 ) 适应度函数 个体的适应度和所求问题的解空间密切相关，反应了个体适应环境的能力， 1 0 1 绪论 适应度越高的个体越有机会存活下来繁殖后代。遗传算法的搜索过程仅以适应度 函数为依据，很少需要其他信息，因此适应度函数的选取非常重要，直接影响到 收敛速度和最后能否找到最优解。标准遗传算法的理论基础是模式定理【4 6 1 ，该定 理指出：具有定义长度短、价次低、平均适应度高于群体平均适应度的模式在遗 传算法中呈指数增长率被采样，相反凡是定义长度长、价次高、平均适应度低于 群体平均适应度的模式将成指数形式消失。根据模式定理，标准遗传算法在搜索 空间内向着适应度高的点逼近。 3 ) 选择算子 选择算子的目的是使当前群体中适应度高的优良个体能在下一代存活和繁 殖，体现适者生存的自然选择原则，同时还要使新一代群体中的个体数量与原来 群体数目相同。在遗传算法中，并不是简单的利用适应度的大小来选择被复制的 对象，而是采用一种随机抽样的方法来选择复制个体，最常见的方法是轮盘选择 法【2 5 1 。 4 ) 交叉算子 交叉操作在g a 中起到关键作用，是产生新个体的主要方法，它决定了g a 的 全局搜索能力 2 5 , 4 6 。交叉方法有单点交叉、多点交叉和均匀交叉。单点交叉是随 机的在两个父子串上选择一个点作为杂交点，按这个点为界交换两个父子串的对 应子串。多点杂交是一次随机产生多个杂交点然后间断交换对应的自串。均匀杂 交是对父代的每一位根据概率进行交换，方法是随机的产生一个与父个体同长度 的位串，其中0 表示不交换1 表示交换，把这个二进制位串称为杂交模板，均匀 杂交是根据杂交模板进行的。 5 ) 变异算子 对于二进制表示的位串变异是指将父子串没一位根据一定的概率将其取反， 即将0 变1 ，将1 变0 ( 图1 6 所示) 。变异算子也是产生新个体的一种方法，但相 对交叉算子，它的主要作用是增强种群的多样性，避免陷入局部最优4 7 ，4 8 1 。变异 操作是产生新个体的辅助方法，决定g a 的局部搜索能力。交叉和变异互相配合 共同完成搜索空间的全局搜索和局部搜索。 重庆大学硕士学位论文 杂交模板 父代个体 子代个体 图1 3 单点交叉 f i g13s i n g l ep o i n t c r o s s o v e r 图1 4 多点交叉 f i g1 4m u l t i p l ep o i n t s c r o s s o v e r 图1 5 均匀交叉 f i g1 5u n i f o r m c r o s s o v e r 父代个体 二 二i 邛 专00 子代个体 委蒌二夏圈 图1 6 变异 f i g1 6 m u t a t i o n 1 4 2 遗传算法与b p 算法的组合优化算法 遗传算法具有较强的全局搜索能力，神经网络具有学习能力，遗传算法与神 经网络的结合是当前的一个研究热点。结合神经网络和遗传算法，可以充分利用 两者的优点，使新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的强全 局搜索能力，现有的结合工作主要有两个方向：一是将遗传算法向神经网络结合， 利用遗传算法辅助设计神经网络，包括联结权、结构的设计和学习规则的进化生 成，二是神经网络为遗传算法提供工具，建立起一种基于神经网络支持的遗传算 1 2 耋 h， p 一旦一空一点一生 一一一一盏一一 篷垒， 法，改避遗传舞法的收敛洼。 1 ) 分阶段混合学习算法【4 9 】 分除段混合学习算法是精首先霜滚传冀法对聿枣经瓣络秘始较值遘行饶亿，在 解空间中定位出一个较好的搜索空间，然后再采用bp 算法在这个小空间中搜索 出蕞後解n 它以聿孛经溺络奁零l | 练集下鹣系统误差为餐羹寝据，先角蘧俊算法在全 局误藏空间内搜索至全局极小点附近，然后用b p 算法使系统误差达到稳定。当 g a 运行至p 代( p 为系统绘定懿最小逡传代数 或豢警蘩器髂静平均逶应疫大予 一系统给定的最小值时，g a 算法停止。然后把当前群体中最优的染色体设定为网 络参数并执行转p 箕法。当系绞误差稳定，或小于系绞给定豹签诲瀑羲，凌大予系 统给定的最大学习遍数时b p 算法停止。 2 ) 著雩亍混舍学习冀法 5 0 , s t l 并行混合学习算法指将搜索空问按照一定的规则划分为两部分，部分单独 赐遗传葬法寻饯，另一部分单独用b p 算法寻傀，即是犋每代萃孛群分成题个独立车中 群，各自分别用遗传算法和b p 算法优化，二者都完成次迭代后综合二者结巢生 成下代静群，再重毅戈分秘瓣进行下次迭代过程。该方法的关键照确定b p 算 法和g a 的作用域，主要分为随机划分和基于个体适应值大小的划分两种形式： 随枫划分是按定比铡随机从耪群中选择个体以把个体分成两部分； 3 ) 融合b p 算予的遗传舞法1 5 。j 一般遗传算法包撼三个遗传操作算予，即选择、交叉和变异，融合b p 算子的 遗传群法是在这三个算子的基础上添潮b p 算子，类似与交异簿予，撼b p 的梯度 下降算法随机的作用于搜索空间的各个体。 乖角g