[发明专利]基于BP神经网络的转炉炼钢工艺成本控制方法及系统

摘要

本发明提供一种基于BP神经网络的转炉炼钢工艺成本优化控制方法及系统，其中的方法包括：根据转炉炼钢的工艺选择影响成本的控制参数；构建建模样本集；获得归一化样本集；构建三层的BP神经网络算法；采用BP神经网络算法对通过模拟转炉炼钢实验所得数据进行建模，获取神经网络参数；利用遗传算法对BP神经网络算法对所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；根据获取的最优控制参数成本值与建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。利用本发明，能够解决转炉炼钢成本高的问题。

主权项

1.一种基于BP神经网络的转炉炼钢工艺成本优化控制方法，包括：根据转炉炼钢的工艺选择影响成本的控制参数；利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；将构建的建模样本集进行归一化处理，获得归一化样本集；根据所述归一化样本集构建三层的BP神经网络算法；采用所述BP神经网络算法对通过模拟转炉炼钢实验所得数据进行建模，获取神经网络参数；利用遗传算法对BP神经网络算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；根据所述最优控制参数获取最优控制参数成本值；根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值；所述控制参数包括铁水量、废钢量、造渣材料加入量、入炉铁水的温度、出钢温度、白云石加入量、石灰石加入量、铁矿石加入量、氧气消耗量、氧枪位置；在根据所述归一化样本集构建三层的BP神经网络算法的过程中，设置所述BP神经网络算法的隐含层节点数为l，隐含层节点函数为S型函数tansig，输出层节点数与输出变量个数一致；设置输出层节点函数为线性函数purelin，输入层到隐含层的权值为w₁，隐含层节点阈值为b₁，隐含层至输出层的权值为w₂，输出层节点阈值为b₂；在采用所述BP神经网络算法对通过模拟转炉炼钢实验所得数据进行建模，获取神经网络参数的过程中，第一步：初始化神经网络参数的权值w₁、w₂以及阈值b₁、b₂；第二步：初始化的网络参数采用如下公式计算此时的其中，表示预测值；W₁、W₂分别表示神经网络参数的权值；b₁、b₂分别表示神经网络参数的阈值；表示经归一化的输入样本；第三步：计算此时实际样本输出与预测值之间系统对N个训练样本的总误差，总误差e准则函数如下：其中，e表示误差性能指标函数；表示BP网络输出；表示实际输出；第四步：修正神经网络参数的权值和阈值，具体公式如下：其中，w1_ij表示隐含层与输入层的连接权值；η表示学习速率；表示隐含层输出；x(i)表示输入样本；w_jk表示输出层与隐含层权值；其中，w2_jk表示输出层与隐含层的连接权值；其中，表示隐含层阈值；表示隐含层输出；w_jk表输出层与隐含层权值；b₂＝b₂+ηe其中，i＝1,2,…,n；j＝1,2,…,l；k＝1,2,…,N；N为样本量；第五步：利用更新得到的神经网络参数的权值和阈值重新估计重复第二步至第四步的过程，直到总误差小于设定值；在利用遗传算法对所述BP神经网络算法所建模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数的过程中，第一步：构建遗传算法优化的适应度函数；第二步：设置决策变量的变化区间，并设置遗传算法的种群P数量K，迭代次数GEN，初始化种群P，并作为第一代父代P₁，其中，所述变化区间为x_i,min≤x_i≤x_i,max；第三步：确定优化计算的最小化；第四步：计算所述第一代父代中所有个体的适应度函数值，将适应度函数值最小输出作为一代最优个体；第五步：将所述第一代父代中个体进行选择、交叉、变异第一次遗传迭代操作，得到第一代子群Q1，并作为第二代父群P2；第六步：重复第三步到第五步的操作，直到遗传迭代次数等于GEN，将最后一次迭代所得种群P_GEN的最优个体作为优化所得最佳控制参数组合。