何奕波1,郭辉1,张冰谦1,朱强2,汤海明3,李怡宏1
摘 要:长期以来在高炉炼铁过程中铁水硅含量一直作为代表高炉热状态的重要指数。然而由于高炉具有动态特性,内部化学反应十分复杂,是一个典型的黑箱模型,因此对高炉铁水硅含量进行实时预测十分困难。针对这一问题,利用遗传算法(Genetic Algorithm, GA)对传统BP(Back Propagation)算法进行改进,构建GABP神经网络预测铁水硅含量。首先将高炉炼铁过程中的13个参数(如风量、风压等)进行特征提取,并利用遗传算法全局搜索BP神经网络最优的初始权值和阈值,接着利用前向传播算法(Forward Propagation, FP)在三层神经网络中传递筛选出来的特征并计算出预测值,其中三层神经网络每层神经元个数分别为7、50、1。最终将铁水硅含量预测值与真实值进行误差分析,利用梯度下降(Gradient Descent, GD)的原理不断更新神经元的权重,直到预测值与真实值之间的误差达到所给定的阈值。相比于传统BP神经网络,GA-BP神经网络改善了BP神经网络权值、阈值难定,学习速度慢且易陷入局部最优等缺点。将某钢厂生产过程中实时采集到的数据经过预处理之后,输入到神经网络中进行训练并且利用测试集来验证该模型的精度。最终该模型在测试集上取得了92%的正确率且均方误差(Mean Square Error,MSE)稳定在0.001,证明了该模型的有效性。选取了50组数据集之外的新数据来进行预测,结果验证了该模型具备指导生产实践的能力。