基于自适应遗传神经网络烧结矿化学成分超前预报模型.pdfVIP

基于自适应遗传神经网络的烧结矿化学成分超前预报模型 Adaptive Genetic-Neural Network Based Mathematical Model for Predicting Chemical Composition of Sinter 刘勇 程武山 孙鑫 (上海大学机电工程与自动化学院,上海 200072) 摘 要 本文提出了自适应遗传神经网络模型预测烧结矿化学成分的方法,用实际烧结生产数据对模型进行 训练,并用该模型对烧结矿化学成分进行预报。仿真结果表明,该模型取得了很好的预测效果。 关键词 自适应遗传算法 神经网络 烧结矿 Abstract A genetic-neural network based mathematical model for predicting chemical composition of sinter is given. This model can be trained by using actual sintering process data, and employed in predicting chemical composition of sinter. Simulation has shown this model’good performance for prediction. Keywords Adaptive genetic algorithm Neural network Sinter 0 引言 烧结过程是一个复杂的物理、化学反应过程,具有机理复杂、非线性度高、耦合强、纯滞 后大、难以建立数学模型等特性。目前，我国烧结厂对烧结矿化学成分的控制，主要是通过 每两个小时一次的烧结矿采样分析，根据分析结果和质量指标要求调整混合料中的有关成分 来实现的。然而，原料经过下料、混合、布料、点火烧结到成品冷却、整粒、取样等工序， 待观察到调节效果一般需要 3～4 小时之久。而且在烧结过程中很多的参数难以测量,大部分 的烧结过程其自动化程度不是很高。目前国内烧结厂的实际操作主要由操作工根据自己的经 验去预估这些指标，与实际的效果并不十分一致。如此大的时间滞后，采用这种传统的控制 方法很难实现烧结矿化学成分的准确控制。 近年来,大多数的研究着力于通过建立BP神经网络模型去描述整个烧结过程并预估这些 参数。BP 神经网络虽然具有较高的预测精度,但由于其固有缺点(结构的不唯一性和极慢的收 敛性)，极大地限制了它在实时预报中的应用。BP 神经网络的初始权值是随机给定的，因而 每次训练的次数及最终权值会略有不同，这就是说，网络的寻优不具有唯一性，会出现局部 极小。另一方面初始权值给定的盲目性导致了训练次数的较多，收敛极慢。 自适应遗传算法(Adaptive Genetic Algorithm. AGA)是基于自然选择和遗传规律的并 行全局搜索算法，它具有很强的宏观搜索能力，算法具有寻优的全局性。因此，比较理想的 方案是先利用自适应遗传算法来离线训练网络，再用 BP 算法在线训练神经网络进行精确求 解。在此基础上训练网络就可以在相当大的程度上避免局部极小，训练次数和最终权值也可 以相对稳定，训练速度也能大大加快。本文通过建立自适应遗传神经网络模型来对烧结矿中 的碱度 R, TFe 和 FeO 进行预测,并用现场的数据对神经网络进行仿真。 1 网络模型建立 1.1 输入输出层设计 烧结矿的化学成分有十几种之多,我们选择了和烧结矿质量密切相关的碱度 R、全铁 TFe 以及 FeO 作为网络的输出。由于烧结过程的复杂性,各个阶段的状态对烧结矿质量均有不同 程度的影响,在各工艺参数中我们主要考虑对化学成分指标影响较大的原料参数。在原料参 数中又有各种原料的成分对上述3种主要化学成分不同程度的影响,综合考虑各种因素,忽略 次要因素,如原料参数的 P、S、Mn 等的含量。最终确定了针对以上 3 个指标的输入参数。 ① 碱度预测输入。混和料中 SiO2 和混和料中 CaO 的含量以及石灰石和生石灰的配比,