基于组合训练方法的RBFNN转炉炼钢静态模型.pdfVIP

第3l卷第 3期 杭 州 电子 科 技 大 学 学报 Vo1．31．No3 2011年o6月 Journal of Hangzhou Dianzi University Jun 2011 基于组合训练方法的RBFNN转炉炼钢静态模型 朱亚萍 ，王文龙 ，徐 峥 ，徐生林 (1杭州电子科技大学 自动化学院，浙江杭州310018； 2．杭州市七格污水处理厂工程建设指挥部，浙-Lz-杭州 310019) 摘要：为了提高转炉炼钢终点碳含量和温度的预报命中率，该文采用径向基神经 网络建立转炉炼 钢静态模型。量子微粒群优化算法具体较好的全局搜索能力，而梯度下降法有较好的局部搜索能 力，为了能够发挥这两种算法的优势，该文提出了一种组合训练方法，用来训练径向基神经网络。 并通过对某炼钢厂的历史数据进行仿真实验，比较组合训练方法与非组合训练方法的学习性能， 研究结果表明该研究提高了转炉终点C含量和温度的预测精度。 关键词 ：径向基神经网络；转炉炼钢；梯度下降法；量子微粒群优化算法 中图分类号：Tf72i 文献标识码：A 文章编号：1001—9146(2011)03—0062—04 0 引 言 转炉炼钢过程是一个相当复杂的高温、多相的物理化学过程，主要 目标是在吹炼终点尽可能达到 目 标钢水的温度和成分含量。近年来，神经网络在炼钢生产过程中得到广泛的应用…，并取得了一些满 意的效果。当前我国存在不少中、小转炉，对这些转炉来说，如果建立动态模型，需要增设副枪或炉气分 析仪等动态设备 ，会显著增加生产成本。相对而言，而开发静态模型与人工神经网络技术相结合的 人工智能静态控制系统，可以有效地提高终点命中率，成本上也不会显著增加。本文提出了一种量子微 杖群优化算法与梯度下降法组合的训练方法，用于建立基于径向基神经网络的转炉炼钢静态模型。并 通过与非组合训练方法进行比较，验证了组合方法的有效性。 l 基于径向基神经网络的转炉炼钢静态模型 向基神经网络(RadialBasisFunctionNeuralNetwork，RBFNN)是一种局部逼近前 向网络，包括输 人层、隐含层和输出层。若网络的输人节点数为S，隐含层节点数为m，输出节点数为 1。选取高斯函数 为径向基函数，假定第 i个隐节点的高斯函数为 ()： ()：。p(一 ≥) (1) 式中，XER为网络的输人，ciER为隐节点i的中心，。为高斯函数中的方差。 影响终点钢水温度和钢水碳含量的因素很多，经理论研究后进行相关分析，选定模型的输人变量 收稿 日期：2010—06—21 基金项 目：省公益技术应用研究资助项 目(C31016) 作者简介：朱亚萍(1962一)，女，江苏张家港人，副教授，生产过程综合 自动化 第 3期 朱亚萍等：基于组合训练方法的RBFNN转炉炼钢静态模型 63 为：铁水量x。、铁水温度x。、铁水c含量x，、铁水Si含量 x、铁水 Mn含量x、铁水P含量x¨铁水 s ． 含量 x、废钢量x 生铁量x卟渣钢量x 石灰加入量x，。、镁球加入量x 、白云石加入量x，、铁矿石 加入量x。、一倒吹氧气量x 、一倒供氧时间x 、一倒冶炼时间x 共 l7个变量，即神经网络输人节 点数为 s=17。对终点钢水碳含量、温度分别建模 ，模型输出量为吹炼终点时的钢水碳含量Y及钢水温 度Y ，即神经网络输出节点数为 1。隐含层节点数m待定。基于径向基神经网络的转炉炼钢静态模型 结构如图l所示。 巾l 图1 基于径向基神经网络的转炉炼钢静态模型结构 2 组合训练方法 由于径向基函数选为高斯函数，径向基神经网络中要训