基于.遗传算法的温度预报模型参数优化.docVIP

word 资料下载可编辑 专业技术资料 基于遗传算法的温度预报模型参数优化 问题描述 近年来，随着纯净钢生产技术的进步和连铸技术的发展，炉外精炼工艺与设备迅速普及。其中，LF以其优异的综合性能，在实际生产中得到了广泛应用。而点测钢水温度的高成本，使精炼炉温度预报成为了极具实际意义的研究。因此，钢水温度预报模型的建立显得至关重要。 目前，温度预报模型的建立主要采用3种方法，即：机理模型、“黑箱模型”和“灰箱模型”。机理模型是指用尽可能准确的数学方程来描述过程机理而建立的模型，而“黑箱模型”则采用一些数学方法（智能算法、回归算法等），结合实验数据或实际生产中的数据，生成一种只有输入和输出的模型，而完全不考虑过程机理。然而，机理模型需要考虑的因素太多，且这些因素具有相当的不确定性，因此模型中的许多参数很难得到，严重影响了温度预测的精度；“黑箱模型”则完全建立在数据的基础上，如果生产环境和条件改变导致了数据改变，原先模型的准确性就得不到保障，即模型的可移植性差。 因此，本文主要研究“灰箱模型”的建立，即采用机理建模与数据建模相结合的方式，应用智能优化算法对机理模型中较难获得的参数进行辨识与确定，其流程如下图所示： 图1 温度预报模型建立的方案流程图 而参数的辨识过程，即是基于智能优化算法，根据输入输出条件，对机理模型不易获得的参数进行寻优的过程。