摘 要：本文為基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡對高爐爐溫的預測。從機理上求解冶煉過程的混合動力學方程組最優(yōu)解是尚未解決的數(shù)學難題，BP神經(jīng)網(wǎng)絡能以任意精度逼近任意復雜度的連續(xù)函數(shù)，因此采用BP神經(jīng)網(wǎng)絡進行爐溫預測。對于BP神經(jīng)網(wǎng)絡輸出的不確定性，本文采用遺傳算法對網(wǎng)絡層之間的權(quán)重及閾值進行優(yōu)化，以穩(wěn)定網(wǎng)絡輸出。驗證結(jié)果表明，該模型預測結(jié)果與真實值平均相對誤差為3.67%，對爐溫升降成功預測率達91.67%，二者均具有較高的準確率。

關(guān)鍵詞：遺傳算法；BP神經(jīng)網(wǎng)絡；爐溫預測

DOI：10.16640/j.cnki.37-1222/t.2018.10.132

1 數(shù)據(jù)說明

本文將使用某高爐1000爐次包含硅含量、硫含量、鼓風量、噴煤量等4個主要影響因素的時間序列生產(chǎn)數(shù)據(jù)。最終預測目標爐溫，可看作是對鐵水硅含量的預測。

2 GA-BP對爐溫的預測

BP神經(jīng)網(wǎng)絡能以任意精度逼近任意復雜度的連續(xù)函數(shù)[1]，可利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的權(quán)值與閾值，提高BP神經(jīng)網(wǎng)絡的穩(wěn)定性，克服BP神經(jīng)網(wǎng)絡陷入局部最優(yōu)缺陷[2]。

基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡分為：遺傳算法優(yōu)化權(quán)值閾值、BP神經(jīng)網(wǎng)絡訓練及預測[3]。神經(jīng)網(wǎng)絡的權(quán)值和閾值初值為隨機數(shù)，這個隨機數(shù)對網(wǎng)絡訓練很重要，但又無法準確獲得，引入遺傳算法就是為了優(yōu)化權(quán)值閾值。圖1為算法流程：

2.1 BP神經(jīng)網(wǎng)絡的實現(xiàn)

在神經(jīng)網(wǎng)絡為三層時，隱含層神經(jīng)元個數(shù)還需要公式確定[4]：

將提供的四類數(shù)據(jù)作為輸入層，下一時刻硅含量作為輸出層，因此，我們?nèi)?，可以得到。?個輸入層節(jié)點，8個隱含層節(jié)點，1個輸出層節(jié)點，遺傳算法優(yōu)化40個權(quán)值，9個閾值，共49個參數(shù)。

2.2 遺傳算法的實現(xiàn)

遺傳算法主要通過初始化種群，計算種群適應度，找出最優(yōu)個體，選擇操作，交叉操作，變異操作，判斷進化是否結(jié)束，若沒有結(jié)束再重新進行以上操作。得到最優(yōu)種群后，再將種群解碼，把權(quán)值閾值重新賦予BP網(wǎng)絡進行再次訓練。

3 實驗結(jié)果

以上算法采用MATLAB編程實現(xiàn)，兩個算法均需要人為確定參數(shù)：

通過最后48組驗證數(shù)據(jù)得到以下對比圖：

我們可以發(fā)現(xiàn)預測結(jié)果與實際值比較吻合，計算平均相對誤差為3.67%，預測偏差較小。對于爐溫升降方向的預測正確率達到91.67%，較適合用來對爐溫的升降方向進行預測。

4 結(jié)論

采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡對煉鐵高爐爐溫的預測具有較好溫度預測準確率和爐溫升降方向預測準確率。遺傳算法能夠優(yōu)化BP神經(jīng)網(wǎng)絡不同層之間的權(quán)值和閾值，能夠穩(wěn)定網(wǎng)絡的輸出結(jié)果。該方法的應用能夠預測性地動態(tài)調(diào)整生產(chǎn)過程控制，以獲得最佳生產(chǎn)效果。

參考文獻：

[1]周志華.機器學習[M]，清華大學出版社，2016：105.

[2]劉春艷，凌建春，寇林元，仇麗霞，武俊青.GA-BP神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡性能比較[J].中國衛(wèi)生統(tǒng)計，2013，30（02）：173-176+181.

[3]于瑩，袁萍，劉曉龍.基于遺傳算法的BP神經(jīng)網(wǎng)絡的變壓器故障預測[J].山東工業(yè)技術(shù)，2017（24）：203+208.

[4]沈花玉，王兆霞，高成耀，秦娟，姚福彬，徐巍.BP神經(jīng)網(wǎng)絡隱含層單元數(shù)的確定[J].天津理工大學學報，2008（05）：13-15.

作者簡介：湯啟友（1996-），男，四川資陽人，本科在讀。