基于合金收得率的炼钢配料方案的研究--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于合金收得率的炼钢配料方案的研究

发表时间：2021/6/10 来源：《中国科技信息》2021年7月作者：毛晓凯宋健李阔

[导读] 考虑在实际生产中，先准确预测出合金元素的收得率，再计算合金加入量，而连铸正样含量为合金化后才测得的，实际中预测收得率时不可能测得连铸正样元素含量。因此，只能根据转炉终点的元素含量和温度来预测合金收得率。要

华北理工大学毛晓凯宋健李阔 063210

摘要：考虑在实际生产中，先准确预测出合金元素的收得率，再计算合金加入量，而连铸正样含量为合金化后才测得的，实际中预测收得率时不可能测得连铸正样元素含量。因此，只能根据转炉终点的元素含量和温度来预测合金收得率。要从反应机理来推算各个量之间的关系，中间过程比较繁琐。因此，采用神经网络模型对收得率进行预测，而传统的 BP 神经网络存在着收敛速度不理想、初始权值、阈值选取随机等问题，采用自适应、共轭梯度法以及遗传算法在原来的基础上改进，从而提高预测准确率
关键词：合金收得率；神经网络；模拟退火；
        一、模型建立与求解
        需要对 C、Mn 元素的收得率进行预测并改进模型，以提高预测准确率。首先用离差标准化法对原始数据进行线性变换，接着用 BP 神经网络进行预测，得到拟合优度为 0.84773 的预测结果图。但由于算法未进行优化，误差较大，因此用自适应学习优化 BP 神经网络收敛速度慢的问题，用共轭梯度法避免陷入局部最优解的问题，将两者融合遗传算法，解决初始权值和阈值随机的问题，达到预测模型的最优，得到了较好的预测效果。
        1.1 BP 神经网络预测模型
        在实际炼钢工序中，需要先预测元素收得率，以此为依据计算合金投入种类和质量，在此之前元素连铸正样含量和合金加入量未知。因此，元素收得率的影响因素为转炉终点温度和 5 种元素转炉终点含量。由于数据复杂且数据规律难以发掘，因此建立 BP 神经网络模型。BP 神经网络通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。
        在使用 BP 神经网络前先对转炉终点温度和 5 种元素含量进行标准化，消除量纲的影响以及提高 BP 神经网络的收敛速度。采用离差标准化方法对原始数据的线性变换，使结果值映射到[0，1]之间。
        数据标准化处理后，将转炉终点温度、5 种元素转炉终点含量作为输入层变量，元素收得率作为输出层变量。利用逐步回归分析法并进行参数的显著性检验来动态删除一些线形相关的隐节点，节点删除标准为若由该节点出发指向下一层节点的所有权值和阈值均落于死区之中，则该节点可删除。同时，用输入层节点数 m、输出层节点数 n、以及常数??（范围是[1，10]）来确定隐含层的最佳节点数 k。

        设定隐含层和输出层激励函数分别为 tansig 和 logsig 函数,因为收得率范围是[0，1]，所以设定网络训练函数为 traingdx,网络性能函数为 mse,隐含层神经元数初设为 6。将网络迭代次数 epochs 设为 1000 次,期望误差 goal 为 0.001,学习速率 lr 为 0.01。挑选钢号 HRB400B 的 600 组数据。选取 450 组作为训练数据，选取 150 组作为检验数据进行神经网络学习，对 C 收得率进行预测得到结果。可知C 元素收得率预测的拟合优度为 0.84773，预测效果较好，大部分预测值与真实值比较相符。可以看出采用 BP 神经网络对 C 收得率建立预测模型是可行的，但由于其采用梯度下降方法存在着收敛速率慢的问题，且该模型初始权值和阈值的选取也是随机的，这会增大预测的误差，降低预测准确率，因此对 BP 神经网络进行改进。
        1.2基于自适应学习和共轭梯度法改进的 BP 神经网络模型
        针对 BP 神经网络模型[1]中的收敛速度慢这一问题，采用自适应学习方法来改进。自适应地改变 BP 神经网络学习中的学习率，以控制 BP 神经网络学习中的梯度下降速度，从而改善原始 BP 算法的收敛特性。
        未经优化的神经网络预测结果误差的波动范围比较大，而改进后的神经网络预测结果误差范围很小，说明经自适应学习和共轭梯度法改进的 BP 神经网络预测结果准确性有了很大提高。
        1.3基于遗传算法优化的 BP 神经网络模型
        前文对神经网络模型的收敛速度和局部最优问题进行了改进。但是该模型的初始权值和阈值仍然是随机的，因此使用遗传算法来优化 BP 神经网络的初始权值和阈值。随机选择种群作为最初寻优群体，对这些寻优群体进行交叉、变异和迭代等操作寻找种群范围内最优适应度值及对应变量值。采用遗传算法[2]优化 BP 神经网络的权值和阈值，构建了基于遗传算法的 BP 神经网络( GA-BP 算法)的预测模型。选择 30 个种群作为最初寻优群体，对 BP 神经网络的初始权值、阈值进行优化。对神经元初始权值和阈值进行实数编码，再进行各种种群适应度计算，选择之后进行交叉、变异操作。两者的概率分别为 0.3 和 0.1。不断循环之前的操作，当达到优化目标时停止，并赋给 BP 神经网络模型进行学习。
        适应度曲线的变化趋势在第 10 代趋于一条直线，说明 GA 对权值和阈值的优化在第 10 代就获得最优解[3]。GA-BP 优化后 C 元素收得率预测值与真实值的比较，发现优化后的网络结构生成的输出值更加准确，预测值与真实值加接近。
        为了防止本文改进后的神经网络预测结果为过拟合所产生的虚假效果，做出改进后模型的训练效果和测试效果如。由于训练数据拟合优度略高于测试数据。两者之间未出现相差较大的想象。说明模型并未过拟合，而是真正的学习到了真正到了“规律”，验证了模型的可行性。
参考文献
[1]刘鹤飞.隐马尔可夫多元线性回归模型及其贝叶斯估计[J].统计与策,2019(06):21-24.
[2]朱永帅,吴小勇.FRP 筋黏结性能影响因素灰色关联度分析[J].混凝土与水泥制品,2019(04):46-48+100.
[3]刘国伟,聂伟荣,席占稳,黄刘.应用神经网络预测蛇形微通道中流体的流动特性[J].微纳电子技术,2019(05):382-388