燒結(jié)作為鋼鐵冶煉過程的一個重要環(huán)節(jié),具有非線性、多變量、大滯后等特點,而燒結(jié)終點預測是燒結(jié)過程智能控制的重點與難度。本文基于BP神經(jīng)網(wǎng)絡(luò)建模方法,采用遺傳-粒子群（GA-PSO）混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,建立基于GA-PSO-BP神經(jīng)網(wǎng)絡(luò)的燒結(jié)終點預測模型;并結(jié)合某燒結(jié)廠的現(xiàn)場數(shù)據(jù),將GA-PSO-BP預測模型和PSO-BP、GA-BP、BP預測模型進行對比仿真實驗。結(jié)果表明:基于GA-PSO-BP神經(jīng)網(wǎng)路預測模型的均方根誤差（RMSE）、平均絕對誤差（MAE）、均方誤差（MSE）以及最大絕對值誤差（MAVE）分別為0.006、0.001 9、3.595 4×10^-5和0.046 7。GA-PSO-BP預測模型的預測精度和誤差均優(yōu)于其他3種預測模型,更適用于在實際生產(chǎn)中預測燒結(jié)終點位置。 

【文章來源】：燒結(jié)球團. 2020,45(06)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

燒結(jié)生產(chǎn)工藝流程

BP神經(jīng)網(wǎng)絡(luò)預測模型結(jié)構(gòu)

式中:ym(k+d)為提前d步的燒結(jié)終點預測值;y(k)為k時刻的燒結(jié)終點位置;u(k)為k時刻的輸入?yún)?shù)值;p為輸入?yún)?shù)的個數(shù);n為模型的階次。由上述可知,燒結(jié)終點GA-PSO-BP神經(jīng)網(wǎng)絡(luò)預測模型的結(jié)構(gòu)確定為6-13-1(節(jié)點數(shù))。因此,BTP預測模型的6個輸入變量:燒結(jié)臺車速度u1、BRP(17號風箱)處風箱溫度u2、點火溫度u3、料層厚度u4、二混含水量u5以及當前BTP的位置u6。模型的隱含層神經(jīng)元激勵函數(shù)選擇Sigmoid函數(shù),輸出層激勵函數(shù)選擇purelin函數(shù)。其中,BP神經(jīng)網(wǎng)絡(luò)的學習率η=0.10,迭代總次數(shù)K=1 000,目標誤差ε=0.001。在GA-PSO算法中,種群規(guī)模N=10,交叉率Pm=0.3,變異率Pc=0.1,學習因子c1=c2=1.49,最大進化代數(shù)G=20。

【參考文獻】：
期刊論文
[1]基于GA-PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的壓縮機氣閥故障診斷[J]. 邵繼業(yè),謝昭靈,楊瑞.  電子科技大學學報. 2018(05)
[2]基于PSO-GA-BP神經(jīng)網(wǎng)絡(luò)的林火預測設(shè)計與研究[J]. 白書華,況明星.  系統(tǒng)仿真學報. 2018(05)
[3]GA與PSO的混合研究綜述[J]. 李紅亞,彭昱忠,鄧楚燕,龔道慶.  計算機工程與應用. 2018(02)
[4]燒結(jié)終點預報神經(jīng)網(wǎng)絡(luò)樣本優(yōu)選與系統(tǒng)建模[J]. 汪春鵬.  測控技術(shù). 2017(03)
[5]一種基于改進遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)控制器及其在燒結(jié)終點控制中的應用[J]. 向婕,吳敏.  信息與控制. 2008(02)
[6]基于BP神經(jīng)網(wǎng)絡(luò)的燒結(jié)終點預測模型[J]. 諶曉文,鄔捷鵬.  燒結(jié)球團. 2006(04)
[7]基于熱狀態(tài)參數(shù)的燒結(jié)終點自適應預報[J]. 李桃,范曉慧,姜濤,馮其明.  燒結(jié)球團. 2000(02)

博士論文
[1]基于燒結(jié)終點預測的燒結(jié)過程智能控制系統(tǒng)及應用研究[D]. 向齊良.中南大學 2008

碩士論文
[1]BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究及在故障診斷中的應用[D]. 孫弋清.燕山大學 2018
[2]燒結(jié)過程燒結(jié)終點預報模型研究[D]. 高廣宇.東北大學 2014
[3]GA-PSO-BP神經(jīng)網(wǎng)絡(luò)在大氣污染物濃度預測中的應用研究[D]. 成華義.華中科技大學 2014



本文編號：3216746