基于改进BP神经网络的铁水预处理终点硫含量预报模型1

合集下载

石钢高炉铁水含硅量神经网络预报模型

Ｇｏｊｎｕｕａｇｏｉ
（ｅｅＥｏｏｇ＆ＣｍｒｅＵｉｒｉ，Ｈｂｉｃｎｍｏｍｅｎｖｓｙｃｅｔ）
ＡｂｓｒｃＡｃｏｄｎｏｍｏｅｏｒｌｔｅｒｔａｔｃｒｉｇｔｄｍｃｎｔｏｈｏｙ，ｂａｔｕｎａｅｗａｅａｄｄａｕｔｐｅｉｕｉｌｕ — ｌｓｒｃｓｒｇｒｅｓａｍｌｉｌｎｐｔｓｎｇｅｏｔｆｐｔｓｓｅ．Ｃｏｕｙｔｍｍｂｉｄｗｉｈｔｅｐｏｕｔｎｅｐｒｅｃｎｅｔｈｒｄｃｉｘｅｉｎｅ，ｔＰｅｒｌｎｔｒｓｗｅｅｕｅｏｐｅｉｔｔｅｏｈｅＢｎｕａｅｗｏｋｒｓｄｔｒｄｃｈｃｎｅｔｏｉｉｌｓ－ｕｎｃｏｒｎＴｈａｉｉｙｏｏｖｒｅｃｓｉｒｖｄｗｉｈｉｔｏｕｉｇｄｎｍ－ｏｔｎｆＳｎｂａｔｆｒａｅｈｔｉｏ．ｅｒｐｄｔｆｃｎｅｇｎｅｗａｍｐｏｅｔｎｒｄｃｎｙａｉｔｐｓｚｎｎｒｉｌｃｅｆｃｅ，ａｄｔｅｐｅｉｔｏｒｃｓｏｓｉｐｏｅｔｎｒｄｃｎｇｍｏｉｅｃｓｅｉｅａｄｉｅｔａｏｆｉｉｎｔｎｈｒｄｃｉｎｐｅｉｉｎｗａｍｒｖｄｗｉｈｉｔｏｕｉｄｆｄｉｐｅｉｔｏｏｅ．Ｔｈｅｕｔｈｗｅｈｔｔｅｐｅｉｔｏａｕｓ８６ｒｄｃｉｎｍｄ１ｅｒｓｌｓｓｏｄｔａｈｒｄｃｉｎｖｌｅｗａ６．７％ｕｄｒｔｅｍｉｓｂｅｅｒｒｎｅｈｅｐｒｓｉｌｒｏ０．％．１Ｋｅｒｂａｔｆｒｃｙｗｏｄｓｌｓｕｎａｅ；ｃｎｅｔｏｉｉｔｉｏｏｔｎｆＳｎｈｏｒｎ；ｐｅｉｔｏｒｄｃｉｎ；ｎｕａｅｗｏｋｅｒｌｎｔｒ

基于BP神经网络的土壤含铁量高光谱反演

基于BP神经网络的土壤含铁量高光谱反演近年来，高光谱技术在土壤反演领域中的应用越来越广泛。

在土壤含铁量的反演中，基于BP神经网络的高光谱反演方法已经被证明是有效的。

BP神经网络是一种可以从数据中学习并进行预测的人工神经网络。

在土壤反演中，BP神经网络将高光谱数据作为输入，输出相应的土壤属性，比如含铁量。

BP神经网络的工作原理是基于输入和输出之间的非线性关系。

它包含多个神经元层，其中输入层和输出层之间可能还有一个或多个隐藏层。

每个神经元包含一个输入值和一个激活函数。

输入值被送入激活函数，产生输出值。

然后，这个输出值又被送到下一个神经元中。

这个过程一直进行下去，直到输出层的输出值得到了确定。

BP神经网络通过反向传播算法来优化神经元之间的权重，以提高其预测准确性。

土壤含铁量的高光谱反演过程可以简单地分为以下步骤：第一步，收集高光谱数据。

高光谱可以由卫星或无人机搭载的传感器采集。

高光谱数据通常包含数百到数千个波段，每个波段的反射率可以用来表征土壤的光谱特性。

第二步，选择合适的波段进行预处理。

通常情况下，高光谱反演需要进行波段选择和滤波等预处理操作，以提高反演的准确度。

第三步，构建BP神经网络模型。

在构建模型时，可以根据实际需要对模型进行参数优化。

第四步，训练模型。

收集一定量的含铁量已知的土壤样本，用这些样本进行训练，优化神经元间的权重。

第五步，测试模型。

用含铁量未知的土壤样本进行测试，通过比较反演结果和实际含铁量值之间的误差来评估模型的准确性。

基于BP神经网络的高光谱反演方法已经在土壤含铁量的反演中得到了广泛应用。

它可以通过提取高光谱数据中的特征信息，学习和建模土壤特征与含铁量之间的关系，从而实现土壤含铁量的精确反演。

与传统的反演方法相比，基于BP神经网络的反演方法更加准确和可靠。

然而，在实际应用中，还存在着一些问题需要解决，如数据质量、样本选择等，这需要我们在实际应用中进一步探索和解决。

基于RBF神经网络的铁水含硅量预测模型

基于RBF神经网络的铁水含硅量预测模型作者：禄文轩来源：《科学家》2017年第15期摘要本文以RBF神经网络为基础建立了铁水含硅量的预测模型。

首先利用Matlab建立[Si]的三层前馈神经网络预测模型，选取[S]-FL-PML三种数据作为RBF神经网络的输入，[Si]作为其输出。

其次利用L-M算法设计优化方案，通过反馈校正的方式证明该模型的稳定性，从而得到一步预测模型。

最后在该模型的基础上使用其控制值和输出值更新输入向量，运用递归调用的方法得到二步预测模型。

实践证明，该方法能改进传统的反馈预测，提高预测的精确度。

关键词 RBF神经网络；铁水含硅量；预测模型中图分类号 TP2 文献标识码 A 文章编号 2095-6363（2017）15-0011-01在流程工业中，钢铁冶金，石油化工等行业是代表性的国民经济支柱性产业。

其生产过程的系统优化与智能控制的目标函数包括节能、优质、低耗、绿色环保等多目标要求。

为了实现这样的优化目标，生产过程智能控制的关键技术就要从原来的反馈控制进一步升级为预测控制。

即通过生产工艺大数据的信息物理系统建模，通过大数据挖掘，确定生产过程的最佳途径与最佳参数控制范围，预测性地动态调整生产过程控制，获得最佳生产效果。

1 RBF神经网络预测控制作为生产过程智能控制的一个重要环节，以适当的方法来对其进行预测是目前亟待解决的问题。

由于直接求解相应的动力学方程组具有一定的困难，因此采用大数据预测的方法对其进行优化成为一条可行的路径。

神经网络的函数具有良好的逼近能力、自学习能力、快速优化计算能力等。

因此，本文以RBF神经网络为基础建立了相关的预测模型。

RBF神经网络具有很强的逼近能力、分类能力和学习速度，工作原理是把网络看成对未知函数的逼近，任何函数都可以表示成一组及函数的加权和。

神经网络由大量人工神经元广泛互联而成的网络，它是在现代神经生物学和认识科学对人类信息处理研究的基础上提出来的，具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力。

改进的BP神经网络模型预测充填体强度_魏微

Abstract： To evaluate and predict the strength of backfilling body， a new method is provided to establish a model of the relationship between backfilling body strength and influence factors． The modified BP neural network algorithm is used to establish the model based on 18 groups results of the compressive strength tests of the backfilling in laboratory． The structure of the model is 5 － 7 － 1 type，that is to say 5， 7 and 1 neurons are the input ， hidden and output layers respectively， where the input is including the cementsand ratio and quantity of the cemented material and the output is the 28 days compressive strength of the backfilling body． The results show that BP neural network model exhibits excellent prediction ability for the prediction of the strength of backfilling body， the prediction model speeds up the convergence rate of BP network and improves the training accuracy． The maximum relative error between the predicted results and the test data is 4. 23% ． Key words： backfilling body； strength； prediction； modified BP neural network 随着我国采矿事业的发展，无废开采已成为［1 － 2 ］．充填采矿法是将采矿技术发展的必然趋势矿山尾矿废物充填于井下采空区，不仅可节省尾矿废物的堆存场地、减少环境污染，而且可提高回采率、降低贫化率、有效控制采区地压、维护采空区稳定、保障安全作业，因此充填采矿技术越来越

基于改进BP神经网络的瓦斯含量预测模型

基于改进BP神经网络的瓦斯含量预测模型
赵延明
【期刊名称】《工矿自动化》
【年(卷),期】2009(035)004
【摘要】煤层瓦斯含量是矿井安全生产的重要性能指标之一,而常规基于经验和传统数学模型的预测方法难以准确预测煤层瓦斯含量.针对该问题,文章在分析了基于Fletcher-Reeves共轭梯度法的改进BP神经网络模型的基础上,结合煤层瓦斯含量的各种影响因素,建立了一个基于3层改进BP神经网络的瓦斯含量预测模型,并进行了具体的网络训练和预测仿真.结果表明,该瓦斯含量预测模型收敛速度快,预测精度高,可满足实际生产要求.
【总页数】4页(P10-13)
【作者】赵延明
【作者单位】湖南科技大学信息与电气工程学院,湖南,湘潭,411201
【正文语种】中文
【中图分类】TD712.3
【相关文献】
1.基于改进BP神经网络的煤体瓦斯渗透率预测模型 [J], 尹光志;李铭辉;李文璞;曹偈;李星
2.基于神经网络的平煤十矿己15-16煤层瓦斯含量多变量预测模型研究 [J], 赵文宜;郝天轩
3.基于数量化理论的鹤壁六矿瓦斯含量预测模型研究 [J], 张海波;冯拥军
4.基于改进BP神经网络的煤与瓦斯突出预测模型 [J], 孔龙;马铭泽
5.基于贝叶斯正则化改进BP神经网络的页岩气有机碳含量预测模型 [J], 袁颖;谭丁;于少将;李杨;韩冰
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的烧结过程预报模型

基于BP神经网络的烧结过程预报模型刘俊杰;张东升;邵慧君;邓植丹;易正明【摘要】根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型.仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10-3的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性.【期刊名称】《冶金动力》【年(卷),期】2019(000)001【总页数】4页(P1-3,9)【关键词】烧结工艺;BP神经网络;预测模型【作者】刘俊杰;张东升;邵慧君;邓植丹;易正明【作者单位】首钢水城钢铁(集团)有限责任公司,贵州六盘水 553028;首钢水城钢铁(集团)有限责任公司,贵州六盘水 553028;武汉科技大学,湖北武汉 430081;武汉科技大学,湖北武汉 430081;武汉科技大学,湖北武汉 430081【正文语种】中文【中图分类】TF046.4钢铁企业冶炼技术的提高、高炉的大型化，提出了更高的精料要求，高炉70%以上的含铁原料为烧结矿，其质量的稳定与优化对整个炼铁流程的技术经济指标都有重要的影响[1-2]。

但由于检测手段的限制和配料过程的滞后性，使得其化验结果失去了实时指导烧结生产过程的意义，因此建立一种有效、快捷的预测模型，对于合理地进行烧结矿的质量预报极为重要。

烧结控制是一个非常复杂的过程，烧结过程中包含了流量、压力和温度等大量的相关物理参数，在此过程中还有大量的物理化学变化，涉及到了复杂的液相生成过程。

在烧结料层中还存在温度场分布、物料分布等多个问题的影响，采用常规的数学建模的方法对烧结过程进行控制十分困难且难以做到精准。

由于神经网络的方法不需要对问题对象的机理进行模型建立，同时可以将对象的特征进行描述，因此国内外学者[3-4]提出了将神经网络方法用于工业生产中，进行工业生产过程的控制，取得了很好的效果。

高炉铁水硅含量的预测模型

高炉铁水硅含量的预测模型摘要高炉铁水的硅含量是衡量生铁质量和冶炼技术水平的一个重要指标，同时硅含量变化的幅度和频率又直接反映了冶炼生产过程的稳定性。

对高炉炉温水平和炉温变化趋势做出及时准确的预测是高炉过程控制的前提。

高炉铁水硅含量作为表征高炉产品质量和炉热状况的重要指标，其预测问题一直是人们所重视的。

所以我们建立模型来预测高炉中的铁水硅含量。

本文根据料速、透气性指数、铁量差、风温、风量及高炉中各元素的含量为参数，建立了多元线性回归模型和BP 神经网络模型。

其中多元线性回归只是用于和BP 神经网络进行对比。

模型一：多元线性回归模型我们选取了24个变量做预测，由于各变量之间的相关性，在做多元线性回归模型前，我们先对变量进行了主成分分析，最后确定了8个主成分，用i F 表示第i 个主成分，（8,,2,1 =i ）这8个主成分包含了24个变量近80%的信息。

最后得出了多元线性回归模型：8765321041.0011.0025.0005.0058.0070.0003.0183.63F F F F F F F Y -+---++=模型二：BP 神经网络模型在模型一拟合度检验时发现，模型一虽然通过了显著性检验，但某些变量显著性水平不高，且拟合效果不良好。

对于这种多参数的预测问题，命中率不是很准确，所以我们建立了BP 神经网络模型，正好解决这种预测逼近的问题。

由于高炉炼铁中影响正常生产的因素非常的多，而且非常的杂乱，因此我们首先筛选影响参数，根据主成分分析结果，我们确定了9个参数为输入向量，在输入至网络前，需要先对数据进行处理，得到网络可用数据后开始在MATLAB 中对网络进行训练，附件中数据有159个样本，我们选取前100个样本作为训练样本，后59个作为检验预测结果的样本，对训练样本数据进行处理后，将可用数据输入网络，对网络进行训练，训练完成之后，得到的网络就具有预测功能，网络得到后，开始检验网络预测的准确性，将检验样本数据处理后输入网络，使网络对输入向量进行结果预测，将预测结果与样本进行比对，得出预测结果的误差，对最终的误差进行分析可知BP 网络模型对高炉炼铁的铁水硅含量预测有比较准确的命中率。

基于神经网络和自适应残差补偿的炼铜转炉吹炼终点预报模型

基于神经网络和自适应残差补偿的炼铜转炉吹炼终点预报模型梅炽;胡志坤;彭小奇;姚俊峰;胡军
【期刊名称】《中国有色金属学报》
【年(卷),期】2000(10)5
【摘要】讨论了权值初始化、变量的预处理、学习过程参数的自适应调节、网络拓扑结构等因素对学习和推广的影响，提出了一种改进的ＢＰ神经网络学习算法，在很大程度上改善了学习效率。

采用改进的带有８个输入变量的ＢＰ神经网络算法和自适应残差补偿算法建立吹炼终点组合预报模型。

利用某厂实际生产数据进行仿真运行的结果表明，利用该组合预报模型得到的平均相对预测误差为１．２％，最大误差为４％。

【总页数】1页(P732)
【作者】梅炽;胡志坤;彭小奇;姚俊峰;胡军
【作者单位】中南工业大学应用物理与热能工程系,长沙;中南工业大学应用物理与热能工程系,长沙
【正文语种】中文
【中图分类】TF811.031
【相关文献】
1.具有自适应残差补偿的神经网络预报模型设计与应用
2.基于RBF神经网络的转炉冶炼中低碳铬铁终点磷含量预报模型的研究
3.炼铜转炉吹炼终点的神经网络和
自适应残差补偿组合预报模型4.基于PSO-ICA和RBF神经网络的转炉炼钢终点预报模型5.基于自适应模糊神经网络系统的转炉终点磷的预报控制模型
因版权原因，仅展示原文概要，查看原文内容请购买。

地表沉陷预测的改进BP神经网络模型

地表沉陷预测的改进BP神经网络模型
姜燕;连晗;席东河
【期刊名称】《金属矿山》
【年(卷),期】2024()2
【摘要】为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。

结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。

以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于
0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。

【总页数】7页(P205-211)
【作者】姜燕;连晗;席东河
【作者单位】河南工业职业技术学院电子信息工程学院
【正文语种】中文
【中图分类】TD325
【相关文献】
1.矿区开采沉陷预计的改进BP神经网络模型
2.基于Adaboost的改进BP神经网络地表沉陷预测
3.基于GRA-PCA-BP神经网络模型的地表下沉系数预测分析
4.改进的BP神经网络预测地表沉陷
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的合金铸铁腐蚀深度预测

基于BP神经网络的合金铸铁腐蚀深度预测王玉荣;乌日根【摘要】通过动态质量损失法腐蚀试验获取BP神经网络的样本数据。

利用Matlab的工具箱函数建立了拓扑结构为4×15×8×1的BP神经网络，并对网络模型的预测精度和应用进行了研究。

结果表明，在样本集和训练条件下，4×15×8×1型BP网络能较好地反映腐蚀时间、合金铸铁主要合金成分与腐蚀深度之间的非线性关系。

可用于合金铸铁在高温浓碱液中的动态腐蚀性能的预测；当稀土和铜质量分数较低且适量时，其耐碱蚀作用较显著，而镍质量分数越高耐碱蚀作用越明显。

%The sample data of BP neural network were measured by the dynamic hydrometer method. The 4 × 15 × 8× 1 BP neural network model was established by the toolbox function of Matlab, and the prediction precision and application of network model were studied. The re sults showed that under this sample set and training condition, 4 × 15 × 8× 1 BP neural network model reflected the non-linear relationship between corrosion time and main components of alloy cast iron and corrosion depth very well, and it was used to predict dynamic corrosive nature of alloy cast iron in high temperature concentrated alkaline solution. When rare earth and copper contents were relatively low and proper, the caustic corrosion resistance function of rare earth and copper was comparatively obvious, the higher the nickel content, the obvious the caustic corrosion resistance function.【期刊名称】《腐蚀与防护》【年(卷),期】2011(032)012【总页数】4页(P962-964,1012)【关键词】BP网络;合金铸铁;腐蚀深度;耐碱蚀;预测【作者】王玉荣;乌日根【作者单位】包头职业技术学院,包头014030;包头职业技术学院,包头014030【正文语种】中文【中图分类】TG174.2;TG143.9制碱工业中大量使用的阀门、泵、旋液分流器、熬煎锅以及输送管道等设备腐蚀严重，使用寿命较短［1］。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

　第42卷　第3期　2007年3月钢铁

IronandSteel

　Vol.42,No.3

March　2007

基于改进BP神经网络的铁水预处理终点硫含量预报模型张慧书,　战东平,　姜周华(东北大学材料与冶金学院,辽宁沈阳110004)摘　要:铁水预处理脱硫是纯净钢生产中的一项重要任务,其中铁水终点硫含量是反映脱硫站能力和生产效果的重要指标。对梅山钢铁股份有限公司铁水包喷吹CaO+Mg粉剂复合脱硫过程,通过采用自适应调整学习率和最大误差学习法对标准BP算法进行了改进,建立了基于改进BP神经网络的铁水预处理终点硫含量预报模型。用梅钢的1154炉数据进行模型训练,经100炉数据现场验证表明,改进的BP算法比标准BP算法预报误差≤0.003%

的精度提高28%,有19%的炉次预报值与实际值完全一致,有90%的炉次误差≤0.003%,平均误差为0.0017%。改进的BP算法在铁水预脱硫终点硫含量预报模型应用中获得了更好的使用效果。关键词:铁水预处理;BP神经网络;硫含量中图分类号:TF704 文献标识码:A 文章编号:04492749X(2007)0320030203

FinalSulfurContentPredictionModelBasedonImprovedBPArtificialNeuralNetworkforHotMetalPretreatment

ZHANGHui2shu,　ZHANDong2ping,　JIANGZhou2hua(SchoolofMaterialsandMetallurgy,NortheasternUniversity,Shenyang110004,Liaoning,China)

Abstract:Pre2desulfurizationofhotmetalhasbecomeanimportanttaskforcleansteelproduction.Thefinalsulfurcontentisakeyindexofdesulfurizationstationforcapacityandefficiencyevaluation.BasedonthepracticeofCaO+Mgpowderco2injectionatMeishanSteel,andimprovedBPalgorithmwithnewmethodofadjustingstudyrateandlearningmethodofmaximalerror,apredictionmodeloffinalsulfurcontentforhotmetalpretreatmentwasestab2lished.Thedataof1154heatswereusedtotrainingthemodelandtheother100heatswereselectedasthetestsam2ples.Itwasshownthat,theimprovedBPalgorithmismoreaccuratethanthenormalone,theaccuracyofpredictionwitherrorlessthan0.003%wasincreasedby28%;for19percentofthetotaltestheatsthepredictedvalueswerethesameastheactualones,90percentheatswerewitherrorlessthan0.003%,theaverageerrorwas0.0017%.ThustheimprovedBPalgorithmissuitabletopredictthefinalsulfurcontentforhotmetalpre2desulfurization.

Keywords:hotmetalpretreatment;BPartificialneuralnetwork;sulfurcontent

作者简介:张慧书(19782),女,博士生; E2mail:huishuzhang@163.com; 修订日期:2006206216

随着用户对纯净钢需求量的日益增长,铁水预脱硫已经成为钢铁冶金生产过程中必不可少的工艺环节。铁水终点硫含量是反映脱硫站能力和生产效果的重要指标。以铁水终点硫含量控制为目标,已开发出了众多的铁水终点硫含量预报模型,如多元回归模型和专家系统模型等[1,2]。但由于这些模型的容错性和自学习、自适应能力受到限制,因此近年来多采用人工智能的方法来进行预报[3,4]。本课题根据脱硫前的初始条件和终点命中率要求,对梅山钢铁股份有限公司铁水包喷吹CaO+Mg粉剂复合脱硫过程,建立了基于改进的BP神经网络的铁水预处理终点硫含量预报模型,通过现场验证,达到了较高的终点预报精度。1　基于改进BP神经网络的铁水预处理终点硫含量预报模型的建立标准BP神经网络是前向误差反向传播的神经网络,实质上是一种高度的非线性映射,即输入参数空间映射到输出空间(预报值),包含了各单元之间联结强度的知识网络。1.1　网络结构的确定根据梅钢的实际生产情况,经反复测试,本模型选定的网络结构为5×14×1,选取影响终点硫含量的5个主要参数(铁水温度、铁水质量、镁粉耗量、石灰粉耗量、初始硫含量)作为输入层的节点参数,终点硫含量作为输出参数,其网络结构如图1所示。

1.2　模型数据的预处理由于不同的参数具有不同的物理意义和量纲,如镁粉耗量和石灰粉耗量的量纲是kg,而铁水温度的量纲是℃,因而在将这些数据代入模型前,需要对其进行尺度变换。通过对比分析,确定本模型采用尺度变换区间为[0.2,0.8]。这种变换处理即是在数据代入模型前,将所有数据都通过归一化处理将其数值变换到[0.2,0.8]区间范围内。1.3　对标准BP算法的改进将梅钢铁水预脱硫过程的1154炉生产数据代入模型后,发现采用标准BP算法的模型在训练过程中出现了两个问题:①收敛速度慢;②易陷入局部极小值。这将对模型的现场应用带来不利影响,因此,为了克服上述标准BP算法的不足,对标准BP算法进行了如下改进。(1)自适应调整学习率标准BP算法采用固定学习率,使得训练过程收敛速度慢。为了克服这一缺点,本模型采用了自适应调整学习率η方法,并根据Vogl的快速学习算法[5]的形式,提出下述改进方法:η=η0・1+b1Y,α=α;ΔE<0η=η0・1-b2Y,α=0;ΔE>0(1)式中,η0为初始学习率;b1,b2为常数,且b1>1,00时,应减小学习率,学习率减小的幅度也随着迭代次数的增加而减小,这样就克服了误差变化很小时,学习率仍有较大变化、易产生振荡的缺点。经验证,本方法取得了较好的效果。(2)最大误差学习法应用梅钢生产数据,将逐个学习法、批处理法和最大误差学习法进行比较,结果表明采用最大误差学习算法克服了多样本学习时批处理每次计算量较大的缺点,也避免了学习过程会产生像逐个学习法那样的振荡现象[6]。因此,本模型选用最大误差学习法对标准BP算法的学习方法进行改进。改进后的BP算法如图2所示。2　预报结果及讨论2.1　标准BP神经网络与改进BP神经网络预报结果的比较采用同样网络结构,对标准BP算法和改进后的BP算法进行比较,训练过程误差曲线及预报结果分别见图3和表1。可以看出,改进的BP算法比标准BP算法收敛速度更快,预报精度更高,终点硫含量误差在±0.003%范围内的精度提高28%。可

图2　改进的BP算法Fig.2　ImprovedBPalgorithm

图3　标准BP算法和改进BP算法误差曲线Fig.3　ErrorcurvesofstandardBPalgorithmandim2provedBPalgorithm

表1　不同算法的预报结果Table1　Predictionresultsbydifferentalgorithms项目绝对误差的平均值/%预报精度/%

标准BP算法0.002662

改进BP算法0.001790

见,改进的BP算法更适合本课题的预测精度要求。2.2　改进BP神经网络模型的预测结果经梅钢100炉数据现场预报,得到的预报结果见图4,具体预报值与实际值偏差的绝对值统计结果见表2。从图4和表2可以看出,有19%的炉次预报值与实际值完全一致,有90%的炉次误差小于01003%,达到96%的炉次预报的终点硫含量与实

图4　预报值与实际值的比较Fig.4　Comparisonbetweenpredictedandactualvalues

表2　预报结果误差波动范围Table2　Errorofpredictedresults误差范围/%

00.0010.0020.0030.0040.0050.0070.0090.010

炉数/炉193924815211

际硫含量的差值小于0.005%,平均误差为010017%。可见,改进后的模型可以满足实际生产过程对终点硫含量的预报精度要求。

3　结论(1)提出了采用自适应调整学习率和最大误差

学习法的适合本课题的改进BP算法。(2)改进的BP算法比标准BP算法预报误差

≤0.003%的精度提高28%。(3)梅钢模型的网络结构为5×14×1,输入输

出数据归一化范围为[0.2,0.8]区间。(4)梅钢模型的预报结果有19%的炉次预报值

与实际值完全一致,有90%的炉次误差≤0.003%,

达到96%的炉次误差≤0.005%,平均误差为010017%。

参考文献:

[1]　余永军.喷吹CaO2Mg粉剂铁水脱硫工艺分析及其参数优化[D].沈阳:东北大学,2000.[2]　李　丽.一个确定铁水脱硫剂喷吹量的专家系统[J].鞍山科技大学学报,2004,27(2):1202123.(LILi.ExpertSystem

forControlofMaterialUsedinHotMetalDesulfurization[J].JournalofAnshanUniversityofScienceandTechnology,2004,27(2):1202123.)[3]　李治友.一种基于改进的RBF神经网络的铁水脱硫预报模型[J].重庆大学学报,2003,26(9):1202122.[4]　王华秋.增量式遗传RBF神经网络在铁水脱硫预处理中的应用[J].信息与控制,2004,33(1):89292.(WANGHua2qiu.