亚洲狠狠干,亚洲国产福利精品一区二区,国产八区,激情文学亚洲色图

基于grnn的轉(zhuǎn)爐煉鋼工藝成本控制方法及系統(tǒng)的制作方法

文檔序號:10686358閱讀:655來源:國知局
基于grnn的轉(zhuǎn)爐煉鋼工藝成本控制方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法及系統(tǒng),其中的方法包括:根據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響成本的控制參數(shù);構(gòu)建建模樣本集;獲得歸一化樣本集;根據(jù)所一化樣本集構(gòu)建GRNN;利用GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模,并采用遍歷取值的方法獲取最佳擴(kuò)展因子;利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建模型的最值,并根據(jù)所構(gòu)建模型的最值確定最優(yōu)控制參數(shù);根據(jù)最優(yōu)控制參數(shù)成本值與所述建模樣本集中的最小成本值的對比結(jié)果,確定轉(zhuǎn)爐煉鋼工藝的最小成本值。利用本發(fā)明,能夠解決轉(zhuǎn)爐煉鋼成本高的問題。
【專利說明】
基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及煉鋼技術(shù)領(lǐng)域,更為具體地,涉及一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本 控制方法及系統(tǒng)。
【背景技術(shù)】
[0002] 目前鋼鐵行業(yè)進(jìn)入低谷、行業(yè)利潤被無限壓縮,只有降低自身成本才能尋求發(fā)展。 所以鋼鐵行業(yè)的降本增效是所有鋼廠不懈的追求。而鋼鐵生產(chǎn)過程高溫、高危、高成本,無 法進(jìn)行大規(guī)?,F(xiàn)場。
[0003] 其中,實(shí)驗(yàn)堿性氧氣轉(zhuǎn)爐煉鋼法是一種將鐵水煉成鋼水的煉鋼過程。通過向熔池 供氧,發(fā)生氧化反應(yīng)降低熔池中鋼液含碳量,此煉鋼法又稱為轉(zhuǎn)爐煉鋼。通過虛擬煉鋼模擬 實(shí)際冶煉過程,可為現(xiàn)場生產(chǎn)提供降本增效的可行性方案和指導(dǎo)性意見,具有重大意義和 經(jīng)濟(jì)效益。
[0004] 爐子的分類較多,較為普遍分類是頂吹轉(zhuǎn)爐、底吹轉(zhuǎn)爐和頂?shù)讖?fù)合吹轉(zhuǎn)爐。在轉(zhuǎn)爐 煉鋼過程中,系統(tǒng)配料、操作過程等均會對煉鋼的成本有著重要的作用,為進(jìn)一步改進(jìn)加入 原料配方、優(yōu)化生產(chǎn)過程等生產(chǎn)參數(shù),得到一個最為經(jīng)濟(jì)理想的冶煉過程,為企業(yè)提供優(yōu)化 思路,節(jié)省成本。
[0005] 綜上所述,為解決上述問題,基于虛擬煉鋼模擬實(shí)際冶煉的思想,本發(fā)明提出了一 種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法。

【發(fā)明內(nèi)容】

[0006] 鑒于上述問題,本發(fā)明的目的是提供一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法 及系統(tǒng),能夠解決轉(zhuǎn)爐煉鋼成本高的問題。
[0007] 本發(fā)明提供一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,包括:根據(jù)轉(zhuǎn)爐煉鋼的 工藝選擇影響成本的控制參數(shù);
[0008] 利用模擬轉(zhuǎn)爐煉鋼平臺采集不同控制參數(shù)的成本,構(gòu)建建模樣本集;
[0009] 將構(gòu)建的建模樣本集進(jìn)行歸一化處理,獲得歸一化樣本集;
[0010] 根據(jù)所述歸一化樣本集構(gòu)建GRNN;
[0011] 采用所述GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模,并采用遍歷取值的方 法獲取最佳擴(kuò)展因子,以提高建模精度;;
[0012]利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建模型的最值,并根據(jù)所構(gòu) 建模型的最值確定最優(yōu)控制參數(shù);
[0013] 根據(jù)所述最優(yōu)控制參數(shù)獲取最優(yōu)控制參數(shù)成本值;
[0014] 根據(jù)所述最優(yōu)控制參數(shù)成本值與所述建模樣本集中的最小成本值的對比結(jié)果,確 定轉(zhuǎn)爐煉鋼工藝的最小成本值。
[0015] 本發(fā)明還提供一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng),包括控制參數(shù)選擇單 元,用于根據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響成本的控制參數(shù);
[0016] 建模樣本集構(gòu)建單元,用于利用模擬轉(zhuǎn)爐煉鋼平臺采集不同控制參數(shù)的成本,構(gòu) 建建模樣本集;
[0017] 歸一化樣本集獲取單元,用于將構(gòu)建的建模樣本集進(jìn)行歸一化處理,獲得歸一化 樣本集;
[0018] GRNN構(gòu)建單元,用于根據(jù)所述歸一化樣本集構(gòu)建GRNN;
[0019] 網(wǎng)絡(luò)擴(kuò)展因子獲取單元,用于采用所述GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn) 行建模,并采用遍歷取值的方法獲取最佳擴(kuò)展因子,以提高建模精度;
[0020] 最優(yōu)控制參數(shù)獲取單元,用于利用遺傳算法對據(jù)模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)通過 GRNN算法所構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建模型的最值,并根據(jù)所構(gòu)建模型的最值確定 最優(yōu)控制參數(shù);
[0021] 最優(yōu)控制參數(shù)成本值獲取單元,用于根據(jù)所述最優(yōu)控制參數(shù)獲取最優(yōu)控制參數(shù)成 本值;
[0022] 最小成本值獲取單元,用于根據(jù)所述最優(yōu)控制參數(shù)成本值與所述建模樣本集中的 最小成本值的對比結(jié)果,確定轉(zhuǎn)爐煉鋼工藝的最小成本值。
[0023] 從上面的技術(shù)方案可知,本發(fā)明提供的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法及 系統(tǒng),在冶煉過程中的生產(chǎn)操作參數(shù)為信息載體,利用GRNN挖掘原料配方、操作參數(shù)與煉鋼 成本之間的關(guān)系;并通過智能優(yōu)化算法利獲取最低成本下的操作參數(shù),為實(shí)際生產(chǎn)最優(yōu)生 產(chǎn)提供指導(dǎo),解決轉(zhuǎn)爐煉鋼成本較高的問題。
[0024] 為了實(shí)現(xiàn)上述以及相關(guān)目的,本發(fā)明的一個或多個方面包括后面將詳細(xì)說明并在 權(quán)利要求中特別指出的特征。下面的說明以及附圖詳細(xì)說明了本發(fā)明的某些示例性方面。 然而,這些方面指示的僅僅是可使用本發(fā)明的原理的各種方式中的一些方式。此外,本發(fā)明 旨在包括所有這些方面以及它們的等同物。
【附圖說明】
[0025] 通過參考以下結(jié)合附圖的說明及權(quán)利要求書的內(nèi)容,并且隨著對本發(fā)明的更全面 理解,本發(fā)明的其它目的及結(jié)果將更加明白及易于理解。在附圖中:
[0026] 圖1為根據(jù)本發(fā)明實(shí)施例的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法流程示意圖;
[0027] 圖2為根據(jù)本發(fā)明實(shí)施例的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng)邏輯結(jié)構(gòu)示意 圖;
[0028] 圖3為根據(jù)本發(fā)明實(shí)施例的GRNN結(jié)構(gòu)示意圖;
[0029] 圖4為根據(jù)本發(fā)明實(shí)施例的所構(gòu)建模型的訓(xùn)練樣本效果圖;
[0030] 圖5為根據(jù)本發(fā)明實(shí)施例的所構(gòu)建模型的測試樣本預(yù)測精度效果圖。
[0031] 在所有附圖中相同的標(biāo)號指示相似或相應(yīng)的特征或功能。
【具體實(shí)施方式】
[0032] 在下面的描述中,出于說明的目的,為了提供對一個或多個實(shí)施例的全面理解,闡 述了許多具體細(xì)節(jié)。然而,很明顯,也可以在沒有這些具體細(xì)節(jié)的情況下實(shí)現(xiàn)這些實(shí)施例。
[0033] 針對前述提出的目前鋼鐵行業(yè)成本過高的問題,本發(fā)明提出了基于GRNN的轉(zhuǎn)爐煉 鋼工藝成本控制方法及系統(tǒng),其中,本發(fā)明提出以冶煉過程中的生產(chǎn)操作參數(shù)為信息載體, 利用GRNN神經(jīng)網(wǎng)絡(luò)方法挖掘原料配方、操作參數(shù)與煉鋼成本之間的潛在規(guī)律;并通過智能 優(yōu)化算法利用該規(guī)律獲取最低成本下的操作參數(shù),為企業(yè)的實(shí)際生產(chǎn)最優(yōu)生產(chǎn)提供指導(dǎo)。 [0034]其中,需要說明的是,GRNN模型是徑向基神經(jīng)網(wǎng)絡(luò)的一種,具有很強(qiáng)的非線性映 射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯性和魯棒性。
[0035]以下將結(jié)合附圖對本發(fā)明的具體實(shí)施例進(jìn)行詳細(xì)描述。
[0036] 為了說明本發(fā)明提供的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,圖1示出了根據(jù) 本發(fā)明實(shí)施例的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法流程。
[0037] 如圖1所示,本發(fā)明提供的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法包括:S110:根 據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響成本的控制參數(shù);
[0038] S120:利用模擬轉(zhuǎn)爐煉鋼平臺采集不同控制參數(shù)的成本,構(gòu)建建模樣本集;
[0039] S130:將構(gòu)建的建模樣本集進(jìn)行歸一化處理,獲得歸一化樣本集;
[0040] S140:根據(jù)所述歸一化樣本集構(gòu)建GRNN;
[0041] S150:采用GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模,并采用遍歷取值的 方法獲取網(wǎng)絡(luò)擴(kuò)展因子,以提高建模精度;
[0042] S160:利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建模型的最值,并根據(jù) 所構(gòu)建模型的最值確定最優(yōu)控制參數(shù);
[0043] S170:根據(jù)所述最優(yōu)控制參數(shù)獲取最優(yōu)控制參數(shù)成本值;
[0044] S180:根據(jù)所述最優(yōu)控制參數(shù)成本值與所述建模樣本集中的最小成本值的對比結(jié) 果,確定轉(zhuǎn)爐煉鋼工藝的最小成本值。
[0045] 上述為本發(fā)明的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法的流程,在步驟S110中, 實(shí)際轉(zhuǎn)爐煉鋼工藝過程中,為了降低成本在保證熱量足夠的情況下,加入廢鋼、鐵礦石等提 高出鋼量;同時通過造渣材料的加入量、入爐鐵水的溫度、出鋼溫度等條件的控制實(shí)現(xiàn)成本 的降低。為此本發(fā)明采用鐵水量、廢鋼量、造渣材料加入量、入爐鐵水的溫度、出鋼溫度、白 云石加入量、石灰石加入量、鐵礦石加入量、氧氣消耗量、氧槍位置等作為影響成本的控制 參數(shù);其中,影響成本的控制參數(shù)如表1所示:

[0048] 表1參數(shù)及符號表
[0049]在步驟S120中,樣本采集;利用模擬轉(zhuǎn)爐煉鋼平臺采集不同的控制參數(shù)下的成本, 構(gòu)建建模樣本集[X;Y];采集到數(shù)據(jù)如表2所示:
[0051 ]表2數(shù)據(jù)采集樣本部分?jǐn)?shù)據(jù)
[0052]在步驟S130中,數(shù)據(jù)預(yù)處理。利用神經(jīng)網(wǎng)絡(luò)建模過程中,其隱含層節(jié)點(diǎn)函數(shù)為S型 函數(shù),其值域?yàn)閇_1,1];為提高建模過程精度,故而將所有的采集的樣本進(jìn)行歸一化處理。 BP:將樣本集的參量值利用線性歸一化方法映射到[_1,1]范圍內(nèi),得到歸一化的樣本集
[m。
[0053]在步驟S140中,構(gòu)建GRNN。采取交叉驗(yàn)證的方式將上述采集的樣本分成A、B子集。 若采用A作為訓(xùn)練樣本,B作為測試樣本。則利用樣本集A歸一化的樣本集為[fj]構(gòu)建 GRNN,,圖3示出了GRNN的結(jié)構(gòu)。
[0054]構(gòu)建的GRNN方程式如下,式中〇為網(wǎng)絡(luò)擴(kuò)展因子,為需要訓(xùn)練確定變量,Na為樣本 集A的樣本數(shù)量。
[0056]其中,h.Y)表示所有樣本觀測值Yi的加權(quán)平均;Yi表示觀測值;X網(wǎng)絡(luò)輸入變量;Xi 表示第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本;〇表示網(wǎng)絡(luò)擴(kuò)展因子。
[0057] 在步驟S150中,訓(xùn)練擴(kuò)展因子〇。其訓(xùn)練過程如下:
[0058] ( 1 )設(shè)置網(wǎng)絡(luò)擴(kuò)展因子的取值范圍[0min,0max],設(shè)置〇的取值間距A h ;
[0059] (2)取〇〇 = 〇min,采用樣本集A作為訓(xùn)練樣本構(gòu)建GRNN模型,B作為測試樣本,利用建 立的GRNN模型預(yù)測采樣集B的所有估計值巧& ),計算測試集B的預(yù)測值與實(shí)際值的誤差El, 并令EminiEi,令最佳訓(xùn)練樣本集為A;
[0060] (3)取〇o = 〇min,采用樣本集B作為訓(xùn)練樣本GRNN模型,A作為測試樣本,利用建立的 GRNN模型預(yù)測采樣集A的所有估計值計算測試集A的預(yù)測值與實(shí)際值的誤差E2^E2 <Ei,則并令Emin=E2,令最佳訓(xùn)練樣本集為B;否則Emir^Ei,最佳訓(xùn)練樣本集仍為A;
[0061 ] (4)取~=〇min+ A h,重復(fù)第二步和第三步過程,如果出現(xiàn)E小于第二步或者第三步 中的Emin,則〇1優(yōu)于〇〇;否則最佳的網(wǎng)絡(luò)擴(kuò)展因子取值仍為〇〇。
[0062] (5)在[0_,0max]內(nèi)取遍所有的〇值不斷更新測試樣本最小誤差值、最佳訓(xùn)練樣本 集、最小擴(kuò)展因子;取測試樣本誤差最小情況下的〇值、訓(xùn)練樣本集為最優(yōu)的〇值和訓(xùn)練樣本 集。
[0063]具體地,在步驟S150中,采用GRNN對通過轉(zhuǎn)爐模擬實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模,通過循 環(huán)計算,設(shè)置網(wǎng)絡(luò)拓展因子的變化范圍為:0.1~2,步長為0.02,通過反復(fù)訓(xùn)練得到 desirecLspread(最佳擴(kuò)展常數(shù))值為1.38,因此,圖4和圖5分別示出了所構(gòu)建模型的訓(xùn)練 樣本效果以及測試樣本預(yù)測精度效果圖,由模型的相對誤差可知,建模效果較好,隨著樣本 的不斷訓(xùn)練,模型精度越來越高,符合動態(tài)建模的特性。
[0064]在步驟S160中,利用遺傳算法優(yōu)化步驟S150所得神經(jīng)網(wǎng)絡(luò)模型的最值,其過程如 下:
[0065] (1)構(gòu)建遺傳算法優(yōu)化的適應(yīng)度函數(shù),采用步驟S150所得神經(jīng)網(wǎng)絡(luò)模型作為適應(yīng) 度函數(shù),適應(yīng)度函數(shù)公式如下:
[0067] f(A')表示所有樣本觀測值Yi的加權(quán)平均;Yi表示觀測值;X網(wǎng)絡(luò)輸入變量;Xi表示 第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本;〇表示網(wǎng)絡(luò)擴(kuò)展因子。
[0068] (2)設(shè)置決策變量的變化區(qū)間,即Xi,min<Xi<Xi,max;并設(shè)置遺傳算法的種群P數(shù)量 K,迭代次數(shù)GEN,初始化種群P,并作為第一代父代Pi;其中,表3示出了決策變量區(qū)間值。
[0070] 表3決策變量區(qū)間表
[0071] (3)確定優(yōu)化計算的趨勢方向(最大或者最?。?,使得成本最低,即:最小化計算優(yōu) 化。
[0072] (4)計算Pi中所有個體的適應(yīng)度函數(shù)值,將最優(yōu)個體(即適應(yīng)度函數(shù)值最小)輸出 作為一代最優(yōu)個體。
[0073] (5)將Pi*個體進(jìn)行選擇、交叉、變異等第一次遺傳迭代操作,得到第一代子群Q1, 并作為第二代父群P2。
[0074] (6)重復(fù)(3)~(5)操作,直到遺傳迭代次數(shù)等于GEN,將最后一次迭代所得種群PCEN 的最優(yōu)個體作為優(yōu)化所得最佳控制參數(shù)組合;其中,表4示出了最優(yōu)參數(shù)組合。
[0075]
[0076]表4最優(yōu)參數(shù)組合
[0077]在步驟S170和步驟S180中,將所得最優(yōu)控制參數(shù)組合帶入轉(zhuǎn)爐模型平臺中進(jìn)行測 試,得到實(shí)際的控制成本值,比較最優(yōu)控制參數(shù)的成本值與采集樣本的最小值成本值進(jìn)行 比較,若計算的最優(yōu)控制成本值小于采集樣本的最小成本值,則說明計算結(jié)果有效,否則重 復(fù)上述所有過程;其中,表5示出了成本的最優(yōu)值和模擬值。
[0078]
[0079]表5成本數(shù)據(jù)比較
[0080]由所得優(yōu)化值進(jìn)行模擬煉鋼實(shí)驗(yàn),在模擬過程中根據(jù)計算結(jié)果取符合實(shí)際操作值 反復(fù)實(shí)驗(yàn),其最優(yōu)操作得到最小成本為220.98($/t),說明優(yōu)化所得操作參數(shù)有效,噸鋼成 本減少,系統(tǒng)效率得到了提高。達(dá)到了降低成本的目的。說明基于GRNN神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼 工藝成本優(yōu)化控制方法有效
[0081 ]與上述方法相對應(yīng),本發(fā)明還提供一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng), 圖2示出了根據(jù)本發(fā)明實(shí)施例的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng)邏輯結(jié)構(gòu)。
[0082]如圖2所示,本發(fā)明提供的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng)200包括控制參 數(shù)選擇單元210、建模樣本集構(gòu)建單元220、歸一化樣本集獲取單元230、GRNN構(gòu)建單元240、 網(wǎng)絡(luò)擴(kuò)展因子獲取單元250、最優(yōu)控制參數(shù)獲取單元260、最優(yōu)控制參數(shù)成本值獲取單元270 和最小成本值獲取單元280。
[0083] 具體地,控制參數(shù)選擇單元210,用于根據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響成本的控制參 數(shù);
[0084] 建模樣本集構(gòu)建單元220,用于利用模擬轉(zhuǎn)爐煉鋼平臺采集不同控制參數(shù)的成本, 構(gòu)建建模樣本集;
[0085] 歸一化樣本集獲取單元230,用于將構(gòu)建的建模樣本集進(jìn)行歸一化處理,獲得歸一 化樣本集;
[0086] GRNN構(gòu)建單元240,用于根據(jù)所述歸一化樣本集構(gòu)建GRNN;
[0087]網(wǎng)絡(luò)擴(kuò)展因子獲取單元250,用于采用GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn) 行建模,并采用遍歷取值的方法獲取網(wǎng)絡(luò)擴(kuò)展因子;
[0088]最優(yōu)控制參數(shù)獲取單元260,用于利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取 所構(gòu)建模型的最值,并根據(jù)所構(gòu)建模型的最值確定最優(yōu)控制參數(shù);
[0089] 最優(yōu)控制參數(shù)成本值獲取單元270,用于根據(jù)所述最優(yōu)控制參數(shù)獲取最優(yōu)控制參 數(shù)成本值;
[0090] 最小成本值獲取單元280,用于根據(jù)所述最優(yōu)控制參數(shù)成本值與所述建模樣本集 中的最小成本值的對比結(jié)果,確定轉(zhuǎn)爐煉鋼工藝的最小成本值。
[0091] 其中,控制參數(shù)選擇單元210的控制參數(shù)包括鐵水量、廢鋼量、造渣材料加入量、入 爐鐵水的溫度、出鋼溫度、白云石加入量、石灰石加入量、鐵礦石加入量、氧氣消耗量、氧槍 位置。
[0092] 其中,在本發(fā)明的實(shí)施例中,GRNN構(gòu)建單元240,構(gòu)建的GRNN方程式如下:
[0094] 其中汐(X)表示所有樣本觀測值Yi的加權(quán)平均;Yi表示觀測值;X網(wǎng)絡(luò)輸入變量;Xi 表示第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本;〇表示網(wǎng)絡(luò)擴(kuò)展因子。
[0095] 其中,網(wǎng)絡(luò)擴(kuò)展因子獲取單元250在采用GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù) 進(jìn)行建模,并采用遍歷取值的方法獲取網(wǎng)絡(luò)擴(kuò)展因子的過程中,
[0096] 第一步:設(shè)置網(wǎng)絡(luò)擴(kuò)展因子的取值范圍[0_,0max],設(shè)置 〇的取值間距Ah;
[0097]第二步:取〇o = 〇min,采用樣本集A作為構(gòu)建GRNN模型的訓(xùn)練樣本,B作為測試樣本, 利用建立的GRNN模型預(yù)測采樣集B的所有估計值巧&),計算測試集B的預(yù)測值與實(shí)際值的 誤差Ei,并令Emir^Ei,令最佳訓(xùn)練樣本集為A;
[0098]第三步:取〇o = 〇min,采用樣本集B作為訓(xùn)練樣本GRNN模型,A作為測試樣本,利用建 立的GRNN模型預(yù)測采樣集A的所有估計值# (兄),計算測試集A的預(yù)測值與實(shí)際值的誤差E2, 若,則并令Emin = E2,令最佳訓(xùn)練樣本集為B;否則Emir^Ei,最佳訓(xùn)練樣本集仍為A; [0099] 第四步:取〇1 = 〇min+ A h,重復(fù)第二步和第三步過程,如果出現(xiàn)E小于第二步或者第 三步中的Emin,則〇1優(yōu)于〇〇;否則最佳的網(wǎng)絡(luò)擴(kuò)展因子取值仍為〇〇;
[0100]第五步:在[0min,0max]內(nèi)取遍所有的〇值不斷更新測試樣本最小誤差值、最佳訓(xùn)練 樣本集、最小擴(kuò)展因子;取測試樣本誤差最小情況下的〇值、訓(xùn)練樣本集為最優(yōu)的〇值和訓(xùn)練 樣本集。
[0101 ]其中,最優(yōu)控制參數(shù)獲取單元260在利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲 取所構(gòu)建模型的最值,并根據(jù)所構(gòu)建模型的最值確定最優(yōu)控制參數(shù)的過程中,
[0102] 第一步:構(gòu)建遺傳算法優(yōu)化的適應(yīng)度函數(shù);
[0103] 第二步:設(shè)置決策變量的變化區(qū)間,并設(shè)置遺傳算法的種群P數(shù)量K,迭代次數(shù)GEN, 初始化種群P,并作為第一代父代P!,其中,所述變化區(qū)間為 Xl,_彡Xl<Xl,max;
[0104]第三步:確定優(yōu)化計算的最小化;
[0105] 第四步:計算所述第一代父代中所有個體的適應(yīng)度函數(shù)值,將適應(yīng)度函數(shù)值最小 輸出作為一代最優(yōu)個體;
[0106] 第五步:將所述第一代父代中個體進(jìn)行選擇、交叉、變異第一次遺傳迭代操作,得 到第一代子群Q1,并作為第二代父群P2;
[0107] 第六步:重復(fù)第三步到第五步的操作,直到遺傳迭代次數(shù)等于GEN,將最后一次迭 代所得種群p?的最優(yōu)個體作為優(yōu)化所得最佳控制參數(shù)組合。
[0108] 通過上述實(shí)施方式可以看出,本發(fā)明提供的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方 法及系統(tǒng),在冶煉過程中的生產(chǎn)操作參數(shù)為信息載體,利用GRNN方法挖掘原料配方、操作參 數(shù)與煉鋼成本之間的關(guān)系;并通過智能優(yōu)化算法利獲取最低成本下的操作參數(shù),為實(shí)際生 產(chǎn)最優(yōu)生產(chǎn)提供指導(dǎo),解決轉(zhuǎn)爐煉鋼成本較高的問題。
[0109]如上參照附圖以示例的方式描述了根據(jù)本發(fā)明提出的基于GRNN的轉(zhuǎn)爐煉鋼工藝 成本控制方法及系統(tǒng)。但是,本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解,對于上述本發(fā)明所提出的基于GRNN 的轉(zhuǎn)爐煉鋼工藝成本控制方法及系統(tǒng),還可以在不脫離本
【發(fā)明內(nèi)容】
的基礎(chǔ)上做出各種改 進(jìn)。因此,本發(fā)明的保護(hù)范圍應(yīng)當(dāng)由所附的權(quán)利要求書的內(nèi)容確定。
【主權(quán)項(xiàng)】
1. 一種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,包括:根據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響 成本的控制參數(shù); 利用模擬轉(zhuǎn)爐煉鋼平臺采集不同控制參數(shù)的成本,構(gòu)建建模樣本集; 將構(gòu)建的建模樣本集進(jìn)行歸一化處理,獲得歸一化樣本集; 根據(jù)所述歸一化樣本集構(gòu)建GRNN; 利用所述GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模,并采用遍歷取值的方法獲 取網(wǎng)絡(luò)擴(kuò)展因子; 利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建模型的最值,并根據(jù)所構(gòu)建模 型的最值確定最優(yōu)控制參數(shù); 根據(jù)所述最優(yōu)控制參數(shù)獲取最優(yōu)控制參數(shù)成本值; 根據(jù)所述最優(yōu)控制參數(shù)成本值與所述建模樣本集中的最小成本值的對比結(jié)果,確定轉(zhuǎn) 爐煉鋼工藝的最小成本值。2. 如權(quán)利要求1所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,其中, 所述控制參數(shù)包括鐵水量、廢鋼量、造渣材料加入量、入爐鐵水的溫度、出鋼溫度、白云 石加入量、石灰石加入量、鐵礦石加入量、氧氣消耗量、氧槍位置。3. 如權(quán)利要求1所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,其中, 構(gòu)建的GRNN方程式如下:其中,表示所有樣本觀測值Yi的加權(quán)平均;Yi表示觀測值;X網(wǎng)絡(luò)輸入變量;Xi表示 第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本;〇表示網(wǎng)絡(luò)擴(kuò)展因子。4. 如權(quán)利要求1所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,其中, 在采用所述GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模,獲取網(wǎng)絡(luò)擴(kuò)展因子的過 程中, 第一步:設(shè)置網(wǎng)絡(luò)擴(kuò)展因子的取值范圍[〇_,cw],設(shè)置。的取值間距Ah; 第二步:取〇〇 = Win,采用樣本集A作為訓(xùn)練樣本構(gòu)建GRNN模型,B作為測試樣本,利用建 立的GRNN模型預(yù)測采樣集B的所有估計值#(&),計算測試集B的預(yù)測值與實(shí)際值的誤差En 并令EminiEi,令最佳訓(xùn)練樣本集為A; 第三步:取〇〇 = Win,采用樣本集B作為GRNN模型的訓(xùn)練樣本,A作為測試樣本,利用建立 的GRNN模型預(yù)測采樣集A的所有估計值計算測試集A的預(yù)測值與實(shí)際值的誤差E2,若 EKEi,則并令Emin = E2,令最佳訓(xùn)練樣本集為B;否則Emir^Ei,最佳訓(xùn)練樣本集仍為A; 第四步:取^ = (^3 A h,重復(fù)第二步和第三步過程,如果出現(xiàn)E小于第二步或者第三步 中的Emin,則〇1優(yōu)于〇〇;否則最佳的網(wǎng)絡(luò)擴(kuò)展因子取值仍為〇〇; 第五步:在[〇min,〇max]內(nèi)取遍所有的〇值不斷更新測試樣本最小誤差值、最佳訓(xùn)練樣本 集、最小擴(kuò)展因子;取測試樣本誤差最小情況下的〇值、訓(xùn)練樣本集為最優(yōu)的〇值和訓(xùn)練樣本 集。5. 如權(quán)利要求1所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制方法,其中, 在利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建模型的最值,并根據(jù)所構(gòu)建 模型的最值確定最優(yōu)控制參數(shù)的過程中, 第一步:構(gòu)建遺傳算法優(yōu)化的適應(yīng)度函數(shù); 第二步:設(shè)置決策變量的變化區(qū)間,并設(shè)置遺傳算法的種群P數(shù)量K,迭代次數(shù)GEN,初始 化種群P,并作為第一代父代P:,其中,所述變化區(qū)間為Xl,_彡Xl<Xl, max; 第三步:確定優(yōu)化計算的最小化; 第四步:計算所述第一代父代中所有個體的適應(yīng)度函數(shù)值,將適應(yīng)度函數(shù)值最小輸出 作為一代最優(yōu)個體; 第五步:將所述第一代父代中個體進(jìn)行選擇、交叉、變異第一次遺傳迭代操作,得到第 一代子群Q1,并作為第二代父群P2; 第六步:重復(fù)第三步到第五步的操作,直到遺傳迭代次數(shù)等于GEN,將最后一次迭代所 得種群P?的最優(yōu)個體作為優(yōu)化所得最佳控制參數(shù)組合。6. -種基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng),包括: 控制參數(shù)選擇單元,用于根據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響成本的控制參數(shù); 建模樣本集構(gòu)建單元,用于利用模擬轉(zhuǎn)爐煉鋼平臺采集不同控制參數(shù)的成本,構(gòu)建建 模樣本集; 歸一化樣本集獲取單元,用于將構(gòu)建的建模樣本集進(jìn)行歸一化處理,獲得歸一化樣本 集; GRNN構(gòu)建單元,用于根據(jù)所述歸一化樣本集構(gòu)建GRNN; 網(wǎng)絡(luò)擴(kuò)展因子獲取單元,用于利用所述GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建 模,并采用遍歷取值的方法獲取網(wǎng)絡(luò)擴(kuò)展因子; 最優(yōu)控制參數(shù)獲取單元,用于利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu)化,獲取所構(gòu)建 模型的最值,并根據(jù)所構(gòu)建模型的最值確定最優(yōu)控制參數(shù); 最優(yōu)控制參數(shù)成本值獲取單元,用于根據(jù)所述最優(yōu)控制參數(shù)獲取最優(yōu)控制參數(shù)成本 值; 最小成本值獲取單元,用于根據(jù)所述最優(yōu)控制參數(shù)成本值與所述建模樣本集中的最小 成本值的對比結(jié)果,確定轉(zhuǎn)爐煉鋼工藝的最小成本值。7. 如權(quán)利要求6所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng),其中, 所述控制參數(shù)選擇單元的所述控制參數(shù)包括鐵水量、廢鋼量、造渣材料加入量、入爐鐵 水的溫度、出鋼溫度、白云石加入量、石灰石加入量、鐵礦石加入量、氧氣消耗量、氧槍位置。8. 如權(quán)利要求6所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng),其中, 構(gòu)建的GRNN方程式如下:其中,f (X)表示所有樣本觀測值Yi的加權(quán)平均;Yi表示觀測值;X網(wǎng)絡(luò)輸入變量;Xi表示 第i個神經(jīng)元對應(yīng)的學(xué)習(xí)樣本;〇表示網(wǎng)絡(luò)擴(kuò)展因子。9. 如權(quán)利要求6所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng),其中, 所述網(wǎng)絡(luò)擴(kuò)展因子獲取單元在采用所述GRNN對通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行 建模,并采用遍歷取值的方法獲取網(wǎng)絡(luò)擴(kuò)展因子的過程中;, 第一步:設(shè)置網(wǎng)絡(luò)擴(kuò)展因子的取值范圍[〇_,cw],設(shè)置。的取值間距Ah; 第二步:取〇〇 = 〇_,采用樣本集A作為構(gòu)建GRNN模型的訓(xùn)練樣本,B作為測試樣本,利用 建立的GRNN模型預(yù)測采樣集B的所有估計值#(&),計算測試集B的預(yù)測值與實(shí)際值的誤差 Ei,并令Emir^Ei,令最佳訓(xùn)練樣本集為A; 第三步:取〇o = 〇min,采用樣本集B作為訓(xùn)練樣本GRNN模型,A作為測試樣本,利用建立的 GRNN模型預(yù)測采樣集A的所有估計值打夂),計算測試集A的預(yù)測值與實(shí)際值的誤差E2,若E2 <Ei,則并令Emin=E2,令最佳訓(xùn)練樣本集為B;否則Emir^Ei,最佳訓(xùn)練樣本集仍為A; 第四步:取^ = (^3 A h,重復(fù)第二步和第三步過程,如果出現(xiàn)E小于第二步或者第三步 中的Emin,則〇1優(yōu)于〇〇;否則最佳的網(wǎng)絡(luò)擴(kuò)展因子取值仍為〇〇; 第五步:在[〇min,〇max]內(nèi)取遍所有的〇值不斷更新測試樣本最小誤差值、最佳訓(xùn)練樣本 集、最小擴(kuò)展因子;取測試樣本誤差最小情況下的〇值、訓(xùn)練樣本集為最優(yōu)的〇值和訓(xùn)練樣本 集。10. 如權(quán)利要求6所述的基于GRNN的轉(zhuǎn)爐煉鋼工藝成本控制系統(tǒng),其中, 所述最優(yōu)控制參數(shù)獲取單元在利用遺傳算法利用遺傳算法對GRNN構(gòu)建的模型進(jìn)行優(yōu) 化,獲取所構(gòu)建模型的最值,并根據(jù)所構(gòu)建模型的最值確定最優(yōu)控制參數(shù)的過程中, 第一步:構(gòu)建遺傳算法優(yōu)化的適應(yīng)度函數(shù); 第二步:設(shè)置決策變量的變化區(qū)間,并設(shè)置遺傳算法的種群P數(shù)量K,迭代次數(shù)GEN,初始 化種群P,并作為第一代父代P:,其中,所述變化區(qū)間為Xl,_彡Xl<Xl, max; 第三步:確定優(yōu)化計算的最小化; 第四步:計算所述第一代父代中所有個體的適應(yīng)度函數(shù)值,將適應(yīng)度函數(shù)值最小輸出 作為一代最優(yōu)個體; 第五步:將所述第一代父代中個體進(jìn)行選擇、交叉、變異第一次遺傳迭代操作,得到第 一代子群Q1,并作為第二代父群P2; 第六步:重復(fù)第三步到第五步的操作,直到遺傳迭代次數(shù)等于GEN,將最后一次迭代所 得種群P?的最優(yōu)個體作為優(yōu)化所得最佳控制參數(shù)組合。
【文檔編號】G05B19/418GK106054836SQ201610454120
【公開日】2016年10月26日
【申請日】2016年6月21日
【發(fā)明人】李太福, 耿訊, 張倩影, 辜小花, 唐海紅, 王坎
【申請人】重慶科技學(xué)院
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1