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