目前,国内许多企业为了保证连铸机的正常运转和多炉连浇,大都采用高温出钢法。这不仅易造成拉漏、溢钢等事故,而且会增加炼钢炉的热负荷,降低炉龄,增加成本。如何建立合理的温度制度、精确控制钢液温度,是一个迫切需要解决的课题。而对LF炉钢水终点温度的准确预测,是合理组织生产、提高钢水质量、降低炼钢成本、实现钢水温度控制的重要前提。 本文以上海宝山钢铁公司第一炼钢厂300吨LF钢包精炼炉生产工艺为研究背景,应用人工智能的方法,建立LF炉终点温度预报模型。本文针对BP神经网络容易陷入局部优化点的问题,提出了一种用遗传算法来加速BP神经网络学习过程的混合算法;构建了一种基于GA-BP的混合网络来综合遗传算法的全局优化能力和BP神经网络的局部搜索能力。实践表明,遗传算法与BP神经网络相结合的算法能有效避免陷入局部最优并且具有较快的收敛速度。建立GA-PB网络模型过程中,深入考察了影响LF钢水温度的因素。从能量平衡的角度出发,将整个钢包体系作为一个系统,确定加热功率、初始温度、钢包状态、合金及渣料吸放热、氩气吹入量、浸泡时间6个主要因素作为网络的输入量。 应用MATLAB工具箱对模型进行仿真,寻找最优参数,并将GA-BP网络分别与标准BP网络和改进BP网络相比较;以C++语言编写GA-BP程序,开发了功能完备、具有友好人机交互界面的系统软件,软件具有数据处理、权限管理、终点温度预报、训练网络模型等功能。 用宝钢2004年7、8、11共三个月400炉生产数据训练网络。用2004年11月共100炉生产数据检验模型,预报误差在±5℃之内的炉次占总炉次的85%。