论文部分内容阅读
对转炉炼钢终点的准确预测,进行炼钢工艺参数的优化控制是合理组织生产、提高钢水质量和降低炼钢成本的重要前提。本文在分析人工神经网络等技术在炼钢终点控制中的应用现状基础上,针对遗传算法早熟收敛和BP神经网络容易陷入局部优化点的问题,提出了一种基于小生境思想的改进适应度函数以克服遗传算法的早熟收敛问题;构建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的混合遗传算法来综合遗传算法的全局优化能力和BP神经网络的快速收敛能力。采用收敛概率、平均收敛时间和种群距离等评价指标以多峰函数优化问题对混合遗传算法进行了研究。研究表明:改进的适应度函数能有效提高遗传算法性能,混合算法用于神经网络训练能有效避免陷入局部最优并且具有较快的收敛速度。建立了基于GA-BP混合遗传算法的转炉炼钢终点预测模型,在预测精度为终点[C]±0.02%、终点温度T±15℃的情况下,用攀钢转炉炼钢“低拉增碳”工艺下的连铸钢种、“高拉补吹”工艺下的Stb32和PD3钢种分别对该模型进行离线检验。结果表明:采用GA-BP混合遗传算法用于神经网络模型训练比采用单独的遗传算法或BP算法能获得更快的收敛速度和更高的终点预测命中率;对“低拉增碳”下的连铸钢种,基于GA-BP混合遗传算法的转炉终点预测神经网络模型的终点[C]、终点温度和同时命中率分别为94%、96%和92%,对“高拉补吹”的Stb32钢种分别为95%、94%和91%,对“高拉补吹”的PD3钢种分别为74%、79%和71%。最后,在转炉炼钢终点预测模型基础上,建立了基于多目标遗传算法的转炉炼钢终点优化控制模型。在已知入炉铁水/半钢碳含量、铁水/半钢硫含量、铁水/半钢硅含量、铁水/半钢磷含量、铁水/半钢温度、铁水质量、半钢质量等条件下,运用该模型,可以获得以终点[C]和终点温度作为优化目标的吹氧时间、全炉时间、石灰石加入量、萤石加入量、废钢质量等优化工艺参数。