基于遺傳算法的BP神經網絡對高爐爐溫的預測

摘 要：本文為基于遺傳算法優化的BP神經網絡對高爐爐溫的預測。從機理上求解冶煉過程的混合動力學方程組最優解是尚未解決的數學難題，BP神經網絡能以任意精度逼近任意復雜度的連續函數，因此采用BP神經網絡進行爐溫預測。對于BP神經網絡輸出的不確定性，本文采用遺傳算法對網絡層之間的權重及閾值進行優化，以穩定網絡輸出。驗證結果表明，該模型預測結果與真實值平均相對誤差為3.67%，對爐溫升降成功預測率達91.67%，二者均具有較高的準確率。

關鍵詞：遺傳算法；BP神經網絡；爐溫預測

DOI：10.16640/j.cnki.37-1222/t.2018.10.132

1 數據說明

本文將使用某高爐1000爐次包含硅含量、硫含量、鼓風量、噴煤量等4個主要影響因素的時間序列生產數據。最終預測目標爐溫，可看作是對鐵水硅含量的預測。

2 GA-BP對爐溫的預測

BP神經網絡能以任意精度逼近任意復雜度的連續函數[1]，可利用遺傳算法優化BP神經網絡的權值與閾值，提高BP神經網絡的穩定性，克服BP神經網絡陷入局部最優缺陷[2]。

基于遺傳算法優化的BP神經網絡分為：遺傳算法優化權值閾值、BP神經網絡訓練及預測[3]。神經網絡的權值和閾值初值為隨機數，這個隨機數對網絡訓練很重要，但又無法準確獲得，引入遺傳算法就是為了優化權值閾值。圖1為算法流程：

2.1 BP神經網絡的實現

在神經網絡為三層時，隱含層神經元個數還需要公式確定[4]：

將提供的四類數據作為輸入層，下一時刻硅含量作為輸出層，因此，我們取，可以得到。即4個輸入層節點，8個隱含層節點，1個輸出層節點，遺傳算法優化40個權值，9個閾值，共49個參數。

2.2 遺傳算法的實現

遺傳算法主要通過初始化種群，計算種群適應度，找出最優個體，選擇操作，交叉操作，變異操作，判斷進化是否結束，若沒有結束再重新進行以上操作。得到最優種群后，再將種群解碼，把權值閾值重新賦予BP網絡進行再次訓練。

3 實驗結果

以上算法采用MATLAB編程實現，兩個算法均需要人為確定參數：

通過最后48組驗證數據得到以下對比圖：

我們可以發現預測結果與實際值比較吻合，計算平均相對誤差為3.67%，預測偏差較小。對于爐溫升降方向的預測正確率達到91.67%，較適合用來對爐溫的升降方向進行預測。

4 結論

采用遺傳算法優化BP神經網絡對煉鐵高爐爐溫的預測具有較好溫度預測準確率和爐溫升降方向預測準確率。遺傳算法能夠優化BP神經網絡不同層之間的權值和閾值，能夠穩定網絡的輸出結果。該方法的應用能夠預測性地動態調整生產過程控制，以獲得最佳生產效果。

參考文獻：

[1]周志華.機器學習[M]，清華大學出版社，2016：105.

[2]劉春艷，凌建春，寇林元，仇麗霞，武俊青.GA-BP神經網絡與BP神經網絡性能比較[J].中國衛生統計，2013，30（02）：173-176+181.

[3]于瑩，袁萍，劉曉龍.基于遺傳算法的BP神經網絡的變壓器故障預測[J].山東工業技術，2017（24）：203+208.

[4]沈花玉，王兆霞，高成耀，秦娟，姚福彬，徐巍.BP神經網絡隱含層單元數的確定[J].天津理工大學學報，2008（05）：13-15.

作者簡介：湯啟友（1996-），男，四川資陽人，本科在讀。