基於BP神經網絡的轉爐煉鋼工藝成本控制方法及系統與流程

2023-08-11 09:13:21 3

本發明涉及煉鋼技術領域，更為具體地，涉及一種基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統。

背景技術：

目前鋼鐵行業進入低谷、行業利潤被無限壓縮，只有降低自身成本才能尋求發展。所以鋼鐵行業的降本增效是所有鋼廠不懈的追求。而鋼鐵生產過程高溫、高危、高成本，無法進行大規模現場。

其中，實驗鹼性氧氣轉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，發生氧化反應降低熔池中鋼液含碳量，此煉鋼法又稱為轉爐煉鋼。通過虛擬煉鋼模擬實際冶煉過程，可為現場生產提供降本增效的可行性方案和指導性意見，具有重大意義和經濟效益。

爐子的分類較多，較為普遍分類是頂吹轉爐、底吹轉爐和頂底複合吹轉爐。在轉爐煉鋼過程中，系統配料、操作過程等均會對煉鋼的成本有著重要的作用，為進一步改進加入原料配方、優化生產過程等生產參數，得到一個最為經濟理想的冶煉過程，為企業提供優化思路，節省成本。

綜上所述，為解決上述問題，基於虛擬煉鋼模擬實際冶煉的思想，本發明提出了一種基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法。

技術實現要素：

鑑於上述問題，本發明的目的是提供一種基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統，能夠解決轉爐煉鋼成本高的問題。

本發明提供一種基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法，包括：根據轉爐煉鋼的工藝選擇影響成本的控制參數；

利用模擬轉爐煉鋼平臺採集不同控制參數的成本，構建建模樣本集；

將構建的建模樣本集進行歸一化處理，獲得歸一化樣本集；

根據所述歸一化樣本集構建三層的BP神經網絡算法；

採用所述BP神經網絡算法對通過模擬轉爐煉鋼實驗所得數據進行建模，獲取神經網絡參數；

利用遺傳算法對BP神經網絡算法所構建的模型進行優化，獲取所構建模型的最值，並根據所構建模型的最值確定最優控制參數；

根據所述最優控制參數獲取最優控制參數成本值；

根據所述最優控制參數成本值與所述建模樣本集中的最小成本值的對比結果，確定轉爐煉鋼工藝的最小成本值。

本發明還提供一種基於BP神經網絡的轉爐煉鋼工藝成本優化控制系統，包括控制參數選擇單元，用於根據轉爐煉鋼的工藝選擇影響成本的控制參數；

建模樣本集構建單元，用於利用模擬轉爐煉鋼平臺採集不同控制參數的成本，構建建模樣本集；

歸一化樣本集獲取單元，用於將構建的建模樣本集進行歸一化處理，獲得歸一化樣本集；

BP神經網絡算法構建單元，用於根據所述歸一化樣本集構建三層的BP神經網絡算法；

神經網絡參數獲取單元，用於採用所述BP神經網絡算法對通過模擬轉爐煉鋼實驗所得數據進行建模，獲取神經網絡參數；

最優控制參數獲取單元，用於利用遺傳算法對所述BP神經網絡算法所構建的模型進行優化，獲取所構建模型的最值，並根據所構建模型的最值確定最優控制參數；

最優控制參數成本值獲取單元，用於根據所述最優控制參數獲取最優控制參數成本值；

最小成本值獲取單元，用於根據所述最優控制參數成本值與所述建模樣本集中的最小成本值的對比結果，確定轉爐煉鋼工藝的最小成本值。

從上面的技術方案可知，本發明提供的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統，在冶煉過程中的生產操作參數為信息載體，利用BP神經網絡方法挖掘原料配方、操作參數與煉鋼成本之間的關係；並通 過智能優化算法利獲取最低成本下的操作參數，為實際生產最優生產提供指導，解決轉爐煉鋼成本較高的問題。

為了實現上述以及相關目的，本發明的一個或多個方面包括後面將詳細說明並在權利要求中特別指出的特徵。下面的說明以及附圖詳細說明了本發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明的原理的各種方式中的一些方式。此外，本發明旨在包括所有這些方面以及它們的等同物。

附圖說明

通過參考以下結合附圖的說明及權利要求書的內容，並且隨著對本發明的更全面理解，本發明的其它目的及結果將更加明白及易於理解。在附圖中：

圖1為根據本發明實施例的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法流程示意圖；

圖2為根據本發明實施例的基於BP神經網絡的轉爐煉鋼工藝成本優化控制系統邏輯結構示意圖；

圖3為根據本發明實施例的BP神經網絡模型結構示意圖；

圖4為根據本發明實施例的所構建模型的訓練樣本效果圖；

圖5為根據本發明實施例的所構建模型的測試樣本預測精度效果圖。

在所有附圖中相同的標號指示相似或相應的特徵或功能。

具體實施方式

在下面的描述中，出於說明的目的，為了提供對一個或多個實施例的全面理解，闡述了許多具體細節。然而，很明顯，也可以在沒有這些具體細節的情況下實現這些實施例。

針對前述提出的目前鋼鐵行業成本過高的問題，本發明提出了基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統，其中，本發明提出以冶煉過程中的生產操作參數為信息載體，利用BP神經網絡方法挖掘原料配方、操作參數與煉鋼成本之間的潛在規律；並通過智能優化算法利用該規律獲取最低成本下的操作參數，為企業的實際生產最優生產提供指導。

其中，需要說明的是，BP(Back Propagation)神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP神經網絡算法拓撲結構包括輸入層(input)、隱含層(hidden layer)和輸出層(output layer)。

以下將結合附圖對本發明的具體實施例進行詳細描述。

為了說明本發明提供的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法，圖1示出了根據本發明實施例的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法流程。

如圖1所示，本發明提供的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法包括：S110：根據轉爐煉鋼的工藝選擇影響成本的控制參數；

S120：利用模擬轉爐煉鋼平臺採集不同控制參數的成本，構建建模樣本集；

S130：將構建的建模樣本集進行歸一化處理，獲得歸一化樣本集；

S140：根據所述歸一化樣本集構建三層的BP神經網絡算法；

S150：採用所述BP神經網絡算法對通過模擬轉爐煉鋼實驗所得數據進行建模，獲取神經網絡參數；

S160：利用遺傳算法對BP神經網絡算法所構建的模型進行優化，獲取所構建模型的最值，並根據所構建模型的最值確定最優控制參數；

S170：根據所述最優控制參數獲取最優控制參數成本值；

S180：根據所述最優控制參數成本值與所述建模樣本集中的最小成本值的對比結果，確定轉爐煉鋼工藝的最小成本值。

上述為本發明的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法的流程，在步驟S110中，實際轉爐煉鋼工藝過程中，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現成本的降低。為此本發明採用鐵水量、廢鋼量、造渣材料加入量、入爐鐵水的溫度、出鋼溫度、白雲石加入量、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；其中，影響成本的控制參數如表1所示：

表1參數及符號表

在步驟S120中，樣本採集；利用模擬轉爐煉鋼平臺採集不同的控制參數下的成本，構建建模樣本集[X；Y]；其中，X＝[x1,x2,…,x9]T；Y＝yT。採集到數據如表2所示：

表2數據採集樣本部分數據

在步驟S130中，數據預處理。利用神經網絡建模過程中，其隱含層節點函數為S型函數，其值域為[-1,1]；為提高建模過程精度，故而將所有的採集的樣本進行歸一化處理。即：將樣本集的參量值利用線性歸一化方法映射到[-1,1]範圍內，得到歸一化的樣本集

在步驟S140中，構建三層BP神經網絡算法。設置BP神經網絡隱含層 節點數為l，隱含層節點函數為S型函數tansig，輸出層節點數與輸出變量個數一致，設置輸出成節點函數為線性函數purelin。輸入層到隱層的權值為w1，隱層節點閾值為b1，隱層至輸出層的權值為w2，輸出層節點閾值為b2，其中，圖3示出了三層BP神經網絡算法的結構。

在步驟S150中，神經網絡參數w1、b1、w2、b2的確定。

(1)初始化神經網絡的權值w1、w2閾值b1、b2。

(2)利用初始化的網絡參數採用如下公式計算此時估計所有輸入量對應的輸出值

其中，表示預測值；

W1、W2分別表示神經網絡參數的權值；

b1、b2分別表示神經網絡參數的閾值，表示經歸一化的輸入樣本。

(3)計算此時實際樣本輸出與預測值之間系統對N個訓練樣本的總誤差，總誤差e準則函數如下：

其中，e表示誤差性能指標函數；表示BP網絡輸出；表示實際輸出。

(4)修正神經網絡的權值、閾值，根據神經網絡的預測的誤差e更新網絡的權值、閾值。

其中，w1ij表示隱含層與輸入層的連接權值；η表示學習速率； 表示隱含層輸出；x(i)表示輸入樣本；wjk表示輸出層與隱含層權值；

其中，w2jk表示輸出層與隱含層的連接權值；

其中，表示隱含層閾值；表示隱含層輸出；wjk表輸出層與隱含層權值；

b2＝b2+ηe

其中，i＝1,2,…,n；j＝1,2,…,l；k＝1,2,…,N；N為樣本量；

(5)利用更新得到的權值閾值重新估計重複(2)～(4)過程，直到總誤差小於設定值結束訓練過程。

具體地，在步驟S150中，輸入層到隱層的權值w1(20×10)：

隱層神經元閾值b1(20×1)：

隱層到輸出層權值w2(1×20)：

w2＝[-0.59 -0.23 0.62…-0.45]

輸出層閾值b2(1×1)：

b2＝0.5894

因此，圖4和圖5分別示出了所構建模型的訓練樣本效果以及測試樣本預測精度效果圖，由模型的相對誤差可知，建模效果較好，隨著樣本的不斷訓練，模型精度越來越高，符合動態建模的特性。

在步驟S160中，利用遺傳算法優化步驟S150所得神經網絡算法的最值，其過程如下：

(1)構建遺傳算法優化的適應度函數，採用步驟S150所得神經網絡算法作為適應度函數，適應度函數公式如下：

其中，w1、b1、w2、b2為步驟S150所求值。

(2)設置決策變量的變化區間，即xi,min≤xi≤xi,max；並設置遺傳算法的種群P數量K，迭代次數GEN，初始化種群P，並作為第一代父代P1；其中，表3示出了決策變量區間值。

表3決策變量區間表

(3)確定優化計算的趨勢方向(最大或者最小)，使得成本最低，即：最小化計算優化。

(4)計算P1中所有個體的適應度函數值，將最優個體(即適應度函數值最小)輸出作為一代最優個體。

(5)將P1中個體進行選擇、交叉、變異等第一次遺傳迭代操作，得到第一代子群Q1，並作為第二代父群P2。

(6)重複(3)～(5)操作，直到遺傳迭代次數等於GEN，將最後一次迭代所得種群PGEN的最優個體作為優化所得最佳控制參數組合；其中，表4示出了最優參數組合。

表4最優參數組合

在步驟S170和步驟S180中，將所得最優控制參數組合帶入轉爐模型平臺中進行測試，得到實際的控制成本值，比較最優控制參數的成本值與採集樣本的最小值成本值進行比較，若計算的最優控制成本值小於採集樣本的最小成本值，則說明計算結果有效，否則重複上述所有過程；其中，表5示出了成本的最優值和模擬值。

表5成本數據比較

由所得優化值進行模擬煉鋼實驗，在模擬過程中根據計算結果取符合實際操作值並反覆實驗，其最優操作得到最小成本為220.72($/t)，說明優化所得操作參數有效，噸鋼成本減少，系統效率得到了提高。達到了降低成本的目的，因此可以說明基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法有 效。

與上述方法相對應，本發明還提供一種基於BP神經網絡的轉爐煉鋼工藝成本優化控制系統，圖2示出了根據本發明實施例的基於BP神經網絡的轉爐煉鋼工藝成本優化控制系統邏輯結構。

如圖2所示，本發明提供的基於BP神經網絡的轉爐煉鋼工藝成本優化控制系統200包括控制參數選擇單元210、建模樣本集構建單元220、歸一化樣本集獲取單元230、BP神經網絡算法構建單元240、神經網絡參數獲取單元250、最優控制參數獲取單元260、最優控制參數成本值獲取單元270和最小成本值獲取單元280。

具體地，控制參數選擇單元210，用於根據轉爐煉鋼的工藝選擇影響成本的控制參數；

建模樣本集構建單元220，用於利用模擬轉爐煉鋼平臺採集不同控制參數的成本，構建建模樣本集；

歸一化樣本集獲取單元230，用於將構建的建模樣本集進行歸一化處理，獲得歸一化樣本集；

BP神經網絡算法構建單元240，用於根據所述歸一化樣本集構建三層的BP神經網絡算法；

神經網絡參數獲取單元250，用於採用所述BP神經網絡算法對通過模擬轉爐煉鋼實驗所得數據進行建模，獲取神經網絡參數；

最優控制參數獲取單元260，利用遺傳算法對BP神經網絡算法所建的模型進行優化，獲取所構建模型的最值，並根據所構建模型的最值確定最優控制參數；

最優控制參數成本值獲取單元270，用於根據所述最優控制參數獲取最優控制參數成本值；

最小成本值獲取單元280，用於根據所述最優控制參數成本值與所述建模樣本集中的最小成本值的對比結果，確定轉爐煉鋼工藝的最小成本值。

其中，控制參數選擇單元210的控制參數包括鐵水量、廢鋼量、造渣材料加入量、入爐鐵水的溫度、出鋼溫度、白雲石加入量、石灰石加入量、鐵礦石加入量、氧氣消耗量、氧槍位置。

其中，在本發明的實施例中，BP神經網絡算法構建單元220在根據歸一化樣本集構建三層的BP神經網絡算法的過程中，設置所述BP神經網絡模型的隱含層節點數為l，隱含層節點函數為S型函數tansig，輸出層節點數與輸出變量個數一致；設置輸出層節點函數為線性函數purelin，輸入層到隱含層的權值為w1，隱含層節點閾值為b1，隱含層至輸出層的權值為w2，輸出層節點閾值為b2。

其中，神經網絡參數獲取單元250在採用BP神經網絡算法對通過模擬轉爐煉鋼實驗所得數據進行建模，獲取神經網絡參數的過程中，

第一步：初始化神經網絡參數的權值w1、w2以及閾值b1、b2；

第二步：初始化的網絡參數採用如下公式計算此時輸入量對應的輸出值

其中，e表示誤差性能指標函數；表示BP網絡輸出；

表示實際輸出。

第三步：計算此時實際樣本輸出與預測值之間系統對N個訓練樣本的總誤差，總誤差e準則函數如下：

第四步：修正神經網絡參數的權值和閾值，具體公式如下：

其中，w1ij表示隱含層與輸入層的連接權值；η表示學習速率；表示隱含層輸出；x(i)表示輸入樣本；wjk表示輸出層與隱含層權值；

其中，w2jk表示輸出層與隱含層的連接權值；

其中，表示隱含層閾值；表示隱含層輸出；wjk表輸出層與隱含層權值；

b2＝b2+ηe

其中，i＝1,2,…,n；j＝1,2,…,l；k＝1,2,…,N；N為樣本量；

第五步：利用更新得到的神經網絡參數的權值和閾值重新估計重複第二步至第四步的過程，直到總誤差小於設定值。

其中，最優控制參數獲取單元260在利用遺傳算法對BP神經網絡算法所構建的模型進行優化，獲取所構建模型的最值，並根據所構建模型的最值確定最優控制參數的過程中，

第一步：構建遺傳算法優化的適應度函數；

第二步：設置決策變量的變化區間，並設置遺傳算法的種群P數量K，迭代次數GEN，初始化種群P，並作為第一代父代P1，其中，所述變化區間為xi,min≤xi≤xi,max；

第三步：確定優化計算的最小化；

第四步：計算所述第一代父代中所有個體的適應度函數值，將適應度函數值最小輸出作為一代最優個體；

第五步：將所述第一代父代中個體進行選擇、交叉、變異第一次遺傳迭代操作，得到第一代子群Q1，並作為第二代父群P2；

第六步：重複第三步到第五步的操作，直到遺傳迭代次數等於GEN，將最後一次迭代所得種群PGEN的最優個體作為優化所得最佳控制參數組合。

通過上述實施方式可以看出，本發明提供的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統，在冶煉過程中的生產操作參數為信息載體，利用BP神經網絡方法挖掘原料配方、操作參數與煉鋼成本之間的關係；並通過智能優化算法利獲取最低成本下的操作參數，為實際生產最優生產提供指導，解決轉爐煉鋼成本較高的問題。

如上參照附圖以示例的方式描述了根據本發明提出的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統。但是，本領域技術人員應當理解，對於上述本發明所提出的基於BP神經網絡的轉爐煉鋼工藝成本優化控制方法及系統，還可以在不脫離本發明內容的基礎上做出各種改進。因此，本發明的保護範圍應當由所附的權利要求書的內容確定。