基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本控制方法及系統(tǒng)與流程

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BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(tǒng)。

背景技術(shù)：

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。

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。

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(huì)對(duì)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(gè)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。

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BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述問題，本發(fā)明的目的是提供一種基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(tǒng)，能夠解決轉(zhuǎn)爐煉鋼成本高的問題。

本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法，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(tái)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)建三層的BP神經(jīng)網(wǎng)絡(luò)算法；

采用所述BP神經(jīng)網(wǎng)絡(luò)算法對(duì)通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)；

利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)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)；

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(duì)比結(jié)果，確定轉(zhuǎn)爐煉鋼工藝的最小成本值。

本發(fā)明還提供一種基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制系統(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(tái)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；

BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建單元，用于根據(jù)所述歸一化樣本集構(gòu)建三層的BP神經(jīng)網(wǎng)絡(luò)算法；

神經(jīng)網(wǎng)絡(luò)參數(shù)獲取單元，用于采用所述BP神經(jīng)網(wǎng)絡(luò)算法對(duì)通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)；

最優(yōu)控制參數(shù)獲取單元，用于利用遺傳算法對(duì)所述BP神經(jīng)網(wǎng)絡(luò)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)；

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(duì)比結(jié)果，確定轉(zhuǎn)爐煉鋼工藝的最小成本值。

從上面的技術(shù)方案可知，本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(tǒng)，在冶煉過程中的生產(chǎn)操作參數(shù)為信息載體，利用BP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。

為了實(shí)現(xiàn)上述以及相關(guān)目的，本發(fā)明的一個(gè)或多個(gè)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

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(duì)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：

圖1為根據(jù)本發(fā)明實(shí)施例的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法流程示意圖；

圖2為根據(jù)本發(fā)明實(shí)施例的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制系統(tǒng)邏輯結(jié)構(gòu)示意圖；

圖3為根據(jù)本發(fā)明實(shí)施例的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖；

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；

圖5為根據(jù)本發(fā)明實(shí)施例的所構(gòu)建模型的測(cè)試樣本預(yù)測(cè)精度效果圖。

在所有附圖中相同的標(biāo)號(hào)指示相似或相應(yīng)的特征或功能。

具體實(shí)施方式

在下面的描述中，出于說明的目的，為了提供對(duì)一個(gè)或多個(gè)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。

針對(duì)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BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(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BP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)。

其中，需要說明的是，BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)算法拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱含層(hidden layer)和輸出層(output layer)。

以下將結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施例進(jìn)行詳細(xì)描述。

為了說明本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法，圖1示出了根據(jù)本發(fā)明實(shí)施例的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法流程。

如圖1所示，本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法包括：S110：根據(jù)轉(zhuǎn)爐煉鋼的工藝選擇影響成本的控制參數(shù)；

S120：利用模擬轉(zhuǎn)爐煉鋼平臺(tái)采集不同控制參數(shù)的成本，構(gòu)建建模樣本集；

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；

S140：根據(jù)所述歸一化樣本集構(gòu)建三層的BP神經(jīng)網(wǎng)絡(luò)算法；

S150：采用所述BP神經(jīng)網(wǎng)絡(luò)算法對(duì)通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)；

S160：利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)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)；

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；

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(duì)比結(jié)果，確定轉(zhuǎn)爐煉鋼工藝的最小成本值。

上述為本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法的流程，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(shí)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：

表1參數(shù)及符號(hào)表

在步驟S120中，樣本采集；利用模擬轉(zhuǎn)爐煉鋼平臺(tái)采集不同的控制參數(shù)下的成本，構(gòu)建建模樣本集[X；Y]；其中，X＝[x₁,x₂,…,x₉]^T；Y＝y(tǒng)^T。采集到數(shù)據(jù)如表2所示：

表2數(shù)據(jù)采集樣本部分?jǐn)?shù)據(jù)

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。即：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

在步驟S140中，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)算法。設(shè)置BP神經(jīng)網(wǎng)絡(luò)隱含層 節(jié)點(diǎn)數(shù)為l，隱含層節(jié)點(diǎn)函數(shù)為S型函數(shù)tansig，輸出層節(jié)點(diǎn)數(shù)與輸出變量個(gè)數(shù)一致，設(shè)置輸出成節(jié)點(diǎn)函數(shù)為線性函數(shù)purelin。輸入層到隱層的權(quán)值為w₁，隱層節(jié)點(diǎn)閾值為b₁，隱層至輸出層的權(quán)值為w₂，輸出層節(jié)點(diǎn)閾值為b₂，其中，圖3示出了三層BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)構(gòu)。

在步驟S150中，神經(jīng)網(wǎng)絡(luò)參數(shù)w₁、b₁、w₂、b₂的確定。

(1)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值w₁、w₂閾值b₁、b₂。

(2)利用初始化的網(wǎng)絡(luò)參數(shù)采用如下公式計(jì)算此時(shí)估計(jì)所有輸入量對(duì)應(yīng)的輸出值

其中，表示預(yù)測(cè)值；

W₁、W₂分別表示神經(jīng)網(wǎng)絡(luò)參數(shù)的權(quán)值；

b₁、b₂分別表示神經(jīng)網(wǎng)絡(luò)參數(shù)的閾值，表示經(jīng)歸一化的輸入樣本。

(3)計(jì)算此時(shí)實(shí)際樣本輸出與預(yù)測(cè)值之間系統(tǒng)對(duì)N個(gè)訓(xùn)練樣本的總誤差，總誤差e準(zhǔn)則函數(shù)如下：

其中，e表示誤差性能指標(biāo)函數(shù)；表示BP網(wǎng)絡(luò)輸出；表示實(shí)際輸出。

(4)修正神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，根據(jù)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)的誤差e更新網(wǎng)絡(luò)的權(quán)值、閾值。

其中，w1_ij表示隱含層與輸入層的連接權(quán)值；η表示學(xué)習(xí)速率； 表示隱含層輸出；x(i)表示輸入樣本；w_jk表示輸出層與隱含層權(quán)值；

其中，w2_jk表示輸出層與隱含層的連接權(quán)值；

其中，表示隱含層閾值；表示隱含層輸出；w_jk表輸出層與隱含層權(quán)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(quán)值閾值重新估計(jì)重復(fù)(2)～(4)過程，直到總誤差小于設(shè)定值結(jié)束訓(xùn)練過程。

具體地，在步驟S150中，輸入層到隱層的權(quán)值w1(20×10)：

隱層神經(jīng)元閾值b1(20×1)：

隱層到輸出層權(quán)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(gòu)建模型的訓(xùn)練樣本效果以及測(cè)試樣本預(yù)測(cè)精度效果圖，由模型的相對(duì)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(dòng)態(tài)建模的特性。

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)算法的最值，其過程如下：

(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)算法作為適應(yīng)度函數(shù)，適應(yīng)度函數(shù)公式如下：

其中，w₁、b₁、w₂、b₂為步驟S150所求值。

(2)設(shè)置決策變量的變化區(qū)間，即x_i,min≤x_i≤x_i,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P₁；其中，表3示出了決策變量區(qū)間值。

表3決策變量區(qū)間表

(3)確定優(yōu)化計(jì)算的趨勢(shì)方向(最大或者最小)，使得成本最低，即：最小化計(jì)算優(yōu)化。

(4)計(jì)算P₁中所有個(gè)體的適應(yīng)度函數(shù)值，將最優(yōu)個(gè)體(即適應(yīng)度函數(shù)值最小)輸出作為一代最優(yōu)個(gè)體。

(5)將P₁中個(gè)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。

(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P_GEN的最優(yōu)個(gè)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。

表4最優(yōu)參數(shù)組合

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(tái)中進(jìn)行測(cè)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(jì)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(jì)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。

表5成本數(shù)據(jù)比較

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(jì)算結(jié)果取符合實(shí)際操作值并反復(fù)實(shí)驗(yàn)，其最優(yōu)操作得到最小成本為220.72($/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，因此可以說明基于BP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。

與上述方法相對(duì)應(yīng)，本發(fā)明還提供一種基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制系統(tǒng)，圖2示出了根據(jù)本發(fā)明實(shí)施例的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制系統(tǒng)邏輯結(jié)構(gòu)。

如圖2所示，本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制系統(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、BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建單元240、神經(jīng)網(wǎng)絡(luò)參數(shù)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。

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)；

建模樣本集構(gòu)建單元220，用于利用模擬轉(zhuǎn)爐煉鋼平臺(tái)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；

BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建單元240，用于根據(jù)所述歸一化樣本集構(gòu)建三層的BP神經(jīng)網(wǎng)絡(luò)算法；

神經(jīng)網(wǎng)絡(luò)參數(shù)獲取單元250，用于采用所述BP神經(jīng)網(wǎng)絡(luò)算法對(duì)通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)；

最優(yōu)控制參數(shù)獲取單元260，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法所建的模型進(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；

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(duì)比結(jié)果，確定轉(zhuǎn)爐煉鋼工藝的最小成本值。

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。

其中，在本發(fā)明的實(shí)施例中，BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建單元220在根據(jù)歸一化樣本集構(gòu)建三層的BP神經(jīng)網(wǎng)絡(luò)算法的過程中，設(shè)置所述BP神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點(diǎn)數(shù)為l，隱含層節(jié)點(diǎn)函數(shù)為S型函數(shù)tansig，輸出層節(jié)點(diǎn)數(shù)與輸出變量個(gè)數(shù)一致；設(shè)置輸出層節(jié)點(diǎn)函數(shù)為線性函數(shù)purelin，輸入層到隱含層的權(quán)值為w₁，隱含層節(jié)點(diǎn)閾值為b₁，隱含層至輸出層的權(quán)值為w₂，輸出層節(jié)點(diǎn)閾值為b₂。

其中，神經(jīng)網(wǎng)絡(luò)參數(shù)獲取單元250在采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)通過模擬轉(zhuǎn)爐煉鋼實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行建模，獲取神經(jīng)網(wǎng)絡(luò)參數(shù)的過程中，

第一步：初始化神經(jīng)網(wǎng)絡(luò)參數(shù)的權(quán)值w₁、w₂以及閾值b₁、b₂；

第二步：初始化的網(wǎng)絡(luò)參數(shù)采用如下公式計(jì)算此時(shí)輸入量對(duì)應(yīng)的輸出值

其中，e表示誤差性能指標(biāo)函數(shù)；表示BP網(wǎng)絡(luò)輸出；

表示實(shí)際輸出。

第三步：計(jì)算此時(shí)實(shí)際樣本輸出與預(yù)測(cè)值之間系統(tǒng)對(duì)N個(gè)訓(xùn)練樣本的總誤差，總誤差e準(zhǔn)則函數(shù)如下：

第四步：修正神經(jīng)網(wǎng)絡(luò)參數(shù)的權(quán)值和閾值，具體公式如下：

其中，w1_ij表示隱含層與輸入層的連接權(quán)值；η表示學(xué)習(xí)速率；表示隱含層輸出；x(i)表示輸入樣本；w_jk表示輸出層與隱含層權(quán)值；

其中，w2_jk表示輸出層與隱含層的連接權(quán)值；

其中，表示隱含層閾值；表示隱含層輸出；w_jk表輸出層與隱含層權(quán)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(jīng)網(wǎng)絡(luò)參數(shù)的權(quán)值和閾值重新估計(jì)重復(fù)第二步至第四步的過程，直到總誤差小于設(shè)定值。

其中，最優(yōu)控制參數(shù)獲取單元260在利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)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)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P₁，其中，所述變化區(qū)間為x_i,min≤x_i≤x_i,max；

第三步：確定優(yōu)化計(jì)算的最小化；

第四步：計(jì)算所述第一代父代中所有個(gè)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(gè)體；

第五步：將所述第一代父代中個(gè)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_GEN的最優(yōu)個(gè)體作為優(yōu)化所得最佳控制參數(shù)組合。

通過上述實(shí)施方式可以看出，本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(tǒng)，在冶煉過程中的生產(chǎn)操作參數(shù)為信息載體，利用BP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。

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BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(tǒng)。但是，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，對(duì)于上述本發(fā)明所提出的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼工藝成本優(yōu)化控制方法及系統(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。