本發(fā)明屬于工業(yè)過程監(jiān)控、建模和仿真領(lǐng)域，特別涉及一種基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的高爐多目標優(yōu)化控制算法。技術(shù)背景因為高爐內(nèi)復(fù)雜的傳質(zhì)傳熱、化學(xué)反應(yīng)和相變化，煉鐵過程呈現(xiàn)非線性和動態(tài)特性。鑒于高爐內(nèi)的極端條件，很難控制高爐保持平穩(wěn)安全運行，因此多余的原燃料的消耗是可以理解的。但是，高爐煉鐵占了整個鋼鐵生產(chǎn)流程能耗的百分子四十，而鋼鐵行業(yè)的能耗占了全世界的百分之八，即使是高爐效率微小的提升也能夠節(jié)省很大能源，對環(huán)保做出巨大的貢獻。高爐內(nèi)影響焦比、成本、鐵水品質(zhì)的核心是“三傳一反”，而質(zhì)量傳遞、熱量傳遞、動量傳遞和化學(xué)反應(yīng)又受到如熱風(fēng)溫度、礦石品位、冷卻條件等因素影響，這些影響因素還是高度相關(guān)的。研究者為了找出變量間的潛在聯(lián)系，構(gòu)建了大量模型，希望選擇并優(yōu)化合適的參數(shù)能夠使高爐安全穩(wěn)定的運行。已經(jīng)提出的遺傳算法和自適應(yīng)加權(quán)法都有各自的優(yōu)勢，但在多變量和高維度的復(fù)雜情況下表現(xiàn)不盡如人意。鑒于高爐的復(fù)雜性和封閉性，操作人員通常根據(jù)以往的經(jīng)驗來操作高爐。保證高爐的穩(wěn)定順行是第一要務(wù)，所以人們會留很大的富余量，造成礦石和燃料的額外消耗。近年來，研究者們一直通過機理或數(shù)據(jù)驅(qū)動建模來尋找高爐操作的最優(yōu)點。常規(guī)的單目標分析方法很難解決多目標優(yōu)化的問題，因為高爐中的各種變量是高度相互關(guān)聯(lián)的，很難單獨分析某個元素的變化規(guī)律。技術(shù)實現(xiàn)要素：針對常規(guī)的單目標分析方法很難解決多目標優(yōu)化的問題，而一般模型不適用于高維度、多變量的情況。為了能夠同時優(yōu)化相互矛盾的目標，例如最低的鐵水硫含量、CO2排放量和焦比，我們提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的高爐多目標優(yōu)化控制算法。這種算法利用神經(jīng)網(wǎng)絡(luò)建立一種輸入輸出的映射關(guān)系，然后用遺傳算法找出多目標情況下的Pareto最優(yōu)和與之對應(yīng)的輸入變量的值。一種基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的高爐多目標優(yōu)化控制算法，步驟如下：步驟一：選取模型的輸入輸出變量，根據(jù)工廠的具體要求和生產(chǎn)過程的實際情況確定需要優(yōu)化的目標函數(shù)和能夠操作的控制變量；步驟二：建立、初始化、訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)使其具有輸入輸出的映射規(guī)則；步驟三：建立NSGA-II多目標優(yōu)化算法，種群初始化后，通過選擇、變異、交叉操作計算適應(yīng)度函數(shù)；步驟四：將BP神經(jīng)網(wǎng)絡(luò)的輸出作為NSGA-II遺傳算法的適應(yīng)度函數(shù)，尋找Pareto最優(yōu)和對應(yīng)的輸入變量的值。步驟一所述的模型的參數(shù)的選取方法如下：選擇七個變量：鼓風(fēng)動能、熱風(fēng)壓力、熱風(fēng)溫度、冷風(fēng)流量、全塔壓差、富氧率和煤比，作為模型的輸入?yún)?shù)；選擇焦比、硫含量和CO2排放量為優(yōu)化目標。步驟二所述的建立、初始化、訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)步驟如下：①初始化神經(jīng)網(wǎng)絡(luò)：根據(jù)輸入輸出的變量，需要預(yù)先設(shè)置輸入層、隱層和輸出層的節(jié)點數(shù)、學(xué)習(xí)率和激活函數(shù)，此外，還需要設(shè)定層間的權(quán)值和層內(nèi)的閾值；②隱層計算：根據(jù)以下方程計算隱層輸出H，其中f是激活函數(shù)，式中ωij是輸入層和隱層的連接權(quán)值，而a是隱層的閾值；③輸出層計算：根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸出H、權(quán)值ωjk和閾值b計算預(yù)測值Ok，④誤差計算：根據(jù)實際值和神經(jīng)網(wǎng)絡(luò)的預(yù)測值計算誤差，ek＝Y(jié)k-Ok,k＝1,...m(1.3)⑤權(quán)值更新：更新輸入層和隱層的權(quán)值ωij、隱層和輸出層的權(quán)值ωjk，ωjk＝ωjk+ηHjek,(j＝1,...l；k＝1,...m)⑥閾值更新：更新隱層的閾值a、輸出層的閾值b，bk＝bk+ek,k＝1,...m步驟三所述的NSGA-II遺傳算法的具體算法步驟如下：①初始化：在遺傳算法中，不同的數(shù)據(jù)類型都可以用二進制數(shù)來表示，一組數(shù)據(jù)就是一條染色體，而包含染色體的解空間被稱作種群，種群的大小在一開始就被給定；②選擇：自然界中染色體會通過選擇一代代傳下去，NSGA-II算法中通過快速非劣排序方法和擁擠距離算子選出數(shù)據(jù)中占優(yōu)勢的解并組成新的解集，進行下一步的計算；③操作：通過選擇操作篩選出優(yōu)秀的子空間，還需經(jīng)過交叉和變異等操作進一步計算；其中交叉是操作中的核心步驟，通過交叉操作可以最大程度繼承父輩的主要特性，中間種群y＝(y1,...yn)中的解yk能夠通過DE交叉運算從父輩中的x1,x2,x3得到，式中F和CR是控制參數(shù)；此外，新的種群通過指數(shù)變異算子得到，式中rand表示一個0到1之間的隨機數(shù)，β表示分布指數(shù)，pm是變異率，ak、bk是優(yōu)化變量值的下限和上線。所述的步驟四中：BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到輸入輸出的映射關(guān)系，輸出作為NSGA-II遺傳算法的適應(yīng)度值，遺傳算法找出目標的Pareto最優(yōu)，和對應(yīng)的輸入變量的值，從而得到目標變量鐵水硫含量、二氧化碳排放量和焦比的最小值，還有在目標最小值下對應(yīng)的輸入變量鼓風(fēng)動能、熱風(fēng)壓力、熱風(fēng)溫度、冷風(fēng)流量、全塔壓差、富氧率和煤比的數(shù)值。本發(fā)明具有以下優(yōu)勢：針對高爐中惡劣、極端的環(huán)境和多變量、高維度的數(shù)據(jù)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的高爐多目標優(yōu)化控制算法。本算法能夠同時優(yōu)化多種互相關(guān)聯(lián)或矛盾的目標，通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輸入輸出變量的對應(yīng)關(guān)系，然后通過NSGA-II遺傳算法尋找目標參數(shù)的Pareto最優(yōu)解空間和與之對應(yīng)的輸入變量的值，達到優(yōu)化控制的目的，提升高爐運行的效率。附圖說明圖1是BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖，圖2是遺傳算法流程圖，圖3是高爐優(yōu)化模型，圖4是高爐歷史數(shù)據(jù)。具體實施方法本發(fā)明提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的高爐多目標優(yōu)化控制算法，步驟如下：步驟一：選取模型的輸入輸出變量，根據(jù)工廠的具體要求和生產(chǎn)過程的實際情況確定需要優(yōu)化的目標函數(shù)和能夠操作的控制變量。步驟二：建立、初始化、訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)使其具有輸入輸出的映射規(guī)則。步驟三：建立NSGA-II多目標優(yōu)化算法，種群初始化后，通過選擇、變異、交叉操作計算適應(yīng)度函數(shù)。步驟四：將BP神經(jīng)網(wǎng)絡(luò)的輸出作為NSGA-II遺傳算法的適應(yīng)度函數(shù)，尋找Pareto最優(yōu)和對應(yīng)的輸入變量的值。步驟一所述的模型參數(shù)的選取方法如下：從現(xiàn)場工程師處了解到，對高爐運行影響最大的狀態(tài)變量是鼓風(fēng)動能、熱風(fēng)壓力、熱風(fēng)溫度、冷風(fēng)流量、全塔壓差、富氧率和煤比，因此我們選擇這7個變量作為模型的輸入?yún)?shù)。焦比是高爐最重要的技術(shù)經(jīng)濟指標之一，它表示生產(chǎn)每噸生鐵所消耗的焦炭的量，較低的焦比不僅表示高爐運行的穩(wěn)定順利，也是企業(yè)賺取利益的保障。在鋼鐵生產(chǎn)中，硫是一種有害元素，它會導(dǎo)致鋼材產(chǎn)生“熱脆性”，因此鐵水中低水平的硫含量是優(yōu)質(zhì)產(chǎn)品的象征。此外，煉鐵是一個高耗能的產(chǎn)業(yè)，而高爐的能量消耗占了整個生產(chǎn)流程的百分之七十，這代表高爐也是二氧化碳排放大戶。在環(huán)境日益惡化、溫室效應(yīng)不斷增加的今天，節(jié)能減排顯得尤為重要，環(huán)境保護的一大目標就是降低二氧化碳排放量?；谝陨侠碛?，我們將焦比、硫含量和CO2排放量設(shè)定為優(yōu)化目標。步驟二所述的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下：如圖1所示，BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋的反向傳播神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱層和輸出層構(gòu)成，信號在其中向后傳播而誤差向前傳播。在學(xué)習(xí)的過程中，如果輸出層不能得到需要的值，則迫使輸入信號反向傳播用以更新權(quán)值和閾值，使輸出信號逐漸接近設(shè)定的目標。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)做預(yù)測應(yīng)首先完成以下構(gòu)建、初始化和訓(xùn)練步驟：①初始化神經(jīng)網(wǎng)絡(luò)：根據(jù)輸入輸出的變量，需要預(yù)先設(shè)置輸入層、隱層和輸出層的節(jié)點數(shù)、學(xué)習(xí)率和激活函數(shù)。此外，還需要設(shè)定層間的權(quán)值和層內(nèi)的閾值。②隱層計算：根據(jù)以下方程計算隱層輸出H，其中f是激活函數(shù)。式中ωij是輸入層和隱層的連接權(quán)值，而a是隱層的閾值。③輸出層計算：根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸出H、權(quán)值ωjk和閾值b計算預(yù)測值Ok。④誤差計算：根據(jù)實際值和神經(jīng)網(wǎng)絡(luò)的預(yù)測值計算誤差。ek＝Y(jié)k-Ok,k＝1,...m(1.3)⑤權(quán)值更新：更新輸入層和隱層的權(quán)值ωij、隱層和輸出層的權(quán)值ωjk。ωjk＝ωjk+ηHjek,(j＝1,...l；k＝1,...m)⑥閾值更新：更新隱層的閾值a、輸出層的閾值b。bk＝bk+ek,k＝1,...m步驟三所述的NSGA-II遺傳算法的結(jié)構(gòu)如下：如圖2所示，NSGA-II是一種類似“自然選擇”的進化算法，數(shù)據(jù)集中最適應(yīng)環(huán)境的解能夠在選擇、變異、交叉等進化過程中幸存下來，具體的算法步驟如下：①初始化：在遺傳算法中，不同的數(shù)據(jù)類型都可以用二進制數(shù)來表示，一組數(shù)據(jù)就是一條染色體，而包含染色體的解空間被稱作種群，種群的大小在一開始就被給定。②選擇：自然界中染色體會通過選擇一代代傳下去，NSGA-II算法中通過快速非劣排序方法和擁擠距離算子選出數(shù)據(jù)中占優(yōu)勢的解并組成新的解集，進行下一步的計算。③操作：通過選擇操作篩選出優(yōu)秀的子空間，還需經(jīng)過交叉和變異等操作進一步計算。其中交叉是操作中的核心步驟，通過交叉操作可以最大程度繼承父輩的主要特性。例如，中間種群y＝(y1,...yn)中的解yk能夠通過DE交叉運算從父輩中的x1,x2,x3得到。式中F和CR是控制參數(shù)。此外，新的種群可以通過指數(shù)變異算子得到。式中rand表示一個0到1之間的隨機數(shù)，β表示分布指數(shù)，pm是變異率，ak、bk是優(yōu)化變量值的下限和上線。只有設(shè)置了合適的交叉概率、變異速率和種群大小，NSGA-II遺傳算法才能發(fā)揮理想的功能。步驟四所述的步驟詳細解釋如下：BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到輸入輸出的映射關(guān)系，其輸出作為NSGA-II遺傳算法的適應(yīng)度值，遺傳算法找出目標的Pareto最優(yōu)，和對應(yīng)的輸入變量的值。從而得到目標變量鐵水硫含量、二氧化碳排放量和焦比的最小值，還有在目標最小值下對應(yīng)的輸入變量鼓風(fēng)動能、熱風(fēng)壓力、熱風(fēng)溫度、冷風(fēng)流量、全塔壓差、富氧率和煤比的數(shù)值。實施例在鋼鐵生產(chǎn)流程中，煉鐵是最重要的一個環(huán)節(jié)，不僅決定著整個流程能夠順利運行，還關(guān)系著整個企業(yè)的生產(chǎn)效益。為了能夠優(yōu)化高爐的操作，達到多目標優(yōu)化的目的。我們選取了鼓風(fēng)動能、熱風(fēng)壓力、熱風(fēng)溫度、冷風(fēng)流量、全塔壓差、富氧率和煤比著7個操作參數(shù)作為模型的輸入，焦比、硫含量和CO2排放量這3個指標作為模型的輸出(圖3是高爐優(yōu)化模型)，通過柳鋼的300組歷史數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)(圖4是高爐歷史數(shù)據(jù))，讓BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輸入輸出的映射關(guān)系，然后讓NSGA-II遺傳算法找到輸出變量的最小值，和與之對應(yīng)的輸入變量的值，達到優(yōu)化操作參數(shù)的目的。通過以上建模仿真過程，我們得到了以下優(yōu)化的值：變量單位數(shù)值焦比kg/t240.92CO2排放量t/d9263.36鐵水硫含量wt％0.01344煤比kg/t194.19富氧率vol％2.816全塔壓差kPa177.46冷風(fēng)流量104m3/h28.03熱風(fēng)溫度℃1202.81熱風(fēng)壓力MPa0.3958鼓風(fēng)動能kW105.99本發(fā)明具有以下優(yōu)點：1、解決了高爐多目標優(yōu)化控制的問題，提出了一種通過優(yōu)化目標指標來確定控制變量的方法。2、模型計算出焦比最低可達到240.92kg/t，這是實際生產(chǎn)中從未達到的，對實際生產(chǎn)操作具有指導(dǎo)意義。3、模型簡單，易于理解。上述實施例用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權(quán)利要求的保護范圍內(nèi)，對本發(fā)明做出的任何修改和改變，都屬于本發(fā)明的保護范圍。當前第1頁1 2 3