基于GA-PSO-BP神经网络的烧结终点预测模型

发布时间：2021-06-07 14:23

　　烧结作为钢铁冶炼过程的一个重要环节,具有非线性、多变量、大滞后等特点,而烧结终点预测是烧结过程智能控制的重点与难度。本文基于BP神经网络建模方法,采用遗传-粒子群（GA-PSO）混合算法优化BP神经网络的权值和阈值,建立基于GA-PSO-BP神经网络的烧结终点预测模型;并结合某烧结厂的现场数据,将GA-PSO-BP预测模型和PSO-BP、GA-BP、BP预测模型进行对比仿真实验。结果表明:基于GA-PSO-BP神经网路预测模型的均方根误差（RMSE）、平均绝对误差（MAE）、均方误差（MSE）以及最大绝对值误差（MAVE）分别为0.006、0.001 9、3.595 4×10^-5和0.046 7。GA-PSO-BP预测模型的预测精度和误差均优于其他3种预测模型,更适用于在实际生产中预测烧结终点位置。 

【文章来源】：烧结球团. 2020,45(06)北大核心

【文章页数】：6 页

【部分图文】：

烧结生产工艺流程

BP神经网络预测模型结构

式中:ym(k+d)为提前d步的烧结终点预测值;y(k)为k时刻的烧结终点位置;u(k)为k时刻的输入参数值;p为输入参数的个数;n为模型的阶次。由上述可知,烧结终点GA-PSO-BP神经网络预测模型的结构确定为6-13-1(节点数)。因此,BTP预测模型的6个输入变量:烧结台车速度u1、BRP(17号风箱)处风箱温度u2、点火温度u3、料层厚度u4、二混含水量u5以及当前BTP的位置u6。模型的隐含层神经元激励函数选择Sigmoid函数,输出层激励函数选择purelin函数。其中,BP神经网络的学习率η=0.10,迭代总次数K=1 000,目标误差ε=0.001。在GA-PSO算法中,种群规模N=10,交叉率Pm=0.3,变异率Pc=0.1,学习因子c1=c2=1.49,最大进化代数G=20。

【参考文献】：
期刊论文
[1]基于GA-PSO优化BP神经网络的压缩机气阀故障诊断[J]. 邵继业,谢昭灵,杨瑞.  电子科技大学学报. 2018(05)
[2]基于PSO-GA-BP神经网络的林火预测设计与研究[J]. 白书华,况明星.  系统仿真学报. 2018(05)
[3]GA与PSO的混合研究综述[J]. 李红亚,彭昱忠,邓楚燕,龚道庆.  计算机工程与应用. 2018(02)
[4]烧结终点预报神经网络样本优选与系统建模[J]. 汪春鹏.  测控技术. 2017(03)
[5]一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用[J]. 向婕,吴敏.  信息与控制. 2008(02)
[6]基于BP神经网络的烧结终点预测模型[J]. 谌晓文,邬捷鹏.  烧结球团. 2006(04)
[7]基于热状态参数的烧结终点自适应预报[J]. 李桃,范晓慧,姜涛,冯其明.  烧结球团. 2000(02)

博士论文
[1]基于烧结终点预测的烧结过程智能控制系统及应用研究[D]. 向齐良.中南大学 2008

硕士论文
[1]BP神经网络优化算法研究及在故障诊断中的应用[D]. 孙弋清.燕山大学 2018
[2]烧结过程烧结终点预报模型研究[D]. 高广宇.东北大学 2014
[3]GA-PSO-BP神经网络在大气污染物浓度预测中的应用研究[D]. 成华义.华中科技大学 2014



本文编号：3216746