[发明专利]基于蒙特卡洛方法的神经网络钢水温度预报方法

说明书

本发明提供基于蒙特卡洛方法的神经网络钢水温度预报方法，属于温度预报技术领域。该基于蒙特卡洛方法的神经网络钢水温度预报方法包括如下步骤：S1：建立分析模型；2：确定分析网络结构；S3：获取第一预设权值和第一预设阀值。本发明相比于传统的神经网络算法省去了由人工试验不断尝试来确定网络结构的复杂过程，针对迭代次数较多，时间较长的问题采用遗传算法对生成的神经网络模型进行优化，不仅提高了模型的精度，还节省了人力，使模型具有更好的泛化能力。

技术领域

本发明属于温度预报技术领域，涉及基于蒙特卡洛方法的神经网络钢水温度预报方法。

背景技术

LF精炼炉是炼钢生产的主要工序，作为炼钢过程的重要一环，位于转炉和连铸之间，具有承上启下调节生产节奏的作用。生产中钢水温度控制、合金加入、底吹氩气控制的精度和准确性,直接影响钢水的质量和工序的顺序进行。传统炼钢中主要是操作工依据工作经验来预测钢水温度，只能通过多次测温来判断是否需要电机升温或者加废钢降温，该预估方法不可靠且多次测温效率不高，可能会带来很大误差，直接影响吹氩压力大小、加合金时间等致使钢成分不达标，严重情况下可能会由于温度过低导致钢水报废，造成极大的经济损失。

因此建立精确的LF炉温度控制模型具有很强大的实际意义。从国内外温度模型的研究实例可以看到，过去常用的建模方法分为三类：经验建模、机理建模和数据建模。经验建模是操作工经过长期的现场冶炼过程和经验总结的经验公式，它忽略了一些内在和外在的因素，因此经验公式准确性势必受到影响。机理建模主要考虑精炼过程中物理反应和化学反应发生的热量变化、钢包散热、冶炼过程中的吹氩搅拌和耗电量运用常用的公理或定理以及数学方法进行推导，得出数学模型，但精炼环节过多的物理化学反应导致推导相当复杂，势必影响到建模的准确性。数据建模是运用数据进行说话，从生产数据中找出冶炼过程中影响钢水温度的各种工艺参数及其之间的必然联系，在人工智能快速发展的今天，数据建模相对于经验建模和机理建模来说具有明显的优势，运用最多的便是使用BP神经网络来预测钢水终点温度，但传统BP神经网络结构的构建严重依赖于人的经验和专业知识，缺乏明确的理论指导，因此如何构建出精确、高效、泛化能力强的温度预报模型具有很强的现实意义。

发明内容

本发明针对现有的技术存在的上述问题，提供基于蒙特卡洛方法的神经网络钢水温度预报方法，本发明所要解决的技术问题是：如何提供基于蒙特卡洛方法的神经网络钢水温度预报方法。

本发明的目的可通过下列技术方案来实现：

基于蒙特卡洛方法的神经网络钢水温度预报方法，包括如下步骤：

S1：建立基于BP神经网络的分析模型；

S2：采用蒙特卡洛方法确定分析模型中反馈值在第一预设范围内的分析网络结构；

S3：通过遗传算法优化分析网络结构的权值和阀值以获取第一预设权值和第一预设阀值。

优选的，所述分析模型的输入量包括钢包初始温度、钢水重量、钢包处理时间、钢水氧含量、渣厚、罐况、电耗、冶炼过程中的吹氩量、加入合金量和废钢加入量。

优选的，步骤S2中包括如下步骤：

S21：在分析模型中定义搜索样本空间；

S22：通过基于蒙特卡洛方法的搜索策略获取多个第一预设网络结构；

S23：通过对第一预设网络结构进行评估并获取反馈值，如果反馈值在第一预设范围内则将第一预设网络结构作为分析网络结构，如果反馈值不在第一预设范围内则执行步骤S21。