摘要
近些年来为了实现钢铁冶炼提质增效，在实际的生产环节中引入人工智能和神经网络逐渐成为一种重要的手段。人工智能和神经网络能够处理和分析大量复杂的数据，这在传统方法中是难以实现的。在高炉炼铁过程中铁水硅含量一直作为代表高炉热状态的重要指数，但是高炉具有动态特性，内部化学反应十分复杂，是一个典型的黑箱模型，因此对高炉铁水硅含量进行实时预测是冶金科研工作者面临的难点问题。 本研究针对高炉炼铁过程中铁水硅含量的实时预测问题，开发了一种改进的神经网络模型，通过将遗传算法（Genetic Algorithm, GA）用于优化标准反向传播（Back Propagation, BP）神经网络。首先，对涉及的13项关键参数（如风量、风压等）进行特征提取，然后利用遗传算法对神经网络的初始权重和阈值进行全局优化。优化后的参数通过三层网络结构的前向传播算法进行特征传递，计算铁水硅含量的预测值，并通过误差反向传播调整网络权重，直到预测误差达到预定标准。 此外，实时采集某钢厂生产过程中的数据经过预处理后，用于神经网络的训练，并通过测试集验证模型的精度。为了克服局部最优的问题，本研究还建立了一个采用模拟退火算法（Simulated Annealing, SA）的 SA-BP模型进行训练。通过比较这三种模型，发现遗传算法优化的BP神经网络在测试集上的预测效果最优，正确率达到92%，且均方误差（Mean Square Error, MSE）稳定在 0.001，从而验证了所提方法的有效性和可行性。
NETL