CN106019940A - 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 - Google Patents

Abstract

本发明提供一种基于UKF神经网络的转炉炼钢工艺成本控制方法及系统，其中的方法包括选择影响成本的控制参数；构建建模样本集；获得归一化样本集；构建前馈神经网络；采用UKF算法对前馈神经网络进行训练建模，获取神经网络参数；利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；根据最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。利用本发明，能够解决转炉炼钢成本高的问题。

Description

基于UKF神经网络的转炉炼钢工艺成本控制方法及系统

技术领域

本发明涉及炼钢技术领域，更为具体地，涉及一种基于UKF神经网络的转炉炼钢工艺成本控制方法及系统。

背景技术

目前钢铁行业进入低谷、行业利润被无限压缩，只有降低自身成本才能寻求发展。所以钢铁行业的降本增效是所有钢厂不懈的追求。而钢铁生产过程高温、高危、高成本，无法进行大规模现场。

其中，实验碱性氧气转炉炼钢法是一种将铁水炼成钢水的炼钢过程。通过向熔池供氧，发生氧化反应降低熔池中钢液含碳量，此炼钢法又称为转炉炼钢。通过虚拟炼钢模拟实际冶炼过程，可为现场生产提供降本增效的可行性方案和指导性意见，具有重大意义和经济效益。

炉子的分类较多，较为普遍分类是顶吹转炉、底吹转炉和顶底复合吹转炉。在转炉炼钢过程中，系统配料、操作过程等均会对炼钢的成本有着重要的作用，为进一步改进加入原料配方、优化生产过程等生产参数，得到一个最为经济理想的冶炼过程，为企业提供优化思路，节省成本。

综上所述，为解决上述问题，基于虚拟炼钢模拟实际冶炼的思想，本发明提出了一种基于UKF神经网络的转炉炼钢工艺成本控制方法。

发明内容

鉴于上述问题，本发明的目的是提供一种基于UKF神经网络的转炉炼钢工艺成本控制方法及系统，能够解决转炉炼钢成本高的问题。

本发明提供一种基于UKF神经网络的转炉炼钢工艺成本控制方法，包括：

根据转炉炼钢的工艺选择影响成本的控制参数；

利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；

将构建的建模样本集进行归一化处理，获得归一化样本集；

根据所述归一化样本集构建前馈神经网络；

采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数；

利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；

根据所述最优控制参数获取最优控制参数成本值；

根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。

本发明还提供一种基于UKF神经网络的转炉炼钢工艺成本控制系统，包括

控制参数选择单元，用于根据转炉炼钢的工艺选择影响成本的控制参数；

建模样本集构建单元，用于利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；

归一化样本集获取单元，用于将构建的建模样本集进行归一化处理，获得归一化样本集；

前馈神经网络构建单元，用于根据所述归一化样本集构建前馈神经网络；

神经网络参数获取单元，用于采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数；

最优控制参数获取单元，用于利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；

最优控制参数成本值获取单元，用于根据所述最优控制参数获取最优控制参数成本值；

最小成本值获取单元，用于根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。

从上面的技术方案可知，本发明提供的基于UKF神经网络的转炉炼钢工艺成本控制方法及系统，在冶炼过程中的生产操作参数为信息载体，利用UKF神经网络挖掘原料配方、操作参数与炼钢成本之间的关系；并通过智能优化算法利获取最低成本下的操作参数，为实际生产最优生产提供指导，解决转炉炼钢成本较高的问题。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的基于UKF神经网络的转炉炼钢工艺成本控制方法流程示意图；

图2为根据本发明实施例的基于UKF神经网络的转炉炼钢工艺成本控制系统逻辑结构示意图；

图3为根据本发明实施例的前馈神经网络结构示意图；

图4为根据本发明实施例的所构建模型的训练样本效果图；

图5为根据本发明实施例的所构建模型的测试样本预测精度效果图；

图6为根据本发明实施例的PSO粒子群算法的函数获取极值流程示意图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。

针对前述提出的目前钢铁行业成本过高的问题，本发明提出了基于UKF神经网络的转炉炼钢工艺成本控制方法及系统，其中，本发明提出以冶炼过程中的生产操作参数为信息载体，利用UKF神经网络方法挖掘原料配方、操作参数与炼钢成本之间的潜在规律；并通过智能优化算法利用该规律获取最低成本下的操作参数，为企业的实际生产最优生产提供指导。

其中，需要说明的是，UKF(Unscented Kalman Filter)，中文释义是无损卡尔曼滤波、无迹卡尔曼滤波或者去芳香卡尔曼滤波,是无迹变换(UT)和标准Kalman滤波体系的结合，通过无损变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系。

以下将结合附图对本发明的具体实施例进行详细描述。

为了说明本发明提供的基于UKF神经网络的转炉炼钢工艺成本控制方法，图1示出了根据本发明实施例的基于UKF神经网络的转炉炼钢工艺成本控制方法流程。

如图1所示，本发明提供的基于UKF神经网络的转炉炼钢工艺成本控制方法包括：S110：根据转炉炼钢的工艺选择影响成本的控制参数；

S120：利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；

S130：将构建的建模样本集进行归一化处理，获得归一化样本集；

S140：根据所述归一化样本集构建前馈神经网络；

S150：采UKF算法对前馈神经网络进行训练建模，获取神经网络参数；

S160：利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；

S170：根据所述最优控制参数获取最优控制参数成本值；

S180：根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。

上述为本发明的基于UKF神经网络的转炉炼钢工艺成本控制方法的流程，在步骤S110中，实际转炉炼钢工艺过程中，为了降低成本在保证热量足够的情况下，加入废钢、铁矿石等提高出钢量；同时通过造渣材料的加入量、入炉铁水的温度、出钢温度等条件的控制实现成本的降低。为此本发明采用铁水量、废钢量、造渣材料加入量、入炉铁水的温度、出钢温度、白云石加入量、石灰石加入量、铁矿石加入量、氧气消耗量、氧枪位置等作为影响成本的控制参数。

具体地，确定转炉炼钢过程生产成本因素，成本影响因素构成的效率观测变量集合其中，α₁，α₂，α₃为决策变量，α₄～α₆操作变量，为其他环境变量。选取转炉炼钢过程的成本变量为性能观测变量：{y₁}。

本发明的实施例中，选取决策变量α₁为铁水量、决策变量α₂为废钢量、决策变量α₃为造渣材料加入量，α₄～α₆为温度控制，其余环境变量包括：除硫原料量、除磷原料量、除碳原料量，选择炉炼钢过程性能变量y₁为成本量

其中，影响成本的控制参数如表1所示：

表1参数及符号表

在步骤S120中，样本采集；利用模拟转炉炼钢平台采集不同的控制参数下的成本，构建建模样本集[X；Y]；

(1)针对第一步在炉炼钢过程中获取的生产成本因素、性能变量的样本数据。若采集数据不匹配，多样本按较少数量样本采集时间间隔求取平均值，从而与较少数量样本进行匹配，得到效率影响因素样本矩阵L如下：

$\mathrm{\α}=\left[\begin{array}{cccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& ...& {\mathrm{\α}}_{1N}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& ...& {\mathrm{\α}}_{2N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\stackrel{\‾}{M}1}& {\mathrm{\α}}_{\stackrel{\‾}{M}2}& ...& {\mathrm{\α}}_{\stackrel{\‾}{M}N}\end{array}\right]\≡\left[\begin{array}{c}{L}_1\\ L_2\\ ...\\ L_{\stackrel{\‾}{M}}\end{array}\right]$

性能样本矩阵：

Y＝[y₁₁ y₁₂ … y_1N]

其中为生产因素个数；N为样本个数,α_ik表示第i个变量的第k个观测值，i＝1,2,...,M；k＝1,2,...,N。

(2)构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：

$X=\[\begin{array}{cccc}{X}_1& X_2& \mathrm{...}& X_N\end{array}\]=\left[\begin{array}{cccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& ...& {\mathrm{\α}}_{1N}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& ...& {\mathrm{\α}}_{2N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\stackrel{\‾}{M}1}& {\mathrm{\α}}_{\stackrel{\‾}{M}2}& ...& {\mathrm{\α}}_{\stackrel{\‾}{M}N}\end{array}\right]=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ x_{31}& x_{32}& ...& x_{3N}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{MN}\end{array}\right]$

Y＝[Y₁]＝[y₁₁ y₁₂ … y_1N]

此时x₁～x₃为决策变量，x₄～x₆操作变量，为其他环境变量。

其中，采集到数据如表2所示：

表2数据采集样本部分数据

在步骤S130中，数据预处理。利用神经网络建模过程中，其隐含层节点函数为S型函数，其值域为[-1,1]；为提高建模过程精度，故而将所有的采集的样本进行归一化处理。即：将样本集的参量值利用线性归一化方法映射到[-1,1]范围内，得到归一化的样本集

具体地，利用线性映射方法，对得到的训练输入、输出样本X、Y进行去除量纲化处理，得到新的训练输入、输出矩阵具体归一化算法如下：

${\tilde{x}}_{ik}=f\left(x_{ik}\right)=({\tilde{x}}_{max}-{\tilde{x}}_{\min })\·\frac{x_{ik}-x_{i,\min }}{x_{i,max}-x_{i,min}}+{\tilde{x}}_{\min },(i=1,2,...,M;k=1,2,...,N)$

${\tilde{y}}_{jk}=g\left(y_{jk}\right)=({\tilde{y}}_{max}-{\tilde{y}}_{min})\·\frac{y_{jk}-y_{j,min}}{y_{j,max}-y_{j,min}}+{\tilde{y}}_{min},(j=1,2,....,l;k=1,2,...,N)$

即：

${\tilde{X}}_k={\left[\begin{array}{ccccc}{\tilde{x}}_{1k}& {\tilde{x}}_{2k}& {\tilde{x}}_{3k}& \mathrm{...}& {\tilde{x}}_{Mk}\end{array}\right]}^T={\left[\begin{array}{ccccc}f\left(x_{1k}\right)& f\left(x_{2k}\right)& f\left(x_{3k}\right)& \mathrm{...}& f\left(x_{Mk}\right)\end{array}\right]}^T\≡f\left(X_k\right)$

$\tilde{Y}={\left[\begin{array}{cccc}{\tilde{y}}_{1k}& {\tilde{y}}_{2k}& \mathrm{...}& {\tilde{y}}_{lk}\end{array}\right]}^T={\left[\begin{array}{cccc}g\left(y_{1k}\right)& g\left(y_{2k}\right)& \mathrm{...}& g\left(y_{lk}\right)\end{array}\right]}^T\≡g\left(Y_k\right)$

其中：为设定输入变量归一化后数据范围的最大值、最小值；

x_ik为归一化前的第i个输入变量第k个样本值；

为归一化后第i个输入变量第k个样本值；

x_i,min＝min{x_ik|1≤k≤N}

x_i,max＝max{x_ik|1≤k≤N}

为设定输出变量归一化后数据范围的最大值、最小值；

y_jk为归一化前第j个输出变量的第k个采集样本值；

为归一化后第j个输出变量的第k个值；

y_j,max＝max{y_jk|1≤k≤N}

y_j,min＝min{y_jk|1≤k≤N}

得到归一化后样本集：

$\tilde{X}=\[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_N\]=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{MN}\end{array}\right]$

$\tilde{Y}=\[{\tilde{Y}}_1\]=\[\begin{array}{cccc}{y}_{11}& y_{12}& \mathrm{...}& y_{1N}\end{array}\]$

在步骤S140中，构建3层前馈神经网络，输入变量为输出变量设置隐含层神经元个数为s₁。图3示出了根据本发明实施例的前向神经网络结构，如图3所示，前向神经网络输入层、隐含层、输出层通过权值、阈值进行连接。设置隐含层输出函数为S型函数、输出层为线性函数；该3层神经网络函数表达式如下：

$\tilde{Y}=\underset{k=1}{\overset{s_1}{\Σ}}\left(F\right(\underset{i=1}{\overset{M}{\Σ}}w{1}_{ik}\×{\tilde{x}}_i+b{1}_k\left)\right)\×w{2}_{kj}+b{2}_j---\left(3\right)$

式中函数F(X)为S型函数，为隐含层激发函数，输出层激发函数为线性函数，w1_ik,w2_kj,b1_k,b2_j分别代表输入层与隐含层的连接权值，隐含层和输出层的连接权值；隐含层阈值；输出层阈值；表示归一化的样本。

在步骤S150中，本发明利用无迹卡尔曼滤波对构建的三层前向网络参数进行训练，得到最终数学模型。：

(1)设3层前馈神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数.输入层至隐层神经元的连接权值阈值为隐层至输出层的连接权值阈值为则UKFNN中所有权值和阈值组成的状态变量I为：

$I={\left[\begin{array}{ccccc}{w}_{11}^{1}L& w_{{\mathrm{Ms}}_1}^1,b_1^{1}L& b_{s1}^1,w_{11}^{2}L& w_{s_{1}l}^2,b_1^{2}L& b_l^2\end{array}\right]}^T$

设I中的个数为n个值。

设定非线性方程：

其中函数表达式参考公式(3)，X_k为K时刻的神经网络输入样本。令ω_k＝0，v_k＝0。Y_k为神经网络输出样本。

(2)设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β。

(3)计算2n+1个σ点(即采样点，一个采样点即为一组I值)以及σ点(采样点)的相应权重。其中n为状态矩阵的I维度。λ＝a²(n+κ)-n

2n+1个采样点计算如下：

$\left\{\begin{array}{cc}{I}^{\left(0\right)}=\stackrel{\‾}{I}& \\ I^{\left(i\right)}=\stackrel{\‾}{I}+\sqrt{(n+\mathrm{\λ})P}& i=1:n\\ I^{\left(i\right)}=\stackrel{\‾}{I}-\sqrt{(n+\mathrm{\λ})P}& i=n+1:2n\end{array}\right.$

每个采样点的权值如下：

$\left\{\begin{array}{cc}{W}_m^{\left(0\right)}=\frac{\mathrm{\λ}}{n+\mathrm{\λ}}& \\ W_c^{\left(0\right)}=\frac{\mathrm{\λ}}{n+\mathrm{\λ}}+(1-a+\mathrm{\β})& \\ W_m^{\left(i\right)}=W_c^{\left(i\right)}=\frac{\mathrm{\λ}}{2(n+\mathrm{\λ})}& i=1:2n\end{array}\right.$

(4)计算σ点的一步状态预测及状态变量协方差P_k+1|k；

$I_{k+1|k}^{\left(i\right)}=I_{k|k}^{\left(i\right)}$

(计算后为一组采样点)

(计算后为n×n的矩阵)(5)计算输出的一步提前预测以及协方差

$Y_{k+1|k}^{\left(i\right)}=h(I_{k+1|k}^{\left(i\right)},X_k)$

${\hat{Y}}_{k+1|k}=\underset{i=0}{\overset{2n}{\Σ}}{W}_m^{\left(i\right)}\·h(I_{k+1|k}^{\left(i\right)},X_k)$

$P_{Y_{k+1}}=\underset{i=0}{\overset{2n}{\Σ}}{w}_c^{\left(i\right)}(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T$

$P_{X_{k+1}{Y}_{k+1}}=\underset{i=0}{\overset{2n}{\Σ}}{W}_c^{\left(i\right)}(I_{k+1|k}^{\left(i\right)}-{\hat{I}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T$

(6)进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

$R_{k+1}=P_{X_{k+1}{Y}_{k+1}}/P_{Y_{k+1}}$

${\hat{I}}_{k+1|k+1}={\hat{I}}_{k+1|k}+R_{k+1}(Y_{k+1}-{\hat{Y}}_{k+1|k})$

$P_{k+1|k+1}=P_{k+1|k}-R_{k+1}{\left(P_{X_{k+1}{Z}_{k+1}}\right)}^T$

(7)对获取的新样本数据(X_k+1,Y_k+1)重新进行(2)～(6)步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新。从而得到适应于所有样本状态矩阵。

(8)对最后一组样本得到状态矩阵X作为三层网络训练得到的权值和阈值。

(9)在得到网络参数各层权值、阈值后确定，利用UKFNN构建的函数模型如下：

具体地，在步骤S150中，采用UKF神经网络对通过转炉模拟实验所得数据进行建模。得到神经网络参数w、b、β，如下所示。

得到输入层到隐层的权值w1(20×10)：

$w_1=\left[\begin{array}{ccc}\begin{array}{cc}0.50& 0.82\\ 0.68& 0.65\\ 0.64& 0.41\\ 0.73& 1.00\end{array}& \mathrm{...}& \begin{array}{cc}0.12& 0.036\\ 0.73& 0.15\\ 0.66& 0.17\\ 0.76& 0.89\end{array}\\ .& .& .\\ .& .& .\\ .& .& .\\ \begin{array}{cc}1.013& -0.004\\ 0.58& -0.13\\ 1.02& 0.48\\ 0.51& 0.12\end{array}& \mathrm{...}& \begin{array}{cc}0.22& 0.097\\ 0.71& 0.82\\ 0.68& 0.98\\ 0.96& 0.16\end{array}\end{array}\right]$

隐层神经元阈值b1(20×1)：

$b_1=\left[\begin{array}{c}0.41\\ 0.28\\ 0.17\\ 0.43\\ .\\ .\\ .\\ 0.19\\ 0.11\\ 0.32\\ 0.27\end{array}\right]$

隐层到输出层权值w2(1×20)：

w₂＝[-0.46 0.17 0.12 ... -0.075]

输出层阈值b2(1×1)：

b₂＝-0.6319

因此，图4示出了所构建模型的训练样本效果以及测试样本预测精度效果图，由模型的相对误差可知，建模效果较好，随着样本的不断训练，模型精度越来越高，符合动态建模的特性。

在步骤S160中，运用PSO粒子群算法对决策参量在各自的上下限进行优化，得到最佳决策参数。图6示出了根据本发明实施例的PSO粒子群算法的函数获取极值流程示意图。如图6所示，S1：粒子和速度初始化；S2粒子适应值计算；S3：寻找个体极值和群体极值；S4：速度更新和位置更新；S5：粒子适应值计算；S6：个体极值和群体极值计算；S7：满足终止条件；S8：结束。

其中具体步骤如下：

(1)PSO粒子群算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。然而它不对个体使用演化算子，而是将每个个体看作是D维搜索空间中，有n个粒子组成的种群X＝(X₁ X₂ … X_n)，在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。

其中，第i个微粒表示为X_i＝[x_i1 x_i2 … x_iD]^T，代表第i个粒子在D维搜索空间的位置，亦代表问题的一个潜在解。根据目标函数即可算出每个粒子位置X_i对应的适应度值，第i个粒子的速度为Vi＝[V_i1 V_i2 … V_iD]^T，它经历过的最好位置(有最好的适应值)记为P_i＝[p_i1 p_i2 … p_iD]^T，也称为P_best(个体极值)。在群体所有微粒经历过的最好位置的索引号用符号g表示，即P_g＝[p_g1 p_g2 … p_gD]^T，也称为g_best。

(2)初始化一群微粒(群体规模为m)，包括随机的位置和速度，随机赋值。

(3)评价每个微粒的适应度；

(4)对每个微粒，将它的适应值和它经历过的最好位置P_best的作比较，如果较好，则将其作为当前的最好位置P_best；

(5)对每个微粒，将它的适应值和全局所经历最好位置g_best的作比较，如果较好，则重新设置g_best的索引号；

(6)在每一次迭代的过程中粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：

$V_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

式中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；V_id为粒子的速度；c₁和c₂为非负常数，成为加速因子；r₁和r₂为分布在[0,1]之间的随机数。为防止粒子盲目搜索，将其位置和速度限制在一定范围内[-X_max,X_max]、[-V_max,V_max]。第一部分为微粒先前行为的惯性，第二部分为“：认知(cognition)”部分，表示微粒本身的思考；第三部分为“社会(social)”部分，表示微粒间的信息共享与相互合作。

(7)如未达到结束条件(通常为足够好的适应值或达到一个预设最大代数G_max)，回到算法参数。

具体地，利用PSO粒子群算法优化步骤S150所得神经网络求取最值。

(1)构PSO粒子群算法优化的适应度函数，采用步骤S150所得神经网络作为适应度函数，

设隐含层神经元的激活函数为神经网络的第m组输入样本的输出为：

${\tilde{y}}_m=\underset{k=1}{\overset{s_1}{\Σ}}{\mathrm{\β}}_{k}g(W_k\·{\tilde{X}}_m+b_k)$

其中，W_k＝[W_k1,W_k2,…,W_kM]，w、b、β为步骤S150所求值。

(2)设置决策变量的变化区间，即x_i,min≤x_i≤x_i,max；表3示出了决策变量区间值。

表3决策变量区间表

(3)得到最佳控制参数组合；其中，表4示出了最优参数组合。

表4最优参数组合

在步骤S170和步骤S180中，将所得最优控制参数组合带入转炉模型平台中进行测试，得到实际的控制成本值，比较最优控制参数的成本值与采集样本的最小值成本值进行比较，若计算的最优控制成本值小于采集样本的最小成本值，则说明计算结果有效，否则重复上述所有过程；其中，表5示出了成本的最优值和模拟值。

表5成本数据比较

由所得优化值进行模拟炼钢实验，在模拟过程中根据计算结果取符合实际操作值反复实验，其最优操作得到最小成本为220.76($/t)，说明优化所得操作参数有效，吨钢成本减少，系统效率得到了提高。达到了降低成本的目的。说明基于ELM神经网络的转炉炼钢工艺成本优化控制方法有效。

与上述方法相对应，本发明还提供一种基于UKF神经网络的转炉炼钢工艺成本控制系统，图2示出了根据本发明实施例的基于UKF神经网络的转炉炼钢工艺成本控制系统逻辑结构。

如图2所示，本发明提供的基于UKF神经网络的转炉炼钢工艺成本控制系统200包括控制参数选择单元210、建模样本集构建单元220、归一化样本集获取单元230、前馈神经网络构建单元240、神经网络参数获取单元250、最优控制参数获取单元260、最优控制参数成本值获取单元270和最小成本值获取单元280。

具体地，控制参数选择单元210，用于根据转炉炼钢的工艺选择影响成本的控制参数；

建模样本集构建单元220，用于利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；

归一化样本集获取单元230，用于将构建的建模样本集进行归一化处理，获得归一化样本集；

前馈神经网络构建单元240，用于根据所述归一化样本集构建前馈神经网络；；

神经网络参数获取单元250，用于采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数；

最优控制参数获取单元260，用于利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；

最优控制参数成本值获取单元270，用于根据所述最优控制参数获取最优控制参数成本值；

最小成本值获取单元280，用于根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。

其中，控制参数选择单元210的控制参数包括铁水量、废钢量、造渣材料加入量、入炉铁水的温度、出钢温度、白云石加入量、石灰石加入量、铁矿石加入量、氧气消耗量、氧枪位置。

其中，在本发明的实施例中，前馈神经网络构建单元240在根据所述归一化样本集构建前馈神经网络的过程中，

所述前馈神经网络包括输入层、隐含层和输出层，所述输入层与所述隐含层由权值连接，所述隐含层与所述输出层由权值连接；所述前馈神经网络函数表达式如下：

$\tilde{Y}=\underset{k=1}{\overset{s_1}{\Σ}}\left(F\right(\underset{i=1}{\overset{M}{\Σ}}w{1}_{ik}\×{\tilde{x}}_i+b{1}_k\left)\right)\×w{2}_{kj}+b{2}_j$

其中，函数F(X)为S型函数，为隐含层激发函数，输出层激发函数为线性函数；w1_ik,w2_kj,b1_k,b2_j分别代表输入层与隐含层的连接权值，隐含层和输出层的连接权值，隐含层阈值，输出层阈值；表示归一化的样本。

其中，神经网络参数获取单元250在采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数的过程中，

第一步：设前馈神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态变量I为：

$I={\left[\begin{array}{ccccc}{w}_{11}^{1}L& w_{{\mathrm{Ms}}_1}^1,b_1^{1}L& b_{s1}^1,w_{11}^{2}L& w_{s_{1}l}^2,b_1^{2}L& b_l^2\end{array}\right]}^T$

设I中的个数为n个值；

设定非线性方程：

其中，X_k为K时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵的I维度，λ＝a²(n+κ)-n，其中，κ为待选参数，a为分布状态参数；

第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型如下：

$\hat{Y}\left(X\right)=g^{-1}\left(\tilde{Y}\right(\tilde{X}\left)\right)=g^{-1}\left(\tilde{Y}\right(f\left(X\right)\left)\right)$

其中，g^-1是反归一函数，分别代表网络函数和归一化函数。

其中，最优控制参数获取单元260在利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数的过程中，

第一步：初始化一群微粒，其中，所述一群微粒的群体规模为m，包括随机的位置和速度，随机赋值；

第二步：评价每个微粒的适应度；

第三步：对每个微粒，将它的适应值和它经历过的最好位置P_best的作比较，如果较好，则将其作为当前的最好位置P_best；

第四步：对每个微粒，将它的适应值和全局所经历最好位置g_best的作比较，如果较好，则重新设置g_best的索引号；

第五步：在每一次迭代的过程中粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：

其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；V_id为粒子的速度；c₁和c₂为非负常数，为加速因子；r₁和r₂为分布在[0,1]之间的随机数；

第六步：重复第三步到第五步的操作，直到达到一个预设最大代数G_max，将最后一次迭代所得个体极值和全局极值作为优化所得最佳控制参数组合。

通过上述实施方式可以看出，本发明提供的基于UKF神经网络的转炉炼钢工艺成本控制方法及系统，在冶炼过程中的生产操作参数为信息载体，利用UKF神经网络方法挖掘原料配方、操作参数与炼钢成本之间的关系；并通过智能优化算法利获取最低成本下的操作参数，为实际生产最优生产提供指导，解决转炉炼钢成本较高的问题。

如上参照附图以示例的方式描述了根据本发明提出的基于UKF神经网络的转炉炼钢工艺成本控制方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的基于UKF神经网络的转炉炼钢工艺成本控制方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (10)

1.一种基于UKF神经网络的转炉炼钢工艺成本控制方法，包括：根据转炉炼钢的工艺选择影响成本的控制参数；

利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；

将构建的建模样本集进行归一化处理，获得归一化样本集；

根据所述归一化样本集构建前馈神经网络；

采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数；

利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；

根据所述最优控制参数获取最优控制参数成本值；

根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。

2.如权利要求1所述的基于UKF神经网络的转炉炼钢工艺成本控制方法，其中，

所述控制参数包括铁水量、废钢量、造渣材料加入量、入炉铁水的温度、出钢温度、白云石加入量、石灰石加入量、铁矿石加入量、氧气消耗量、氧枪位置。

3.如权利要求1所述的基于UKF神经网络的转炉炼钢工艺成本控制方法，其中，

在根据所述归一化样本集构建前馈神经网络的过程中，

所述前馈神经网络包括输入层、隐含层和输出层，

所述输入层与所述隐含层由权值连接，所述隐含层与所述输出层由权值连接；所述前馈神经网络函数表达式如下：

$\tilde{Y}=\underset{k=1}{\overset{s_1}{\mathrm{\Σ}}}\left(F\left(\underset{i=1}{\overset{M}{\Σ}}w{1}_{ik}\×{\tilde{x}}_i+b{1}_k\right)\right)\×w{2}_{kj}+b{2}_j$

其中，函数F(X)为S型函数，为隐含层激发函数；w1_ik,w2_kj,b1_k,b2_j分别代表输入层与隐含层的连接权值，隐含层和输出层的连接权值，隐含层阈值，输出层阈值；表示归一化的样本。

4.如权利要求3所述的基于UKF神经网络的转炉炼钢工艺成本控制方法，其中，

在采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数的过程中，

第一步：设前馈神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态变量I为：

$I={\left[\begin{array}{ccccc}{w}_{11}^{1}L& w_{{\mathrm{Ms}}_1}^1,b_1^{1}L& b_{s1}^1,w_{11}^{2}L& w_{s_{1}l}^2,b_1^{2}L& b_l^2\end{array}\right]}^T$

设I中的个数为n个值；

设定非线性方程：

其中，X_k为K时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵的I维度，λ＝a²(n+κ)-n，其中，κ为待选参数，a为分布状态参数；第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型如下：

$\hat{Y}\left(X\right)=g^{-1}\left(\tilde{Y}\right(\tilde{X}\left)\right)=g^{-1}\left(\tilde{Y}\right(f\left(X\right)\left)\right)$

其中，g^-1是反归一函数，分别代表网络函数和归一化函数。

5.如权利要求1所述的基于UKF神经网络的转炉炼钢工艺成本控制方法，其中，

在利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数的过程中，

第一步：初始化一群微粒，其中，所述一群微粒的群体规模为m，包括随机的位置和速度，随机赋值；

第二步：评价每个微粒的适应度；

第三步：对每个微粒，将它的适应值和它经历过的最好位置P_best的作比较，如果较好，则将其作为当前的最好位置P_best；

第四步：对每个微粒，将它的适应值和全局所经历最好位置g_best的作比较，如果较好，则重新设置g_best的索引号；

第五步：在每一次迭代的过程中粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：

$V_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；V_id为粒子的速度；c₁和c₂为非负常数，为加速因子；r₁和r₂为分布在[0,1]之间的随机数；

第六步：重复第三步到第五步的操作，直到达到一个预设最大代数G_max，将最后一次迭代所得个体极值和全局极值作为优化所得最佳控制参数组合。

6.一种基于UKF神经网络的转炉炼钢工艺成本控制系统，包括：

控制参数选择单元，用于根据转炉炼钢的工艺选择影响成本的控制参数；

建模样本集构建单元，用于利用模拟转炉炼钢平台采集不同控制参数的成本，构建建模样本集；

归一化样本集获取单元，用于将构建的建模样本集进行归一化处理，获得归一化样本集；

前馈神经网络构建单元，用于根据所述归一化样本集构建前馈神经网络；

神经网络参数获取单元，用于采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数；

最优控制参数获取单元，用于利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；

最优控制参数成本值获取单元，用于根据所述最优控制参数获取最优控制参数成本值；

最小成本值获取单元，用于根据所述最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。

7.如权利要求6所述的基于UKF神经网络的转炉炼钢工艺成本控制系统，其中，

所述控制参数选择单元的所述控制参数包括铁水量、废钢量、造渣材料加入量、入炉铁水的温度、出钢温度、白云石加入量、石灰石加入量、铁矿石加入量、氧气消耗量、氧枪位置。

8.如权利要求6所述的基于UKF神经网络的转炉炼钢工艺成本控制系统，其中，

所述前馈神经网络构建单元在根据所述归一化样本集构建前馈神经网络的过程中，

所述前馈神经网络包括输入层、隐含层和输出层，

所述输入层与所述隐含层由权值连接，所述隐含层与所述输出层由权值连接；所述前馈神经网络函数表达式如下：

$\tilde{Y}=\underset{k=1}{\overset{s_1}{\mathrm{\Σ}}}\left(F\left(\underset{i=1}{\overset{M}{\Σ}}w{1}_{ik}\×{\tilde{x}}_i+b{1}_k\right)\right)\×w{2}_{kj}+b{2}_j$

其中，函数F(X)为S型函数，为隐含层激发函数；w1_ik,w2_kj,b1_k,b2_j分别代表输入层与隐含层的连接权值，隐含层和输出层的连接权值，隐含层阈值，输出层阈值；表示归一化的样本。

9.如权利要求8所述的基于UKF神经网络的转炉炼钢工艺成本控制系统，其中，

神经网络参数获取单元在采用UKF算法对所述前馈神经网络进行训练建模，获取神经网络参数的过程中，

第一步：设前馈神经网络，记M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为则UKF神经网络中所有权值和阈值组成的状态变量I为：

$I={\left[\begin{array}{ccccc}{w}_{11}^{1}L& w_{{\mathrm{Ms}}_1}^1,b_1^{1}L& b_{s1}^1,w_{11}^{2}L& w_{s_{1}l}^2,b_1^{2}L& b_l^2\end{array}\right]}^T$

设I中的个数为n个值；

设定非线性方程：

其中，X_k为K时刻的神经网络输入样本；令ω_k＝0，v_k＝0，Y_k为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵的I维度，λ＝a²(n+κ)-n，其中，κ为待选参数，a为分布状态参数；

第四步：计算σ点的一步状态预测及状态变量协方差P_k+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵X作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型如下：

$\hat{Y}\left(X\right)=g^{-1}\left(\tilde{Y}\right(\tilde{X}\left)\right)=g^{-1}\left(\tilde{Y}\right(f\left(X\right)\left)\right)$

其中，g^-1是反归一函数；分别代表网络函数和归一化函数。

10.如权利要求6所述的基于UKF神经网络的转炉炼钢工艺成本控制系统，其中，

所述最优控制参数获取单元在利用PSO粒子群算法对运用UKF算法所构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数的过程中，

第一步：初始化一群微粒，其中，所述一群微粒的群体规模为m，包括随机的位置和速度，随机赋值；

第二步：评价每个微粒的适应度；

第三步：对每个微粒，将它的适应值和它经历过的最好位置P_best的作比较，如果较好，则将其作为当前的最好位置P_best；

第四步：对每个微粒，将它的适应值和全局所经历最好位置g_best的作比较，如果较好，则重新设置g_best的索引号；

第五步：在每一次迭代的过程中粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：

$V_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

其中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；V_id为粒子的速度；c₁和c₂为非负常数，为加速因子；r₁和r₂为分布在[0,1]之间的随机数；

第六步：重复第三步到第五步的操作，直到达到一个预设最大代数G_max，将最后一次迭代所得个体极值和全局极值作为优化所得最佳控制参数组合。