CN106096724A - 基于elm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ELM神经网络的转炉炼钢工艺成本控制方法及系统，其中的方法包括根据转炉炼钢的工艺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ELM神经网络对前馈神经网络进行训练建模，获取神经网络参数；利用PSO算法对ELM神经网络训练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ELM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ELM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ELM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ELM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ELM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ELM神经网络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算法对ELM神经网络训练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ELM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ELM神经网络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算法对ELM神经网络训练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ELM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ELM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ELM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ELM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ELM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ELM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ELM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化生产提供指导。

其中，需要说明的是，ELM(Extreme Learning Machine，极限学习机器)神经网络研究中的一种算法，是一种泛化的单隐层前馈神经网络(Single-hidden LayerFeedforward Neural Network，SLFN)，其优势为需要的数学模型简单，学习速度快，能获得全局最优解；具有良好的泛化性能；泛化性能是指机器学习算法对新样本的适应性。

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ELM神经网络的转炉炼钢工艺成本控制方法，图1表示出了根据本发明实施例的基于ELM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ELM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：采用ELM神经网络对所述前馈神经网络进行训练建模，获取神经网络参数；

S160：利用PSO算法对ELM神经网络训练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ELM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；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]；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

在步骤S140中，构建3层前馈神经网络，设定输入层神经元M个，隐含层神经元个数为s₁，输出层神经元1个。由输入层、隐含层和输出层组成，输入层与隐含层由权值W连接，其W_ki表示第i个输入神经元与隐含层第k个神经元的间的连接权值。隐含层与输出层由权值β连接，其β_kj表示第k个隐层神经元与输出层第j个神经元的间的连接权值。b为隐含层神经元的阈值，b_k为第k个隐层神经元阈值图3示出了前馈神经网络的结构。

各权值、阈值具体为：

$\begin{array}{ccc}W=\left[\begin{array}{cccc}{W}_{11}& W_{12}& ...& W_{1M}\\ W_{21}& W_{22}& ...& W_{2M}\\ ...& ...& ...& ...\\ W_{s_{1}1}& W_{s_{1}2}& ...& W_{s_{1}M}\end{array}\right]& \mathrm{\β}=\left[\begin{array}{c}{\mathrm{\β}}_1\\ {\mathrm{\β}}_2\\ \·\\ \·\\ \·\\ {\mathrm{\β}}_{s_1}\end{array}\right]& b={\left[\begin{array}{c}{b}_1\\ b_2\\ ...\\ b_{s_1}\end{array}\right]}_{s_1\×1}\end{array}$

设隐含层神经元的激活函数为前馈神经网络的第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，表示归一化后的输出样本，W_k＝[W_k1,W_k2,…,W_kM]。

在步骤S150中，确定网络参数W、b、β；具体学习过程如下

第一步：确定所述隐含层的神经元个数，随机设定所述输入层与所述隐含层间的连接权值W和所述隐含层神经元的阈值b；

第二步：选择隐含层神经元的激活函数为

第三步：计算输出层权值β，其无限可微；

β＝H⁺Y′

其中，Y′表示网络输出的转置矩阵；

H⁺表示矩阵H的Moore-Penrose广义逆；

$H=\left[\begin{array}{cccc}g(w_1{x}_1+b_1)& g(w_2{x}_1+b_2)& ...& g(w_{s_1}{x}_1+b_{s_1})\\ g(w_1{x}_2+b_1)& g(w_2{x}_2+b_2)& ...& g(w_{s_1}{x}_2+b_{s_1})\\ ...& ...& ...& ...\\ g(w_1{x}_M+b_1)& g(w_2{x}_M+b_2)& ...& g(w_{s_1}{x}_M+b_{s_1})\end{array}\right].$

具体地，在步骤S150中，采用ELM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w(20×10)：

隐层神经元阈值b(20×1)：

$b=\left[\begin{array}{c}0.37\\ 0.53\\ 0.31\\ 0.19\\ \·\\ \·\\ \·\\ 0.91\\ 0.54\\ 0.15\\ 0.87\end{array}\right]$

隐层到输出层权值β(20×1)：

$\mathrm{\β}=\left[\begin{array}{c}1.09\\ 0.16\\ -0.16\\ -2.41\\ \·\\ \·\\ \·\\ 0.50\\ 2.47\\ -0.20\\ -2.50\end{array}\right]$

因此，图4和图5分别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个粒子表示为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)。在群体所有粒子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)初始化一群粒子(群体规模为m)，包括随机的位置和速度，随机赋值。

(3)评价每个粒子的适应度；

(4)对每个粒子，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)对每个粒子，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]。第一部分为粒子先前行为的惯性，第二部分为“：认知(cognition)”部分，表示粒子本身的思考；第三部分为“社会(social)”部分，表示粒子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算法优化步骤S150所得神经网络模型求取最值。

(1)构建PSO算法优化的适应度函数，采用步骤S150所得神经网络模型作为适应度函数，

设隐含层神经元的激活函数为ELM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ELM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ELM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ELM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ELM神经网络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算法对ELM神经网络训练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在根据归一化样本集构建前馈神经网络的过程中，前馈神经网络包括输入层、隐含层和输出层，其中，

所述输入层与所述隐含层由权值W连接；

隐含层与输出层由权值β连接；

设隐含层神经元的激活函数为ELM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，表示归一化后的输出样本，W_k＝[W_k1,W_k2,…,W_kM]。

其中，神经网络参数获取单元250在采用ELM神经网络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：确定所述隐含层的神经元个数，随机设定所述输入层与所述隐含层间的连接权值W和所述隐含层神经元的阈值b；

第二步：选择隐含层神经元的激活函数为

第三步：计算输出层权值β，；

β＝H⁺Y′

其中，Y′表示网络输出的转置矩阵；

H⁺表示矩阵H的Moore-Penrose广义逆；

$H=\left[\begin{array}{cccc}g(w_1{x}_1+b_1)& g(w_2{x}_1+b_2)& ...& g(w_{s_1}{x}_1+b_{s_1})\\ g(w_1{x}_2+b_1)& g(w_2{x}_2+b_2)& ...& g(w_{s_1}{x}_2+b_{s_1})\\ ...& ...& ...& ...\\ g(w_1{x}_M+b_1)& g(w_2{x}_M+b_2)& ...& g(w_{s_1}{x}_M+b_{s_1})\end{array}\right].$

其中，最优控制参数获取单元260在利用PSO算法对ELM神经网络算法训练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：初始化一群粒子，其中，所述一群粒子的群体规模为m，包括随机的位置和速度，随机赋值；

第二步：评价每个粒子的适应度；

第三步：对每个粒子，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：对每个粒子，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。

通过上述实施方式可以看出，本发明提供的基于ELM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ELM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ELM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ELM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ELM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ELM神经网络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算法对ELM神经网络训练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ELM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ELM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W连接，所述隐含层与所述输出层由权值β连接设；其中，

设隐含层神经元的激活函数为所述前馈神经网络的第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，表示归一化后的输出样本，W_k＝[W_k1,W_k2,…,W_kM]。

4.如权利要求3所述的基于ELM神经网络的转炉炼钢工艺成本控制方法，其中，

在采用ELM神经网络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：确定所述隐含层的神经元个数，随机设定所述输入层与所述隐含层间的连接权值W和所述隐含层神经元的阈值b；

第二步：选择隐含层神经元的激活函数为

第三步：计算输出层权值β，；

β＝H⁺Y′

其中，Y′表示网络输出的转置矩阵；

H⁺表示矩阵H的Moore-Penrose广义逆；

$H=\left[\begin{array}{cccc}g(w_1{x}_1+b_1)& g(w_2{x}_1+b_2)& \mathrm{...}& g(w_{s_1}{x}_1+b_{s_1})\\ g(w_1{x}_2+b_1)& g(w_2{x}_2+b_2)& \mathrm{...}& g(w_{s_1}{x}_2+b_{s_1})\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ g(w_1{x}_M+b_1)& g(w_2{x}_M+b_2)& \mathrm{...}& g(w_{s_1}{x}_M+b_{s_1})\end{array}\right].$

5.如权利要求1所述的基于ELM神经网络的转炉炼钢工艺成本控制方法，其中，

在利用PSO算法对ELM神经网络训练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：初始化一群粒子，其中，所述一群粒子的群体规模为m，包括随机的位置和速度，随机赋值；

第二步：评价每个粒子的适应度；

第三步：对每个粒子，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：对每个粒子，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ELM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ELM神经网络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算法对ELM神经网络训练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ELM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ELM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W连接，所述隐含层与所述输出层由权值β连接设；其中，

设隐含层神经元的激活函数为所述前馈神经网络的第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，表示归一化后的输出样本，W_k＝[W_k1,W_k2,…,W_kM]。

9.如权利要求8所述的基于PELM神经网络的转炉炼钢工艺成本控制系统，其中，

所述神经网络参数获取单元在采用ELM神经网络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：确定所述隐含层的神经元个数，随机设定所述输入层与所述隐含层间的连接权值W和所述隐含层神经元的阈值b；

第二步：选择隐含层神经元的激活函数为

第三步：计算输出层权值β，；

β＝H⁺Y′

其中，Y′表示网络输出的转置矩阵；

H⁺表示矩阵H的Moore-Penrose广义逆；

$H=\left[\begin{array}{cccc}g(w_1{x}_1+b_1)& g(w_2{x}_1+b_2)& \mathrm{...}& g(w_{s_1}{x}_1+b_{s_1})\\ g(w_1{x}_2+b_1)& g(w_2{x}_2+b_2)& \mathrm{...}& g(w_{s_1}{x}_2+b_{s_1})\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ g(w_1{x}_M+b_1)& g(w_2{x}_M+b_2)& \mathrm{...}& g(w_{s_1}{x}_M+b_{s_1})\end{array}\right].$

10.如权利要求6所述的基于ELM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算法对ELM神经网络训练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：初始化一群粒子，其中，所述一群粒子的群体规模为m，包括随机的位置和速度，随机赋值；

第二步：评价每个粒子的适应度；

第三步：对每个粒子，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：对每个粒子，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。