CN111126550A - 基于蒙特卡洛方法的神经网络钢水温度预报方法 - Google Patents

基于蒙特卡洛方法的神经网络钢水温度预报方法 Download PDF

Info

Publication number
CN111126550A
CN111126550A CN201911354298.5A CN201911354298A CN111126550A CN 111126550 A CN111126550 A CN 111126550A CN 201911354298 A CN201911354298 A CN 201911354298A CN 111126550 A CN111126550 A CN 111126550A
Authority
CN
China
Prior art keywords
preset
value
network structure
weight
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911354298.5A
Other languages
English (en)
Other versions
CN111126550B (zh
Inventor
刘惠康
曹宇轩
鲍考明
柴琳
皮瑶
江典蔚
鄢梦伟
孙博文
李倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201911354298.5A priority Critical patent/CN111126550B/zh
Publication of CN111126550A publication Critical patent/CN111126550A/zh
Application granted granted Critical
Publication of CN111126550B publication Critical patent/CN111126550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

基于蒙特卡洛方法的神经网络钢水温度预报方法
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。
优选的，步骤S21中定义搜索样本空间如下：所述第一预设网络结构的输入层神经元个数为10，所述第一预设网络结构的输出层神经元个数为1，所述第一预设网络结构的隐藏层个数为1，所述第一预设网络结构的隐藏层神经元个数为1~50，所述第一预设网络结构的激活函数为logsig函数、tansig函数、relu函数、purelin函数、hardlim函数中的一种，所述第一预设网络结构的训练函数为traimlm函数、trainbr函数、trainrp函数、trainscg函数中的一种。
优选的，步骤S22中所述搜索策略包括：每次随机生成三个网络结构并获取三个网络结构中的最优网络结构，然后将剩下的两个中的一个在保持当前最优网络结构的隐藏层神经元个数不变的情况下对各层网络的激活函数和训练函数随机生成，另一个在保证与当前最优网络结构中激活函数和训练函数相同的情况下对于隐藏层神经元个数的随机生成，所述最优网络结构的反馈值和预设范围之间差值为三个网络结构中的最小差值。
优选的，步骤S23中以实际输出与期望输出之间的均方根（RMSE）误差值为评估函数，
Figure 100002_DEST_PATH_IMAGE002
，
Figure 100002_DEST_PATH_IMAGE004
表示输出的实际值，
Figure DEST_PATH_IMAGE006
表示输出的期望，
Figure DEST_PATH_IMAGE008
表示输出的个数。
优选的，步骤S3中具体包括：
S31：确定分析网络结构的拓扑结构并初始拓扑结构的权值和阀值长度及范围以获取初始值；
S32：通过遗传算法对分析网络进行编码以确定遗传算法种群规模并初始化种群；
S33：通过BP网络训练种群得到第一适应度值；
S34：通过遗传算法对种群依次进行选择、交叉、变异操作；
S35：计算种群的第二适应度值，如果第二适应度值不在第二预设范围内执行步骤S34，如果第二适应度值在第二预设范围内则获取分析网络结构的第一实际权值和第一实际阀值；
S36：分别计算第一实际权值和预设权值的第一误差、第一实际阀值和预设阀值之间的第二误差；
S37：在获取后续的第二实际权值和第二预设权值的第三误差、第二实际阀值和第二预设阀值之间的第四误差后将第一误差和第三误差、第二误差和第四误差进行比较，选择第一误差和第三误差中较小值对应的权值作为目标权值、第二误差和第四误差中较小值对应的阀值作为目标阀值以更新权值和阀值；
S38：如果目标权值和第二预设权值的差值在第三预设范围内、目标阀值和第二预设阀值的差值在第四预设范围内时则保存网络结果并输出，如果目标权值和第二预设权值的差值不在第三预设范围内或者目标阀值和第二预设阀值的差值不在第四预设范围内则执行S36。
优选的，步骤S3中将种群大小初始化为20，最大进化代数设置为100，遗传算法以这20个个体作为初始点进行迭代。
优选的，所述遗传算法对种群进行选择操作时首先在0与1之间的随机数确定种群中个体被选中次数，然后选择适应度大的个体进入下一代种群，在权值和阈值优化过程中，交叉操作采用交叉算子，利用一对个体根据给定的概率重组产生新的种群后代。
优选的，步骤S3中采用误差平方和的倒数作为适应度函数。。
本发明中首先建立基于BP神经网络的分析模型，接着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，可以获取最优网络结构，最后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，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。
附图说明
图1是本发明的流程示意图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
请参阅图1，本实施例中的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。
此处，首先建立基于BP神经网络的分析模型，接着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，可以获取最优网络结构，最后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，与现有技术相比，传统神经网络算法主要由人工试验的方法不断尝试来确定最优网络结构，存在设计复杂，迭代次数较多，时间较长的缺点，且不一定是最优网络结构的情况，在实时系统中的应用受到一定的限制，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。
通过对LF炉工艺分析结合经验建模和机理建模，得出影响温度变化的主要因素为分析模型的输入量，分析模型的输入量可以包括钢包初始温度、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。
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。这样可以获取最优的网络结构，在实时系统中的应用受到一定的限制，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。
为了缩小样本空间，步骤S21中定义搜索样本空间如下：网络输入层输出层神经元个数与输入输出数据参数个数对应，第一预设网络结构的输入层神经元个数为10，第一预设网络结构的输出层神经元个数为1，第一预设网络结构的隐藏层个数为1，第一预设网络结构的隐藏层神经元个数为1~50，第一预设网络结构的激活函数为logsig函数、tansig函数、relu函数、purelin函数、hardlim函数中的一种，第一预设网络结构的训练函数为traimlm函数、trainbr函数、trainrp函数、trainscg函数中的一种。
步骤S22中搜索策略包括：每次随机生成三个网络结构并获取三个网络结构中的最优网络结构，然后将剩下的两个中的一个在保持当前最优网络结构的隐藏层神经元个数不变的情况下对各层网络的激活函数和训练函数随机生成，另一个在保证与当前最优网络结构中激活函数和训练函数相同的情况下对于隐藏层神经元个数的随机生成，最优网络结构的反馈值和预设范围之间差值为三个网络结构中的最小差值。搜索策略采用蒙特卡洛方法进行模拟随机搜索。通过多次试验发现通过对搜索策略做上述定义可提高搜索效率。
步骤S23中以实际输出与期望输出之间的均方根（RMSE）误差值为评估函数，
Figure 64755DEST_PATH_IMAGE002
，
Figure 716316DEST_PATH_IMAGE004
表示输出的实际值，
Figure 292791DEST_PATH_IMAGE006
表示输出的期望，
Figure 422421DEST_PATH_IMAGE008
表示输出的个数。
步骤S3中具体包括：
S31：确定分析网络结构的拓扑结构并初始拓扑结构的权值和阀值长度及范围以获取初始值；
S32：通过遗传算法对分析网络进行编码以确定遗传算法种群规模并初始化种群；
S33：通过BP网络训练种群得到第一适应度值；
S34：通过遗传算法对种群依次进行选择、交叉、变异操作；
S35：计算种群的第二适应度值，如果第二适应度值不在第二预设范围内执行步骤S34，如果第二适应度值在第二预设范围内则获取分析网络结构的第一实际权值和第一实际阀值；
S36：分别计算第一实际权值和第二预设权值的第一误差、第一实际阀值和第二预设阀值之间的第二误差；
S37：在获取后续的第二实际权值和第二预设权值的第三误差、第二实际阀值和第二预设阀值之间的第四误差后将第一误差和第三误差、第二误差和第四误差进行比较，选择第一误差和第三误差中较小值对应的权值作为目标权值、第二误差和第四误差中较小值对应的阀值作为目标阀值以更新权值和阀值；
S38：如果目标权值和第二预设权值的差值在第三预设范围内、目标阀值和第二预设阀值的差值在第四预设范围内时则保存网络结果并输出，如果目标权值和第二预设权值的差值不在第三预设范围内或者目标阀值和第二预设阀值的差值不在第四预设范围内则执行36。
步骤S3中将种群大小初始化为20，最大进化代数设置为100，遗传算法以这20个个体作为初始点进行迭代。采用遗传算法进行BP网络权值和阈值的优化过程中，对初始种群采取实数编码，每个个体由一组实数串组成。当通过蒙特卡洛方法确定BP网络结构后，个体编码长度也随权值和阈值个数确定。
选择交叉变异是遗传算法的核心。遗传算法中的选择操作采用轮盘赌法，遗传算法对种群进行选择操作时首先在0与1之间的随机数确定种群中个体被选中次数，然后根据上述适应度函数计算，选择适应度大的个体进入下一代种群，在权值和阈值优化过程中，交叉操作采用交叉算子，利用一对个体根据给定的概率重组产生新的种群后代。
步骤S3中采用误差平方和的倒数作为适应度函数。在BP神经网络的误差绝对值越小越好，而在遗传算法中，适应度值越大越好，因此选取测试集数据误差平方和的倒数作为适应度函数，以便使遗传算法朝向适应度函数增大的方向进化。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，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。
2.如权利要求1所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：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。
3.如权利要求1或2所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，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。
4.如权利要求3所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，步骤S21中定义搜索样本空间如下：所述第一预设网络结构的输入层神经元个数为10，所述第一预设网络结构的输出层神经元个数为1，所述第一预设网络结构的隐藏层个数为1，所述第一预设网络结构的隐藏层神经元个数为1~50，所述第一预设网络结构的激活函数为logsig函数、tansig函数、relu函数、purelin函数、hardlim函数中的一种，所述第一预设网络结构的训练函数为traimlm函数、trainbr函数、trainrp函数、trainscg函数中的一种。
5.如权利要求4所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于，步骤S22中所述搜索策略包括：每次随机生成三个网络结构并获取三个网络结构中的最优网络结构，然后将剩下的两个中的一个在保持当前最优网络结构的隐藏层神经元个数不变的情况下对各层网络的激活函数和训练函数随机生成，另一个在保证与当前最优网络结构中激活函数和训练函数相同的情况下对于隐藏层神经元个数的随机生成，所述最优网络结构的反馈值和预设范围之间差值为三个网络结构中的最小差值。
6.如权利要求5所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：步骤S23中以实际输出与期望输出之间的均方根（RMSE）误差值为评估函数，
Figure DEST_PATH_IMAGE002
，
Figure 54531DEST_PATH_IMAGE003
表示输出的实际值，
Figure DEST_PATH_IMAGE004
表示输出的期望，
Figure 407890DEST_PATH_IMAGE005
表示输出的个数。
7.如权利要求3所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：步骤S3中具体包括：
S31：确定分析网络结构的拓扑结构并初始拓扑结构的权值和阀值长度及范围以获取初始值；
S32：通过遗传算法对分析网络进行编码以确定遗传算法种群规模并初始化种群；
S33：通过BP网络训练种群得到第一适应度值；
S34：通过遗传算法对种群依次进行选择、交叉、变异操作；
S35：计算种群的第二适应度值，如果第二适应度值不在第二预设范围内执行步骤S34，如果第二适应度值在第二预设范围内则获取分析网络结构的第一实际权值和第一实际阀值；
S36 ：分别计算第一实际权值和第二预设权值的第一误差、第一实际阀值和第二预设阀值之间的第二误差；
S37：在获取后续的第二实际权值和第二预设权值的第三误差、第二实际阀值和第二预设阀值之间的第四误差后将第一误差和第三误差、第二误差和第四误差进行比较，选择第一误差和第三误差中较小值对应的权值作为目标权值、第二误差和第四误差中较小值对应的阀值作为目标阀值以更新权值和阀值；
S38：如果目标权值和第二预设权值的差值在第三预设范围内、目标阀值和第二预设阀值的差值在第四预设范围内时则保存网络结果并输出，如果目标权值和第二预设权值的差值不在第三预设范围内或者目标阀值和第二预设阀值的差值不在第四预设范围内则执行S36。
8.如权利要求7所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：步骤S3中将种群大小初始化为20，最大进化代数设置为100，遗传算法以这20个个体作为初始点进行迭代。
9.如权利要求8所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：所述遗传算法对种群进行选择操作时首先在0与1之间的随机数确定种群中个体被选中次数，然后选择适应度大的个体进入下一代种群，在权值和阈值优化过程中，交叉操作采用交叉算子，利用一对个体根据给定的概率重组产生新的种群后代。
10.如权利要求9所述的基于蒙特卡洛方法的神经网络钢水温度预报方法，其特征在于：步骤S3中采用误差平方和的倒数作为适应度函数。
CN201911354298.5A 2019-12-25 2019-12-25 基于蒙特卡洛方法的神经网络钢水温度预报方法 Active CN111126550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354298.5A CN111126550B (zh) 2019-12-25 2019-12-25 基于蒙特卡洛方法的神经网络钢水温度预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354298.5A CN111126550B (zh) 2019-12-25 2019-12-25 基于蒙特卡洛方法的神经网络钢水温度预报方法

Publications (2)

Publication Number Publication Date
CN111126550A true CN111126550A (zh) 2020-05-08
CN111126550B CN111126550B (zh) 2023-07-28

Family

ID=70503047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354298.5A Active CN111126550B (zh) 2019-12-25 2019-12-25 基于蒙特卡洛方法的神经网络钢水温度预报方法

Country Status (1)

Country Link
CN (1) CN111126550B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112964371A (zh) * 2021-02-04 2021-06-15 东华理工大学 一种基于蒙特卡洛模型的有效发射率校正的钢包红外温度测量方法
CN113158563A (zh) * 2021-04-16 2021-07-23 华南理工大学 基于神经网络与蒙特卡洛的一维光子晶体反向设计方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102392095A (zh) * 2011-10-21 2012-03-28 湖南镭目科技有限公司 转炉炼钢终点预测方法和系统
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN103778466A (zh) * 2013-12-30 2014-05-07 浙江中控研究院有限公司 一种基于矢量误差的转炉炼钢温度建模预测方法及系统
CN106599417A (zh) * 2016-11-30 2017-04-26 中国电力科学研究院 一种基于人工神经网络的城市电网馈线负荷构成辨识方法
CN107369043A (zh) * 2017-07-19 2017-11-21 河海大学常州校区 一种基于bp神经网络的二手车价格评估优化算法
CN109508488A (zh) * 2018-11-07 2019-03-22 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN109547431A (zh) * 2018-11-19 2019-03-29 国网河南省电力公司信息通信公司 一种基于cs和改进bp神经网络的网络安全态势评估方法
CN109840508A (zh) * 2019-02-17 2019-06-04 李梓佳 一个基于深度网络架构自动搜索的机器人视觉控制方法，设备及存储介质
CN110083951A (zh) * 2019-04-30 2019-08-02 贵州电网有限责任公司 一种基于变压器相关运行数据的固体绝缘寿命预测方法
CN110120926A (zh) * 2019-05-10 2019-08-13 哈尔滨工程大学 基于演化bp神经网络的通信信号调制方式识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102392095A (zh) * 2011-10-21 2012-03-28 湖南镭目科技有限公司 转炉炼钢终点预测方法和系统
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN103778466A (zh) * 2013-12-30 2014-05-07 浙江中控研究院有限公司 一种基于矢量误差的转炉炼钢温度建模预测方法及系统
CN106599417A (zh) * 2016-11-30 2017-04-26 中国电力科学研究院 一种基于人工神经网络的城市电网馈线负荷构成辨识方法
CN107369043A (zh) * 2017-07-19 2017-11-21 河海大学常州校区 一种基于bp神经网络的二手车价格评估优化算法
CN109508488A (zh) * 2018-11-07 2019-03-22 西北工业大学 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法
CN109547431A (zh) * 2018-11-19 2019-03-29 国网河南省电力公司信息通信公司 一种基于cs和改进bp神经网络的网络安全态势评估方法
CN109840508A (zh) * 2019-02-17 2019-06-04 李梓佳 一个基于深度网络架构自动搜索的机器人视觉控制方法，设备及存储介质
CN110083951A (zh) * 2019-04-30 2019-08-02 贵州电网有限责任公司 一种基于变压器相关运行数据的固体绝缘寿命预测方法
CN110120926A (zh) * 2019-05-10 2019-08-13 哈尔滨工程大学 基于演化bp神经网络的通信信号调制方式识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李军 等: "基于GA-PSO-BP神经网络的LF终点温度预测", vol. 28, no. 03 *
杨凡: "炼钢连铸指计划优化模型与算法研究", 《中国优秀博士学位论文全文数据库 工程科技Ⅰ辑》 *
王宁;董刚;杨银堂;陈斌;李小菲;张岩;王凤娟;: "一种基于人工神经网络的反馈式神经元数优化方法", no. 02 *
莫愿斌;刘贺同;: "优化算法的信息原理与群搜索", no. 04 *
陈睿;闵华松;: "基于BP和RBF神经网络的机器人逆运动学算法", no. 23 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112964371A (zh) * 2021-02-04 2021-06-15 东华理工大学 一种基于蒙特卡洛模型的有效发射率校正的钢包红外温度测量方法
CN112964371B (zh) * 2021-02-04 2023-04-18 东华理工大学 一种基于蒙特卡洛模型的有效发射率校正的钢包红外温度测量方法
CN113158563A (zh) * 2021-04-16 2021-07-23 华南理工大学 基于神经网络与蒙特卡洛的一维光子晶体反向设计方法
CN113158563B (zh) * 2021-04-16 2022-11-18 华南理工大学 基于神经网络与蒙特卡洛的一维光子晶体反向设计方法

Also Published As

Publication number Publication date
CN111126550B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN109447346B (zh) 基于灰色预测与神经网络组合模型转炉氧耗量预测方法
CN102392095B (zh) 转炉炼钢终点预测方法和系统
Kang et al. Application of BP neural network optimized by genetic simulated annealing algorithm to prediction of air quality index in Lanzhou
CN111126550A (zh) 基于蒙特卡洛方法的神经网络钢水温度预报方法
CN109583585A (zh) 一种电站锅炉壁温预测神经网络模型
CN111832949B (zh) 一种装备作战试验鉴定指标体系构建方法
CN109359723A (zh) 基于改进正则化极限学习机的转炉终点锰含量预测方法
CN112070356A (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN109252009A (zh) 基于正则化极限学习机的转炉炼钢终点锰含量预测方法
CN117592819B (zh) 一种面向海洋牧场的陆海综合体的动态监管方法及装置
CN109359320B (zh) 基于多采样率自回归分布滞后模型的高炉指标预测方法
CN105160398B (zh) 基于人工鱼群算法的微生物发酵优化方法
CN116738863A (zh) 基于数字孪生运算炉外精炼co2利用数字模型搭建方法
CN117093868A (zh) 一种基于多任务学习的转炉终点预测方法和装置
CN108734349B (zh) 基于改进遗传算法的分布式电源选址定容优化方法及系统
CN113223634A (zh) 基于二维自注意力增强gru模型高炉铁水硅含量预测方法
CN105069323B (zh) 基于Memetic算法的微生物发酵控制优化方法
LU501336B1 (en) Method for predicting acrylamide in fried dough based on an optimized bp neural network
Liu et al. End point prediction of basic oxygen furnace (BOF) steelmaking based on improved bat-neural network
CN113935556A (zh) 一种基于dna遗传算法的温度传感器优化布置方法
CN114925569A (zh) 一种有限元与神经网络结合的钢板淬火温度预测方法
CN103135444A (zh) 一种钢铁生产能耗免疫预测控制模型
Yu et al. Research on quality prediction of iron ore green pellets based on optimized neural network
Liu et al. Establishment and Application of Steel Composition Prediction Model Based on t-Distributed Stochastic Neighbor Embedding (t-SNE) Dimensionality Reduction Algorithm
CN115034370B (zh) 基于bp网络模型预测高炉炉缸活性的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200508

Assignee: Wuhan Sidi Shangen Technology Co.,Ltd.

Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2020420000005

Denomination of invention: Neural network prediction method of molten steel temperature based on Monte Carlo method

License type: Common License

Record date: 20201021

GR01 Patent grant
GR01 Patent grant