劉 闖, 韓 敏, 王 心 哲

( 大連理工大學(xué) 電子信息與電氣工程學(xué)部, 遼寧 大連 116024 )

?

基于膜算法進(jìn)化極限學(xué)習(xí)機(jī)的氧氣轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)模型

劉 闖, 韓 敏*, 王 心 哲

( 大連理工大學(xué) 電子信息與電氣工程學(xué)部, 遼寧 大連 116024 )

氧氣轉(zhuǎn)爐煉鋼的控制目標(biāo)是終點(diǎn)溫度和碳含量,但由于不能對(duì)其進(jìn)行在線連續(xù)測(cè)量,直接影響了出鋼的質(zhì)量．針對(duì)該問(wèn)題,提出一種基于膜算法進(jìn)化極限學(xué)習(xí)機(jī)(ELM)的抗干擾終點(diǎn)預(yù)報(bào)模型．利用進(jìn)化膜算法的全局尋優(yōu)能力調(diào)整ELM網(wǎng)絡(luò)參數(shù),不僅避免了ELM網(wǎng)絡(luò)受異常點(diǎn)影響出現(xiàn)過(guò)擬合現(xiàn)象,還可以尋找最優(yōu)復(fù)雜度的ELM模型．將找到的ELM模型應(yīng)用到轉(zhuǎn)爐煉鋼領(lǐng)域并建立終點(diǎn)碳含量和溫度的預(yù)報(bào)模型．在仿真實(shí)驗(yàn)中,分別使用含有高斯噪聲的標(biāo)準(zhǔn)sinC函數(shù)和氧氣轉(zhuǎn)爐煉鋼實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行仿真,結(jié)果表明所提模型在含噪聲的數(shù)據(jù)中具有較好的預(yù)報(bào)精度和魯棒性．

極限學(xué)習(xí)機(jī)；膜算法；氧氣轉(zhuǎn)爐煉鋼；終點(diǎn)預(yù)報(bào)；軟測(cè)量

0 引 言

氧氣轉(zhuǎn)爐(basic oxygen furnace, BOF)煉鋼是一種重要的冶煉技術(shù),也是最有效的方法之一[1]．由于BOF煉鋼的生產(chǎn)率高和生產(chǎn)成本低等優(yōu)勢(shì),世界各地大約有65%的鋼廠使用該方法．一般來(lái)講,BOF煉鋼可以在冶煉工藝標(biāo)準(zhǔn)下準(zhǔn)確地預(yù)測(cè)鋼水的終點(diǎn)碳含量和溫度,及時(shí)調(diào)整輔原料的加入量、吹氧量及冷卻劑加入量等,這既可以提高冶煉鋼的質(zhì)量,又可以降低生產(chǎn)成本．因此建立合理的終點(diǎn)預(yù)報(bào)模型對(duì)提高鋼水質(zhì)量和降低生產(chǎn)成本具有現(xiàn)實(shí)意義．

終點(diǎn)溫度和碳含量的機(jī)理預(yù)報(bào)模型是基于物料平衡和熱平衡建立的,這類模型通常依賴于煉鋼原材料初始條件的穩(wěn)定性和操作過(guò)程的平穩(wěn)性[2]．但是,目前國(guó)內(nèi)大多數(shù)鋼廠的原材料成分波動(dòng)很大,操作過(guò)程較多地依靠人工經(jīng)驗(yàn),這就給機(jī)理模型的正常使用造成了很大困難．隨著測(cè)量技術(shù)的發(fā)展,很多新型和高級(jí)的傳感器及設(shè)備被應(yīng)用到BOF煉鋼中用于改善控制效果,但由于檢測(cè)設(shè)備造價(jià)較高且維修費(fèi)用昂貴,生產(chǎn)成本急劇增加．近幾年來(lái),有學(xué)者基于數(shù)據(jù)統(tǒng)計(jì)和智能方法的黑箱模型建立BOF煉鋼的終點(diǎn)預(yù)報(bào)模型并且取得了一定的成果[3-5]．

極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)是Huang等提出的一種單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[6]．與其他神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(如BP算法)相比,ELM只需要設(shè)置網(wǎng)絡(luò)的隱層節(jié)點(diǎn)個(gè)數(shù),而不需要設(shè)置輸入權(quán)值和閾值網(wǎng)絡(luò)參數(shù),因此具有學(xué)習(xí)速度快的優(yōu)點(diǎn),它適用于對(duì)實(shí)時(shí)性要求較高的問(wèn)題進(jìn)行建模．

本文建立基于膜算法進(jìn)化ELM網(wǎng)絡(luò)的轉(zhuǎn)爐終點(diǎn)預(yù)報(bào)模型．在轉(zhuǎn)爐煉鋼生產(chǎn)過(guò)程中,由于影響終點(diǎn)碳溫的因素較多,往往會(huì)降低基于標(biāo)準(zhǔn)ELM方法建立的終點(diǎn)預(yù)報(bào)模型的預(yù)報(bào)準(zhǔn)確性．進(jìn)化膜算法(evolving membrane algorithm,EMA) 是一種基于膜計(jì)算理論的求解優(yōu)化問(wèn)題的方法,它具有全局尋優(yōu)和收斂速度快等特點(diǎn)[8]．針對(duì)標(biāo)準(zhǔn)ELM易受異常點(diǎn)影響導(dǎo)致終點(diǎn)預(yù)報(bào)精度低的問(wèn)題,本文提出一種通過(guò)EMA調(diào)整ELM網(wǎng)絡(luò)輸入權(quán)值和閾值的混合框架,將其應(yīng)用于實(shí)際轉(zhuǎn)爐煉鋼生產(chǎn)中終點(diǎn)碳溫的預(yù)報(bào),并進(jìn)行仿真實(shí)驗(yàn)．

1 進(jìn)化膜算法

膜計(jì)算是P?un受生物細(xì)胞的結(jié)構(gòu)和功能啟發(fā)提出的一種分布式和并行計(jì)算的分子計(jì)算模型[7]．EMA是Liu等基于膜計(jì)算理論提出的一種用于求解優(yōu)化問(wèn)題的演化算法,它通過(guò)模擬液體分子作不規(guī)則布朗運(yùn)動(dòng)查找優(yōu)化問(wèn)題的近似解．EMA不僅具有全局尋優(yōu)能力而且擁有快速收斂的性能,其優(yōu)秀的求解性能與膜計(jì)算理論的膜結(jié)構(gòu)以及反應(yīng)規(guī)則有著直接的關(guān)系[8]．文獻(xiàn)[8]描述了EMA求解優(yōu)化問(wèn)題的具體實(shí)現(xiàn)過(guò)程．圖1描述了EMA的實(shí)現(xiàn)流程．

圖1 膜算法的流程

EMA的關(guān)鍵步驟描述如下:

Step1初始化膜系統(tǒng)的參數(shù),如最大迭代次數(shù)、字符對(duì)象個(gè)數(shù)、基本膜個(gè)數(shù)、相鄰個(gè)數(shù)和進(jìn)化規(guī)則等．

Step2創(chuàng)建表層膜和建立進(jìn)化規(guī)則．在優(yōu)化問(wèn)題的可行域內(nèi),初始化字符對(duì)象X=(x1x2… xn),n為字符對(duì)象規(guī)模,字符對(duì)象xi=(x1,ix2,i…xD,i)表示優(yōu)化問(wèn)題的一個(gè)可能解,D為優(yōu)化問(wèn)題的維數(shù)．

Step3評(píng)估字符對(duì)象的適應(yīng)度值,根據(jù)適應(yīng)度值排序字符對(duì)象,建立多重集．調(diào)用表層膜中的分裂規(guī)則創(chuàng)建基本膜,并將表層膜中的多重集發(fā)送到基本膜中．

Step4在基本膜的區(qū)域,采用細(xì)胞自動(dòng)機(jī)模擬字符對(duì)象的游動(dòng)過(guò)程來(lái)增強(qiáng)EMA遍歷搜索空間的能力．此外,引入混沌搜索算子來(lái)增加字符對(duì)象的多樣性．

Step5將進(jìn)化后的字符對(duì)象發(fā)送回表層膜,實(shí)現(xiàn)來(lái)自不同基本膜的字符對(duì)象信息的共享,這有利于算法朝向全局最優(yōu)解方向的移動(dòng),加快算法的收斂速度．

Step6當(dāng)EMA的結(jié)束條件不滿足時(shí),則執(zhí)行Step3,否則執(zhí)行Step7．

Step7EMA執(zhí)行結(jié)束,表層膜中的最優(yōu)字符對(duì)象作為優(yōu)化問(wèn)題的全局最優(yōu)近似解．

2 進(jìn)化ELM

2.1 ELM模型

ELM是一種隨機(jī)設(shè)置輸入權(quán)值和隱藏層的閾值并計(jì)算輸出權(quán)值的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)的學(xué)習(xí)算法[6]．在理論上,它嘗試在極度學(xué)習(xí)速度上提供最好的泛化性能．與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比,它不僅具有更好的泛化性能,而且學(xué)習(xí)速度也提高近千倍．與傳統(tǒng)學(xué)習(xí)算法不同,它不僅具有更小的訓(xùn)練誤差,而且具有更小的輸出權(quán)值．

(1)

式中:wi=(wi1wi2…win)T,是連接第i個(gè)隱藏神經(jīng)元和輸入神經(jīng)元的權(quán)重向量；βi=(βi1βi2…βin)T,是連接第i個(gè)隱藏神經(jīng)元和輸出神經(jīng)元的權(quán)重向量；bi是第i個(gè)隱藏神經(jīng)元的閾值．wi·xj表示wi和xj的內(nèi)部輸出．

(2)

壓縮上面N個(gè)等式,式(2)變換為式(3):

Hβ=T

(3)

其中

(4)

(5)

H稱作神經(jīng)網(wǎng)絡(luò)的隱藏層輸出矩陣；H的第i列是第i個(gè)隱藏神經(jīng)元關(guān)于輸入x1,…,xN的輸出向量．

2.2 改進(jìn)的ELM

標(biāo)準(zhǔn)ELM網(wǎng)絡(luò)隨機(jī)地生成輸入權(quán)值和隱藏層閾值等參數(shù)可能降低ELM泛化性能和消耗更多的時(shí)間訓(xùn)練模型．針對(duì)以上問(wèn)題,國(guó)內(nèi)外學(xué)者提出了很多改進(jìn)方法來(lái)改善ELM的性能．Miche等[9]通過(guò)修剪ELM網(wǎng)絡(luò)中無(wú)用節(jié)點(diǎn),提出修剪ELM(OP-ELM)的最佳方法．Huang等[10]提出引入差分進(jìn)化算法選擇ELM網(wǎng)絡(luò)輸入權(quán)值的改進(jìn)模型,即DE-ELM．Saraswathi等[11]引入整數(shù)編碼遺傳算法(integer coded genetic algorithm)和粒子群訓(xùn)練ELM網(wǎng)絡(luò)．

盡管很多學(xué)者已經(jīng)提出了各種改進(jìn)ELM網(wǎng)絡(luò)的方法,但ELM網(wǎng)絡(luò)的泛化性能仍有待進(jìn)一步提高．為此,本文引入EMA生成ELM的輸入權(quán)值和閾值,然后使用Moore-Penrose(MP)廣義逆計(jì)算輸出權(quán)值．圖2描述了EMA辨識(shí)ELM模型參數(shù)的過(guò)程．

圖2 進(jìn)化膜算法辨識(shí)ELM模型參數(shù)

圖3以偽代碼的形式進(jìn)一步描述了EMA優(yōu)化ELM網(wǎng)絡(luò)模型的實(shí)現(xiàn)過(guò)程并列出了模型中的關(guān)鍵步驟．

圖3 所提模型的偽代碼

3 基于進(jìn)化ELM的BOF煉鋼終點(diǎn)預(yù)報(bào)模型

在BOF煉鋼中,某爐鋼水質(zhì)量是否合格與終點(diǎn)碳含量和終點(diǎn)溫度有著直接的關(guān)系[12]．準(zhǔn)確的終點(diǎn)預(yù)報(bào)不僅可以提高鋼材的質(zhì)量,還可以縮短冶煉時(shí)間、節(jié)約能源和降低生產(chǎn)成本．因此,建立有效的終點(diǎn)碳溫預(yù)報(bào)模型勢(shì)在必行．

迄今為止,常用的方法是依靠操作工人的經(jīng)驗(yàn)判斷終點(diǎn)碳含量和溫度．這不僅增加了操作工人的工作量,而且出鋼的質(zhì)量也不盡如人意．本文使用EMA優(yōu)化ELM模型建立轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)模型．該模型具有低成本、響應(yīng)快及精度高等優(yōu)點(diǎn),非常適合應(yīng)用在BOF煉鋼終點(diǎn)預(yù)報(bào)中．

3.1 終點(diǎn)碳溫預(yù)報(bào)模型

BOF煉鋼的目的是使鋼水中的碳含量和溫度達(dá)到特定鋼種規(guī)定的范圍．BOF煉鋼的過(guò)程如圖4所示．當(dāng)一個(gè)爐次開始時(shí),需要將鐵水和廢鋼倒入轉(zhuǎn)爐中并吹入氧氣,而后添加冷卻劑和輔原料．大約30 min后,第一次下副槍檢測(cè)鐵水內(nèi)的過(guò)程碳和過(guò)程溫．然后,依據(jù)過(guò)程碳和過(guò)程溫的測(cè)量結(jié)果進(jìn)入二吹階段,其主要目的是脫碳升溫,大約10 min后,第二次副槍測(cè)量開始．如果終點(diǎn)碳溫和碳含量不滿足出鋼要求,則進(jìn)行補(bǔ)吹．當(dāng)終點(diǎn)碳溫滿足出鋼要求時(shí),結(jié)束對(duì)當(dāng)前爐次的吹煉．

圖4 BOF煉鋼過(guò)程

基于上述BOF煉鋼過(guò)程,為了預(yù)報(bào)終點(diǎn)碳含量和溫度,本文提出一種混合預(yù)報(bào)模型,該模型使用EMA求解ELM網(wǎng)絡(luò)輸入權(quán)值和閾值,而后,它將副槍測(cè)量的過(guò)程數(shù)據(jù)應(yīng)用于BOF煉鋼終點(diǎn)碳溫預(yù)報(bào)．所提模型的具體描述如下．

3.1.1 初始化 首先,需要初始化進(jìn)化膜算法和ELM網(wǎng)絡(luò)的參數(shù)．其中,進(jìn)化膜算法包括字符對(duì)象、基本膜個(gè)數(shù)和迭代次數(shù)；ELM網(wǎng)絡(luò)包括輸入權(quán)值、閾值和隱藏層節(jié)點(diǎn)的上下限等信息．使用EMA優(yōu)化ELM網(wǎng)絡(luò)參數(shù),首先需要對(duì)ELM網(wǎng)絡(luò)參數(shù)進(jìn)行數(shù)值化編碼,而后將其作為EMA的字符對(duì)象．在預(yù)報(bào)模型中,EMA中的一個(gè)字符對(duì)象描述著一個(gè)ELM網(wǎng)絡(luò)的完整參數(shù),具體參數(shù)信息如圖5所示．其中W1,…,Wnode表示網(wǎng)絡(luò)的輸入權(quán)值,在[-1,1]隨機(jī)進(jìn)行初始化；θ1,…,θnode表示網(wǎng)絡(luò)的閾值,在[-1,1]隨機(jī)進(jìn)行初始化．

圖5 字符對(duì)象編碼

Fig.5 The coding of a symbol object

3.1.2 建立終點(diǎn)預(yù)報(bào)模型 通過(guò)對(duì)BOF煉鋼實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,確定了ELM網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)．使用ELM網(wǎng)絡(luò)建立了終點(diǎn)預(yù)報(bào)模型．在BOF煉鋼中,爐前操作人員在主吹結(jié)束后下副槍測(cè)量鋼水溫度和碳含量,而后依據(jù)副槍測(cè)量結(jié)果調(diào)整吹氧量,這說(shuō)明副槍測(cè)量的過(guò)程溫度和碳含量對(duì)終點(diǎn)溫度和碳含量有著直接的影響．換言之,終點(diǎn)溫度和碳含量與過(guò)程碳含量、過(guò)程溫度和二吹氧量有直接關(guān)系．基于上面的關(guān)系,本文給出了預(yù)報(bào)模型的結(jié)構(gòu)．模型的輸入端含有過(guò)程碳含量、過(guò)程溫和吹氧量3個(gè)輸入量；隱藏層包含20個(gè)隱藏層節(jié)點(diǎn)；當(dāng)預(yù)報(bào)終點(diǎn)碳含量時(shí)輸出端為終點(diǎn)碳含量,否則為終點(diǎn)溫度．

當(dāng)使用訓(xùn)練樣本和測(cè)試樣本時(shí),為避免因數(shù)據(jù)量綱不同造成的湮滅,需要先對(duì)樣本進(jìn)行歸一化,而對(duì)預(yù)測(cè)結(jié)果需要進(jìn)行反歸一化．根據(jù)煉鋼實(shí)際數(shù)據(jù)的特點(diǎn),設(shè)計(jì)了輸入的歸一化公式,如下式所示:

(6)

式中:x′為歸一化后的輸入數(shù)據(jù),x為實(shí)際數(shù)據(jù),xl為實(shí)際輸入數(shù)據(jù)的下界,xu為實(shí)際輸入數(shù)據(jù)的上界,0.01是為避免x=xl時(shí)導(dǎo)致x′=0的補(bǔ)償項(xiàng)．

依據(jù)歸一化公式(6),設(shè)計(jì)了反歸一化公式:

y′=yl+(y-0.01)(yu-yl)

(7)

式中:y′為反歸一化后的輸出,y為模型預(yù)測(cè)的輸出,yl為預(yù)測(cè)目標(biāo)的最小值,yu為預(yù)測(cè)目標(biāo)的最大值,0.01是補(bǔ)償項(xiàng)．

3.1.3 調(diào)整輸入權(quán)值和閾值 BOF煉鋼是一個(gè)受輸入影響十分顯著的生產(chǎn)過(guò)程,而且整個(gè)過(guò)程中物理和化學(xué)變化復(fù)雜,不確定因素較多,因此,依據(jù)步驟2建立模型后,使用EMA對(duì)其輸入權(quán)值和閾值進(jìn)行全局優(yōu)化,嘗試為ELM網(wǎng)絡(luò)找到最好的輸入權(quán)值和閾值,完成對(duì)ELM的訓(xùn)練,最終使得網(wǎng)絡(luò)具有更好的泛化性能．

4 實(shí)驗(yàn)結(jié)果數(shù)據(jù)分析

為驗(yàn)證基于進(jìn)化膜算法的ELM模型的有效性和實(shí)用性,分別使用兩組數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)．一組是含噪聲的標(biāo)準(zhǔn)sinC函數(shù),檢測(cè)模型的回歸能力和魯棒性；另一組是從某鋼廠現(xiàn)場(chǎng)采集BOF的400爐實(shí)際生產(chǎn)數(shù)據(jù)．進(jìn)化膜算法的參數(shù)設(shè)置為迭代次數(shù)20,字符對(duì)象100個(gè),基本膜5個(gè)．

4.1 sin C函數(shù)實(shí)驗(yàn)

sinC函數(shù)是正弦函數(shù)sinx和單調(diào)遞減函數(shù)1/x的乘積,如下式所示:

sinC(x)=(sinx)/x； -10

(8)

一般使用該函數(shù)測(cè)試模型的回歸性能．此外,本文通過(guò)在該函數(shù)生成的數(shù)據(jù)中加入噪聲測(cè)試模型的魯棒性．本文使用該函數(shù)共生成了400組樣本,其中前200組樣本加入了含有u(0,0.2)的噪聲并用于模型的訓(xùn)練；后200組樣本用于模型的測(cè)試．然后,使用生成好的訓(xùn)練樣本對(duì)ELM[6]、DE-ELM[10]和所提模型EMA-ELM進(jìn)行訓(xùn)練．其中,ELM是標(biāo)準(zhǔn)的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型[6],而DE-ELM是一種通過(guò)引入差分進(jìn)化算法優(yōu)化ELM的輸入權(quán)值的改進(jìn)模型[10]．最后,當(dāng)模型訓(xùn)練結(jié)束后,使用測(cè)試樣本對(duì)其進(jìn)行測(cè)試,測(cè)試結(jié)果如圖6所示．從圖6可以直接看出,與ELM[6]和DE-ELM[10]相比,所提模型EMA-ELM能很好地逼近真實(shí)sinC曲線．這說(shuō)明所提模型具有較好的回歸能力和魯棒性,也證明了進(jìn)化膜算法優(yōu)化ELM是有效的．

圖6 標(biāo)準(zhǔn)sin C函數(shù)的結(jié)果比較

為進(jìn)一步說(shuō)明模型的求解性能,將3種模型分別重復(fù)執(zhí)行50次．表1、2給出了不同模型的統(tǒng)計(jì)預(yù)測(cè)結(jié)果,表明所提模型均取得了優(yōu)于其他模型的結(jié)果．所提模型運(yùn)行50次的統(tǒng)計(jì)結(jié)果的方差較小,說(shuō)明其具有較好的穩(wěn)定性．仿真結(jié)果說(shuō)明所提模型具有較好的穩(wěn)定性和魯棒性．

表1 預(yù)測(cè)模型的統(tǒng)計(jì)訓(xùn)練誤差

表2 預(yù)測(cè)模型的統(tǒng)計(jì)測(cè)試誤差

4.2 煉鋼數(shù)據(jù)集的結(jié)果比較

鋼水是鐵水通過(guò)脫碳和升溫形成的．其中,碳含量由4%降低到0.08%,溫度從1 250 ℃升高到1 650 ℃．預(yù)報(bào)模型的精度為碳含量(0.08%±0.02%)和溫度(1 650±12) ℃．仿真數(shù)據(jù)共包括400組爐次信息,其中,選用前300爐作為模型的訓(xùn)練樣本用于終點(diǎn)預(yù)報(bào)建模,而其余的100爐作為測(cè)試樣本,對(duì)終點(diǎn)碳含量和溫度進(jìn)行預(yù)報(bào)．終點(diǎn)碳含量和終點(diǎn)溫度的預(yù)報(bào)結(jié)果分別如圖7、8所示,表明所提算法能較好地?cái)M合終點(diǎn)碳含量和終點(diǎn)溫度．

圖7 終點(diǎn)碳含量預(yù)報(bào)

圖8 終點(diǎn)溫度預(yù)報(bào)

為進(jìn)一步驗(yàn)證所提模型的預(yù)報(bào)性能,本文設(shè)計(jì)了命中率評(píng)價(jià)指標(biāo)對(duì)模型的預(yù)報(bào)能力進(jìn)行評(píng)價(jià),見(jiàn)式(9)．3種預(yù)報(bào)模型分別重復(fù)執(zhí)行了50次,表3、4列出了終點(diǎn)溫度命中和終點(diǎn)碳含量命中情況．

(9)

其中count是計(jì)算滿足條件的爐次數(shù)量,Ct表示滿足碳含量約束條件的爐次占爐次總數(shù)的百分比；Tt表示滿足溫度約束條件的爐次占爐次總數(shù)的百分比．

表3 終點(diǎn)溫度命中比例

從表3、4的仿真結(jié)果可以看出,與其他模型的統(tǒng)計(jì)結(jié)果相比,在終點(diǎn)溫度和碳含量命中比例上,所提模型均取得了較好的結(jié)果．這說(shuō)明EMA可以使ELM網(wǎng)絡(luò)具有更好的參數(shù),進(jìn)而使模型不僅具有較高的預(yù)報(bào)精度,而且具有較好的穩(wěn)定性．

5 結(jié) 語(yǔ)

本文提出了一種基于EMA優(yōu)化ELM的BOF煉鋼終點(diǎn)碳含量與溫度預(yù)報(bào)模型．所提模型使用EMA調(diào)整ELM的輸入權(quán)值和閾值參數(shù),進(jìn)而避免了傳統(tǒng)ELM隨機(jī)生成這類參數(shù)所帶來(lái)的過(guò)擬合和魯棒性差等問(wèn)題．在帶有異常點(diǎn)的標(biāo)準(zhǔn)sinC函數(shù)仿真實(shí)驗(yàn)中,與其他模型比較,所提模型不僅具有較好的回歸能力,而且具有較好的穩(wěn)定性和魯棒性．最后,使用BOF煉鋼實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行仿真,利用所提模型分別建立了終點(diǎn)溫度和終點(diǎn)碳含量的預(yù)報(bào)模型．無(wú)論是終點(diǎn)溫度還是終點(diǎn)碳含量都取得了較好的命中率,這說(shuō)明所提模型可以用于實(shí)際BOF煉鋼的終點(diǎn)預(yù)報(bào)．所提模型不局限應(yīng)用于BOF煉鋼終點(diǎn)預(yù)報(bào)中,也可以應(yīng)用于其他領(lǐng)域的工業(yè)生產(chǎn)中．

[1]Groover M P. Fundamentals of Modern Manufacturing:Materials, Processes, and Systems [M]. Hoboken:Wiley, 2010.

[2]Birk W, Johansson A, Medvedev A,etal. Model-based estimation of molten metal analysis in the LD converter:experiments at SSAB Tnnplat AB in Lulea [J]. IEEE Transactions on Industry Applications, 2002,38(2):565-570.

[3]CAI Bing-yao, ZHAO Hui, YUE You-jun. Research on the BOF steelmaking endpoint temperature prediction [C] //2011International Conference on Mechatronic Science, Electric Engineering and Computer (MEC). Jilin:IEEE, 2011:2278-2281.

[4]PENG Kai-xiang, ZHANG Jun, DONG Jie. Intelligent method in the end-point control of BOF [J]. Applied Mechanics and Materials, 2010,20-23:796-800.

[5]王心哲,韓 敏. 基于變量選擇的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)模型[J]. 控制與決策, 2010,25(10):1589-1592.

WANG Xin-zhe, HAN Min. Variable selection based BOF endpoint prediction model [J]. Control and Decision, 2010,25(10):1589-1592. (in Chinese)

[6]HUANG Guang-bin, ZHU Qin-yu, Siew C K. Extreme learning machine:theory and applications [J]. Neurocomputing, 2006,70(1):489-501.

[7]P?un G. Computing with membranes [J]. Journal of Computer and System Sciences, 2000,61(1):108-143.

[8]LIU Chuang, HAN Min, WANG Xin-zhe. A novel evolutionary membrane algorithm for global numerical optimization [C] //2012Third International Conference on Intelligent Control and Information Processing. Dalian:IEEE, 2012:727-732.

[9]Miche Y, Sorjamaa A, Bas P,etal. OP-ELM:optimally pruned extreme learning machine [J]. IEEE Transactions on Neural Networks, 2010,21(1):158-162.

[10]ZHU Qin-yu, Qin A, Suganthan P,etal. Evolutionary extreme learning machine [J]. Pattern Recognition, 2005,38(10):1759-1763.

[11]Saraswathi S, Sundaram S, Sundararajan N,etal. ICGA-PSO-ELM approach for accurate multiclass cancer classification resulting in reduced gene sets in which genes encoding secreted proteins are highly represented [J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2011,8(2):452-463.

[12]韓 敏,趙 耀,楊溪林,等. 基于魯棒相關(guān)向量機(jī)的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)模型[J]. 控制理論與應(yīng)用, 2011,28(3):343-350.

HAN Min, ZHAO Yao, YANG Xi-lin,etal. Endpoint prediction model of basic oxygen furnace steelmaking based on robust relevance-vector-machines [J]. Control Theory & Applications, 2011,28(3):343-350. (in Chinese)

Endpointpredictionmodelforbasicoxygenfurnacesteelmakingbasedonmembranealgorithmevolvingextremelearningmachine

LIU Chuang, HAN Min*, WANG Xin-zhe

( Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian 116024, China )

The goal of basic oxygen furnace (BOF) steelmaking is the endpoint of the temperature and carbon content. But it does not work to online continuous measurement, which directly affects the quality of steel. For solving the above problem, an anti-jamming endpoint prediction model of extreme learning machine (ELM) based on evolving membrane algorithm is proposed. The parameters of ELM are adjusted by the global optimization ability of evolving membrane algorithm, which not only avoids the overfitting of ELM affected by outliers, but also finds the optimal ELM model. The ELM model is applied to the field of BOF steelmaking, and the endpoint prediction model of carbon content and temperature is created. Simulations are implemented by the sinCfunction with the Gaussian noise and the production data of BOF steelmaking. The experimental results indicate that the proposed model has good prediction accuracy and robustness in the processing of data with noise.

extreme learning machine; membrane algorithm; basic oxygen furnace steelmaking; endpoint prediction; soft measurement

1000-8608(2014)01-0124-07

2012-12-15；

: 2013-09-24．

“八六三”國(guó)家高技術(shù)研究發(fā)展計(jì)劃資助項(xiàng)目(2007AA04Z158)；國(guó)家自然科學(xué)基金資助項(xiàng)目(60674073).

劉 闖(1984-)，男，博士生，E-mail:chuang.liu@mail.dlut.edu.cn；韓 敏*(1959-)，女，教授，博士生導(dǎo)師，E-mail:minhan@dlut.edu.cn.

TF724

：A

10.7511/dllgxb201401019