基于遺傳算法及溫度預(yù)報(bào)模型參數(shù)優(yōu)化

1、基于遺傳算法的溫度預(yù)報(bào)模型參數(shù)優(yōu)化1 問(wèn)題描述近年來(lái)，隨著純凈鋼生產(chǎn)技術(shù)的進(jìn)步和連鑄技術(shù)的發(fā)展，爐外精煉工藝與設(shè)備迅速普及。其中，LF以其優(yōu)異的綜合性能，在實(shí)際生產(chǎn)中得到了廣泛應(yīng)用。而點(diǎn)測(cè)鋼水溫度的高成本，使精煉爐溫度預(yù)報(bào)成為了極具實(shí)際意義的研究。因此，鋼水溫度預(yù)報(bào)模型的建立顯得至關(guān)重要。目前，溫度預(yù)報(bào)模型的建立主要采用3種方法，即：機(jī)理模型、“黑箱模型”和“灰箱模型”。機(jī)理模型是指用盡可能準(zhǔn)確的數(shù)學(xué)方程來(lái)描述過(guò)程機(jī)理而建立的模型，而“黑箱模型”則采用一些數(shù)學(xué)方法（智能算法、回歸算法等），結(jié)合實(shí)驗(yàn)數(shù)據(jù)或?qū)嶋H生產(chǎn)中的數(shù)據(jù)，生成一種只有輸入和輸出的模型，而完全不考慮過(guò)程機(jī)理。然而，機(jī)理模型需要考慮

2、的因素太多，且這些因素具有相當(dāng)?shù)牟淮_定性，因此模型中的許多參數(shù)很難得到，嚴(yán)重影響了溫度預(yù)測(cè)的精度；“黑箱模型”則完全建立在數(shù)據(jù)的基礎(chǔ)上，如果生產(chǎn)環(huán)境和條件改變導(dǎo)致了數(shù)據(jù)改變，原先模型的準(zhǔn)確性就得不到保障，即模型的可移植性差。因此，本文主要研究“灰箱模型”的建立，即采用機(jī)理建模與數(shù)據(jù)建模相結(jié)合的方式，應(yīng)用智能優(yōu)化算法對(duì)機(jī)理模型中較難獲得的參數(shù)進(jìn)行辨識(shí)與確定，其流程如下圖所示：圖1 溫度預(yù)報(bào)模型建立的方案流程圖而參數(shù)的辨識(shí)過(guò)程，即是基于智能優(yōu)化算法，根據(jù)輸入輸出條件，對(duì)機(jī)理模型不易獲得的參數(shù)進(jìn)行尋優(yōu)的過(guò)程。2 理論基礎(chǔ)2.1 機(jī)理模型本研究所基于的機(jī)理模型，是根據(jù)LF爐精煉過(guò)程中的傳熱基本方程、能

3、量守恒方程和質(zhì)量守恒方程等來(lái)建立的。并運(yùn)用有限差分法和有限元法等，通過(guò)控制初始條件和邊界條件來(lái)對(duì)模型進(jìn)行求解，得到鋼包內(nèi)的溫度情況。 熱平衡分析 吸熱與散熱精煉過(guò)程中，鋼水熱量的來(lái)源與去向大致如圖2所示。圖2 熱量的來(lái)源與去向?qū)撍蜖t渣作為一個(gè)系統(tǒng)，來(lái)推導(dǎo)吸熱和散熱與其溫度變化的關(guān)系。由于系統(tǒng)在加熱與散熱的過(guò)程中，其內(nèi)能變化都體現(xiàn)在溫度的變化上，所以系統(tǒng)實(shí)際吸收的熱量為通過(guò)電弧加熱所吸收的熱量與冶煉過(guò)程中散去的熱量之差，即： （1）式中，、為鋼水和渣的比熱容，、為鋼水和渣的重量，為系統(tǒng)總的溫度變化，、分別代表通過(guò)電弧加熱所吸收的熱量，和通過(guò)渣面及爐蓋散熱、爐壁及爐底散熱、加渣料及加合金影響所

4、損失的熱量。為最終求出溫度隨時(shí)間變化的曲線，可對(duì)式（1）兩端對(duì)時(shí)間取微分。由此，對(duì)每個(gè)溫度的影響因素進(jìn)行分析與建模，分別求解它們的熱量變化速率，再將模型綜合后求積分，即可得出溫度隨時(shí)間變化規(guī)律的曲線，溫度的計(jì)算公式為： （2） 機(jī)理模型描述（1）電弧加熱模型系統(tǒng)所吸收的熱量應(yīng)與總的耗電量相關(guān)，二者間是一個(gè)乘系數(shù)的關(guān)系，即： （3）其中為該次冶煉過(guò)程中的總耗電量，而是系統(tǒng)的能量吸收系數(shù)，即電弧效率。（2）渣面及爐蓋散熱模型LF精煉過(guò)程中，通過(guò)渣面損失的熱量包括通過(guò)渣面的輻射和對(duì)流的熱損失，還包括吹氬帶走的熱量，即： （4）渣面及爐蓋散熱的近似計(jì)算方法，是將渣面散熱和爐蓋散熱視為一個(gè)整體，通過(guò)計(jì)算

5、水冷爐蓋中冷卻水帶走的熱量，來(lái)確定渣面及爐蓋的散熱量，即有： （5）式中，、分別為冷卻水的比熱容和密度，為冷卻水流量，其單位為；為冶煉時(shí)間，單位為；、分別為冷卻水的出口、入口溫度。而計(jì)算高溫氣體帶走熱量的經(jīng)驗(yàn)計(jì)算方法為：對(duì)小于120t噸位的鋼包爐，氣體帶走熱量約占有功功率的5%-6%；而對(duì)于大于120t噸位的鋼包爐，氣體帶走的熱量大約占有功功率的7%-9%。因此有： （6） 其中為氣體帶走熱量占有功功率的百分?jǐn)?shù)，為有功功率。將和綜合考慮，并考慮精煉時(shí)間和吹氬時(shí)間，以冷卻水流量、冷卻水出入口溫度，以及有功功率作為輸入，以為模型待確定參數(shù)，即可搭建該部分模型。（3）爐壁及爐底散熱模型爐壁散熱可當(dāng)作

6、一維非穩(wěn)態(tài)導(dǎo)熱問(wèn)題建模，利用其初始條件和邊界條件來(lái)求解。為簡(jiǎn)化問(wèn)題，將爐壁的傾斜度忽略不計(jì)，將其視為圓柱體；并且將爐壁材料的導(dǎo)熱系數(shù)和比熱容取平均值，視為常量。計(jì)算時(shí)，可將爐壁視為無(wú)限長(zhǎng)圓筒壁，在柱坐標(biāo)下求解。就爐壁而言，其導(dǎo)熱微分方程式為： （7）上式中，、分別為鋼包材料的密度、比熱容和導(dǎo)熱系數(shù)；為爐壁徑向上某點(diǎn)的溫度，為該點(diǎn)距鋼包中軸線的距離（即半徑）；為時(shí)間，單位是。式（7）的初始條件（）為： （8）式中，、分別為首次測(cè)溫時(shí)鋼水溫度和鋼包外壁的溫度；、分別為鋼包的內(nèi)徑和外徑。式（8）的邊界條件是，在時(shí)有： （9）在有： （10）以上兩式中，、為鋼水和環(huán)境的實(shí)時(shí)溫度；為鋼包側(cè)壁的綜合對(duì)流換

7、熱系數(shù)，其單位為。運(yùn)用有限差分的方法，可對(duì)該微分方程進(jìn)行求解。同理，對(duì)于爐底散熱問(wèn)題，也可用同樣的方法進(jìn)行討論，這里不再贅述。（4）加渣料與合金的影響加料是LF的精煉流程中的一個(gè)重要環(huán)節(jié)，不同渣料的熔化熱不同，因此加渣料對(duì)于鋼水溫度的影響取決于不同渣料的熱物性參數(shù)和加入量的多少；與加渣料類似，不同合金的熔化熱、熔解熱以及化學(xué)反應(yīng)吸收或放出的熱量都不同。根據(jù)大量的實(shí)際數(shù)據(jù)統(tǒng)計(jì)，以下給出一些常見(jiàn)渣料、合金的溫降系數(shù)值，如表1所示。其中，加渣料、合金對(duì)鋼水的平均溫降系數(shù)，單位為。表1 部分常見(jiàn)渣料與合金的溫降系數(shù) 需要注意的是，上表中的負(fù)值表示降溫。于是，加渣料與合金的熱效應(yīng)可由式（11）計(jì)算。 （

8、11）其中為加某種渣料或合金的重量（），為熔化時(shí)間。 機(jī)理模型仿真依據(jù)各部分機(jī)理模型，以其所有輸出與鋼水、渣的重量及比熱容作為總模型輸入，最終通過(guò)仿真輸出鋼水溫度。該模型的Simulink框圖及仿真結(jié)果如下所示。圖3 總機(jī)理模型Simulink仿真框圖圖4 總機(jī)理模型Simulink仿真結(jié)果上圖中，橫坐標(biāo)表示時(shí)間（s），縱坐標(biāo)表示鋼水溫度（），該圖顯示了一個(gè)精煉周期內(nèi)（約45min）鋼水溫度的變化情況。顯然，在電弧加熱的時(shí)間段內(nèi)，鋼水溫度顯著上升；在其它時(shí)段，由于散熱，鋼水溫度有緩慢下降的趨勢(shì)。而且在一個(gè)精煉周期內(nèi)，鋼水大約升溫70，基本符合實(shí)際情況。然而，由于電弧效率、鋼包材料的導(dǎo)熱系數(shù)與比

9、熱容等參數(shù)很難準(zhǔn)確得知，機(jī)理模型中只能大致在一定范圍內(nèi)取值，因此機(jī)理模型僅能準(zhǔn)確反映溫度變化趨勢(shì)，難以達(dá)到精確預(yù)測(cè)溫度的效果。因此，本研究將利用遺傳算法來(lái)對(duì)這些難以準(zhǔn)確獲得的參數(shù)進(jìn)行辨識(shí)與優(yōu)化。2.2 遺傳算法 算法簡(jiǎn)介遺傳算法（GA）是基于Darwin進(jìn)化論和Mendal遺傳學(xué)說(shuō)的一種優(yōu)化搜索方法，從20世紀(jì)60年代開(kāi)始興起。它是基于自然選擇和基因遺傳學(xué)原理的搜索方法，將“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適配值函數(shù)及一系列遺傳操作對(duì)各個(gè)個(gè)體進(jìn)行篩選，從而使適配值高的個(gè)體被保留下來(lái)，組成新的群體。新群體包含上一代的大量信息，并且引入了新的優(yōu)于上一代

10、的個(gè)體。這樣周而復(fù)始，群體中各個(gè)體適應(yīng)度不斷提高，直至滿足一定條件。此時(shí)，群體中適配值最高的個(gè)體即為待優(yōu)化參數(shù)的最優(yōu)解。遺傳算法主要有以下特點(diǎn)：（1）遺傳算法的處理對(duì)象不是參變量本身，而是參變量編碼后的稱為人工染色體的位串，使得遺傳算法可直接對(duì)集合、隊(duì)列、矩陣、圖表等結(jié)構(gòu)對(duì)象進(jìn)行操作。這一點(diǎn)使得遺傳算法的應(yīng)用范圍很廣。（2）遺傳算法是多點(diǎn)搜索，而不是單點(diǎn)，從而避免陷入局部最優(yōu)，逐步逼近全局最優(yōu)解。也正是其固有的并行性，是遺傳算法優(yōu)于其他算法的關(guān)鍵。（3）與自然界類似，遺傳算法對(duì)求解問(wèn)題的本身可以一無(wú)所知，如對(duì)搜索空間沒(méi)有特殊要求（如連續(xù)、凸性等），對(duì)目標(biāo)函數(shù)也不要求諸如連續(xù)性、導(dǎo)數(shù)存在和單峰等

11、假設(shè)，它所需要的僅是對(duì)算法所產(chǎn)生的每個(gè)染色體進(jìn)行評(píng)價(jià)，并基于適應(yīng)值排列等級(jí)來(lái)選擇染色體，使適應(yīng)值好的染色體比適應(yīng)值差的染色體有更多的繁殖機(jī)會(huì)。遺傳算法利用簡(jiǎn)單的編碼技術(shù)和繁殖機(jī)制來(lái)表現(xiàn)復(fù)雜的現(xiàn)象，從而解決非常困難的問(wèn)題。（4）遺傳算法是一種自適應(yīng)隨機(jī)搜索方法。遺傳算法是以概率原則指導(dǎo)搜索，適應(yīng)值高的個(gè)體，在進(jìn)化過(guò)程中將被賦予更高的選擇概率，在下一代中有更大繁殖機(jī)會(huì)。遺傳算法可以更有效地利用已有的信息來(lái)搜尋那些有希望改善解質(zhì)量的串，比一般的隨機(jī)搜索有更高的搜索效率。因此，利用遺傳算法的上述優(yōu)點(diǎn)與廣泛適用性，對(duì)機(jī)理模型中難以獲得的參數(shù)加以辨識(shí)后，再應(yīng)用到機(jī)理模型中，是一種能進(jìn)一步發(fā)展和完善機(jī)理模型

12、的切實(shí)可靠的方法。 編碼方法編碼是應(yīng)用遺傳算法時(shí)要解決的首要問(wèn)題，也是設(shè)計(jì)遺傳算法時(shí)的一個(gè)關(guān)鍵步驟。編碼除了決定個(gè)體的染色體排列形式之外，還決定了個(gè)體從搜索空間的基因型變化到解空間的表現(xiàn)型時(shí)的解碼方法，編碼方法也影響到交叉算子、變異算子等遺傳算子的運(yùn)算方法。迄今為止，最常用的是二進(jìn)制編碼方法和浮點(diǎn)數(shù)編碼方法。本例中采用浮點(diǎn)數(shù)編碼方法，即將個(gè)體的每一個(gè)基因值用某一范圍內(nèi)的一個(gè)浮點(diǎn)數(shù)來(lái)表示，個(gè)體編碼長(zhǎng)度等于其決策變量的個(gè)數(shù)。因?yàn)檫@種編碼方法使用的是決策變量的真實(shí)值，所以浮點(diǎn)數(shù)編碼方法也稱真值編碼方法或?qū)崊⒕幋a方法。浮點(diǎn)數(shù)編碼方法大致具有以下幾個(gè)優(yōu)點(diǎn)： （1）適合于在遺傳算法中表示范圍較大的數(shù)。（2

13、）適合于精度要求較高的遺傳算法。（3）便于較大空間的遺傳搜索。（4）改善了遺傳算法的計(jì)算復(fù)雜性，提高了運(yùn)算效率。（5）便于設(shè)計(jì)針對(duì)問(wèn)題的專門知識(shí)的知識(shí)型遺傳算子。 根據(jù)之前建立起的機(jī)理模型，選擇系統(tǒng)中不易獲得的參數(shù)進(jìn)行辨識(shí)，它們是：電弧效率、鋼包材料導(dǎo)熱系數(shù)、鋼包材料比熱容。將這些參數(shù)作為遺傳算法中組成種群中個(gè)體的基因，并以向量來(lái)表示。采用浮點(diǎn)數(shù)編碼方法，即用這些參數(shù)的真值作為其編碼，并且限定這些參數(shù)的范圍。根據(jù)經(jīng)驗(yàn)，給出電弧效率、鋼包材料導(dǎo)熱系數(shù)以及比熱容的參考范圍，即：， （12） 適應(yīng)度函數(shù)的建立個(gè)體適應(yīng)度函數(shù)的值不僅代表了該個(gè)體本身的好壞，還決定了在下一代遺傳中，該個(gè)體存留下來(lái)的概率。

14、本研究利用模型計(jì)算的終點(diǎn)溫度值與實(shí)際測(cè)量的終點(diǎn)溫度值間的誤差來(lái)構(gòu)造適應(yīng)度函數(shù)，即： （13）式中，表示某個(gè)體的適應(yīng)度，為輸入輸出數(shù)據(jù)的組數(shù)，而為第組數(shù)據(jù)的計(jì)算溫度值與實(shí)際溫度值的誤差值。為方便計(jì)算，將圖3所示的Simulink機(jī)理模型編寫(xiě)為一個(gè)m函數(shù)，供遺傳算法所調(diào)用。該函數(shù)以總耗電量、加熱時(shí)間、有功功率、鋼包尺寸、加料量、鋼水初始溫度等信息為輸入，用作為待優(yōu)化參數(shù)，以鋼水終點(diǎn)溫度為函數(shù)計(jì)算的輸出，以鋼水的終點(diǎn)測(cè)溫值作為比較。而輸入信息和鋼水的終點(diǎn)測(cè)溫值，均取自多爐次的現(xiàn)場(chǎng)操作記錄與數(shù)據(jù)。 基本操作（1）選擇操作選擇是從一個(gè)舊種群中選擇生命力強(qiáng)的個(gè)體位串，產(chǎn)生新種群的過(guò)程。本例中選擇操作采用適

15、度比例法，它根據(jù)某個(gè)體的適應(yīng)度與該代全部個(gè)體適應(yīng)度之和的比值，來(lái)決定其子孫遺留的可能性，即在第代中，某個(gè)體被選取的概率為： （14）其中，為某個(gè)體的適應(yīng)度，為該代全部個(gè)體的適應(yīng)度之和，可根據(jù)式（13）來(lái)進(jìn)行計(jì)算。確定概率后，可用輪盤賭的選擇方法來(lái)實(shí)現(xiàn)選擇操作。例如，用計(jì)算機(jī)生成01之間均勻分布的隨機(jī)數(shù)，若，則當(dāng)產(chǎn)生的隨機(jī)數(shù)在00.5之間時(shí)，該串被復(fù)制，否則被淘汰。（2）交叉操作交叉運(yùn)算是指兩個(gè)相互配對(duì)的染色體按某種方式相互交換某部分基因，從而形成兩個(gè)新的個(gè)體。在遺傳算法中，將種群中的個(gè)個(gè)體以隨機(jī)的方式組成對(duì)配對(duì)個(gè)體組，交叉操作在這些配對(duì)個(gè)體組中的兩個(gè)個(gè)體間進(jìn)行的?？疾炷撑鋵?duì)個(gè)體組中的兩個(gè)個(gè)體、

16、，交叉操作采用一定方式將它們變?yōu)閮蓚€(gè)新的個(gè)體、。在遺傳算法中，交叉操作過(guò)程需要滿足： （15）基于上式，浮點(diǎn)數(shù)編碼的交叉操作采用如下方式來(lái)實(shí)現(xiàn)： （16）其中，、為區(qū)間上均勻分布的隨機(jī)數(shù)，且有，調(diào)整的大小即可控制交叉操作的變化范圍。（3）變異操作使用變異算子來(lái)調(diào)整個(gè)體編碼串中的部分基因值，可以從局部的角度出發(fā)使個(gè)體更加逼近最優(yōu)解，提高遺傳算法的局部搜索能力。變異操作將某個(gè)個(gè)體的參數(shù)，操作變?yōu)橛騼?nèi)的另一個(gè)值。浮點(diǎn)數(shù)編碼的遺傳算法采用下式進(jìn)行： （17） 其中，表示平均值為，方差為的正態(tài)分布隨機(jī)數(shù)?？梢钥闯觯儺惒僮骷词且援?dāng)前值為中心，主要在一個(gè)小范圍內(nèi)進(jìn)行隨機(jī)擾動(dòng)的變化。3 算法設(shè)計(jì)根據(jù)以上介紹

17、，就遺傳算法本身而言，其步驟主要如下： （1）確定編碼方式，選取一定大小的初始種群；（2）計(jì)算所選種群中每一個(gè)個(gè)體的適應(yīng)度函數(shù)值及復(fù)制概率；（3）用輪盤賭方法，淘汰相應(yīng)個(gè)數(shù)的函數(shù)值較小的個(gè)體，替換為相應(yīng)個(gè)數(shù)的函數(shù)值較大的個(gè)體；（4）對(duì)個(gè)體隨機(jī)兩兩配對(duì)，按指定概率進(jìn)行交叉操作；（5）對(duì)每一個(gè)體中的每一參數(shù)，按指定概率進(jìn)行變異操作；（6）若滿足收斂條件則輸出最優(yōu)解并退出，否則返回執(zhí)行步驟（2），如此往復(fù)。而根據(jù)本機(jī)理模型具體實(shí)例而言，現(xiàn)將具體的算法流程作以介紹。步驟一：產(chǎn)生待辨識(shí)參數(shù)的初始種群根據(jù)式（12）中所示的待辨識(shí)參數(shù)上下限范圍，采用隨機(jī)的方式，生成3個(gè)參數(shù)的初始種群，種群大小為，并設(shè)置最大

18、進(jìn)化代數(shù)。若為種群中某個(gè)體的向量表示，則用MATLAB隨機(jī)生成的種群可用一個(gè)的矩陣來(lái)表示。步驟二：計(jì)算個(gè)體的適應(yīng)度選取50爐鋼的操作記錄（即數(shù)據(jù)組數(shù)）作為輸入數(shù)據(jù)及溫度比較標(biāo)準(zhǔn)，對(duì)于選中的每個(gè)個(gè)體，通過(guò)組輸入數(shù)據(jù)的計(jì)算結(jié)果，根據(jù)式（13）計(jì)算適應(yīng)度函數(shù)的值，并判斷當(dāng)前的進(jìn)化代數(shù)是否達(dá)到設(shè)定值。若達(dá)到設(shè)定值，則結(jié)束遺傳算法尋優(yōu)過(guò)程，此時(shí)最大適應(yīng)度值對(duì)應(yīng)的個(gè)體即為機(jī)理模型參數(shù)的辨識(shí)結(jié)果；若進(jìn)化代數(shù)未達(dá)到設(shè)定值，則繼續(xù)執(zhí)行步驟三。步驟三：進(jìn)行遺傳算法操作根據(jù)步驟二中計(jì)算出的適應(yīng)度值與式（14）計(jì)算出的選擇概率以及預(yù)先設(shè)定的交叉和變異概率，進(jìn)行遺傳算法的選擇、交叉和變異操作，產(chǎn)生下一代群體，而后將遺傳

19、代數(shù)增加1再返回步驟二。根據(jù)以上的三個(gè)步驟，繪制算法的流程圖如下所示：圖5 算法流程圖4 仿真實(shí)驗(yàn)與結(jié)果分析綜合前文所述，參與參數(shù)優(yōu)化的輸入數(shù)據(jù)有：總耗電量，冷卻水流量，冷卻水入口、出口溫度，有功功率，精煉周期，加渣、加合金重量，鋼包內(nèi)外徑，鋼包高度，包底厚度，鋼水初溫，鋼水進(jìn)站與出站重量等。利用MATLAB中英國(guó)謝菲爾德大學(xué)遺傳算法工具箱，很容易利用工具箱內(nèi)的函數(shù)進(jìn)行生成種群、選擇、交叉、變異操作。經(jīng)MATLAB運(yùn)行仿真，最終遺傳代數(shù)到達(dá)100代時(shí)得到種群中的最優(yōu)個(gè)體如下： （18） 而隨著遺傳代數(shù)的增加，種群中的個(gè)體逐步優(yōu)化，計(jì)算溫度與實(shí)際溫度的誤差減小，即個(gè)體適應(yīng)度增大，圖6為每代最優(yōu)個(gè)

20、體適應(yīng)度值的變化趨勢(shì)。圖6 誤差趨勢(shì)圖可見(jiàn)，該趨勢(shì)符合實(shí)際情況。得到參數(shù)后，將最終得到優(yōu)化的參數(shù)代入到鋼水溫度預(yù)報(bào)的機(jī)理模型中，即可得到更加精確的溫度預(yù)報(bào)曲線。為檢驗(yàn)?zāi)Ｐ偷木_性，另取20組現(xiàn)場(chǎng)數(shù)據(jù)，以式（18）所給出的參數(shù)計(jì)算終點(diǎn)溫度，并與實(shí)測(cè)溫度比較，結(jié)果如下表所示。表2 模型驗(yàn)證結(jié)果為使結(jié)果更加直觀，用折線圖的方式繪制溫度計(jì)算值與實(shí)測(cè)值的偏差如下：圖7 預(yù)報(bào)溫度與實(shí)際溫度誤差折線圖可見(jiàn)，在20組數(shù)據(jù)中，有11組的預(yù)報(bào)結(jié)果誤差在5以內(nèi)，有16組的預(yù)報(bào)結(jié)果誤差在10以內(nèi)，而全部預(yù)報(bào)結(jié)果的誤差均在15以內(nèi)，平均預(yù)報(bào)溫度誤差為6.2?？梢钥闯?，精煉過(guò)程中鋼水溫度的預(yù)報(bào)值與實(shí)測(cè)值比較吻合，說(shuō)明該模

21、型建立即參數(shù)優(yōu)化比較合理。5 總結(jié)與展望本文在鋼水溫度預(yù)報(bào)機(jī)理模型的基礎(chǔ)上，應(yīng)用遺傳算法對(duì)機(jī)理模型中不易獲得的參數(shù)進(jìn)行辨識(shí)與尋優(yōu)，取得了初步的成功。然而，在溫度預(yù)報(bào)方面，雖然本文中的機(jī)理模型可以正確預(yù)測(cè)溫度變化趨勢(shì)，混合模型可以利用智能方法辨識(shí)出部分機(jī)理模型的參數(shù)，使模型更加準(zhǔn)確，但由于冶煉現(xiàn)場(chǎng)的復(fù)雜性，任何確定性或非確定性因素都有可能影響溫度變化的走勢(shì)。因此，若想建立更加精確的溫度預(yù)報(bào)模型，還需要對(duì)現(xiàn)場(chǎng)的實(shí)際情況做更加深入的考察與分析。此外，應(yīng)用遺傳算法時(shí)，待辨識(shí)參數(shù)的選擇也尤為關(guān)鍵。若選擇較多的參數(shù)進(jìn)行辨識(shí)，有可能使辨識(shí)后模型的結(jié)果更貼近于實(shí)際情況，但計(jì)算相對(duì)復(fù)雜；而選擇較少的參數(shù)辨識(shí)，可

22、使計(jì)算較為簡(jiǎn)化，但模型精度變差。因此，結(jié)合現(xiàn)場(chǎng)經(jīng)驗(yàn)，合理把握辨識(shí)參數(shù)的程度亦十分關(guān)鍵。而在執(zhí)行遺傳算法的過(guò)程中，若種群中個(gè)體的個(gè)數(shù)為，數(shù)據(jù)的組數(shù)為，則每代種群需進(jìn)行次計(jì)算，效率相對(duì)較低，所以研究并開(kāi)發(fā)其它相對(duì)高效的智能算法做鋼水溫度預(yù)報(bào)研究，將成為我們今后研究方向之一。附錄 MATLAB源程序代碼clcclear alldata=xlsread('C:wrydata.xls'); P=data(:,1:end-1);T=data(:,end); N=3;threshold=-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1

23、1;-1 1;-1 1;-1 1;-1 1;%*%ÒÅ´«Ëã·¨²ÎÊýNIND=100;%ÖÖȺ´óСMAXGEN=100;PRECI=3;%*¸öÌ峤¶ÈGGAP=0.95;px=0.7;pm=0.01;trace=zeros(N+1,MAXGEN);Chrom=crtrp(NIND,0.5 1.3 10

24、00;0.8 6.5 1380); %ÓÅ»¯gen=0;for k=1:MAXGENObj=zeros(size(P,1),NIND);tin=25;R1=1.85;R2=2;Tevn=30;Height=4;Z1=0.25;for j=1:NINDfor i=1:size(P,1) qall=P(i,1); iter=Chrom(j,1); flow=P(i,2); tout=P(i,3); pactive=P(i,4); RealTime=P(i,5); Cp=Chrom(j,3); lamad=Chrom(j,2); zha=P(i,6); ca

25、o=P(i,7); casi=P(i,8); sife=P(i,9); mnfe=P(i,10); Tst0=P(i,11); Tls0=P(i,12); mstin=P(i,13); mstout=P(i,14); Obj(i,j)=mechanicalmodel(qall,iter,flow,tout,tin,pactive,RealTime,Cp,lamad,zha,cao,casi,sife,mnfe,R1,R2,Tst0,Tls0,Tevn,Height,Z1,mstin,mstout);endend ObjV=zeros(1,NIND); fprintf('%dn'

26、,gen); for j=1:NIND ObjV(j)=sum(Obj(:,j)-T).2); end ObjV=ObjV' FitnV=ranking(ObjV); SelCh=select('sus',Chrom,FitnV,GGAP); SelCh=recombin('reclin',SelCh,px); ObjSel=zeros(size(P,1),size(SelCh,1);for j=1:size(SelCh,1)for i=1:size(P,1) qall=P(i,1); iter=SelCh(j,1); flow=P(i,2); tout

27、=P(i,3); pactive=P(i,4); RealTime=P(i,5); Cp=SelCh(j,3); lamad=SelCh(j,2); zha=P(i,6); cao=P(i,7); casi=P(i,8); sife=P(i,9); mnfe=P(i,10); Tst0=P(i,11); Tls0=P(i,12); mstin=P(i,13); mstout=P(i,14); ObjSel(i,j)=mechanicalmodel(qall,iter,flow,tout,tin,pactive,RealTime,Cp,lamad,zha,cao,casi,sife,mnfe,R

28、1,R2,Tst0,Tls0,Tevn,Height,Z1,mstin,mstout);endendObjSelV=zeros(1,size(SelCh,1); for j=1:size(SelCh,1) ObjSelV(j)=sum(ObjSel(:,j)-T).2); end ObjSelV=ObjSelV' Chrom,ObjV=reins(Chrom,SelCh,1,1,ObjV,ObjSelV); gen=gen+1; Y,I=min(ObjV); trace(1:N,gen)=Chrom(I,:); trace(end,gen)=Y;end%½ø

29、7;¯Í¼outcome=trace;figure(1);plot(1:MAXGEN,trace(end,:);grid on;xlabel('ÒÅ´«´úÊý')ylabel('Îó²î±ä»¯')title('½ø»¯¹ý³Ì')bestX=trace(1:end-1,end)

30、;bestErr=trace(end,end); function y=mechanicalmodel(qall,iter,flow,tout,tin,pactive,RealTime,Cp,lamad,zha,cao,casi,sife,mnfe,R1,R2,Tst0,Tls0,Tevn,Height,Z1,mstin,mstout)y1=absorbedheat(qall,iter);y2=surfacedissipation(flow,tout,tin,pactive,RealTime);y3=materials(zha,cao,casi,sife,mnfe);y4=sidedissip

31、ation(R1,R2,Tst0,Tls0,Tevn,Height,RealTime,Cp,lamad);y5=bottomdissipation(Z1,Tst0,Tls0,Tevn,R1,RealTime,Cp,lamad);y=(y1-y2-y4-y5)/(460*mstin+1050*(mstout-mstin)-y3+Tst0;function y=absorbedheat(qall,iter)y=qall*iter*3.6*1000000;function y=surfacedissipation(flow,tout,tin,pactive,RealTime)y=RealTime/3

32、600*flow*1000*4200*(tout-tin)+pactive*0.065*RealTime/3600*3.6*1000000;function y=materials(zha,cao,casi,sife,mnfe)y=(zha+cao+casi*1.05-sife*0.9+mnfe*0.9)*0.01;function y=sidedissipation(R1,R2,Tst0,Tls0,Tevn,Height,RealTime,Cp,lamad)deltaR=(R2-R1)/9;for i=1:1:10 R(i)=R1+deltaR*(i-1);endT0=zeros(1,10);for i=1:1:10 T0(i)=Tls0+(Tst0-Tls0)*(log(R2/R(i)/(log(R2/R1);end lamad1=lamad;deltaTau=10;hac=10;rho=2000;B=hac*deltaR/lamad1;Fo=(lamad1*deltaTau