机械工程与自动化
MECHANICAL ENGINEERING & AUTOMATION 第2期(总第225期)
inner mongolia
2021年4月No2Apr
文章编号：1672-6413 (2021)02-0077-03
reflection
改进遗传算法优化的BP 神经网络高炉煤气预测
白鹏，王浩
(山西省信息产业技术研究院有限公司，山西太原030012)
摘要：以高炉煤气为主要研究对象，针对钢铁企业高炉煤气发生量波动大、无规律等特点，提出基于改进遗
传算法优化的BP 神经网络模型，通过改进遗传算法中交叉概率和变异概率的自适应选取，达到在全局与局
部同时具有较强的寻优能力。由仿真结果可知：改进遗传算法优化的BP 模型比普通的BP 神经网络模型
能
更精确地预测煤气发生量，并解决了遗传算法(GA )优化BP 神经网络容易陷入早熟、收敛慢的问题。 关键词：高炉煤气；预测；遗传算法；BP 神经网络
中图分类号： TP183 文献标识码： A
0引言
钢铁企业高炉在生产过程中会产生可燃性的气 体，这些气体是高炉生产过程的副产品，统称为高炉煤 气［1］ (Blast Furnace Gas, BFG )。高炉煤气的主要成 分是CH 』、CO 、CO 2等气体。高炉煤气可以作为热风 炉、轧钢加热炉等其他冶金设备的燃气，从而降低冶炼 的额外燃料消耗，减少对环境的污染⑵。高炉煤气发 生量的准确预报预测是实现高炉煤气合理调度使用的 前提，针对高炉煤气的特点建立准确的预测预报模型 意义重大。
综合国内外研究现状，对于高炉煤气生成量的预 测主要有时间序列模型、灰色时序模型、人工神经网络 模型等［］。因其发生量的不确定性以及生成量受多变 量影响的特点，目前人工神经网络模型是高炉煤气预 测的主流方法。但是人工神经网络是通过权值调整实 现不断学习，自身的结构复杂、鲁棒性差，容易陷入局 部最优。基于此本文提出一种改进遗传算法优化的反 向传播网络模型，用来预测高炉煤气的生成量。1反向传播网络
人工神经网络预测模型是根据仿生学的经验，模 拟神经元网络形成的一种模型方法。其中最常用的是 BP 神经网络模型［］。本文根据高炉煤气系统的特点, 采用BP 神经网络模型进行预测。首先建立BP 模型 的结构，在此将BP 网络分三层即输入层、中间层和输 出层。假设输入层的节点数为犿个，隐含层节点数为 "，输出层节点数为0。输入层的第犻个节点记为狓,， 隐含层第J 个节点记为仏，输出层第k 个节点记为 y k o 输入层节点与隐层节点的网络权值记为，隐层 节点与输出层节点的网络权值为狏k 。
则输入层计算公式为：
狓犻―，=0,1,2 ,…，n . (1)
隐含层计算公式为：
blob犺=/(
》狑宀)f 犼=0,1,2,…，犿.(2)
犻一1
其中：函数/(-)称作激励函数。
输出层计算公式为：
m
m
n
y k 一 乂狏k 犺一刀狏/(刀狑狓犻).
(3)
犼一0
犼一0 犻一0
对网络联结权值进行调整，沿误差减小的方向不 断调整网络联结权值。在BP 学习算法中，对样本集 中的第狉个样本，输出层期望输出用犱狉表示，实际输 出记为y 『，目标函数E 可以表示为：
monika martinE =2(犱狉―y ”)2 . (4)
联结权值的调整公式为：
狏k (+1) = ■狏k + △狏k . (5)iv 犼(+1) = w l t ］ +A w 犼. (6)
其中：为迭代的次数狏k 与狏k'+1分别为第t 次和 第狋+1次迭代时隐含层与输出层的联结权值；狏为 联结权值的梯度变化量；狑,(+1)与 狑分别为第t 次和 第t + 1次迭代时隐含层与输入层的联结权值;Aw 1,，为 连接权值在梯度上的变化量。
胡志明市英文高炉的生产过程伴随着复杂的理化过程，简而言 之就是炉内的铁矿石与石灰石在氧气环境下发生一系 列高温高压反应，最终生成铁水和炉渣，并从炉顶放出 煤气的过程。可见高炉煤气生产过程受多种因素制 约，这里以山西某钢铁企业1号高炉实际生产数据为 统计样本，选取与高炉煤气生成量关联度最大的五个因 素为输入量，分别为焦比(kg - t —1)、煤比(kg • t —1)、风 量(m 3 • min —1)、风温(C )、风压(kPa )；输出为煤气生 成量。网络结构为三层BP 神经网络，隐含层的激励 函数选择双曲正切函数。2改进的遗传算法
遗传算法(Genetic Algorithm ，是一类借鉴生物界
收稿日 期： 2020-11-18； 修订日 期： 2021-03-08
作者简介：白鹏(1989-)，男，山西太原人，工程师，工学硕士，研究方向：控制理论与控制工程。
• 78 •机 械 工 程 与 自 动 化2021年第2期
的进化规律（适者生存，优胜劣汰遗传机制）演化而来 的随机优化搜索方法。其基本的算法流程包括产生群 体、选择、交叉、变异等操作。但是传统的遗传算法也 存在收敛慢、易早熟等问题。针对此问题，提出一种交 叉概率和变异概率的自适应调整方法。引入了自适应 变异概率函数与自适应交叉概率函数P c 与P m 。可以 看出，自适应变异概率函数与交叉概率函数在平面上 是一条平滑的曲线，个体的适应度大于群体的平均适 应度时，由自适应变异与交叉概率函数可以得到一个 较小的变异概率，这样的设计有利于优秀的个体保留 其优秀的“基因”，而在个体的适应度小于群体的平均 适应度时，由自适应变异概率函数可以得到一个较大的 变异概率，这样的设计有利于较差的个体加剧其变异。 自适应变异概率函数与自适应交叉概率函数如下：
1p — p 一______________
Pc P cmax ?+ exp (n F ')) •
1
m max
P m P m max . ' 8 丿（+exp （少犉）
其中：P c ax 与P m max 分别为群体中的最大交叉概率与最 大变异概率;F '为本次适应度；？和n 均
为自适应系数 因子，用来控制自适应函数的具体形状。通过变异概率函数和交叉概率函数控制进化的程度，从而避免了 遗传算法局部最优与早熟的缺点。3改进遗传算法优化的BP 神经网络
利用改进的遗传算法对BP 神经网络的初始权值 进行优化，从而改变传统BP 神经网络的初始权值是 随机给定的方法。 改进遗传算法优化后的初始权值就 已经是空间内寻优后的解，然后将这组最优解代入神 经网络权值中，再进行反向传播运算调整，可以得到比 传统BP 神经网络泛化能力更高的模型。
神经网络模型的数学最优解模型可以抽象为：
y k （犻）一工狏k 犺一工狏/（工狑狓犻）
，一 0 ，一 0 犻 一 0
船到桥头自然直英文其中:ykg ）为神经网络输出的期望值。
其约束条件为：
(9 )
E 一弟二y a ）-.
（°）
Is. — w e R m * , e R °
*n
其中:E 为损失函数；y k （狓）为神经网络输出的实际 值狑与狏分别为m *o 与o * n 的向量。通过改进的 遗传算法可以求得神经网络的权值狏k 与w ,，具体的 训练步骤如下：
（1） 设置初始神经网络的结构，包括输入层、隐含 层、输出层的节点个数。
（2） 设置遗传算法进行所需要的参数：初始种群 数量N ，最终迭代代数T ，初始交叉率P c 0和变异率 P m 。，自适应交叉函数与变异函数的系数？与少以及染 色体的长度L 等信息。
（3） 生成初代种群。
（4） 进行种群的选择交叉和变异操作，其中变异 概率与交叉概率使用上一小节的自适应函数方法确 定，即个体的适应度小于种群的平均适应度时，自适应 地给定较大的交叉概率和变异概率，反之自适应地给 定较小的交叉概率和变异概率。
（5） 如果达到遗传的代数或者小于目标函数值, 则遗传算法结束，将得到的权值输入BP 神经网络。 若没有达到条件则重新执行第（4）步。
（6）将优化的权值代入BP 神经网络进行反向传 播运算，调整权值。最终得到泛化后的神经网络模型。 4仿真分析
仿真所用数据采样自山西某钢铁企业DCS 系统 数据库，截取了某一个时间段内的风温、风压、煤比等 影响煤气生产的数据，作为训练集训练神经网络，输出 预测的煤气生成量。首先设定改进遗传算法的种群数 量N 、染色体长度L 、初始交叉概率P c0与初始变异概 率P m 0、自适应交叉与自适应变异概率函数的系数B 与耳以及迭代次数T 。这里设置种群数量N =50，染 色体长度L = 7，初始交叉率P c 0 = 0. 7，初始变异率 P m0=0. 03，自适应系数因子?=1,= —1，迭代次数 T =100次。然后设置BP 神经网络的结构，由风温、 风压、焦比、煤比等五个影响因素作为输入层，输出层 为煤气发生量的预测值，中间隐含层的神经元个数可 由文献［5］给出的公式进行计算：
n =槡m + o +q . （11）
其中：n 为隐含层神经元的个数；m 为输入层的节点 数，犿=5； o 为输出层节点数，即预测输出o =1； q 为调整常数，在此处取狇=1。则中间隐含层的神经原 个数n =4。改进的遗传算法进化曲线如图1所示。
5. 5
4. 5
超3. 5§2.5
1. 5
0 10 20 30 40 50 60 70 80 90 100
代数
图1传统遗传算法和改进遗传算法进化曲线比较
由图1可以看出，改进后的遗传算法在第20代就 基本收敛，而传统的遗传算法约在60代处才发生收 敛。这是由于交叉概率与自适应变异概率自适应选 取，使个体普遍获得了向着更加优秀的方向进行“繁 衍”。由此得到，改进后的遗传算法具有局部与全局的 快速寻优能力。
图2是使用普通BP 神经网络预测的高炉煤气数 值与使用改进遗传算法优化后的BP 神经网络预测的 高炉煤气数值比较。
o o o o o o O 5 0 5 0 5 0 56 6 5 5 4 4 3
em 、
*
帑
iH f
联妥帼
普通BP
神经网络 ，预测数值
5 10
15 20 25 30 35 40 45
时间/min
图2 普通BP 神经网络和优后BP 神经网络
高炉煤气生成量预测曲线比较
由图2可以看出：高炉煤气生成量的特点是数值 快速波动，无明显的规律性；普通的BP 神经网络模型 随着学习的进行，泛化能力逐渐变差，不适合预测大波 动特点的数据，预测的误差大；而经过改进遗传算法优 化后的BP 神经网络模型，由于在训练初期就选择了 遗传算法优选的权值，在模型的构建上更加有针对性, 预测的结果更加贴合真实数值，具有较好的泛化能力, 能够用于预测高炉煤气这种大波动的数据。
表1定量给出普通BP 神经网络模型预测值与改
2021年第2期机械工程与自动化•79•
进遗传算法优化的BP神经网络模型预测值在绝对百分比误差(MAPE)、均方误差(MSE)和均方百分比误差(MSPE)三个指标上的比较结果。由表1可以看出，改进遗传算法优化的BP神经网络预测值在三种指标上均优于普通BP神经网络模型预测数值。
表1误差定量分析
模型MAPE MSE MSPE 普通BP神经网络8.980.890.72改进遗传算法优化的BP神经网络 4.310.730.41
5结语
本文建立了高炉煤气改进遗传算法优化的BP神经网络模型用于预测，通过引入自适应变异概率与自适应交叉概率函数，加速了个体的进化速度。经过仿真验证可得出，改进后的遗传算法比传统的遗传算法具有更快的收敛性，可以更快地在整体空间进行寻优。利用改进的遗传算法优化BP神经网络的权值，并将优化后的BP神经网络用于高炉煤气的预测，仿真结果表明：经过优化的BP神经网络在预测高炉煤气数值时表现出良好的泛化能力，预测误差比普通的BP 神经网络更低，预测的结果更加精准。
参考文献：
[1]李红娟，王建军，王华，等.钢铁企业高炉煤气发生量预测
柔软的意思建模及应用[J]系统仿真学报，2014(6)13081314. [2]张琦，蔡九菊，王建军，等.钢铁厂煤气资源的回收与利用
[J]钢铁，2009,43(12)9599.
[3]张琦，谷延良，提威，等.钢铁企业高炉煤气供需预测模型
及应用[J]东北大学学报(自然科学版)2010(12)1737-1740
[4]常晓丽.基于Matlab的BP神经网络设计[J].机械工程
与自动化，2006(4)3637.
landway
[5]唐立力.最优隐层BP神经网络的滚动轴承故障诊断[J].
机械工程与自动化，2014(3):120121,124.
BP Neural Network Blast Furnace Gas Forecast Bad on
Improved Genetic Algorithm
BAI Peng,WANG Hao
(Shanxi Information Industry Technology Rearch Insttute Co.,Ltd., Taiyuan030012,China)
Abstract:Blast furnace gas is the main target object,aiming at the characteristics of large fluctuation a
nd strong irregularity of blast furnace gas in iron and steel Industry,A BP neural network model bad on improved genetic algorithm is propod.By improving the adaptive lection of cross probability and mutation probability in genetic algorithm,it has strong optimization ability in both global and local areas.The simulation results show that the BP model optimized by the improved genetic algorithm can predict more accurately than the ordinary BP model.The problem the BP neural network which optimized by genetic algorithm(GA)is easy to fa l intoprematureandconvergeslowlyissolved
Key words:blast furnace gas；forecasting；genetic algorithm；BP Neural Network
(上接第76页)
4研究展望[2]
基于本次对橡胶衬套的研究过程，在以下几个方
paymentterm面还可以进行更深入的探索：
(1)本论文对橡胶一主梁、橡胶一衬套进行了Tie
约束，并未细节地模拟出真实情况。若能在软件中设
置多个分析步，将橡胶衬套过盈配合到主梁中去，能够
得到更精确的结果，提高径向刚度。
(2)本文在对橡胶材料超弹性和黏弹性进行设定时，没有准确地模拟出参数。若根据橡胶衬套的试验数据拟合出参数，结果会更加精确。
(3)本论文对橡胶衬套进行了静、动、模态分析，但对整体的刚度研究还处于探索阶段。
参考文献：
[1]Charlton D.J,Yang J,The KK.A review ofmethods
tocharacterizerubberelastic behaviorfor uinfinite elementanalysis[J]RubberChemistryandTechnology，[4]
[5]
[6]
1994，67(3)：481-503
MieheC，KeckJ Superimpodfiniteelastic-viscoelastic-plastoelasticstressresponwithdamageinfi l edrubbery polymers[J]Journalofthe Mechanicsand Physicsof solids，2000，48(2)：323-365
[3]Gil-Negrete N.,Vinolas J.,Kaii L.A simplified methodology
to predict the dynamic stiffness of earton-black filled rubberisolatorsusingafiniteelementcode[J]Journalof Sound and Vibration，2006，296(4)：757-776
Gil-NegreteN，VinolasJ，KariL A nonlinearrubber materialmodelcombiningfractionalorderviscoelasticity and amplitude dependent e f ects Journal of applied mechanics，2009，76(1)：11-19
潘孝勇•橡胶隔振器动态特性计算与建模方法的研究
[D]杭州：浙江工业大学,009:54-79.
吴杰，上官文斌，潘孝勇•采用超弹性-粘弹性-弹塑性本构模型的橡胶隔振器动态特性计算方法机械工程学报，2010,46(14)109-114.
Finite Element Analysis of Rubber Bushing of Tracked Vehicle
牛津小学英语ZHANG Lei,LU Hao-bo
(Shenbao Energy,Ilulunbuir021000,China)
Abstract：Trackedvehiclesareakindofmultifunctionalo f-roadvehiclesudincomplexterrain Atprent，rigidconnectionsare often ud between the support wheels and main beams of tracked vehicles,which cannot meet the requirements of vibration reduction Inordertosolvetheshortcomingsofexistingtrackedvehicles，thispapertakestherubbertracksuspensionofamilitary vehicleastherearch object，and changestherigid connection betweenthesupport wheelsandthe main beam to the elastic connectionbyrubberbushings Thestaticanddynamicbehaviorcharacteristicsandmodalanalysisoftherubberbushingareanalyzed usingfiniteelementtechnology，andthestressclouddiagram，displacementclouddiagram，variousmodesofvibrationoftherubber bushing，andthecurvediagram ofstressanddisplacementchanges withtimeareobtained Itprovidestheoreticalguidanceand referencebasisforthefiniteelementanalysismethodofrubberparts
Keywords：rubberbushing；finiteelement；trackedvehicle
