基于遗传算法与人工神经网络的加热炉建模方法研究

摘要

加热炉是一个特性复杂的工业生产对象，对于加热炉的建模，传统的建模方法往往不够精确，投运效果不尽如人意。随着智能技术的蓬勃发展，以BP神经网络为代表的神经网络建模方法在工业过程中的应用日渐广泛。遗传算法作为一种进化计算方法，具有的全局搜索能力能够较好地克服BP神经网络容易陷入局部极小值的缺点。因此，研究将BP神经网络与遗传算法相结合的方法十分必要。
　　本文提出了一种基于历史数据的加热炉神经网络建模方法。该方法首先确定BP神经网络结构得到网络模型的参数个数。然后通过遗传算法对编码后的个体反复地选择、交叉、变异，最终获得的最优个体包含BP神经网络权值和阈值的最佳参数组合，将其解码后作为BP神经网络的初始值。最后通过BP算法训练得到加热炉对象的神经网络模型。
　　本文所做的主要工作与贡献有以下几点:
　　(1)针对加热炉对象的复杂特性，本文从对象的输入输出特性出发，研究了利用神经网络对加热炉炉温建模的有效性，通过对比有效性指标，解决了神经网络结构难以选择的问题。
　　(2)本文提出了将遗传算法应用于加热炉神经网络建模中，通过遗传算法的大规模全局搜索能力优化BP神经网络模型的权值和阈值，避免了网络陷入局部极小值的缺点，加快了网络的收敛速度。基于该方法获得的模型学习能力更强，预测效果更好。
　　(3)为了加快遗传算法的收敛速度，提高运算效率，本文基于加热炉的运行数据，对遗传算法进行参数自适应调整。设计并实现了变异概率自适应的遗传算法，加快了神经网络模型参数的收敛速度。
　　(4)本文以唐山某钢铁厂的加热炉为研究对象，选取该对象的样本数据来设计加热炉神经网络模型，通过对比验证了该方法的可行性。结果表明应用该方法进行加热炉炉温建模是行之有效的。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外发展及研究现状

1．2．1 加热炉建模的研究现状

1．2．2 人工神经网络的发展及研究现状

1．2．3 遗传算法的发展及研究现状

1．3 本文主要内容和结构安排

第2章 神经网络基本理论及其仿真研究

2．1 神经元模型及相关函数

2．1．1 神经元模型

2．1．2 神经元基函数及激活函数

2．2 神经网络的学习算法

2．3 BP神经网络

2．3．1 Bp神经网络结构

2．3．2 标准BP算法

2．4 BP神经网络的性能分析及其改进

2．4．1 BP神经网络的局限性

2．4．2 标准BP算法的改进算法

2．5 BP神经网络的仿真研究

2．6 本章小结

第3章 遗传算法理论及其仿真研究

3．1 遗传算法概述

3．2 标准遗传算法

3．2．1 遗传算法的基本思想

3．2．2 遗传算法的基本原理

3．2．3 遗传算法的设计步骤

3．3 遗传算法的收敛性分析

3．4 遗传算法的特点与改进

3．4．1 遗传算法的优势

3．4．2 遗传算法的“早熟”问题

3．4．3 遗传算法的改进

3．5 遗传算法仿真研究

3．6 本章小结

第4章 遗传神经网络设计与实现

4．1 遗传算法对神经网络改进

4．2 神经网络与遗传算法合作式结合

4．3 遗传神经网络实现

4．3．1 神经网络学习的复杂性

4．3．2 面向神经网络权值优化的遗传算法

4．4 遗传神经网络的仿真研究

4．5 本章小结

第5章 GA-BP神经网络的加热炉炉温建模

5．1 加热炉工况介绍

5．1．1 蓄热式连续推钢加热炉

5．1．2 加热炉结构

5．2 现场控制系统软硬件基本组成

5．3 加热炉建模仿真研究

5．3．1 数据选取

5．3．2 数据预处理

5．3．3 GA-BP神经网络的设计及仿真

5．4 本章小结

第6章 总结与展望

6．1 本文工作内容总结

6．2 未来研究的展望

参考文献

附录

致谢

在读期间发表的学术论文与取得的研究成