煅烧工艺参数与生块质量的预测模型∗

苏志同 王 博

（北方工业大学计算机学院 北京 100144）

1 引言

预焙阳极的生产过程是一个工序复杂而且原料之间的反应机理比较不明确的制造过程［1］。现在的国内外同行大多通过控制图表或者建立一般的数学模型等方法对质量进行控制，但是在实际应用中的效果仍然不理想。所以在预焙阳极的生产过程中进行方法的创新，就显得非常重要。神经网络算法是模拟人脑结构而开发出来的一种数学模型，可以在输入和输出间建立非常复杂的映射关系［2］。它对预焙阳极生产中煅烧工艺参数和生块质量间这样复杂的关系问题，可以进行自适应以及自学习很强的非线性映射。神经网络在预焙阳极生产过程中的应用是非常有必要的［14］。

煅烧可以使原料尽可能收缩，排除了原料中的水分和挥发分，提高了原料的密度和强度，增大了原料的导电性能和化学稳定性［3］。所以提高煅烧质量是提高阳极质量的条件。由于阳极质量是生块质量的直接反应，所以提高煅烧质量即改善煅烧工艺参数也是提高生块质量的必要条件［4］。

2 相关工作

算法模型的建立工作前，我们首先要确定BP神经网络的输入和输出变量，即煅烧生产工艺参数和生块质量的评价参数。同时我们要收集这些参数的合理范围值，从而支撑我们在数据预处理阶段进行归一化操作［5］，以及在评估阶段通过平均相对误差率得到预测正确率。

表1 煅烧生产工艺参数和合理范围表

表2 煅烧生产工艺参数和合理范围表

表3 煅烧生产工艺参数和合理范围表

表4 生块质量的评价参数和合理范围表

3 模型设计

在BP神经网络算法中，初始连接权值和阈值的矩阵会影响到训练的模型结果，进而影响模型的预测准确率［6］。常规做法是在标准正态分布中随机产生初始矩阵，但是这些方法在实际应用中往往很难达到理想的效果［9］。所以引入遗传算法，模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程，在局部范围内选择出最优解，从而提高模型的预测准确率［7］。

3.1 初始化种群数据

个体编码方法为浮点数编码［10］，由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四个部分组成。个体包含了神经网络全部的连接权值和阈值，最后在解空间内通过随机生成的方式初始化一百条数据构成的遗传算法的种群数据。

3.2 评估种群

评估种群时我们将个体对应模型的预测准确率作为适应度值。具体方法为使用个体数据作为阈值和权值对BP神经网络模型进行训练，根据训练后的模型使用测试数据得到预测值，计算出平均相对误差，然后用1减去它得到预测准确率。

3.3 选择数据

根据种群中个体适应度值的大小，通过轮盘赌的方法，分别选择出两个个体数据。轮盘赌选择法是依据个体的适应度值得到个体被选中的概率，然后随机选择两个体构成子代的母数据。轮盘赌选择策略的出发点是适应度值越好的个体被选择的概率越大［8］。

3.4 交叉操作

将选择出的两个个体，通过单点交叉的方法生成新的个体，并计算出新个体对应的适应度值。单点交叉是指将两个选择出的个体数据，根据随机的位置切割成两半，并从中各取出一半组成新的个体［11］。

3.5 变异操作

将交叉操作产生的新个体中的一部分基因数据进行变异，增加产生更好的个体的概率。具体操作为将基因数据中最中间的五个基因数据变异为0，从而产生不同于父母基因的新个体［12］。

3.6 淘汰操作

在交叉操作和变异操作后，种群中多出一个个体数据，为了保持种群数量的稳定，我们采用淘汰操作去掉其中一个个体。具体方法为根据种群数据的适应度值进行排序，淘汰其中适应度的值最小的个体［15］。

3.7 判断结束条件

我们在算法的最后会设置结束条件，决定让种群继续进行进化或者是停止进化并从当前种群数据选出适应度值最好的个体［13］。结束条件可以是进化代数，即种群进化一定代数后停止。结束条件也可以是确定的适应度值，例如要求预测准确率达到85%，那么算法就会一直进化，直到种群数据中适应度值的最大值达到85%。

3.8 评估流程图

图1 评估流程图

3.9 遗传算法流程图

遗传算法流程图如图2所示。

4 实验数据

下面是实验的具体数据，分别为BP神经网络算法模型的参数和遗传算法模型的参数，最后给出了优化前和优化后的相对误差随数据个数的变化趋势。两张图中上面的曲线为优化前的相对误差变化曲线，下面的曲线为优化后的相对误差变化曲线。第一张图为前50条测试数据的变化趋势图，第二张图为第50～100条测试数据的变化趋势图。

表5 BP神经网络算法参数表

表6 BP神经网络算法参数表

表7 遗传算法参数表

表8 遗传算法参数表

图3 相对误差的趋势（0～50条）

图4 相对误差的趋势（50～100条）

5 结语

单独使用BP神经网络训练出来的预测模型，预测准确率较低。加入遗传算法对BP神经网络中的初始连接权值和阈值的矩阵进行优化后，由于遗传算法的种群适应度值随进化代数逐渐提升，故使用其作为BP神经网络的初始权值和阈值的矩阵，提高了模型的预测准确率，产生了较为可靠的煅烧工艺参数与生块质量之间的预测模型，为两者关系的研究提供了有力的参考。