·514 工程科学学报，第39卷，第4期 表4训练参数选取为多次训练以后选取的最优参 将BP神经网络铝耗预测模型编制成软件进行应用， 数，其他未注明参数均采用默认值.应用matlab GUI 模型界面和控制过程如图3和图4所示. ☑化两料料候期板草 基于BP神经网络的F钢铝耗预测模型 单护合金耗量预测 吹氧录m侧 进站钢液温度1 模型训练 进站氧活度10“65税氧前氧活度103端 歌RH治炼的软 单护合金耗量预测 批量合金耗量预涮 招耗妈 13 退出程序 领测合金耗量 清除数据 图3BP神经网络铝耗预测模型界面 Fig.3 Interface of the aluminum consumption prediction model with BP neural networks 开始 由表5可知，BP神经网络铝耗预测模型仿真结果 的标准差为0.285，平均误差为5.34%，平均正确率为 [导入训练样本，数据归一化 94.66%.相对误差在10%以内的命中率达到了 91.8%,绝对误差范围在[-0.1,0.1]范围内的命中率 模型训练参数初始化 达到了85.9%，命中率较高，具有很高的应用价值 2.4BP神经网络模型与多元线性回归模型对比 计算隐含层和输出层的输出值 由图2可知，RH进站钢液温度、吹氧量、RH进站 氧活度和脱碳结束氧活度与铝耗呈线性关系，对以上 「修正权值和國值 因素和铝耗的关系进行多元线性回归建模，回归系数 如表6所示. 否 。调练样本是否> 多元线性回归模型为： 完成 y=-0.002×t+0.004×Lo+0.002×a[0]+ 是 0.001×a[0]+2.761. (2) 根据目标函数计算总误差 式中：t为RH进站钢液温度；L,为吹氧量；a[O]为RH 进站氧活度，a:O]为脱碳结束氧活度. 是否小于设定值 由式(2)可知，吹氧量系数最大，对铝耗影响最 或大于训练次数 大：脱碳结束氧活度系数最小，对铝耗影响最小；RH 是 进站钢液温度和RH进站氧活度系数绝对值相等，对 结束训练 铝耗影响几乎相同，同2.1节所反映的影响规律几乎 相同，验证了各工艺参数对铝耗影响的重要性. 图4BP神经网络铝耗预测模型控制过程 将BP神经网络铝耗预测模型用于结果仿真的85 Fig.4 Control process of the aluminum consumption prediction mod- el with BP neural networks 炉工艺参数代入多元线性回归模型中，对两种模型的 预测输出与期望输出进行对比，如图5所示. 2.3模型结果仿真 由图5可知，两种模型的预测输出和期望输出均 模型训练完成以后，将845炉次的10%用于结果 有较好的吻合度，变化趋势几乎相同.但大部分炉次 的仿真.仿真结果如表5所示 中，BP神经网络模型的预测输出与期望输出更接近，工程科学学报，第 39 卷，第 4 期 表 4 训练参数选取为多次训练以后选取的最优参 数，其他未注明参数均采用默认值． 应用 matlab GUI 将 BP 神经网络铝耗预测模型编制成软件进行应用， 模型界面和控制过程如图 3 和图 4 所示． 图 3 BP 神经网络铝耗预测模型界面 Fig． 3 Interface of the aluminum consumption prediction model with BP neural networks 图 4 BP 神经网络铝耗预测模型控制过程 Fig． 4 Control process of the aluminum consumption prediction mod￾el with BP neural networks 2. 3 模型结果仿真 模型训练完成以后，将 845 炉次的 10% 用于结果 的仿真． 仿真结果如表 5 所示． 由表 5 可知，BP 神经网络铝耗预测模型仿真结果 的标准差为 0. 285，平均误差为 5. 34% ，平均正确率为 94. 66% ． 相 对 误 差 在 10% 以 内 的 命 中 率 达 到 了 91. 8% ，绝对误差范围在［－ 0. 1，0. 1］范围内的命中率 达到了 85. 9% ，命中率较高，具有很高的应用价值． 2. 4 BP 神经网络模型与多元线性回归模型对比 由图 2 可知，ＲH 进站钢液温度、吹氧量、ＲH 进站 氧活度和脱碳结束氧活度与铝耗呈线性关系，对以上 因素和铝耗的关系进行多元线性回归建模，回归系数 如表 6 所示． 多元线性回归模型为: y = － 0. 002 × t + 0. 004 × LO + 0. 002 × a［O］+ 0. 001 × a'［O］+ 2. 761． ( 2) 式中: t 为 ＲH 进站钢液温度; LO为吹氧量; a［O］为 ＲH 进站氧活度，a'［O］为脱碳结束氧活度． 由式( 2) 可知，吹氧量系数最大，对铝耗影响最 大; 脱碳结束氧活度系数最小，对铝耗影响最小; ＲH 进站钢液温度和 ＲH 进站氧活度系数绝对值相等，对 铝耗影响几乎相同，同 2. 1 节所反映的影响规律几乎 相同，验证了各工艺参数对铝耗影响的重要性． 将 BP 神经网络铝耗预测模型用于结果仿真的 85 炉工艺参数代入多元线性回归模型中，对两种模型的 预测输出与期望输出进行对比，如图 5 所示． 由图 5 可知，两种模型的预测输出和期望输出均 有较好的吻合度，变化趋势几乎相同． 但大部分炉次 中，BP 神经网络模型的预测输出与期望输出更接近， · 415 ·