第2期 郭飞等：数据挖掘在安钢电极预测建模中的应用 .205. 受到保护进入下一代；对于适应度值低于平均值的 pa、Pb都取的较小为O.1.而基于BP算法的Eman 个体，p。和Pm取值较大使其被淘汰，通过p。和 网络，经过多次实验，采用中间层结构为9个节点时 pm的自适应调整可以提供相对较好的P。和pm,既 性能最好.以其中A相电极的电流仿真曲线为例. 保持了种群的多样性，又保证算法的收敛 图4为A相电流的训练拟合曲线，为了方便观 (6)最优保存，由于轮盘赌的选择操作不能保 察选择其中50组数据，从图中可以看出，对于训练 证遗传算法的全局收敛，所以要在下一代中保留父 数据，变结构遗传神经网络比基于BP算法的改进 代的最优解.用历代最优个体替换当前种群中最差 Elman网络有更好的逼近能力，精度更高，图5是 的个体，使到目前为止得到的最佳个体不会被选择、 误差变化曲线图，从图中可以看出：对于变结构遗 交叉、变异等遗传操作破坏。其中历代最优解为：如 传神经网络，在进化85代左右误差基本已经达到了 果当前群体中的最佳个体的适应度比历代最优个体 目标要求收敛；而基于BP算法的改进的Eman网 的适应度大，则复制当前的最佳个体替换历代最优 络在训练100次左右就陷入了局部最小值，网络误 个体；反之不替换 差基本保持0.18不变，在310代后才收敛：从收敛 3电极预测模型实例分析 速度上看变结构遗传神经网络也要快于基于BP算 法改进的Elman网络.图6是在训练样本外从检验 基于变结构遗传神经网络的数据挖掘预测模型 数据中抽取样本输入神经网络模型而得到的曲线， 如图3.输入信号为u(k),分别送给对象和Elman 从图中可以看出，即使是非训练样本的输出也达到 网络，对象的输出为y(k十1)，网络的输出为y(k 了令人满意的效果，比基于BP算法的Elman网络 十1)，定义误差函数为E=2(ya一y)(a一y)采 有更好的泛化能力和精度 35 用混合遗传算法修正权值、神经网络结构、Elman网 络的自反馈增益因子 30 () 电极对象 (k+1) 25 用 k+1) Eman网格 实际输出 .-变结构遗传Elman网络 HGA ·一BP算法Elman网格 0 5 101520253035404550 图3基于变结构遗传Elman网络的辨识模型 样本量 Fig.3 Identification model based on variable structure genetic E- 图4A相电流曲线（训练数据） lamn ANN Fig.4 Curves of A-phase current(training data) 交流电弧炉的电极控制系统是一个多输入多输 出系统，现在大部分采用的是单相电极各自调节的 1.6 控制方式时].但是这样没有考虑多项耦合的情况， 14 ·--BP算法Eman网络 容易造成三相电极不平衡.本文采用三相电极综合 一变结构遗传神经网络 考虑的建模方式，充分考虑了三相电极的耦合作用. 根据图3建立基于变结构遗传Elamn神经网络的 0.6 电弧炉预测模型，神经网络系统输入为三相电极的 0.4 k一2时刻的电压值U1(k一2)，电流值1(k一2)：三 0.2 相电极的k一1时刻的电压值U1(k一1)，电流值 0 50 100150200250300350 I(k一1)；三相电极的k时刻的电压值U1(k),电流 训练次数 值I(k):三相电极k时刻的液压阀门开度U2(k)· 图5误差比较曲线 输出为三相电极的k十1时刻的电压值U1(k十1) Fig-5 Curves of error 和电流值1(k+1),神经网络的样本数据是20炉 钢2000组输入输出数据.其中一半作为训练数据， 4电极控制器参数整定 一半作为检验数据.初始种群为100；最大遗传代数 为500；p1=0.8,p2=0.6,pm1=0.1,pm2=0.02, 在用检验数据对基于数据挖掘技术的电极预测受到保护进入下一代；对于适应度值低于平均值的 个体‚pc 和 pm 取值较大使其被淘汰．通过 pc 和 pm 的自适应调整可以提供相对较好的 pc 和 pm‚既 保持了种群的多样性‚又保证算法的收敛． （6） 最优保存．由于轮盘赌的选择操作不能保 证遗传算法的全局收敛‚所以要在下一代中保留父 代的最优解．用历代最优个体替换当前种群中最差 的个体‚使到目前为止得到的最佳个体不会被选择、 交叉、变异等遗传操作破坏．其中历代最优解为：如 果当前群体中的最佳个体的适应度比历代最优个体 的适应度大‚则复制当前的最佳个体替换历代最优 个体；反之不替换． 3 电极预测模型实例分析 基于变结构遗传神经网络的数据挖掘预测模型 如图3．输入信号为 u（ k）‚分别送给对象和 Elman 网络‚对象的输出为 yd （ k＋1）‚网络的输出为 y（ k ＋1）‚定义误差函数为 E＝ 1 2 （yd—y） T （yd—y）．采 用混合遗传算法修正权值、神经网络结构、Elman 网 络的自反馈增益因子． 图3 基于变结构遗传 Elman 网络的辨识模型 Fig．3 Identification model based on variable structure genetic E￾lamn ANN 交流电弧炉的电极控制系统是一个多输入多输 出系统‚现在大部分采用的是单相电极各自调节的 控制方式［15］．但是这样没有考虑多项耦合的情况‚ 容易造成三相电极不平衡．本文采用三相电极综合 考虑的建模方式‚充分考虑了三相电极的耦合作用． 根据图3建立基于变结构遗传 Elamn 神经网络的 电弧炉预测模型．神经网络系统输入为三相电极的 k—2时刻的电压值 U1（ k—2）‚电流值 I（ k—2）；三 相电极的 k—1时刻的电压值 U1（ k—1）‚电流值 I（ k—1）；三相电极的 k 时刻的电压值 U1（ k）‚电流 值 I（ k）；三相电极 k 时刻的液压阀门开度 U2（ k）． 输出为三相电极的 k＋1时刻的电压值 U1（ k＋1） 和电流值 I（ k＋1）．神经网络的样本数据是20炉 钢2000组输入输出数据．其中一半作为训练数据‚ 一半作为检验数据．初始种群为100；最大遗传代数 为500；pc1＝0∙8‚pc2＝0∙6‚pm1＝0∙1‚pm2＝0∙02‚ pa、pb 都取的较小为0∙1．而基于 BP 算法的 Elman 网络‚经过多次实验‚采用中间层结构为9个节点时 性能最好．以其中 A 相电极的电流仿真曲线为例． 图4为 A 相电流的训练拟合曲线‚为了方便观 察选择其中50组数据．从图中可以看出‚对于训练 数据‚变结构遗传神经网络比基于 BP 算法的改进 Elman 网络有更好的逼近能力‚精度更高．图5是 误差变化曲线图．从图中可以看出：对于变结构遗 传神经网络‚在进化85代左右误差基本已经达到了 目标要求收敛；而基于 BP 算法的改进的 Elman 网 络在训练100次左右就陷入了局部最小值‚网络误 差基本保持0∙18不变‚在310代后才收敛；从收敛 速度上看变结构遗传神经网络也要快于基于 BP 算 法改进的 Elman 网络．图6是在训练样本外从检验 数据中抽取样本输入神经网络模型而得到的曲线． 从图中可以看出‚即使是非训练样本的输出也达到 了令人满意的效果‚比基于 BP 算法的 Elman 网络 有更好的泛化能力和精度． 图4 A 相电流曲线（训练数据） Fig．4 Curves of A-phase current（training data） 图5 误差比较曲线 Fig．5 Curves of error 4 电极控制器参数整定 在用检验数据对基于数据挖掘技术的电极预测 第2期 郭 飞等： 数据挖掘在安钢电极预测建模中的应用 ·205·