陈恒志等：基于极限学习机(ELM)的连铸坯质量预测 .817· 表1连铸坯质量缺陷影响因素 Table 1 Influential factors of the quality of the continuous casting bloom 变量 符号 变量 符号 钢水C质量分数/% X 钢水S质量分数/% 钢水P质量分数/% X2 钢水Mn质量分数/% 古 钢水Si质量分数/% X3 钢水C质量分数/% Xs 钢水Cr质量分数/% 专 钢水全AI质量分数/% Xo 钢水酸溶铝质量分数/% Xs 钢水C质量分数/% Xio 二冷比水量/kg Xn 二冷0段水量/(m3h1) X16 中间包温度/℃ Xn 二冷1段水量/(m3,h1) Xn 拉速/(m'min) Xns 二冷2段水量/(m3.h1) X18 结品器水量/(m3.h1) Xi4 结品器进出水温差/℃ X19 结品器锥度/（°） X15 电磁搅拌电流/A X2o 量预测模型，且模型以方大特钢60Si2Mn的160组 25 -0预测值 实际生产数据为样本，随机选取其中120组数据建 一一实际值 立模型，剩余40组数据验证模型的准确性.在模型 2.0 9 训练前对输入数据进行归一化处理，处理方式为对 1.5 同一影响因素集进行归一化处理，这样既能消除由 于数据量纲不同造成预测精度不高的问题，又能保 1.0 9 持各变量的原始信息，数据归一化范围为[0.1， 0.5 0.9].在神经网络的隐含层节点数寻优过程中发 现，当节点数为9且隐含层神经元激活函数为$型 函数[]时模型的预测精度最佳.BP神经网络参数 10 20 30 0 如表2所示. 样本 图2中心疏松的实际值和预测值的比较 表2BP神经网络参数 Fig.2 Comparison of the center porosity between the actual values Table 2 Fundamental parameters of the BP neural network and the predicted values 参数 值 参数 值 输入层节点数 20 输出层节点数 1 25 -0-预测值 隐含层节点数 9 最大训练步数 1000 一·一实际值 2.09 9 学习速率 0.001 动量因子 0.9 训练函数 trainlm 隐含层数 1 5 图2为基于BP神经网络的连铸坯质量预测模 型对连铸坯中心疏松缺陷等级的预测值和实际值. 0.5 图3为该模型对连铸坯中心偏析缺陷的预测值和实 际值.该模型对连铸坯的中心疏松和中心偏析缺陷 3 测试准确率分别为50%和57.5%.从预测结果可 0 20 30 40 知该连铸坯质量预测模型对连铸坯缺陷进行预测的 样本 实际值和预测值存在较大的差异，模型对连铸坯质 图3中心偏析的实际值和预测值的比较 量预测的准确率有待于提升，下文将尝试运用遗传 Fig.3 Comparison of the central segregation between the actual val- 算法来优化BP神经网络连铸坯质量预测模型以期 ues and the predicted values 提高模型的预测准确率. 一非线性函数，但是网络在训练过程中容易陷入局 基于GA-BP神经网络的连铸坯质量预 部最优值.而遗传算法具有较强的全局寻优能力， 因此，将遗传算法和BP神经网络相结合的连铸坯 测模型 质量预测模型可以使模型在较强的学习能力下搜索 虽然BP神经网络的学习能力很强，可逼近任 全局最优值.陈恒志等: 基于极限学习机(ELM)的连铸坯质量预测 表 1 连铸坯质量缺陷影响因素 Table 1 Influential factors of the quality of the continuous casting bloom 变量 符号 变量 符号 钢水 C 质量分数/ % X1 钢水 S 质量分数/ % X6 钢水 P 质量分数/ % X2 钢水 Mn 质量分数/ % X7 钢水 Si 质量分数/ % X3 钢水 Cu 质量分数/ % X8 钢水 Cr 质量分数/ % X4 钢水全 Al 质量分数/ % X9 钢水酸溶铝质量分数/ % X5 钢水 C 质量分数/ % X10 二冷比水量/ kg X11 二冷 0 段水量/ (m 3·h - 1 ) X16 中间包温度/ 益 X12 二冷 1 段水量/ (m 3·h - 1 ) X17 拉速/ (m·min - 1 ) X13 二冷 2 段水量/ (m 3·h - 1 ) X18 结晶器水量/ (m 3·h - 1 ) X14 结晶器进出水温差/ 益 X19 结晶器锥度/ (毅) X15 电磁搅拌电流/ A X20 量预测模型,且模型以方大特钢 60Si2Mn 的 160 组 实际生产数据为样本,随机选取其中 120 组数据建 立模型,剩余 40 组数据验证模型的准确性. 在模型 训练前对输入数据进行归一化处理,处理方式为对 同一影响因素集进行归一化处理,这样既能消除由 于数据量纲不同造成预测精度不高的问题,又能保 持各变量的原始信息,数据归一化范围为 [0郾 1, 0郾 9]. 在神经网络的隐含层节点数寻优过程中发 现,当节点数为 9 且隐含层神经元激活函数为 S 型 函数[10]时模型的预测精度最佳. BP 神经网络参数 如表 2 所示. 表 2 BP 神经网络参数 Table 2 Fundamental parameters of the BP neural network 参数 值 参数 值 输入层节点数 20 输出层节点数 1 隐含层节点数 9 最大训练步数 1000 学习速率 0郾 001 动量因子 0郾 9 训练函数 trainlm 隐含层数 1 图 2 为基于 BP 神经网络的连铸坯质量预测模 型对连铸坯中心疏松缺陷等级的预测值和实际值. 图 3 为该模型对连铸坯中心偏析缺陷的预测值和实 际值. 该模型对连铸坯的中心疏松和中心偏析缺陷 测试准确率分别为 50% 和 57郾 5% . 从预测结果可 知该连铸坯质量预测模型对连铸坯缺陷进行预测的 实际值和预测值存在较大的差异,模型对连铸坯质 量预测的准确率有待于提升,下文将尝试运用遗传 算法来优化 BP 神经网络连铸坯质量预测模型以期 提高模型的预测准确率. 2 基于 GA鄄鄄 BP 神经网络的连铸坯质量预 测模型 虽然 BP 神经网络的学习能力很强,可逼近任 图 2 中心疏松的实际值和预测值的比较 Fig. 2 Comparison of the center porosity between the actual values and the predicted values 图 3 中心偏析的实际值和预测值的比较 Fig. 3 Comparison of the central segregation between the actual val鄄 ues and the predicted values 一非线性函数,但是网络在训练过程中容易陷入局 部最优值. 而遗传算法具有较强的全局寻优能力, 因此,将遗传算法和 BP 神经网络相结合的连铸坯 质量预测模型可以使模型在较强的学习能力下搜索 全局最优值. ·817·