基于PSO-BP神经网络的加热炉钢坯温度预测模型

采用粒子群算法对BP网络进行优化建模,运用粒子群的全局寻优能力确定BP神经网络的权重阈值,实现了对钢坯出炉温度的预测,对模型进行模拟仿真。结果显示:采用PSO-BP神经网络进行温度预测具有更高的精度和更好的收敛速度,相比BP神经网络,PSO-BP神经网络的拟合优度提升了0.086,平均绝对误差降低了41.8%,均方根误差降低了38.8%,标准差降低了38.1%,能够更好地完成对钢坯出炉温度的预测。

改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R2为0.958 2,与其他两个模型相比有更高的预测精度。

轧钢加热炉钢坯温度神经网络预测模型

在轧制生产过程中,为了提高钢坯的轧制质量,需要对钢坯出炉温度进行精准预测,实现加热炉燃烧优化的目的。然而现存的检测技术在这方面的应用存在缺陷,普通的检测技术无法实现温度上的精准预测。通过蚁群算法优化BP网络建立模型来对钢坯出炉温度进行预测,利用蚁群算法的群体搜索,寻找最优路径的能力,找到适合BP神经网络的权值阈值,同时输入到神经网络中,并进行网络的训练。从仿真实验的结果能够看出,使用蚁群优化后的BP神经网络模型,对温度的预测精度更高、收敛速度更快。