基于鲸鱼算法优化BP神经网络的结晶器液面波动的预测

在连铸过程中，结晶器液面波动是限制连铸速度和铸坯质量的关键参数之一，因此，液面波动行为的准确预测一直是冶金学者的研究重点。基于此，本文利用Python对结晶器液面波动的振幅值进行预测。首先，选取中间包的质量、塞棒的位置、拉力和结晶器振动作为模型的输入，对数据快速傅里叶变换和归一化处理。然后，构建4×3×1的反向传播(back propagation, BP)神经网络模型，并利用鲸鱼算法(whale optimization algorithm, WOA)对初始权值和阈值优化。通过训练预测，相比BP神经网络，WOA-BP神经网络能较好地对结晶器液面波动进行预测，且预测值与结晶器液面波动振幅吻合较好，拟合决定系数(R²)为0.841 4;当振幅偏差为±0.02时，命中率可达到91%。