基于PSO–GWO混合优化模糊神经网络的含磷钢终点磷含量预测

摘要

针对转炉冶炼含磷钢终点磷含量波动大，易导致成品磷成分不稳定及合金化成本增加等问题，提出一种基于粒子群优化（PSO）与灰狼优化（GWO）混合策略的模糊神经网络（PSO–GWO–FNN）预测模型，以实现对终点磷含量的精准预测。该模型融合PSO的快速收敛特性与GWO的强全局搜索能力，对模糊神经网络（FNN）的隶属函数参数进行高效稳健的优化，提升模型对冶炼过程模糊不确定信息的自适应学习能力。实验结果表明：传统FNN模型在误差±0.015%范围内的命中率为78%，均方根误差为0.011 47，决定系数R²为0.60；经PSO或GWO分别优化后，命中率均提高至81%，均方根误差分别为0.011 38和0.011 35,R²分别提升至0.62和0.63；而本文提出的PSO–GWO–FNN混合模型在相同误差范围内的命中率达84%，均方根误差降至0.010 59,R²提升至0.70，各项预测精度指标均显著优于单一优化模型。本文研究可为含磷钢冶炼过程的终点磷含量精准控制提供可靠参考。

关键词

转炉 / 含磷钢 / 磷预测 / PSO–GWO / 模糊神经网络 / 混合智能算法 / 参数优化 / 全局搜索