高炉异常炉况判断专家系统及神经网络的实现

D0I:10.13374j.issnl001-03x.1998.04.011 第20卷第4期 北京科技大学学报 Vol.20 Ne 1998年8月 Journal of University of Science and Technology Beijing Aug.19. 高炉异常炉况判断专家系统 及神经网络的实现 程冬超王顺晃林克真 北京科技大学信总工程学院，北京100083 摘要提出高炉异常炉况判断专家系统原理及实现方法，针对一般专家系统知识获取“瓶颈·现 象，引人神经网络实现高炉异常炉况判断仿真结果表明，这种方法实用可行，为高炉异常炉况判 断采用神经树络实现提供了1个很好的实例， 关键词专家系统；高炉；神经网络；模糊逻辑 分类号TP29 1 高炉异常炉况判断专家系统原理 高炉异常炉况判断专家系统的数据流图如图1所示， 过程机 知识库 数据通信 信号处理 维护 工 数据库 数据采集 文件 数 人 业 和处理 现 采 判断推理 机 人工键盘 场 数据键人 集 接 其他数学模型 帮助信息 图1高炉异常炉况判断专家系统的数据流程图 高炉异常炉况判断专家系统根据实测数据和录入数据计算，利用已建立知识库，从上到 下搜索可用规则，若事实（数据）和规则左边匹配成功，则执行右部，立即作出炉况判断，显示 高炉当前运行状态，作为高炉生产操作者的判断手段，指导操作.本系统的知识表示采用基于 产生式的不精确知识表示法，应用可信度因子(C℉)和分布函数表示专家知识，方法简单、实 用；知识库采用结构链表，便于知识库维护和系统扩充：推理时采用不精确推理的确定性理 论，与知识表示相适应 对5种异常炉况进行判断，它们是热行、冷行、悬料、崩料、管道行程，各种异常炉况与高 炉参数都有密切关系.例如“热行”：炉顶煤气温度上升、渣温上升、热风流量下降、热风压力上 升，料速下降等.相应对于“热行“规则库，有5条规则： (1)“IF炉顶煤气温度升高THEN热行”CF,(H,E)=O.7: 19y7-06-15收稿程冬超男.23岁，硕士

DOI: 10. 13374 /j . issn1001 -053x. 1998. 04. 011

Vol.20 No.4 程冬超等：高炉异常炉况判断专家系统及神经网络的实现 ·369· (2)“IF 料速下降 THEN热行CF(H,E)=0.6: (3)“IF渣温升高 THEN热行”CF,(H,E)=0.5: (4)“IF热风压力升高 THEN热行CF,(H,E)=0.4; (5)“IF热风流量降低 THEN热行”CF.(H.E)=0.3: 本系统采用的是基于产生式的不精确知识表示法，产生式规则及证据的不精确性都用可 信度因子CF表示.规则的一般形式是：IF E THEN H,CF(E)是证据可信度，CFH,E)是规则 可信度，CF(H是结论可信度.CF在[0,1]上取值，值越大表示相应的知识越为真.当CF的值 为1时，表示相应的知识为真；当C℉的值为0时，表示相应的知识为假.对于第一条规则，前 提“炉顶煤气温度升高”是模糊的概念，可以对证据“炉顶煤气温度“的变化进行分类.例如炉 顶煤气温度正常为1500℃，当其为1525℃时，温度升高的可信度为25%(C℉，(E)=0.25):当 其为1550C时，温度升高的可信度为50%(C℉，(E)=0.5).为了方便，本系统采用模糊逻辑法 的升、降半梯形分布来求证据的可信度，即：证据可信度CE)=(证据输入值-证据标准值) /(证据偏差值-证据标准值)，其值大于1取1小于0取0，（本系统把可信度为0的临界值称 为证据的标准值，可信度为〡的临界值称为证据的偏差值，)对于上一规则的证据，采用升半 梯形分布，由高炉炉长给出标准值1500℃，偏差值1600℃.当炉顶温度为1560℃时，CF,(E) =1560-1500)(1600-1500)=60%.对于规则可信度，由高炉炉长给出. 本系统首先采用元级控制来顺序判断各种异常炉况，即系统运行时，顺序调用“热行”、 冷行”、“悬料”、崩料”、“管道行程“规则库，然后采用正向推理对各规则进行推理.由数据采 集模块采集所需数据后，在知识表示时求出各规则的结论可信度.例如CF,(H)=0.7,CF,(H) =0.6,CF,(H=0.5,C℉，(H)=0.4,CF(HD=0.3.根据确定性理论公式，求出最终的结论可 信度CFu(H). CF(H=CF(H)+CF,(H)-CF(H)×CF(H)=0.7+0.6-0.7×0.6=0.88; CF≥(H)=CF.(H)+CF.(H-CF(H)×CF.(H)=0.88+0.5-0.88×0.5=0.94: CF(h=CF(H)+CF,(H)-CF(H×CF(H)=0.94+0.4-0.94×0.4=0.964: CFa(h=CF(H)+CF(H)-CF2(0×CF,(H)=0.964+0.3-0.964×0.3=0.9748, 根据结论的可信度，可由知识库给出相应的操作指导， 2神经网络在炉况判断中的应用 对于高炉5种异常炉况，我们建立了5个BP神经树络模型.分别对应热行，冷行，悬料 崩料和管道行程.模型组成如图2 神经网络模块 训练模块 伦测模块 又值初始化 网络训练 提俱检测样木 网路检测 提供训练样本 保存权值 获取权俏 检测结果 图2神经网络模块组成图

·370· 北京科技大学学报 1998年第4期 训练模块：对于训练样本，选取一批能比较全面代表高炉异常时的运行数据（本文为一般 专家系统的输人输出)，作为理想的输人输出（训练样本）.因为BP网络存在局部极小问题，而 收敛到局部极小点通常主要是隐含神经元少和不好的初始权值带来的后果，但是隐含神经元 增多，学习速度降低，所以在实际训练中，先用较少的隐含神经元，运行一段时间后，如果发现 有局部极小问题，再逐渐增多隐含神经元.本系统的BP神经网络的训练工作步骤： (1)初始化，即置所有权值为较小的随机数；(2)提供训练样本，即给出顺序赋值的输入样 本和理想输出；(3)计算隐含层、输出层各神经元输出；(4)计算理想输出与实际输出的误 差；(5)调整输出层的权值；(6)调整隐含层的权值；(7)返回(2)重复计算，直至误差满意为止. 网络训练结束后或暂时中止训练时，保存权值，同时保存此时的环境参数，下次可以继续 训练. 检测模块：选取一批能比较全面代表高炉异常时的运行数据，作为理想的输入输出（检测 样本)，利用训练好的网络权值，通过网络计算，得到检测结果 例如，异常炉况“热行”的BP神经网络模型（见图3），此BP神经网络模型的输人层有5 个神经元，隐含层有8个神经元， 热行 输出层有1个神经元，用100组数 据进行训练.5个参数的名称、标输出层 准值、偏差值和可信度分别是：料 隐含层 速为100,80,0.8；渣温为700,900， 0.7;热风压力为0.7,0.9,0.6；热风 流量为15,12,0.5；炉顶煤气温 度为1000,1500,0.9.输入数据选 输人层 取在标准值和偏差值范围内，另 外选取一部分范围外的数据作为 “异常”数据，以增加网络的适应 料速渣温热风压力热风流量炉顶煤气温度 性，置初始权值和阈值为小于1的 图3异常炉况“热行'的BP神经网络模型 随机数.例如输人数据顺序为95.18,861.4,0.8022,13.359,1348.5，通过专家系统得到输出结 果为CF(Expert)=0.93406.一批这样的数据作为训练样本，暗含了证据可信度和规则可信 度，及推理方法，训练后的网络权值将取代它们.用此数据检测得BP网络的输出结果为 CFBP)=0.913698. 结合神经网络与一般专家系统二者的优点，建立神经网络专家系统将有其独到的优 势.在处理实际问题时，可有2种选择方式，即传统的混合推理方式和网络推理方式.神经 网络推理机一经训练即可解决与样本相近的问题.传统推理机则可对“异常”的样本作为判 断，将“异常”的样本作为判断训练样本，再训练后，神经网络推理机即可解决更大范围的复杂 问题.因此，在实际应用中，神经网络推理机不断自学习来增强自己的判断能力， 3 仿真结果 本文仿真研究在IBM PC586上进行，采用C++语言编程的软件模拟方法，实现神经网络 高炉异常炉况判断专家系统.神经网络离线样本训练确定数值时，一种异常炉况样本数据训 练时间约为30min.该软件在线运行1次以判断高炉炉况异常的时间不到1min.取对应异常

Vol.20 No.4 程冬超等：高炉异常炉况判断专家系统及神经网络的实现 ·371· 炉况“热行”的BP神经网络模型的仿真结果和一般专家系统的仿真结果作一比较，此BP神 经网络模型用20组数据进行检测，我们把模拟检测数据、一般专家系统的仿真结果和BP神 经网络模型的仿真结果列于表【.由仿真结果的分析，专家系统的仿真结果与预计的结果相 符.BP神经网络模型的仿真结果与之相差不大.增加训练样本或者改变网络的初始值以及隐 含层的神经元个数，都可能增加BP神经网络的判断准确性. 表1判断异常炉况“热行”仿真结果 炉顶煤气 料速/(cm·s)渣温/℃ 热风压力/MP:- 热风流量 (m'min) 温度1℃ CF专家) CR(BP) 100.00 900.00 0.700000 15.000000 1000.00 0.700000 0.711050 107.56 619.00 0.553400 15.I35000 703.00 0.000000 0.079476 115.98 619.00 0.575400 16.413000 576.00 0.000000 0.079414 89.46 866.00 0.743200 12.165000 1033.50 0.895438 0.896541 99.72 806.40 0.721200 12.105000 1089.00 0.747455 0.756200 86.84 712.00 0.760400 13.992000 1358.00 0.890089 0.908012 115.14 546.60 0.554000 15.546000 846.00 0.000000 0.079429 95.80 841.40 0.82540 14.511000 1058.00 0.784355 0.794270 4 结论 在高炉异常炉况判断的一般专家系统中，引人神经网络，实现高炉异常炉况判断，大量仿 真结果表明其有效性，为神经网络在高炉中应用提供一范例， 参考文献 】王顺晃，舒迪前，智能控制系统及其应用，北京：机械工业出版社，1995 2胡守仁，余少波、戴葵.神经网络导论.国防科技大学出版社.1993 Expert System for Abnormal Conditions Judgment of Blast Furnace and Realization of Neutral Network Cheng Dongchao Wang Shunhuang Lin Kezhen Information Engineer School.UST Beijing.Beijing 100083.China ABSTRACT The principle and method of expert system for abnormal conditions judgment of blast furnace was introduced.Because the situation of "bottleneck"is existed in the knowledge acquisition in the common expert system,the artificial neutral network is used to judge abnormal conditions of blast furnace.The results of simulation prove that the expert system based on nrutral network is practical,in the application of blast fumace. KEY WORDS expert system;blast fumace;neutral network;Fuzzy logic