基于神经网络预报的烧结矿化学成分控制专家系统

D01:10.13374j.isml00103x2006.09.014 第28卷第9期 北京科技大学学报 Vol.28 Na 9 2006年9月 Journal of University of Science and Technology Beijing Sep.2006 基于神经网络预报的烧结矿化学成分控制专家系统 龙红明) 范晓慧)陈许玲)姜涛)石军2 宋清勇)羊小东) 1)中南大学资源加工与生物工程学院.长沙4100832)攀枝花新钢钒股份有限公司炼铁厂，攀枝花617022 摘要采用带动量项的线性再励自适应变步长BP神经网络算法.建立了基于多周期运行模式 的烧结矿化学成分预报模型：使用基于数据库技术的知识库和正向推理的推理机.开发了化学成 分控制专家系统.系统自投入运行以来，预报模型命中率稳定在90%以上，操作指导建议采纳率 达到92%，实现了对烧结矿化学成分的稳定控制. 关键词烧结矿：化学成分：B即模型：知识库：专家系统 分类号TP183 烧结矿化学成分是烧结矿的主要指标参数之 人工神经网络方法，建立了烧结矿化学成份的预 一.控制烧结矿化学成分，主要是控制其稳定性. 测模型：结合某烧结厂实际的生产情况，开发出了 国内外生产实践表明，烧结矿化学成分的波动对 “以碱度为中心”的烧结矿化学成分控制专家系 高炉影响很大.有经验数据表明刂，烧结矿全铁 统.该系统的离线应用结果表明：系统能够提高 T℉e波动范围由士1.0%降到士0.5%.高炉增产 烧结矿化学成分的一级品率及其稳定率4，但该 1%~3%:烧结矿碱度R波动范围由士0.1%降 系统未实现在线连续运行.因此本文利用神经 到士0.05%，高炉增产1.5%，焦比降低0.8%. 网络预报与专家系统控制相结合的策略，开发在 但是，目前烧结矿化学成分波动大是国内外高炉 线运行的控制模型，为烧结矿化学成分的控制提 原料的一个突出问题，因此稳定控制烧结矿化学 供了一条新的途径 成分非常重要 国内外对烧结矿化学成分控制的研究比较 1总体控制方案 多，最典型的有20世纪80年代初，日本住友金属 11神经网络预报与专家系统控制相结合的策 公司开发出了烧结矿化学成分控制系统.该系统 略 根据原料和烧结矿之间的物料平衡方程来预测烧 烧结过程的大滞后性，成为长期以来烧结矿 结矿化学成分(CaO,SiO2,Mg0和Fe0)的含量， 化学成分不能稳定控制的主要原因，因此要实现 可预报供给原料2h以后的烧结矿化学成分，再 烧结矿化学成分的稳定控制必须提前预报习.人 根据预报成分和目标成分的偏差，计算并修正混 工神经网络模型，既能够通过不断修正模型的参 合料最佳配比，以达到稳定成分的目的：但该 数来反映烧结矿化学成分控制系统动态特性的变 模型未能考虑烧结过程的变化.郭文军等人研制 化。又可提前预报，能够解决系统长时间滞后的问 的烧结矿化学成分神经网络预报模型选择了与烧 题. 结矿质量有直接关系的碱度、全铁和F0含量作 专家系统是一个基于知识的智能推理系统 为预报的输出，采用MATLAB语言仿真，预报结 它拥有某个特殊领域内专家的知识和经验，并能 果与实际结果的偏差均在允许的工艺范围内到； 像专家那样运用这些知识，即具有在专家级水平 但未能就预报结果进一步给出对原料的具体调整 上工作的知识、经验和能力.通过推理做出智能决 措施.中南大学申炳昕分别采用时间序列模型和 策.所以，应用专家系统技术，依靠现场专家的知 收稿日期：2005-10-12修回日期.200605-08 识和经验，综合判断所有相关成分的变化情况给 基金项目：国家自然科学基金和上海宝钢集团公司联合资助项 出调整措施，解决控制复杂性的问题， 目(No.50374080),中南大学研究生教育创新工程基金资助项目 为此，本文提出了集成基于BP算法的成分 (No.042310011) 预报模型和基于经验规则的专家系统的策略，即 作者简介：龙红明(1979一)，男.博士研究生 把预报模型的输出转化为经验规则的输入，将两

基于神经网络预报的烧结矿化学成分控制专家系统 龙红明1) 范晓慧1) 陈许玲1) 姜 涛1) 石 军2) 宋清勇2) 羊小东2) 1) 中南大学资源加工与生物工程学院, 长沙 410083 2) 攀枝花新钢钒股份有限公司炼铁厂, 攀枝花 617022 摘 要 采用带动量项的线性再励自适应变步长 BP 神经网络算法, 建立了基于多周期运行模式 的烧结矿化学成分预报模型;使用基于数据库技术的知识库和正向推理的推理机, 开发了化学成 分控制专家系统.系统自投入运行以来, 预报模型命中率稳定在 90 %以上, 操作指导建议采纳率 达到 92 %, 实现了对烧结矿化学成分的稳定控制. 关键词 烧结矿;化学成分;BP 模型;知识库;专家系统 分类号 TP183 收稿日期:2005 10 12 修回日期:2006 05 08 基金项目:国家自然科学基金和上海宝钢集团公司联合资助项 目( No .50374080) , 中南大学研究生教育创新工程基金资助项目 ( No .042310011) 作者简介:龙红明( 1979—) , 男, 博士研究生 烧结矿化学成分是烧结矿的主要指标参数之 一.控制烧结矿化学成分, 主要是控制其稳定性. 国内外生产实践表明, 烧结矿化学成分的波动对 高炉影响很大.有经验数据表明[ 1] , 烧结矿全铁 TFe 波动范围由 ±1.0 %降到 ±0.5 %, 高炉增产 1 %～ 3 %;烧结矿碱度 R 波动范围由 ±0.1 %降 到 ±0.05 %, 高炉增产 1.5 %, 焦比降低 0.8 %. 但是, 目前烧结矿化学成分波动大是国内外高炉 原料的一个突出问题, 因此稳定控制烧结矿化学 成分非常重要. 国内外对烧结矿化学成分控制的研究比较 多, 最典型的有 20 世纪 80 年代初, 日本住友金属 公司开发出了烧结矿化学成分控制系统 .该系统 根据原料和烧结矿之间的物料平衡方程来预测烧 结矿化学成分(CaO, SiO2, M gO 和 FeO) 的含量, 可预报供给原料 2 h 以后的烧结矿化学成分, 再 根据预报成分和目标成分的偏差, 计算并修正混 合料最佳配比, 以达到稳定成分的目的[ 2] ;但该 模型未能考虑烧结过程的变化.郭文军等人研制 的烧结矿化学成分神经网络预报模型选择了与烧 结矿质量有直接关系的碱度 、全铁和 FeO 含量作 为预报的输出, 采用 MATLAB 语言仿真, 预报结 果与实际结果的偏差均在允许的工艺范围内[ 3] ; 但未能就预报结果进一步给出对原料的具体调整 措施 .中南大学申炳昕分别采用时间序列模型和 人工神经网络方法, 建立了烧结矿化学成份的预 测模型;结合某烧结厂实际的生产情况, 开发出了 “以碱度为中心” 的烧结矿化学成分控制专家系 统.该系统的离线应用结果表明:系统能够提高 烧结矿化学成分的一级品率及其稳定率[ 4] , 但该 系统未实现在线连续运行.因此, 本文利用神经 网络预报与专家系统控制相结合的策略, 开发在 线运行的控制模型, 为烧结矿化学成分的控制提 供了一条新的途径. 1 总体控制方案 1.1 神经网络预报与专家系统控制相结合的策 略 烧结过程的大滞后性, 成为长期以来烧结矿 化学成分不能稳定控制的主要原因, 因此要实现 烧结矿化学成分的稳定控制必须提前预报[ 5] .人 工神经网络模型, 既能够通过不断修正模型的参 数来反映烧结矿化学成分控制系统动态特性的变 化, 又可提前预报, 能够解决系统长时间滞后的问 题. 专家系统是一个基于知识的智能推理系统, 它拥有某个特殊领域内专家的知识和经验, 并能 像专家那样运用这些知识, 即具有在专家级水平 上工作的知识 、经验和能力, 通过推理做出智能决 策.所以, 应用专家系统技术, 依靠现场专家的知 识和经验, 综合判断所有相关成分的变化情况, 给 出调整措施, 解决控制复杂性的问题. 为此, 本文提出了集成基于 BP 算法的成分 预报模型和基于经验规则的专家系统的策略, 即 把预报模型的输出转化为经验规则的输入, 将两 第 28 卷 第 9 期 2006 年 9 月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol .28 No.9 Sep.2006 DOI :10.13374/j .issn1001 -053x.2006.09.014

。868· 北京科技大学学报 2006年第9期 者串联起来控制烧结矿的化学成分， 算法可，对传统算法做了如下改进： 1.2基于多周期的运行模式 △β(t)=3(t-1) (1) 烧结矿化学成分出现波动的主要原因是原料 其中，0≤e≤1为常数，一般可取e=0.20~ 化学成分、原料下料量、返矿成分和配比的改变或 030,且入定义为： 波动，这些信息综合反映在连续变化的混合料和 aE 烧结矿的化学成分中.为了能随时跟踪这些变 λ=g可aw)aw(1-1 (2) 化，系统采用多周期的运行模式即当系统读入新 这时BP算法成为： 的原料化学成分或下料量时，不定周期的给出预 W(1+1)=W()-B()aw() dE (3) 报值：每2h定时读入最新的烧结矿检测值，给出 则使用带动量项的自适应变步长快速BP算法 预报和调整：另外，系统设置“预报”按钮，点击该 按钮可以不定周期的瞬时预报某一时刻的烧结矿 为： 化学成分.基于这种运行模式的预报系统全面的 W(1+1)=W(t)-P(t)Z(t) (4) dE 反映了整个烧结过程的化学成分的变化. Z()=aw)+(1-) (5) 2 预报模型的建立 式中，<1为动量因子，0B<1为学习因 子，1为训练时间，E为网络能量函数，W(t)为权 2.1离线建模 值函数，Z(t)为引入的函数. 通过对神经网络模型及其算法的研究，采用 2.2在线学习 三层BP网络模型.在BP模型拓朴结构中，输入 对于稳定的、时不变的系统应用神经网络模 输出的神经元数是由问题本身决定的.本模型的 型训练就可以用于预报了，而烧结过程处在不断 输入层设定为原料中的TFe,SiO2,Ca0三个神 的变化之中，所以烧结矿成分预报模型需要在使 经元，输出层为烧结矿中的TFe,SiO2,R三个神 用过程中随烧结过程的变化而自适应更新.本模 经元(C0根据计算得出).对于隐层的数目，采 型采用的学习方法是等维新息法，当学习周期到 用神经网络自构形算法确定隐层单元数.该算法 来时，将系统读取的最新一组数据加入训练样本 利用数理统计的方法引入隐层单元之间的相关性 集去掉最旧的一组样本，始终维持样本数量不 和样本分散度概念，考虑隐层神经元对网络的贡 变，使神经网络自适应更新一次.神经网络训练 献经计算删除或合并那些作用小或作用相近的 采用后台运行方式. 神经元从而确定合理的网络结构.具体方法如 模型在线学习的参数如下：训练样本80组 下. 动量因子α=0.30，学习初始速率β=0.70，初始 设Op是隐层神经元i在学习第p个样本时 权值与初始阈值都为0.50，激励函数均采用 的输出，O:是隐元i在学习完n个样本后的平均 2 输出，”为训练总样本数则可，一习 fx)=十。一1函数.使用带动量项的线性 0p,样 再励的自适应变步长快速BP算法在学习过程 本分散度S=立0,0.如果s<C,C 中使得权值的调节向着底部的平均方向变化，不 n p 致产生大的摆动，即起到缓冲平滑的作用：若系统 取0.001~0.0L,说明隐元i的输出变化很小，可 进入函数曲面的平坦区，那么误差将变化很小，于 以删除.两个同层隐节点i与j是否可以合并，则 是△W(t十1)近似于△W(t),而平均的△W将 要衡量它们的相关系数： 1∑00p-001 变△即≈二品票式中的二变的更为有 效，使调节尽快脱离饱和区，这能有效地解决学 ri=- n p=1 SiSj 习效率低和易收敛于局部极小值的问题.模型经 如果r可≥C2,C2取0.8~0.9，则说明i和j的功 现场在线训练验证，当训练步数达到6000时，网 能重复，可以合二为一.因此，计算出确定隐含层 络训练误差达到0000145.与一般BP模型比 为10个神经元. 较本模型具有很快的收敛速度，不仅有效地缩短 为了加快模型的收敛速度和避免收敛于局部 了训练时间，保证足够高的预报精度，而且有效的 极小值，采用线性再励的自适应变步长快速BP 限制了振荡和发散，对比的误差下降曲线如图1

者串联起来控制烧结矿的化学成分 . 1.2 基于多周期的运行模式 烧结矿化学成分出现波动的主要原因是原料 化学成分 、原料下料量、返矿成分和配比的改变或 波动, 这些信息综合反映在连续变化的混合料和 烧结矿的化学成分中.为了能随时跟踪这些变 化, 系统采用多周期的运行模式, 即当系统读入新 的原料化学成分或下料量时, 不定周期的给出预 报值;每 2 h 定时读入最新的烧结矿检测值, 给出 预报和调整;另外, 系统设置“预报”按钮, 点击该 按钮可以不定周期的瞬时预报某一时刻的烧结矿 化学成分 .基于这种运行模式的预报系统全面的 反映了整个烧结过程的化学成分的变化 . 2 预报模型的建立 2.1 离线建模 通过对神经网络模型及其算法的研究, 采用 三层 BP 网络模型 .在 BP 模型拓朴结构中, 输入 输出的神经元数是由问题本身决定的.本模型的 输入层设定为原料中的 TFe, SiO2, CaO 三个神 经元, 输出层为烧结矿中的 TFe, SiO2, R 三个神 经元(CaO 根据计算得出) .对于隐层的数目, 采 用神经网络自构形算法确定隐层单元数 .该算法 利用数理统计的方法引入隐层单元之间的相关性 和样本分散度概念, 考虑隐层神经元对网络的贡 献, 经计算删除或合并那些作用小或作用相近的 神经元, 从而确定合理的网络结构.具体方法如 下. 设 Oip是隐层神经元 i 在学习第 p 个样本时 的输出, Oi 是隐元i 在学习完n 个样本后的平均 输出, n 为训练总样本数, 则 Oi =1 n ∑ n p =1 Oip, 样 本分散度 Si = 1 n ∑ n p =1 O 2 ipO 2 i .如果 S i <C1, C1 取0.001 ～ 0.01, 说明隐元 i 的输出变化很小, 可 以删除.两个同层隐节点 i 与j 是否可以合并, 则 要衡量它们的相关系数: rij = 1 n ∑ n p =1 Oi pOjp -OiOj S iSj . 如果 rij ≥C2, C2 取 0.8 ～ 0.9, 则说明 i 和 j 的功 能重复, 可以合二为一 .因此, 计算出确定隐含层 为 10 个神经元 . 为了加快模型的收敛速度和避免收敛于局部 极小值, 采用线性再励的自适应变步长快速 BP 算法 [ 6] , 对传统算法做了如下改进 : Δβ( t) =ελβ( t -1) ( 1) 其中, 0 ≤ε≤1 为常数, 一般可取 ε=0.20 ～ 0.30, 且 λ定义为 : λ=sg n E W( t) E W( t -1) ( 2) 这时 BP 算法成为: W( t +1) =W( t) -β( t ) E W( t) ( 3) 则使用带动量项的自适应变步长快速 BP 算法 为: W( t +1) =W( t) -β( t) Z( t) ( 4) Z( t) = E W( t ) +αZ( t -1) ( 5) 式中, 0 <α<1 为动量因子, 0 <β <1 为学习因 子, t 为训练时间, E 为网络能量函数, W( t) 为权 值函数, Z( t)为引入的函数 . 2.2 在线学习 对于稳定的、时不变的系统, 应用神经网络模 型训练就可以用于预报了, 而烧结过程处在不断 的变化之中, 所以烧结矿成分预报模型需要在使 用过程中随烧结过程的变化而自适应更新 .本模 型采用的学习方法是等维新息法, 当学习周期到 来时, 将系统读取的最新一组数据加入训练样本 集, 去掉最旧的一组样本, 始终维持样本数量不 变, 使神经网络自适应更新一次 .神经网络训练 采用后台运行方式. 模型在线学习的参数如下 :训练样本 80 组, 动量因子 α=0.30, 学习初始速率 β =0.70, 初始 权值与初始阈值都为 0.50, 激励函数均采用 f ( x ) = 2 1 +e -x -1 函数.使用带动量项的线性 再励的自适应变步长快速 BP 算法, 在学习过程 中使得权值的调节向着底部的平均方向变化, 不 致产生大的摆动, 即起到缓冲平滑的作用;若系统 进入函数曲面的平坦区, 那么误差将变化很小, 于 是 ΔW( t +1) 近似于 ΔW ( t), 而平均的 ΔW 将 变为 ΔW ≈ -β 1 -α E W , 式中的 -β 1 -α 变的更为有 效, 使调节尽快脱离饱和区 .这能有效地解决学 习效率低和易收敛于局部极小值的问题 .模型经 现场在线训练验证, 当训练步数达到 6 000 时, 网 络训练误差达到 0.000 145 .与一般 BP 模型比 较, 本模型具有很快的收敛速度, 不仅有效地缩短 了训练时间, 保证足够高的预报精度, 而且有效的 限制了振荡和发散, 对比的误差下降曲线如图 1 · 868 · 北 京 科 技 大 学 学 报 2006 年第 9 期

Vol.28 No.9 龙红明等：基于神经网络预报的烧结矿化学成分控制专家系统 ·869。 所示. 低3种状态，结合现场专家的经验对各成分的状 态进行判断，分析异常原因，给出调整措施的这种 方式符合基于事实驱动方式的正向推理的方法 一般算法 因此推理机的设计采用正向推理的方法， 3.3知识库设计 改进BP算法 知识库是面向智能信息处理的，其主要任务 是如何有效地实现知识的表示和推理机制1刂 训练时间 它的基本元素是领域知识，数据库和知识库在实 图1模型训练误差趋势 现上有相通之处，知识库的规则和事实都可以做 Fig.I Training error trend of the predictive model 成数据库的表的形式。很方便地进行添加、修改、 专家系统的设计 删除、查询等操作.因此，利用数据库技术的数据 结构化、低冗余度、高独立性、易扩充性以及数据 3.1概述 共享等特点来实现知识库将使知识库系统更加稳 化学成分专家系统采用基于专家经验的产生 定和高效. 式规则系统7，数据库存储实时烧结生产数据 把规则的结构以及条件和结论定义成规则 和模型预报的结果（作为匹配规则的前提条件）. 类由规则类生成的所有规则对象组成规则库，规 推理机根据数据库中的实时数据、成分的预报结 则库的结构图如图2所示.对于每个子系统规 果和控制规则进行推理分析生产异常原因，给出 则库的调用、维护和管理都可以用此规则类生成 定性操作指导建议，同时启动控制计算单元，结合 相应的规则对象.在规则推理时，规则库中若无 化学成分的变化趋势计算出各原料的定量配比调 法找到匹配规则或推出的结论不准确，现场专家 整量. 可以对规则库进行添加、删除或修改等维护工作. 3.2推理机设计 将模型预报的烧结矿成分分成偏高、适宜、偏 条件1 条件1 条件2 规则D 条件… 结论 规则D 条件2 条件… 结论 条件n 条件n 图2规则结构表示图 Fig 2 Figure of rule structure 供专家系统调用.同时系统数据库中还包括为 4 系统的开发与应用 BP模型训练提供样本数据的模型数据库、专家系 攀钢炼铁厂6烧结机采用美国Intellution 统知识库，还有来自化验室等网络终端输入的原 公司的FIX组态监控软件，利用它的ODBC接 料和烧结矿化学成分的检测数据.完整的系统结 口将生产数据实时导入SQL Server2000数据库， 构如图3所示 预报结果回存分析棋型精度 化验室等网络终端输入原始数据 调用模型数据学习 规则条件 预报模型模块 司只系统 ODBC接口 实时数据库 模型数据库 知识库 示事 结果显示 人机交互界面 化学成分控制专家系统 提供知识经验 设置参数 调阅实时数据生成图表 图3系统总体结构 Fig 3 General frame of the system 系统采用功能强大的Visual C十十60作为 开发语言，于2005年6月正式投入运行，系统主

所示 . 图 1 模型训练误差趋势 Fig.1 Training error trend of the predictive model 3 专家系统的设计 3.1 概述 化学成分专家系统采用基于专家经验的产生 式规则系统[ 7 8] , 数据库存储实时烧结生产数据 和模型预报的结果( 作为匹配规则的前提条件) . 推理机根据数据库中的实时数据、成分的预报结 果和控制规则进行推理, 分析生产异常原因, 给出 定性操作指导建议, 同时启动控制计算单元, 结合 化学成分的变化趋势计算出各原料的定量配比调 整量 . 3.2 推理机设计 将模型预报的烧结矿成分分成偏高 、适宜 、偏 低 3 种状态, 结合现场专家的经验对各成分的状 态进行判断, 分析异常原因, 给出调整措施的这种 方式符合基于事实驱动方式的正向推理的方法, 因此推理机的设计采用正向推理的方法 . 3.3 知识库设计 知识库是面向智能信息处理的, 其主要任务 是如何有效地实现知识的表示和推理机制[ 9 11] , 它的基本元素是领域知识, 数据库和知识库在实 现上有相通之处, 知识库的规则和事实都可以做 成数据库的表的形式, 很方便地进行添加 、修改、 删除 、查询等操作 .因此, 利用数据库技术的数据 结构化、低冗余度 、高独立性、易扩充性以及数据 共享等特点来实现知识库将使知识库系统更加稳 定和高效 . 把规则的结构以及条件和结论定义成规则 类, 由规则类生成的所有规则对象组成规则库, 规 则库的结构图如图 2 所示 .对于每个子系统, 规 则库的调用 、维护和管理都可以用此规则类生成 相应的规则对象 .在规则推理时, 规则库中若无 法找到匹配规则或推出的结论不准确, 现场专家 可以对规则库进行添加、删除或修改等维护工作. 图 2 规则结构表示图 Fig.2 Figure of rule structure 4 系统的开发与应用 攀钢炼铁厂 6 #烧结机采用美国 Intellution 公司的 IFIX 组态监控软件, 利用它的 ODBC 接 口将生产数据实时导入SQL Server 2000 数据库, 供专家系统调用 .同时系统数据库中还包括为 BP 模型训练提供样本数据的模型数据库、专家系 统知识库, 还有来自化验室等网络终端输入的原 料和烧结矿化学成分的检测数据 .完整的系统结 构如图 3 所示 . 图 3 系统总体结构 Fig.3 General frame of the system 系统采用功能强大的 Visual C ++6.0 作为 开发语言, 于 2005 年 6 月正式投入运行, 系统主 Vol.28 No.9 龙红明等:基于神经网络预报的烧结矿化学成分控制专家系统 · 869 ·

。870· 北京科技大学学报 2006年第9期 界面如图4所示.经在线运行结果表明：系统运 (3)经现场连续长时间运行表明，系统运行 行稳定，化学成分预报命中率一直稳定在90%以 稳定，操作方便灵活，实现了烧结矿化学成分的稳 上，操作指导建议采纳率为92%，从2005年7月 定控制. 至12月的命中率统计数据显示，R,TFe和SiO2 参考文献 的命中率分别达到91.36%，9487%和 90.13%,达到了烧结矿化学成分稳定控制的要 【】叶匡吾.提高烧结矿质量改善高炉原料条件.矿冶工程， 1996(Suppl2):25 求. [2 Hamada K.Matoba Y.Systeme de contmole de la composition chimique de I agglomere.Rev Metall CIT,19875):409 【到郭文军，王福利，李明忠.基于神经网络的烧结矿化学成分 超前预报.烧结球团，1997,22(5)：7 【4申炳听.烧结矿化学成分预报的研究学位论刘：长沙中 南大学，2002 【)范晓慧，王海东.烧结过程数学模型与人工智能。长沙：中 南大学出版社，2002 【(阁平凡.人工神经网络模型分析与应用。合肥：安教教有出 版社，1991 【刀邓志东，孙增圻.利用线性再励的自适应变步长快速BP算 图4系统主界面 法.模式识别与人工智能，1993.6(4)：319 Fig 4 Main interface of system [匀程慧霞。用C十十建造专家系统.北京：电子工业出版社， 1996 5结论 [9身郑耀东。烧结过程控制专家系统骨架的研究学位论文]· 长沙：中南大学.2004 (1)建立了基于改进BP算法的三层前馈网 【10许云，樊孝忠。在专家系统中利用关系数据库来表达知 络模型，模型预报命中率达到90%以上. 识.计算机工程与应用.2003，(22)：91 (2)采用基于数据库技术的知识库和正向推 11]Hoffman RR.A survey of methods for eliciting the knowh edge of experts.SIGART Newsletter,1998,108:19 理方式的推理机开发了化学成分控制专家系统 操作指导建议采纳率达到92%. Expert system for controlling sinter chemistry based on neural network predic- tion LONG Hongming,FAN Xiachui,CHEN Xuling,JIANG Tao,SHIJun2, SONG Qingyong2,YANG Xiaodong2) 1)School of Resources Pmcessing and Bioengineering.Central South University,Changsha 410083.China 2)Steelmaking Factory,Panzhihua New Steel Vanadium Co.Ltd,Panzhihua 617022,China ABSTRACT A sintering predictive model of chemical composition based on many periods w as developed by the BP neural netw ork algorithm with appending momentum and adaptive variable step size linear reinforce- ment.Using know ledge base that was based on database technology and illation with forw ard inference,an expert system was designed for controlling sinter chemistry.Since the system was plunged into application, the hit ratio of the predictive model is over 90%steadily,and the acceptance of operation suggestion is 92%.The goal of controlling chemical composition steadily is actualized. KEY WORDS sinter;chemical composition;BP model;know ledge base;expert system

界面如图 4 所示.经在线运行结果表明 :系统运 行稳定, 化学成分预报命中率一直稳定在 90 %以 上, 操作指导建议采纳率为 92 %, 从 2005 年 7 月 至12 月的命中率统计数据显示, R , TFe 和 SiO2 的 命 中 率 分 别 达 到 91.36 %, 94.87 % 和 90.13 %, 达到了烧结矿化学成分稳定控制的要 求. 图 4 系统主界面 Fig.4 Main interface of system 5 结论 ( 1) 建立了基于改进 BP 算法的三层前馈网 络模型, 模型预报命中率达到 90 %以上. ( 2) 采用基于数据库技术的知识库和正向推 理方式的推理机开发了化学成分控制专家系统, 操作指导建议采纳率达到 92 %. ( 3) 经现场连续长时间运行表明, 系统运行 稳定, 操作方便灵活, 实现了烧结矿化学成分的稳 定控制. 参 考 文 献 [ 1] 叶匡吾.提高烧结矿质量改善高炉原料条件.矿冶工程, 1996( Suppl 2) :25 [ 2] Hamada K, Mat oba Y.Systeme de controle de la composition chimique de l' agglomere.Rev Metall CIT, 1987( 5) :409 [ 3] 郭文军, 王福利, 李明忠.基于神经网络的烧结矿化学成分 超前预报.烧结球团, 1997, 22( 5) :7 [ 4] 申炳昕.烧结矿化学成分预报的研究[ 学位论文] :长沙:中 南大学, 2002 [ 5] 范晓慧, 王海东.烧结过程数学模型与人工智能.长沙:中 南大学出版社, 2002 [ 6] 阎平凡.人工神经网络模型分析与应用.合肥:安教教育出 版社, 1991 [ 7] 邓志东, 孙增圻.利用线性再励的自适应变步长快速 BP 算 法.模式识别与人工智能, 1993, 6( 4) :319 [ 8] 程慧霞.用 C ++建造专家系统.北京:电子工业出版社, 1996 [ 9] 郑耀东.烧结过程控制专家系统骨架的研究[ 学位论文] . 长沙:中南大学, 2004 [ 10] 许云, 樊孝忠.在专家系统中利用关系数据库来表达知 识.计算机工程与应用, 2003, ( 22) :91 [ 11] Hoffman R R.A survey of methods f or eli citing the know l￾edge of experts.SIGART Newsletter, 1998, 108:19 Expert system for controlling sinter chemistry based on neural network predic￾tion LONG Hongming 1) , FAN X iaohui 1) , CHEN X uling 1) , JIANG Tao 1) , S HI Jun 2) , SONG Qingyong 2) , Y ANG Xiaodong 2) 1) School of Resources Processing and Bioengineering, Central South University, Changsha 410083, China 2) St eelmaking Fact ory, Panzhihua New St eel &Vanadium Co.Ltd., Panzhihua 617022, China ABSTRACT A sintering predictive model of chemical composition based on many periods w as developed by the BP neural netw ork algo rithm w ith appending momentum and adaptive variable step size linear reinforce￾ment .Using know ledge base that w as based on database technology and illation w ith forw ard inference, an expert system w as designed for controlling sinter chemistry .Since the system w as plunged into application, the hit ratio of the predictive model is over 90 % steadily , and the acceptance of operation suggestion is 92 %.The goal of controlling chemical composition steadily is actualized . KEY WORDS sinter;chemical composition ;BP model ;know ledge base ;expert sy stem · 870 · 北 京 科 技 大 学 学 报 2006 年第 9 期