铁水含硅量预报神经网络模型

D0I:10.13374/j.issn1001-053x.1995.06.006 第17卷第6期 北京科技大学学报 Vol.17 No.6 1995年12月 Journal of University of Science and Technology Beijing Dec.1995 铁水含硅量预报神经网络模型 杨尚宝 杨天钧 董一诚 北京科技大学冶金系，北京100083 摘要针对我国高炉的检测水平，采用人工神经网络的方法建立了一种用于铁水含硅量预报的神经 网络模型.该模型具有良好的适应性和自学习功能. 关键词高炉，含硅量，预报，神经网络，模型 中图分类号TF543.1.TP391 Prediction Model of Si Content in Hot Metal Based on Nueral Networks Yang Shangbao Yang Tianjun Dong Yicheng Departmemt of Metallurgy,USTB,Beijing 100083,PRC ABSTRACT According to the checking method of blast furnace in our country,prediction model of silicon content in hot metal based on nueral networks has been developed by applying the method of artificial neural networks.This model has good adaptability and self-learning function. KEY WORDS blast furnace,Si content,prediction,neural networks,model 在高炉含硅量预报方面，人们曾建立过许多模型：基于物理化学的理论计算模型，基于经 验的数据图表分析模型，基于数理统计的回归模型和时间序列模型，基于控制理论和模糊数 学的自适应模型和模糊控制模型，基于知识的智能模型，等等.这些模型在不同的历史时期， 不同的生产条件下，都曾起到过一定的作用，但也存在一些不足，例如，理论模型和经验模型 往往精度不高；统计模型则与统计样本有关，应用条件受到限制；而自适应方法虽然适应一些 条件的变化，却在精度上不令人满意；时间序列方法在精度上尚可以，但却存在一定的滞后 性，而且当炉况波动或异常时，以上这些模型的精度则更低.随着计算机技术的飞速发展和人 工智能技术的不断提高，人们对含硅量预报的方法有了新的想法，本研究针对我国中小型高 炉的检测水平，采用人工神经网络的方法建立了一种用于硅预报的神经网络模型叫 1神经网络的结构与学习机理 1.1神经网络的结构 本研究采用误差反向传播网络(BP网)来建立硅预报的神经网络模型，并设网络为3层：第 1995-06-15收稿第一作者男3引岁博士

第 17 卷 第 6期 北 京 科 技 大 学 学 报 1姚 年 12 月 oJ unr al o f U ni ve sr iyt o f S d ne ec a n d Te hc no ol g y Be ij ni g V d 。 17 N心 。 6 】) 沈 . 11粥巧 铁水含硅量 预报神经 网络模 型 杨 尚宝 杨 天 钧 董 一 诚 北京 科技大 学 冶 金 系 , 北京 1X( 幻8 摘要 针对我国 高炉 的 检测水 平 , 采用 人工神经 网络的 方法建立 了一 种用 于 铁水含硅 量预报的 神经 网 络模 型 . 该模型 具有 良好的适应性和 自学习 功能 . 关键词 高炉 , 含硅量 , 预报 , 神经网 络 , 模型 中图分类号 1下 , 义3 . 1 , T P 391 P re d ict i o n M o de l o f 5 1 C o n t e flt i n H o t M e at l B a s e d o n N u e ar l N 亡t 、 v o r ks aY gn hS a n 必 a o aY n g iT a nj u n D o n g Yi e h en g 众P a rt 万℃ m t o f M e t al l u 任卿 , I J S T B , E七i」ing l(洲幻83 , P R C AB S T R A C T A 。 工) rd ing t o t h e hc eC k i n g m e th o d o f b l a s t fu rn a ce in o ur co u n try , P耐i ct i o n mo d el o f s il co n co n t en t i n h o t m e t a l b a s de o n n u aer l n ct wo ksr h a s h 沈 n d e vel o Pde b y a P P ly i n g t h e ner t h o d o f a rt 币ha l n eu ar l n e t w o ksr . hT is mo d el h a s g o o d a d a P at b il yt a dn s ier 一 l份而n g fu n ct io n . K EY W O R 】万 b l a s t fr l n l a ce , 5 1 co n ent t , P er d ict i o n , n e u ar l n et wo ksr , mo d el 在 高炉含 硅量 预报方 面 , 人们 曾建立过 许多模 型 : 基 于 物理化 学 的理 论 计算 模 型 , 基 于 经 验 的数据 图表分 析模 型 , 基于数 理 统计 的回 归 模 型 和 时间 序列 模 型 , 基 于 控 制 理 论和 模 糊数 学 的 自适 应模 型和模 糊控 制模型 , 基 于知识 的智 能模型 , 等等 . 这些模 型 在 不 同的 历史 时期 , 不 同的生 产条件 下 , 都 曾起 到过 一定 的作用 , 但 也 存在 一 些 不 足 . 例 如 , 理 论模 型和 经 验模 型 往往精度 不高 ; 统计模 型则 与 统计样 本有关 , 应 用条件受 到限制 ; 而 自适应 方法 虽 然 适 应 一些 条件 的变 化 , 却 在精度 上 不令人 满意 ; 时 间 序列 方 法 在 精度 上 尚可 以 , 但 却 存 在 一 定 的 滞 后 性 , 而且 当炉 况波动 或异 常时 , 以 上 这些模 型 的精 度则更低 . 随着 计算机 技术 的 飞速 发 展 和 人 工智能技 术 的不 断提 高 , 人们对含 硅量 预报 的方 法 有 了新 的想 法 , 本 研 究 针对 我 国 中小 型 高 炉的检测 水平 , 采用 人工神 经 网络 的方 法建立 了 一种 用于硅 预报 的神经 网络模型 .l[] 1 神经网络 的结构 与学习机 理 L l 神经网络 的结构 本研究采用 误 差反 向传播 网络 ( B P 网 ) 来 建立 硅预报 的神经 网络模型 , 并设 网络 为 3 层 : 第 l卯 5 一 06 一 15 收 稿 第一 作者 男 31 岁 博士 DOI: 10. 13374 /j . issn1001 -053x. 1995. 06. 006

Vol.17 No.6 杨尚宝等：铁水含硅量预报神经网络模型 525. 1层为输人层，第2层为隐含层，第3层为输出层.3层BP网络，其一般结构如图1所示， 输入层 误差反馈 隐含层 输出层 W值更新 教师信号 图1神经网络的结构 图2反向传播学习算法 1.2学习机理 本系统采用多层误差修正梯度法对BP网络模型进行离线学习四，其学习算法可参见图2 若在输入层加上模式对，则首先根据输入计算出各单元的输出.设第k层ⅰ单元输人的总 和为4，输出为v,由k-1层的第j个神经元到k层的第i个神经元的结合权值为wj神经元 的输出为巴，各神经元的输人与输出的关系函数为S型函数(x),则： v.=f(u,) (1) w,=∑wyD (2) 然后将误差逆传播，修正各层间各单元的权值.这里定义误差函数，为期望输出与实际 输出之差的平方和： r=(1/2)∑(e,-1,)2 (3) 式中：D,一输出单元i的实际输出；一输出单元i的期望输出，在这里作为教师信号· 利用非线性规划中的最快下降法，使权值沿着误差函数负梯度方向改变，其权值W,的 更新量△w,可用下式表示： △w,=-c(r/w) (4) 式中：ε为学习步长，取正参数(0~1)· 由式(1)、(2)和(4)可推得学习公式如下： △w,=-ed,y (5) 其中d,为单元i的输出误差值. 对于输出层C,d,为单元i的一般化误差： d,=c(1-c)(G-t) (6) 式中：c,一输出层1单元的实际输出；t,一输出层i单元的期望输出， 对于中间层B: d,=b.(1-b,)∑wndn (7 式中：b,一中间层i单元的实际输出；d。一输出层n单元的一般化误差；w,一中间层i单 元与输出层！单元的连接权值

V 61 . 1 7 N o . 6 杨尚宝等 : 铁水含硅量预报神经网 络模 型 1 层为 输人 层 , 第 2 层 为隐含层 , 第 3 层 为输 出层 . 3 层 B P 网络 , 其一般结构如图 1 所示 . 输人层 隐含 层 输 出层 误 差 反 馈 诀 众 衣 本 姜) 奋 洛城 、 尸七 ~ , ` 沪 刊油厂 教 师信号 图 1 神经 网络的结构 图 2 反向传播学习 算法 12 学 习 机理 本系 统采用 多层 误差 修正梯 度法 对 B P 网络模 型进行 离 线学 习 2[] , 其 学 习 算法 可参见 图 2 . 若 在输人 层加上 模 式对 , 则首先 根据输 人计 算 出各 单元 的输 出 . 设 第 k 层 i 单 元 输 入 的总 和为 u : , 输 出为 。 ` , 由 k 一 1 层 的第 j 个神 经元到 k 层 的第 i 个神 经元 的结合权值 为 w 。 J 神经元 的输 出为 vj , 各神 经元 的输人 与输 出的关 系 函数 为 S 型 函数厂(x) , 则 二 v : = f( u : ) ( l ) “ : = 艺 w o vj ( 2) 然后 将误 差逆 传播 , 修正各 层 间各单元 的权值 . 这 里定义 误差 函 数 ; 为期望 输 出 与实 际 输 出之差 的平 方 和 : ; = ( l / 2 正 ( v , 一 t , ) ’ ( 3) 式 中: 。 厂 输 出单 元 i 的实 际输 出; 衣一 输 出单 元 i 的期 望 输 出 , 在 这 里 作 为 教 师 信号 . 利用非 线性规划 中的最快下 降法 , 使权 值沿着 误差 函 数负 梯度 方 向改 变 , 其权 值 w 。 的 更新量 △ wtj 可用 下式 表示 : A w 。 - 一 。 (口r /。 w 。 ) (4 ) 式 中 : 。 为学 习 步 长 , 取 正参数 (O 一 1) . 由式 ( l) 、 ( 2) 和 ( 4) 可 推得 学 习 公式 如下 : △ w 。 二 一 “ 试vj (5 ) 其 中 d 为单元 i 的输 出误差值 . 对于 输 出层 C , d ; 为单元 i 的一般 化误 差: d : = ic ( l 一 q ) ( e ` 一 t , ) ( 6) 式 中: 。 i一 输 出层 i 单 元 的实 际输 出; 红一 输 出层 i 单 元 的期望 输 出 对于 中间层 :B d : = b , ( l 一 b , ) 艺 w ,” d 。 ( 7) 式中: b :一 中间层 i 单元 的 实际输 出 ; dn 一 输 出层 n 单 元 的 一 般 化 误 差 ; w “一 中间 层 i 单 元与输 出层 l 单 元的 连接权值

·526· 北京科技大学学报 1995年No.6 由式(6)和式(7)输出误差值即可将误差进行反向传播，再通过式(5)对各单元间 的连接权值进行修正， 综上所述，误差逆传播学习可分成两个阶段：在第1阶段中，对于给定的网络输入，通 过现有连接权将其正向传播，获得各个单元相应的输出；在第2阶段，首先计算出输出层各 单元的一般化误差，将这些误差逐层向输入层方向逆传播，以获得调整各连接权所需要的各 单元的参考误差，通过多个样本的反复训练，并朝着减少偏差的方向修改权值，从而最后得 到满意的结果， 本研究根据生产实际构筑神经网络的结构，采用大量炉况实例作为模式对样本，通过神 经网络的学习算法而获得各神经元的阙值和权值，从而得到神经网络模型的具体结构， 2参数的选择与数据处理 2.1参数的选择 高炉冶炼过程是一个非常复杂的过程，它受到多种因素的影响，如：原燃料的物理性能 和化学成分、气候条件、设备状况、操作情况等，这些因素的波动，必然引起炉况的波动· 对炉缸渣铁温度来说，它受料速、料与煤气的热流比、风口燃烧温度和炉缸热损失的影响， 而生铁含硅量的变化不仅受渣铁温度的影响，它还受滴落带大小、气氛和(SO,)反应活性 等因素的影响，因此，影响硅含量的因素是很多的，也是很复杂的， 考虑到数据获取的方便性及其与铁水中含硅量的相关程度，本研究在硅预报神经网络模 型中，选择了如下一些参数：风温、风压、风量、透气性指数、富氧率、炉顶温度、炉顶煤 气压力、炉料中各成分含量、批量、料速、前几次出铁含硅量等等.其硅预报神经网络结构 参见图3. 风温 ● 风压 ⊙ 风量一 。 顶祖一 0 料速 0 矿焦比OC一 ⊙ C0,含量一 o 前n次硅数 图3硅预报神经网络结构

北 京 科 技 大 学 学 报 1卯 5 年 N o . 6 由式 ( 6) 和式 ( 7) 输 出误 差值 即可将误 差进行反 向传 播 , 再 通过 式 ( 5) 对各 单 元 间 的连 接权值进 行修 正 . 综上 所述 , 误差逆 传播 学习 可分 成两个 阶段 : 在 第 1 阶段 中 , 对于 给定 的网络输 人 , 通 过现 有连 接权 将 其正 向传播 , 获得各 个单元 相应 的输 出 ; 在 第 2 阶段 , 首先计 算 出输 出层各 单元的一 般化误差 , 将 这些误 差逐层 向输入 层方 向逆 传播 , 以获 得调 整各连 接权所需 要的各 单元 的参考误差 , 通过 多个样本 的反复 训练 , 并朝着减 少偏 差 的方 向修 改权值 , 从而 最后得 到 满意 的结果 . 本研究 根据 生产实 际构筑神 经 网络 的结构 , 采用大 量炉 况实 例作 为模 式 对样本 , 通过神 经 网络 的学 习算法而获得 各神经 元的 闭值 和权值 , 从而 得到神 经 网络模 型的具 体结构 . 参数 的选择与数据处理 参数的选择 高炉 冶 炼过程 是一个 非常复 杂的过程 , 它受到 多种 因 素的影 响 , 如 : 原燃料 的物理 性 能 和化 学成 分 、 气候 条件 、 设备状 况 、 操作情 况等 , 这 些 因素的波 动 , 必 然 引起 炉 况 的波 动 . 对炉 缸渣 铁温 度来说 , 它 受料速 、 料与煤气 的热流 比 、 风 口 燃烧 温度 和 炉 缸 热 损失 的影 响 , 而生铁 含硅 量 的变化 不仅受 渣铁温 度的影 响 , 它还受滴 落带大 小 、 气氛 和 ( 5 10 2 ) 反应 活性 等 因素 的影 响 . 因此 , 影 响硅含量 的 因素是 很多的 , 也是很复 杂 的 . 考虑 到 数据 获取 的方便性 及其 与铁水 中含硅量 的相 关程度 , 本研 究在 硅预 报神经 网络模 型 中 , 选择 了 如 下一些 参数 : 风温 、 风压 、 风量 、 透气 性指数 、 富氧率 、 炉顶温 度 、 炉顶煤 气压 力 、 炉料 中各成 分 含量 、 批量 、 料速 、 前 几次 出铁 含硅量 等等 . 其硅 预报神 经 网 络结构 参见 图 3 . 风 温 风压 风量 顶 温 料 速 矿焦 比 O 库 C O : 含 量 次硅 数 飞一 心 ’ 一 产 勿 ` 产 · 心 外 · 匆 讨 · · 心 分 句} 巴 坛 守; 图 3 硅预报神经网络结构

Vol.17 No.6 杨尚宝等：铁水含硅量预报神经网络模型 .527, 2.2 数据处理 数据处理的目的是为神经推理网络提供较准确的参数，它包括监测数据的平滑处理、组 合参数的计算、特征参数的计算、输入参数的归一化处理等. (1)数据的平滑处理 由于工作环境的影响，由监测系统通过传感器测得的信息数据常常呈伪周期性变化，因 此，必须对采集来的数据进行平滑处理.本系统采用最小二乘法对监测数据进行平滑处理. (2)复合参数与特征值 由系统所选参数可知，本系统在硅预报时，不仅要用到风量、风温等单一参数，同时还 用到了透气性指数等复合参数·当热状态发生变化时，参数规律性地呈现某些特征，因此， 系统计算推理中所用的参数值，不仅要考虑在本时刻的瞬时值，还要考虑高炉在过去一段时 间的参数值及其变化趋势，主要包括平均值、变化梯度和标准方差等， ①参数平均值的计算： y=Im2间 (8) 式中为参数的平均值，n为所考虑数据的次数，)为瞬时值. ②参数的变化梯度： △At=(m)y0-2 (9) 式中△yW△t为参数随时间的变化梯度. ③参数波动量的标准方差： △y={1/(n-1)∑)-y}2 (10) 参数的平均值、变化梯度、标准方差等称为特征值.这些数据和瞬时数据一起存放在动态 数据库中，以备网络计算推理之用，每当预报完毕，系统将自动把特征参数中最先入栈的数据 删除，而在栈尾加人一个新的瞬时数据，并自动进行数据的处理. (3)输入参数的归一化处理 在神经网络模型的计算推理过程中，需对输人参数进行归一化处理，即将每一参数进行相 应的转换，在不失其原变化规律性的前提下，把参数值都转换到0,1]上，本研究采用线性转换 方式，并采用如下公式： f(x)=(x-xm)/(Xmax-xmn) (11) 式中：x)为归一化后的参数值；x为原参数值；xm为该参数变化区间的最小值；x为该参数 x变化区间的最大值， 3硅预报模型的应用 根据以上所建的硅预报神经网络模型，我们取用了某高炉过去生产中的500炉次数据，对 该神经网络进行离线学习；学习误差率为01；学习后，再用该神经网络模型对另50炉数据进 行离线仿真预报，命中率达88%，其命中范围取±0.1%.1995年2月，我们将训练好的硅预报 神经网络模型在该高炉上在线试运行，也同样得到了较好的效果.在2月22日到2月27日的 6d中，该模型共预报72炉况，将模型预报的铁水含硅量与铁水实际含硅量进行比较，仍以

丫b l . 17 N 6 . 6 杨尚宝等 : 铁水含硅量预报神经网络模型 2. 2 数 据处 理 数据 处理 的 目的是为神 经推理 网络 提供较 准确 的参数 , 它 包括监 测数 据的平 滑处理 、 组 合参 数 的计算 、 特征 参数 的计算 、 输 入 参数 的归一化 处理等 . ( l) 数 据 的平 滑处理 由于 工作 环境 的影响 , 由监测 系统通 过传感 器测得 的信 息数 据常 常呈 伪周期性 变 化 , 因 此 , 必须对采集 来 的数 据进行 平滑处理 . 本系 统采用最 小二乘 法 对监测 数 据进行 平滑处 理 . ( 2) 复 合参数 与 特征值 由系统所 选参数可 知 , 本 系统在 硅 预报时 , 不仅要 用到 风量 、 风温 等单 一参数 , 同时 还 用 到 了透 气性指数 等复合 参数 . 当热状态 发生变 化时 , 参数规律性 地 呈 现 某 些 特 征 , 因 此 , 系 统计算 推理 中所 用 的参 数值 , 不仅要 考 虑在本 时刻 的瞬时值 , 还要 考虑 高 炉在过 去一 段时 间的参数值及 其变 化趋 势 , 主要 包括 平均值 、 变 化梯度 和标准 方差等 . ① 参 数平均值 的计 算: 歹= ( l n/ 正夕( i ) ( 8) 式 中 歹为参数的平 均值 , ② 参 数 的变化梯 度 : n 为所考 虑数 据的次 数 , 贝i) 为 瞬时值 △ y体 t 式 中 △刃△ t 为参数 随 时间 的变化梯 度 ③ 参数波 动量 的标 准方差 : 二 ( l / n ) 区y i( ) 一 叉夕( i )] (9 ) r= 月+ 1 1 = 1 △ , = { [l (/ n 一 l )艺] 沙(i) 一 , ]} ,口 ( 10 ) 参数 的平 均值 、 变化梯 度 、 标 准方 差等 称为特 征值 . 这些数 据和 瞬 时数 据一 起 存 放 在 动 态 数 据库 中 , 以 备网 络计算 推理之 用 , 每 当预报完毕 , 系 统将 自动 把特 征参数 中最 先 人 栈 的数 据 删 除 , 而在栈 尾加人 一个新 的 瞬时数据 , 并 自动进行 数据 的处理 . ( 3) 输 人参数的归一 化处理 在神 经 网络 模 型的计算 推理过 程 中 , 需 对输人参 数进行 归一 化处理 , 即 将每 一参 数进行 相 应 的转换 , 在不 失其 原变化规律性 的前 提下 , 把参数 值都转 换到 0[ , l] 上 . 本 研究 采 用 线 性 转 换 方 式 , 并采 用如 下公 式: f( x) 二 (x 一 编 n )/ ( x ~ 一 气n) ( 1 1) 式 中: f( x) 为归 一化后 的参数 值 ; x 为原参数值 ; x mr n 为该 参数变 化 区 间 的最 小值 冰~ 为该参数 x 变化 区 间 的最大 值 . 3 硅预 报模型 的应 用 根 据 以上所 建 的硅 预报神 经网 络模型 , 我们取 用 了 某高 炉过去 生产 中的 5 0 炉次数 据 , 对 该神 经网络进行 离 线学 习 ; 学 习 误差 率 为 0 . 1; 学 习 后 , 再用 该神 经 网 络模 型 对另 50 炉 数 据 进 行离 线仿真 预报 , 命 中率 达 8 % , 其命 中范围取 士 0 . 1% . 19 95 年 2 月 , 我们将 训 练 好 的硅 预 报 神经网络模 型在该 高炉上在 线试 运行 , 也 同样得到 了较 好的效 果 . 在 2 月 2 日到 2 月 27 日的 6 d 中 , 该模 型共预报 72 炉 况 , 将 模 型 预 报 的 铁水 含 硅 量 与铁 水 实 际 含 硅 量 进 行 比 较 , 仍 以

·528· 北京科技大学学报 1995年No.6 △S1≤±0.1%为命中范围，则有61炉次命中，即命中率达85%.图4为2月24日的Si预 报情况， 1.0 0.8 0.6 0.2 一一一一预报硅泉 0 一实际硅量 6 10 12 炉次 图4神经网络模型预报含硅量的命中情况 神经网络模型具有良好的自学习功能，随着模式对样本的不断增加与更新，系统具有较 强的适应性.为此，本研究设计建立了一个动态综合数据库，其中存有大量的模式对，并随着 系统的在线运行而不断存人新的事实样本，以此作为新增模式对而使神经网络进行自学习， 从而不断提高神经网络模型的适应性和预报命中率， 4小结 采用神经网络的方法，用前馈网络(BP网络)建立了铁水含硅量预报模型，该模型经过离 线学习后，在线试运行效果良好，目前命中率可达85.8%；该模型还具有自学习功能，随着系统 的运行，其命中率将不断提高， 参考文献 1杨尚宝，神经网络高炉专家系统研究，[博士论文」北京：北京科技大学，I995 2庄镇泉等.神经网络与神经计算机.北京：科学出版社，1992.22~30 的的的的的的0的的的的的的的的的的的的的0响的的的的的的的的的的响的的的的的的的的的 产接的资)输的的的的的的的00的的00岭龄0喻0喻喻翰龄0的给的0输0给的翰的0的 参考文献 I Heinrich P.Iron and Steel Engineer.1992 20.49~55 2沈宗斌.高炉冷却壁温度场分布与热流强度的关系.北京科技大学学报，1994,16(3230~234 3王俊奎等.弹性固体力学.北京：中国铁道出版社，1990 4春井良行.Ironmaking Proceedings.1985,44:475~483 5陆文华.铸造及其熔炼.北京：机械工业出版社，1981.85

北 京 科 技 大 学 学 报 1卯 5年 N o . 6 △ Si[ 』( 士 0 . 1% 为命 中范 围 , 则有 61 炉次命 中 , 即命 中率 达 85 % . 图 4 为 2 月 24 日 的 iS 预 报情况 , _ 六 _ 久 一 广~ / 一瓦- 户 一 一 一 一 犷飞报 硅 量 哥. 际 硅 量 住0石4 岁ù训俏如关娜 10 12 炉 次 图 4 神经 网络模型预报含硅量 的命 中情况 神 经 网络模 型具有 良好 的 自学 习 功 能 , 随 着模 式 对 样 本 的 不 断增 加 与更 新 , 系 统 具 有较 强 的适 应性 . 为此 , 本 研究 设计建 立 了 一个 动态 综合 数 据 库 , 其 中存 有 大 量 的模 式 对 , 并 随 着 系 统的在 线运行 而不 断存人 新 的事实样 本 , 以 此作 为新 增模 式对而 使 神 经 网络 进 行 自学 习 , 从而 不 断提高 神经 网络模 型的适 应性和 预报命 中率 . 4 小 结 采 用神 经 网络 的方 法 , 用 前馈 网络 ( B P 网络 ) 建立 了 铁水含 硅 量 预 报模 型 , 该 模 型 经过 离 线 学 习后 , 在线 试运行 效果 良好 , 目前命 中率可达 85 . 8% ; 该模 型还具有 自学 习 功能 , 随着系 统 的运行 , 其命 中率 将不 断提高 . 参 考 文 献 1 杨 尚宝 . 神经网 络高炉 专家系 统研究 . 膊士 论文} : 北京 : 北京科技大学 , 1卯5 2 庄镇泉等 . 神经网 络与 神经计算机 . 北京: 科学出版社 . 1卯2 . 2 一 30 馨黝犷穿产 参 考 文 献 侧械卜喊种叫和卜 侧械卜令卜今令 们 械 》 们械 , 吃令 叫 湃卜 侧 树 加 喊树叫羚碍冷 叫羚 , . 树 卜 峨减, 侧械 》 .材 卜 . 材 卜 喊 材 , 叫械 , 叫共 加唬冷 .械加 梢冷 .械 > .材 卜嘴令 叫械 , 门 材 , 侧械 . . 材 加 碱兴 卜 .供 . 叫共 月 1 H e in ir c h P 加 n a n d S te l E n g n e r . l叩2 . 20 : 49 一 55 2 沈宗斌 . 高炉冷却壁温度场分布 与 热流强 度的关 系 . 北 京科技大学学报 , 1创抖 , 16( :3) 230 一 2抖 3 王 俊奎 等 . 弹性固体 力学 . 北京 : 中国 铁道出版社 , 19叭) 4 春井 良行 . l or anl 灿昭 P or eC de i n邵 , 1985 , 4 : 475 一 48 3 5 陆文 华 . 铸造及其熔炼 . 北京 : 机械工业出 版社 , 19 81 . 85