·266· 北京科技大学学报 第34卷 向量名斯 出投然影蜜蛛蜜置量 出间 包带 出钢温里 解水净玉量 12 12 12 店网 加料高球出株酒量 把建铁重量 加块流量 加材株煮量 加链质复会民氧演量 加味林培球蕾量 图1影响精炼开始钢水温度的各个因素的成对比较矩阵 Fig.I Pairwise comparison matrix composed of factors influencing the starting temperature of molten steel in second refining 计算一致性比率CR,其值为0.01477<0.1，通 搜索开始 过一致性检验。各个影响因素的权值为：出钢时间 的权值为0.08422，包龄的权值为0.08102，出钢前 状态向量 类选 一状态向量 温度的权值为0.17430，钢水净重量的权值为 关键指标的状态匹配) 0.03998,运输时间的权值为0.12766，加高碳锰铁 一特征向量一 粗选 重量的权值为0.07040，加硅铁重量的权值为 (全指标的状态匹配 一状态向量一 0.07040,加铝块重量的权值为0.07040，加铝镁钙 特征向量- 精选 案例 铁重量的权值为0.07040，加铝质复合脱氧剂重量 (灰色相似度) 特证向量 的权值为0.07040，加增碳剂重量的权值为 择优 0.07040,加中碳锰铁重量的权值为0.07040. 按相似度给出最优解) 2基于案例推理的四步检索过程 搜索结束 基于案例推理预测精炼开始钢水温度实际就 图2基于案例推理的四步检索过程 是根据已有生产数据（每条生产数据记录包括两 Fig.2 Four-step search process using case-based reasoning 个部分：影响因素+精炼开始钢水温度)来预测新 值，如出钢时间={tlt>0,t∈R}. 的生产数据（只有影响因素）下的精炼开始钢水温 由某钢厂的工艺数据库可知，每次出钢时并不 度，这实际是一个搜索过程.其中，己有生产数据 是加入所有合金料，而只加入合金料的一种或几种 构成了案例库，新的生产数据称为当前案例.为了 因此，为了区分不同合金料加入方式，为每种加料方 避免对案例库中所有案例与当前案例进行相似度 式分别建立相应的案例集，即每种合金加料组合对 计算，从而使得检索案例时间较长，本文提出一个 应一组案例.案例库中案例可按照案例集进行分 四步检索过程，包括类选、粗选、精选和择优，如 类，而搜索案例时首先根据状态向量的取值将当前 图2所示. 案例匹配到案例集，这就是类选.图3给出了某个 2.1类选 案例集及该案例集对应状态向量的取值.图3(a) 由图1可知，影响精炼开始钢水温度的因素包 的案例集表明影响钢水温度的所有12个因素组成 括出钢时间、包龄、出钢前温度、钢水净重量、运输时 一个状态向量，也组成了一个特征向量，即这些影响 间、加入高碳锰铁量、加入硅铁量、加入铝块量、加入 因素都可能取离散值或都可能取连续值.图3(b) 铝镁钙铁量、加入铝质复合脱氧剂量、加入增碳剂量 中的状态向量取值表明该案例集匹配的案例包括出 和加入中碳锰铁量.这些影响因素既可能会组成一 钢时间、包龄、出钢前温度、钢水净重量和运输时间， 个状态向量，也可能会组成一个特征向量.所谓状 同时加入了高碳锰铁和增碳剂，而没有加入硅铁、铝 态向量，指的是组成该向量的因素的取值形式为离 块、铝镁钙铁、铝质复合脱氧剂和中碳锰铁.这里， 散值，如出钢时间={正常，偏高，偏低}：所谓特征 没有加入某种类型的合金通过将该状态向量标识为 向量，指的是组成该向量的因素的取值形式为连续 “故障”来实现北 京 科 技 大 学 学 报 第 34 卷 图 1 影响精炼开始钢水温度的各个因素的成对比较矩阵 Fig． 1 Pairwise comparison matrix composed of factors influencing the starting temperature of molten steel in second refining 计算一致性比率 CR，其值为 0. 014 77 ＜ 0. 1，通 过一致性检验． 各个影响因素的权值为: 出钢时间 的权值为 0. 084 22，包龄的权值为 0. 081 02，出钢前 温度 的 权 值 为 0. 174 30，钢水净重量的权值为 0. 039 98，运输时间的权值为 0. 127 66，加高碳锰铁 重量 的 权 值 为 0. 070 40，加硅铁重量的权值为 0. 070 40，加铝块重量的权值为 0. 070 40，加铝镁钙 铁重量的权值为 0. 070 40，加铝质复合脱氧剂重量 的 权 值 为 0. 070 40，加 增 碳 剂 重 量 的 权 值 为 0. 070 40，加中碳锰铁重量的权值为 0. 070 40． 2 基于案例推理的四步检索过程 基于案例推理预测精炼开始钢水温度实际就 是根据已有生产数据( 每条生产数据记录包括两 个部分: 影响因素 + 精炼开始钢水温度) 来预测新 的生产数据( 只有影响因素) 下的精炼开始钢水温 度，这实际是一个搜索过程． 其中，已有生产数据 构成了案例库，新的生产数据称为当前案例． 为了 避免对案例库中所有案例与当前案例进行相似度 计算，从而使得检索案例时间较长，本文提出一个 四步检 索 过 程，包 括 类 选、粗 选、精 选 和 择 优，如 图 2所示． 2. 1 类选 由图 1 可知，影响精炼开始钢水温度的因素包 括出钢时间、包龄、出钢前温度、钢水净重量、运输时 间、加入高碳锰铁量、加入硅铁量、加入铝块量、加入 铝镁钙铁量、加入铝质复合脱氧剂量、加入增碳剂量 和加入中碳锰铁量． 这些影响因素既可能会组成一 个状态向量，也可能会组成一个特征向量． 所谓状 态向量，指的是组成该向量的因素的取值形式为离 散值，如出钢时间 = { 正常，偏高，偏低} ; 所谓特征 向量，指的是组成该向量的因素的取值形式为连续 图 2 基于案例推理的四步检索过程 Fig． 2 Four-step search process using case-based reasoning 值，如出钢时间 = { t | t ＞ 0，t∈R} ． 由某钢厂的工艺数据库可知，每次出钢时并不 是加入所有合金料，而只加入合金料的一种或几种． 因此，为了区分不同合金料加入方式，为每种加料方 式分别建立相应的案例集，即每种合金加料组合对 应一组案例． 案例库中案例可按照案例集进行分 类，而搜索案例时首先根据状态向量的取值将当前 案例匹配到案例集，这就是类选． 图 3 给出了某个 案例集及该案例集对应状态向量的取值． 图 3( a) 的案例集表明影响钢水温度的所有 12 个因素组成 一个状态向量，也组成了一个特征向量，即这些影响 因素都可能取离散值或都可能取连续值． 图 3( b) 中的状态向量取值表明该案例集匹配的案例包括出 钢时间、包龄、出钢前温度、钢水净重量和运输时间， 同时加入了高碳锰铁和增碳剂，而没有加入硅铁、铝 块、铝镁钙铁、铝质复合脱氧剂和中碳锰铁． 这里， 没有加入某种类型的合金通过将该状态向量标识为 “故障”来实现． ·266·