D0I:10.13374/i.issn1001053x.2002.03.054 第24卷第3期 北京科技大学学报 Vol.24 No.3 2002年6月 Journal of University of Science and Technology Beijing Jun.2002 高炉炉况判断神经网络专家系统 卢虎生12)高斌)赵利国》国宏伟》 杨天钧) 1)北京科技大学信息工程学院，北京1000832)包头钢铁学院，包头0140103)北京科技大学冶金学院，北京100083 摘要在深人分析高炉冶炼特点的基础上，提出泛化特性和自适应特性是高炉炉况判断系 统稳定有效运行的2个重要特性.设计了增进系统泛化特性和自适应特性的方案，并相应开发 出一套炉况判断专家系统.开发的系统在高炉上运行获得了满意效果 关键词专家系统；神经网络；高炉；泛化性；自适应性 分类号TF543.1;TP391 降低高炉冶炼过程的能量消耗，实现炼铁 炼环境参数以及不可测参数都已发生变化，因 生产的稳定和优化，要求及时准确地判断和预 而几乎不可能收集到有效的、足够的悬料学习 报高炉炉况，适时、适度地采取各种调节措施， 样本集.然而，对于高炉炼铁过程，悬料这种异 宝钢、鞍钢等国内许多钢铁公司都先后开发和 常炉况的后果十分严重，将产生较大的不利 使用了基于规则的炉况判断专家系统“这种 影响，因此系统必须能够判断和预报，所以单 系统虽然对指导高炉操作起到了一定作用，但 纯应用神经网络预报高炉炉况也有不可克服的 是由于专家系统在知识获取和自适应方面存在 缺陷 着固有缺陷，导致预报精度和提前量不能满足 为利用神经网络的学习功能和可处理不完 要求.因此，为准确和及时地预报炉况，近年来 整数据的特性，通常选用基于神经网络的集成 国内外都致力于专家系统与神经网络集成方面 方式来判断高炉炉况.神经网络高炉炉况预测 的研究3刀 与判断专家系统的建立过程如下：首先根据冶 炼原理和操作实践建立炉况判断推理网络；然 1基于神经网络的炉况判断系统 后将推理网络转换为连接网络；最后用多组高 神经网络和专家系统集成可以发挥两者的 炉出现异常炉况时的征兆和事故类别作为模式 优点，克服彼此的不足.专家系统主要向有关专 对，通过神经网络学习算法获取权值矩阵使 家获取知识（高炉专家系统的知识多以产生式 用BP学习算法，系统还可以一并完成隶属函数 规则表示)，由于至今还没有有效的知识更新手 和模糊规则的求精. 段，因而不能及时获取高炉冶炼过程的新模式； 基于神经网络的专家系统，使用神经网络 另外专家系统也不能应付时常出现的数据不完 的自学习功能弥补了专家系统知识获取方面的 整情形，这是基于规则的高炉炉况判断专家系 不足，但运行效果能否达到高炉生产的要求，还 统的一个主要问题. 取决于系统的泛化特性和自适应特性.泛化特 神经网络使用学习算法从训练样本中提取 性指学习好的网络能够在包含原实例、但超出 知识，因此需要足够的、准确的、全方位的（充分 原实例的范围内能够有效运行的能力.对那些 激励的)训练数据.但是在开发高炉炉况判断系 出现几率较小的异常炉况（例如悬料），该属性 统时，往往很难获得满足要求的数据.例如现代 反映了其能否持续正确地进行判断的水平.自 化高炉出现悬料的几率很小，几个月甚至1年 适应特性是指一种适应环境的能力.一个系统 才会出现1次，而在如此长时间间隔内许多冶 若具有自适应能力，则该系统可以改变自身内 在功能，适应环境变化.自适应特性对于实时 收稿日期200107-04卢虎生，男，37岁，副救授 准确地判断出现几率较大的异常炉况非常重 ★国家重点科技项目(N0.97-562-02-02》第 2 4 卷 第 3 期 2 0 0 2 年 6 月 北 京 科 技 大 学 学 报 JO u r n a l o f U n iv e r s ity o f S c i e n e e a n d Te e h n o l o gy B e ij i n g 、勺L 2 4 N 0 . 3 J u n 。 2 0 02 高炉炉 况判 断神 经网络专家 系统 卢虎 生 ’ ,2) 高 斌 2 , 赵利 国 ” 国宏伟 ” 杨天钧 ” l )北京科技大学信息工程学 院 , 北京 一00 0 83 2 )包头钢铁学院 , 包头 0 14 0 1 0 3 ) 北京科技大学冶金学院 , 北 京 10 0 0 8 3 摘 要 在深 入分 析高炉 冶炼 特点 的基 础上 ,提 出泛 化特性和 自适应 特性 是高炉 炉 况判 断系 统稳 定有 效运行 的 2 个 重要 特性 . 设计了增 进 系统泛 化特性和 自适 应特 性 的方 案 , 并 相应开 发 出一 套炉 况判 断专家系统 . 开发 的 系统在 高炉上 运行 获得 了满 意效果 . 关键词 专家系统; 神经 网络 ; 高炉 ; 泛 化性 ; 自适应 性 分 类号 T F 5 4 3 . 1 : T P 3 9 1 降低 高炉冶炼过程 的能量消耗 , 实现炼铁 生 产 的稳定 和 优化 , 要求及时准确 地判 断和 预 报高炉 炉 况 , 适 时 、 适度地采取各 种调节措施 . 宝钢 、 鞍钢等 国内许 多钢铁公 司都 先后 开发和 使用 了基 于 规则的炉 况判 断专家系统 〔, , ” . 这种 系 统虽然对指导 高炉操作起 到了 一定作用 , 但 是 由于专家 系统在知识获取和 自适应方面存在 着 固有缺陷 , 导致预报精度 和 提前量不 能满足 要求 . 因此 , 为准确和 及时地 预报炉况 , 近 年来 国 内外都致力于 专家 系统与神经 网络集 成方面 的研究 〔3一 .vl 1 基 于神经 网络的炉 况判断系统 神经网络和专家系统集成可 以发挥两者 的 优点 , 克服彼此 的不 足 . 专 家系统 主要 向有关专 家获取知识 (高炉 专家 系统 的知识多 以 产生式 规则表示 ) , 由于 至今还没有有效 的知识更新 手 段 , 因而不能及 时获取高炉 冶炼过程的 新模式 ; 另 外专家系统也不能应付时常出现的数据不完 整情形 , 这是基 于 规则 的高炉 炉况判断专 家系 统 的一个 主 要问题 . 神经 网络使用学 习算法从训 练样本 中提取 知识 , 因此需要足够的 、 准确 的 、 全方位的( 充分 激励 的 )训练数据 . 但是在开发 高炉炉况判断系 统 时 , 往往很难获得满足要求 的数据 . 例如现代 化 高炉 出现悬料 的几 率很小 , 几个月 甚至 1 年 才会 出 现 1 次 , 而在如 此 长时间间隔 内许 多冶 收稿 日期 2 0 01 一7刁4 卢 虎生 , 男 , 37 岁 , 副教 授 * 国家重点 科技 项 目( NO . 9 7 一 5 6 2 一 02 一 02 ) 炼环境参 数 以及不 可测参数都 已发生 变化 , 因 而几 乎不可 能收集 到有效的 、 足够的悬料学 习 样本 集 . 然而 , 对 于高炉炼铁过程 , 悬料这种异 常炉况 的后 果 十分 严重 , 将 产生 较 大 的不 利 影 响 , 因此系统必须 能够判断和预报 , 所 以单 纯应用神经 网络预报高炉 炉况也有不 可 克服的 缺陷 . 为利用神经 网络的学习 功能和可 处理不完 整数据 的特性 , 通常选用 基于神经 网络 的集 成 方式来判 断高炉炉况 . 神经 网络高炉 炉况 预测 与判断专家 系统 的建立过程如下 〔4] : 首先根据 冶 炼 原理和 操作 实践 建立炉况判断 推理 网络 ; 然 后将 推理 网络转换 为连接 网络 ; 最后用多组 高 炉 出现异常炉况时的征兆和 事故类别作 为模式 对 , 通 过神经 网络学 习算 法获取权值矩 阵 `4 J . 使 用 B P 学 习算法 , 系统还可 以一并完成隶属 函数 和 模糊规则 的求精 〔 .s] 基于神经 网 络的专家 系统 , 使用神 经网 络 的 自学习 功能弥补 了专家 系统知识获取方面的 不足 , 但运行效果能否 达到高炉生产 的要求 , 还 取决 于系统 的泛化 特性和 自适应 特性 . 泛化 特 性指 学习 好 的网 络能够在包含原 实例 、 但超 出 原实例 的范 围内能够有效运行 的能力 〔5] . 对那些 出现几 率较小 的异 常炉 况 ( 例如悬 料 ) , 该属性 反映 了 其能否 持续正确地进 行判断 的水平 . 自 适应特性 是指一种适应环境 的能力 . 一 个系统 若具有 自适应 能力 , 则该 系统可 以改变 自身 内 在功能 , 适应 环境变化 「81 . 自适 应特性对 于 实时 准确 地判 断 出 现几 率较 大 的异 常炉 况非 常 重 DOI: 10. 13374 /j . issn1001 -053x. 2002. 03. 054