·508 北京科技大学学报 第36卷 数、顶压、压差和料速等参数作为悬料的征兆参 LSSVM模型，提取客观证据可信度. 数叫.为了综合利用参数的变化趋势及快慢程度 3.1基于模糊专家推理的主观证据提取 信息，增加对参数变化的敏感性，本文选取风量偏 高炉炉况预测专家系统中，采用模糊理论的隶 差、风压梯度、透气性指数偏差、压差梯度、顶压梯度 属度函数，能够有效表示征兆参数和炉况变化的模 和料速均值（即平均料速）六个参数，作为悬料预测 糊状态，实现炉况预测的不确定性推理.首先， 的输入参数. 利用征兆参数的特征值构造隶属度函数，实现参数 在DS证据理论中，确定辨识框架中命题的基 的模糊化处理：然后，基于产生式规则进行模糊专家 本可信度是关键☒，本文拓展了D-S证据理论中 推理，计算预测规则对炉况的支持度，提取主观证据 基本可信度的内涵，不局限于传感器的可信度，也包 可信度 括专家规则的推理结果可信度和后验概率LSSVM 通过分析悬料征兆参数的变化特点，其征兆参 模型的预测结果可信度.同时，针对专家系统推理 数特征值的隶属度分别采用升半梯形(x)和降半 结果存在主观不确定性的特点，本文称其为主观证 梯形2(x)隶属度函数计算. 据：针对智能预测方法的预测结果存在客观不确定 0 x:≤aai 性的特点，本文称其为客观证据.基于主客观证据 xi-da 融合的高炉悬料预测方案包括以下几个方面：首先， u1(x)= d2-da aa<x:≤a2;i=1,2(1) 利用产生式规则描述专家知识，总结悬料预测规则， x:>a2 结合输入参数的模糊化处理，进行模糊推理，提取主 式中：x,和x2分别表示风压梯度和压差梯度；aa和 观证据可信度：其次，通过悬料训练样本确定LSSVM a2为常数，表示对应参数的函数转折点. 炉况分类器和对应后验概率模型的相关参数，进而 x:≤b1; 对测试样本进行处理，提取客观证据可信度；最后， 基于DS证据融合理论，对主、客观证据可信度进 2（x: b2 -ba ba<x,≤b2; i=1,2,3,4. 行融合推理，并根据判决规则对预测结果进行辅助 0 x:>b2 判断，实现悬料预测，从而综合利用专家知识和 (2) LSSVM的自学习能力，降低不确定性，提高预测精 式中：x1、x2、x和x分别表示风量偏差、透气性指数 度.该方案的总体结构框图如图1所示 偏差、顶压梯度和料速均值；b和b2为常数，表示对 客观诊断 应参数的函数转折点. 后验概率 客观证据 输人参数 LSSVM模型可信度D-S 根据正常炉况征兆参数的变化特点，其征兆参 炉过程检测参 证 悬料预测结果 数特征值的隶属度采用梯形山3(x)隶属度函数 主观诊断 融合 计算. 输人参数 主观证据 模糊专家推理 x,≤ci 、专家知识 可信度 xi-ca 图1悬料预测总体结构框图 Ca<x:≤Ca; ca-ca Fig.1 Overall structure diagram of hanging prediction 43(x)= 1 C2<x:≤ca:i=1,2,…,6. 3 基于模糊专家推理和后验概率LSSVM C4-t: CB<x:≤C4; Ci -CB 模型的主客观证据提取 0 x:>C4 主客观证据提取是本文提出的悬料预测方法的 (3) 关键环节，也是主客观证据融合的基础.首先，根据 式中：x,(i=1,2,…,6)分别表示风量偏差、风压梯 悬料相关的关键专家规则，基于模糊专家推理提取 度、透气性指数偏差、压差梯度、顶压梯度和料速均 主观证据可信度：其次，针对神经网络存在泛化能力 值，cac2c和ca为常数，表示对应参数的函数转 差、易陷入局部最优解等缺陷，以及标准支持向量机 折点 (support vector machine,SVM)存在只能给出确定的 本文采用基于产生式的不精确知识表示法，结 样本类别标号，无法给出对每个类别隶属度（即样 合可信度表示专家知识.规则的一般形式如下 本的后验概率)的问题，本文通过建立后验概率 所示：北 京 科 技 大 学 学 报 第 36 卷 数、顶 压、压差和料速等参数作为悬料的征兆参 数［11］． 为了综合利用参数的变化趋势及快慢程度 信息，增加对参数变化的敏感性，本文选取风量偏 差、风压梯度、透气性指数偏差、压差梯度、顶压梯度 和料速均值( 即平均料速) 六个参数，作为悬料预测 的输入参数． 在 D--S 证据理论中，确定辨识框架中命题的基 本可信度是关键［12］，本文拓展了 D--S 证据理论中 基本可信度的内涵，不局限于传感器的可信度，也包 括专家规则的推理结果可信度和后验概率 LSSVM 模型的预测结果可信度． 同时，针对专家系统推理 结果存在主观不确定性的特点，本文称其为主观证 据; 针对智能预测方法的预测结果存在客观不确定 性的特点，本文称其为客观证据． 基于主客观证据 融合的高炉悬料预测方案包括以下几个方面: 首先， 利用产生式规则描述专家知识，总结悬料预测规则， 结合输入参数的模糊化处理，进行模糊推理，提取主 观证据可信度; 其次，通过悬料训练样本确定LSSVM 炉况分类器和对应后验概率模型的相关参数，进而 对测试样本进行处理，提取客观证据可信度; 最后， 基于 D--S 证据融合理论，对主、客观证据可信度进 行融合推理，并根据判决规则对预测结果进行辅助 判 断，实 现 悬 料 预 测，从而综合利用专家知识和 LSSVM 的自学习能力，降低不确定性，提高预测精 度． 该方案的总体结构框图如图 1 所示． 图 1 悬料预测总体结构框图 Fig． 1 Overall structure diagram of hanging prediction 3 基于模糊专家推理和后验概率 LSSVM 模型的主客观证据提取 主客观证据提取是本文提出的悬料预测方法的 关键环节，也是主客观证据融合的基础． 首先，根据 悬料相关的关键专家规则，基于模糊专家推理提取 主观证据可信度; 其次，针对神经网络存在泛化能力 差、易陷入局部最优解等缺陷，以及标准支持向量机 ( support vector machine，SVM) 存在只能给出确定的 样本类别标号，无法给出对每个类别隶属度( 即样 本的后验 概 率) 的 问 题，本文通过建立后验概率 LSSVM 模型，提取客观证据可信度． 3. 1 基于模糊专家推理的主观证据提取 高炉炉况预测专家系统中，采用模糊理论的隶 属度函数，能够有效表示征兆参数和炉况变化的模 糊状态，实现炉况预测的不确定性推理［13］． 首先， 利用征兆参数的特征值构造隶属度函数，实现参数 的模糊化处理; 然后，基于产生式规则进行模糊专家 推理，计算预测规则对炉况的支持度，提取主观证据 可信度． 通过分析悬料征兆参数的变化特点，其征兆参 数特征值的隶属度分别采用升半梯形 μ1 ( x) 和降半 梯形 μ2 ( x) 隶属度函数计算． μ1 ( xi ) = 0 xi≤ai1 ; xi － ai1 ai2 － ai1 ai1 ＜ xi≤ai2 ; 1 xi ＞ ai2      ． i = 1，2 ( 1) 式中: x1和 x2 分别表示风压梯度和压差梯度; ai1 和 ai2为常数，表示对应参数的函数转折点． μ2 ( xi ) = 1 xi≤bi1 ; bi2 － xi bi2 － bi1 bi1 ＜ xi≤bi2 ; 0 xi ＞ bi2      ． i = 1，2，3，4． ( 2) 式中: x1、x2、x3和 x4分别表示风量偏差、透气性指数 偏差、顶压梯度和料速均值; bi1和 bi2为常数，表示对 应参数的函数转折点． 根据正常炉况征兆参数的变化特点，其征兆参 数特征值的隶属度采用梯形 μ3 ( x ) 隶 属 度 函 数 计算． μ3 ( xi ) = 0 xi≤ci1 ; xi － ci1 ci2 － ci1 ci1 ＜ xi≤ci2 ; 1 ci2 ＜ xi≤ci3 ; ci4 － xi ci4 － ci3 ci3 ＜ xi≤ci4 ; 0 xi ＞ ci4            ． i = 1，2，…，6． ( 3) 式中: xi ( i = 1，2，…，6) 分别表示风量偏差、风压梯 度、透气性指数偏差、压差梯度、顶压梯度和料速均 值，ci1、ci2、ci3和 ci4 为常数，表示对应参数的函数转 折点． 本文采用基于产生式的不精确知识表示法，结 合可信度表示专家知识． 规则的一般形式如下 所示: ·508·