第4期 曹卫华等：基于主客观证据融合的高炉悬料预测方法 ·507· 模糊专家推理的主观专家系统方法：另一类是 应，目的是将铁矿石治炼成合格的生铁回.即炉料 基于统计学习的客观智能预测方法，包括神经网 在下降的过程中，与上升的煤气流发生氧化还原反 络B-、支持向量机等方法.其中，专家系统利 应，生成液态生铁.悬料是指由于炉内料柱透气性 用产生式规则表示专家知识，采用基于规则匹配的 与煤气流运动极不适应而导致炉料停止下降的炉况 模糊专家推理方法进行推理，实现悬料预测.专家 失常现象0，是高炉治炼生产过程中时常发生的异 系统中的规则是从炼铁知识和操作规程中提炼得到 常炉况，严重影响高炉冶炼生产的正常进行 的，是专家在长期生产实践中总结出来的知识，主观 1.1高炉生产过程 上反映了悬料的本质特征.但是高炉治炼环境时刻 高炉冶炼是将铁矿石还原成生铁的连续生产过 变化，不同时刻的悬料模式差异较大，而专家系统缺 程.烧结矿、焦炭、石灰石等固体原料按规定配比通 乏有效的知识更新手段，难以及时获取高炉悬料的 过高炉炉顶布料装置投入炉内形成炉料，炉料在重 新模式，自适应性不足.基于统计学习的智能预测 力作用下向下运动.热风炉输出的热风经下部风口 方法，利用悬料样本数据进行训练和学习，通过学习 鼓入，并在风口回旋区与喷吹燃料和风口焦炭燃烧 算法建立预测模型，客观地抽取出每一个输入参数 生成煤气：煤气被炉缸与炉顶压力差推动经炉料间 对悬料影响的权值因子，实现对悬料的预测.该类 隙向上运动，进入高炉项部.炉料在逐步下降的过 方法应用灵活，具有较强的自学习能力和适应性；但 程中，受到逆流向上运动的高温煤气的还原作用，不 其仅从统计学角度出发，挖掘数据之间存在的客观 断地被加热和还原而成为熔融状态，并以液态形式 规律，缺乏与高炉己知经验规律的结合，模型精度严 通过焦炭层的空隙向下滴落，最终在炉缸形成炉渣 重依赖于悬料样本数据，由于悬料样本数据属于小 和铁水. 样本集，难以保证悬料样本的泛化性，致使预测模型 1.2悬料成因分析 难以客观的完全反映悬料本质规律，预测效果不佳 悬料是高炉炉热、炉凉和管道等异常炉况发展 高炉治炼过程复杂，存在众多干扰，造成检测信 到一定程度的必然结果.从炼铁工艺角度分析，炉 息的客观不确定性，而且悬料和参数之间的异常状 内料柱透气性因炉温过热而变差，导致风压增大，致 态之间没有确定的对应关系，也存在很大的客观不 使热风造成的压差增大而托起料柱：同时在炉墙上 确定性.同时，专家系统由于自适应不足，而且模糊 黏结的软熔炉料，阻止了边缘煤气流的上升和料柱 隶属函数的设定通常基于专家经验，具有很大主观 的下降，进而形成悬料：从流体力学角度分析，炉内 性，致使推理结果存在主观不确定性：智能预测方法 煤气流向上运动的进程受阻，在高炉下部区域内形 由于样本泛化性不足导致预测结果存在客观不确 成湍流并产生巨大的托力，从而阻碍炉料的下行，最 定性. 终形成悬料 针对悬料与参数之间，以及专家系统和智能预 通过上述两个角度的分析，总结悬料形成的内 测方法存在主、客观不确定性的问题，本文结合DS 在机理如下：炉内煤气流的通道突然被阻塞，造成料 证据理论，提出一种基于主客观证据融合的高炉悬 柱某一层面的煤气压力快速升高，加大了对该层面 料预测方法.首先，结合高炉生产过程分析悬料成 以上料柱的托力，随着托力增加导致该层面以上的 因，并综合现场生产经验和数据分析，确定悬料预测 料柱停止运动，从而形成悬料，该层面以下的料柱正 输入参数.在此基础上，一方面基于专家经验，以专 常下降 家规则的形式描述征兆参数与悬料的关系，通过模 糊专家推理，提取主观证据对悬料的可信度；另一方 2基于主客观证据融合的悬料预测方案 面，基于后验概率最小二乘支持向量机(least 正常炉况时，高炉各项过程检测参数在正常范 squares support vector machine,LSSVM)模型，利用 围内小幅波动，变化趋势相适应（如风量和风压的 LSSVM的自学习能力，从统计学角度挖掘征兆参数 变化趋势相一致等).当即将发生异常炉况时，部分 与悬料间存在的客观联系，提取客观证据对悬料的 检测参数会有明显的异常波动，经过现场专家多年 可信度.最后，基于D一S证据理论对主、客观证据 的总结分析，悬料发生前的主要征兆有：(1)风压逐 可信度进行融合推理，实现对悬料的预测 渐上升，风量缓慢减少；(2)料速持续减小，料尺越 来越宽；(3)料柱透气性变差，炉顶压力降低，全压 ,高炉生产过程与悬料成因分析 差升高 高炉生产过程伴随着极其复杂的物理、化学反 结合专家经验，通常选取风量、风压、透气性指第 4 期 曹卫华等: 基于主客观证据融合的高炉悬料预测方法 模糊专家推理的主观专家系统方法［3--4］; 另一类是 基于统计学习的客观智能预测方法，包括神经网 络［5--6］、支持向量机［7--8］等方法． 其中，专家系统利 用产生式规则表示专家知识，采用基于规则匹配的 模糊专家推理方法进行推理，实现悬料预测． 专家 系统中的规则是从炼铁知识和操作规程中提炼得到 的，是专家在长期生产实践中总结出来的知识，主观 上反映了悬料的本质特征． 但是高炉冶炼环境时刻 变化，不同时刻的悬料模式差异较大，而专家系统缺 乏有效的知识更新手段，难以及时获取高炉悬料的 新模式，自适应性不足． 基于统计学习的智能预测 方法，利用悬料样本数据进行训练和学习，通过学习 算法建立预测模型，客观地抽取出每一个输入参数 对悬料影响的权值因子，实现对悬料的预测． 该类 方法应用灵活，具有较强的自学习能力和适应性; 但 其仅从统计学角度出发，挖掘数据之间存在的客观 规律，缺乏与高炉已知经验规律的结合，模型精度严 重依赖于悬料样本数据，由于悬料样本数据属于小 样本集，难以保证悬料样本的泛化性，致使预测模型 难以客观的完全反映悬料本质规律，预测效果不佳． 高炉冶炼过程复杂，存在众多干扰，造成检测信 息的客观不确定性，而且悬料和参数之间的异常状 态之间没有确定的对应关系，也存在很大的客观不 确定性． 同时，专家系统由于自适应不足，而且模糊 隶属函数的设定通常基于专家经验，具有很大主观 性，致使推理结果存在主观不确定性; 智能预测方法 由于样本泛化性不足导致预测结果存在客观不确 定性． 针对悬料与参数之间，以及专家系统和智能预 测方法存在主、客观不确定性的问题，本文结合 D--S 证据理论，提出一种基于主客观证据融合的高炉悬 料预测方法． 首先，结合高炉生产过程分析悬料成 因，并综合现场生产经验和数据分析，确定悬料预测 输入参数． 在此基础上，一方面基于专家经验，以专 家规则的形式描述征兆参数与悬料的关系，通过模 糊专家推理，提取主观证据对悬料的可信度; 另一方 面，基于后验概率最小二乘支持向量机 ( least squares support vector machine，LSSVM) 模型，利用 LSSVM 的自学习能力，从统计学角度挖掘征兆参数 与悬料间存在的客观联系，提取客观证据对悬料的 可信度． 最后，基于 D--S 证据理论对主、客观证据 可信度进行融合推理，实现对悬料的预测． 1 高炉生产过程与悬料成因分析 高炉生产过程伴随着极其复杂的物理、化学反 应，目的是将铁矿石冶炼成合格的生铁［9］． 即炉料 在下降的过程中，与上升的煤气流发生氧化还原反 应，生成液态生铁． 悬料是指由于炉内料柱透气性 与煤气流运动极不适应而导致炉料停止下降的炉况 失常现象［10］，是高炉冶炼生产过程中时常发生的异 常炉况，严重影响高炉冶炼生产的正常进行． 1. 1 高炉生产过程 高炉冶炼是将铁矿石还原成生铁的连续生产过 程． 烧结矿、焦炭、石灰石等固体原料按规定配比通 过高炉炉顶布料装置投入炉内形成炉料，炉料在重 力作用下向下运动． 热风炉输出的热风经下部风口 鼓入，并在风口回旋区与喷吹燃料和风口焦炭燃烧 生成煤气; 煤气被炉缸与炉顶压力差推动经炉料间 隙向上运动，进入高炉顶部． 炉料在逐步下降的过 程中，受到逆流向上运动的高温煤气的还原作用，不 断地被加热和还原而成为熔融状态，并以液态形式 通过焦炭层的空隙向下滴落，最终在炉缸形成炉渣 和铁水． 1. 2 悬料成因分析 悬料是高炉炉热、炉凉和管道等异常炉况发展 到一定程度的必然结果． 从炼铁工艺角度分析，炉 内料柱透气性因炉温过热而变差，导致风压增大，致 使热风造成的压差增大而托起料柱; 同时在炉墙上 黏结的软熔炉料，阻止了边缘煤气流的上升和料柱 的下降，进而形成悬料; 从流体力学角度分析，炉内 煤气流向上运动的进程受阻，在高炉下部区域内形 成湍流并产生巨大的托力，从而阻碍炉料的下行，最 终形成悬料． 通过上述两个角度的分析，总结悬料形成的内 在机理如下: 炉内煤气流的通道突然被阻塞，造成料 柱某一层面的煤气压力快速升高，加大了对该层面 以上料柱的托力，随着托力增加导致该层面以上的 料柱停止运动，从而形成悬料，该层面以下的料柱正 常下降． 2 基于主客观证据融合的悬料预测方案 正常炉况时，高炉各项过程检测参数在正常范 围内小幅波动，变化趋势相适应( 如风量和风压的 变化趋势相一致等) ． 当即将发生异常炉况时，部分 检测参数会有明显的异常波动，经过现场专家多年 的总结分析，悬料发生前的主要征兆有: ( 1) 风压逐 渐上升，风量缓慢减少; ( 2) 料速持续减小，料尺越 来越宽; ( 3) 料柱透气性变差，炉顶压力降低，全压 差升高． 结合专家经验，通常选取风量、风压、透气性指 ·507·