Vol.24 卢虎生等：高炉炉况判断神经网络专家系统 ·277· 要.这2个特性是矛盾的2个方面，泛化特性指 2.2自适应性 系统在较长的时间区间内运行时的稳定性，是 有些推理是静态的，即：对于相同的条件， 指时间维度上的一般性（一般时态）；自适应特 系统总是给出完全相同的推理结果，而不论环 性指系统能够适应当前高炉运行环境的变化， 境是否发生了变化.但高炉过程是时变过程，高 是指时间维度上的特殊性（现在进行时态）.高 炉炉况判断必须是实时、在线的动态系统.高炉 炉炉况判断系统只有集这2个特性于一身，才 冶炼过程中，冶炼环境总是在发生变化，原、燃 能既持续稳定，又实时准确地判断炉况 料的化学成分等性质也在不断发生着变化，因 此静态推理不能完成高炉炉况的判断.模糊推 2增进泛化特性和自适应特性方案 理系统的分类见表1).表中所列3,4号2种采 2.1泛化特性 用动态隶属函数的动态系统，较仅使用动态关 如前所述，高炉冶炼过程错综复杂，有些模 联的第2种动态系统简便易行，且又可保证炉 式出现的几率很小，因而几乎不可能在短时期 况判断系统的自适应性能 内收集到所有模式.采用近期出现的异常炉况 动态隶属函数(Dynamic membership func-- 数据来训练神经网络时，由于不满足神经网络 tion)的定义如下m:假设s是模糊集合S中的一个 对训练数据充分激励的要求，导致网络泛化能 元素，其隶属函数为(s).如果(s)是时间的函 力低，不能够长期准确地判断高炉炉况.炼铁知 数，则对于这个模糊集合，其隶属函数叫做动态 识、操作规程等是专家在长期生产实践中总结 隶属函数. 表1模糊推理系统分类 出来的知识，涵盖了所有重大的异常炉况，所以 Table 1 Classification of fuzzy system 将专家系统中的规则（从炼铁知识和操作规程 编号系统名称 输人参数的输出参数的 中提炼得到)转变为模式对，对神经网络实施训川 关联 整个 隶属函数隶属函数 系统 练，来保证系统的泛化特性向 静态 静态 静态 静态静态 设计按图1所示的方法训练神经网络.原 2 动态 静态 静态 动态动态 开发的专家系统是实时运行的，但本研究需要 3输入参数动 成批输入大量的数据到专家系统，为此开发了 态隶属函数 动态 动态或静态动态或 动态 静态 随机数据生成器.随机数据生成器的作用是按 4输出参数动 动态或 态隶属函数 动态或静态 动态 动态 照生产数据的均值和方差生成风量、风温等随 静态 机数据.运行已开发的基于规则的高炉炉况判 隶属函数类型根据控制参数或过程参数的 断专家系统，计算隶属度，完成推理.推理的结 性质，以及模糊命题（常称作事实）的含义，分别 果作为理想输出组成训练样本；最后利用神经 选择偏小型模糊分布、中间型模糊分布和偏大 网络的自学习功能，获取神经网络的权值、阈值 型模糊分布.例如：慢风操作命题，根据其含义， 参数.实验测定表明，随机数据生成器和专家系 选择偏小型模糊分布，又根据风量与相关参数 统产生的训练样本数控制在2000组左右时，圳 的关联基本上是线性关系，所以选择： 练效果较好 1,x≤a A(x)= b-x b-aasxsb (1) 生成随机数据 基于知识专家系统 0,x>b 其中，A为慢风操作；x为风量，参数a,b为时间的 生产数据（实时） 事实库 函数.对于不同的输入输出变量，其隶属函数中 参数随时间变化方式的选择依据不同.原燃料 计算求属度 神经网络自学习 参数和设备参数的依据分别为原燃料条件和设 图1用专家系统生成训练数据供神经网络学习 备水平随时间的变化；对于状态参数和操作控 单线表示处理，双线表示存储 制参数，则依据对状态的最新定义和控制水平 Fig.1 Using expert system to generate training data sets 随时间的变化而确定.例如，合格生铁和优质生 for the neural network 铁的定义随时间推移而变化，相应的参数也因V b】 一 2 4 卢 虎生等 : 高炉 炉况判 断神经 网络专 家系 统 · 27 , . 要 . 这 2 个特性是矛盾 的 2 个 方面 , 泛化特性指 系统在较长 的时间区 间内运行 时的稳定性 , 是 指 时间维度上 的一般性 (一般时态 ) ; 自适应特 性指 系统能够适 应 当前高炉运行 环境的变化 , 是指 时间维度上 的特殊性 (现在进行时态 ) . 高 炉 炉况判断 系统 只有集这 2 个特性于 一 身 , 才 能 既持续稳定 , 又 实时准确地判 断炉 况 . 2 增进泛化特性和 自适应特性方案 .2 1 泛化 特性 如前所述 , 高炉冶炼过程错综复杂 , 有些模 式 出现 的几率很小 , 因而几乎 不可 能在短时期 内收集到所有模式 . 采用 近期 出现的异常炉况 数据来训练神经 网络时 , 由于 不满足 神经网 络 对训 练数据充分激励 的要求 , 导致网 络泛化能 力低 , 不 能够长期准确地判断高炉炉 况 . 炼铁知 识 、 操作规程等是专家在长期 生产实践 中总结 出来的知识 , 涵盖 了所有重大 的异常炉况 , 所以 将专家系统 中的规则 ( 从炼铁 知识 和操作 规程 中提炼得到 )转变为模式对 , 对神经 网络实施训 练 , 来保证系统的泛化特性 〔 .e] 设计按 图 1 所示 的方法训 练神 经网络 . 原 开 发 的专家系统是实时运 行 的 , 但本研究需要 成批输人大量的数据到专家系统 , 为此开发 了 随机数据生成器 . 随机数据生成器 的作用是按 照 生 产数据的均值 和 方差生成风量 、 风温等 随 机数据 . 运 行 已开 发 的基于 规则 的高炉炉况判 断专家系统 , 计算 隶属度 , 完成推理 . 推理 的结 果作为理想输 出组 成训练样本 ; 最后利用 神经 网络 的 自学习功能 , 获取神经网络 的权值 、 阂值 参数 . 实验测定表明 , 随机数据生成器和专家系 统产生 的训练样本数控制在 2 0 0 0 组左右时 , 训 练效果较好 . .2 2 自适应 性 有些推理是静态 的 , 即 : 对于 相 同的条件 , 系统总是给 出完全相 同的推理结果 , 而不 论环 境是否发生 了变化 . 但高炉 过程是 时变过程 , 高 炉炉况判断必须是实 时 、 在线 的动态系统 . 高炉 冶炼过程 中 , 冶炼环境总 是在发 生变化 , 原 、 燃 料的化学成分等性质也在不 断发生着 变化 , 因 此静态推理不能完成高炉炉况 的判 断 . 模糊推 理系统的分类见表 1 `7 ] . 表 中所列 3 , 4 号 2 种采 用 动态隶属 函数 的动态系统 , 较 仅使用 动态关 联的第 2 种 动态系统简便易行 , 且又 可保证炉 况判断系统的 自适应性能 . 动态隶属 函 数 (D y n am i c m e m b e r s h ip ifjn c - it o n )的定义 如下 `7] : 假设 s 是模糊集合S 中的一个 元素 , 其隶属 函数为风5) . 如果风s) 是时间的函 数 , 则对于这个模糊集合 , 其隶属函数 叫做动态 隶属 函 数 . 表 1 模糊 推理 系统分 类 aT b l e 1 C l a s s饭e a t i o n o f fu z z y s y s t e m 编号 系统名称 输人参数的 输 出参数 的 隶属函数 隶属 函数 关联 静态 动态 输人参数动 态隶属 函数 输 出参数动 态隶属 函数 静态 静态 静态 静态 静态 动态 动态或 静态 动态或 静态 整个 系统 静 态 动态 动态 动态或静态 动态 动态或静态 动态 动态 隶属函 数类 型根据控制参数或过程参数 的 性质 , 以及 模糊命题 ( 常称作事实 )的含义 , 分别 选择偏小型 模糊分布 、 中间型 模糊分布 和偏大 型 模糊分布 . 例如 : 慢风操作命题 , 根据其含义 , 选择偏小型 模糊分布 , 又 根据风量与相关参数 的关联基本上是线性关 系 , 所 以选择 : 生成随机数据 基于知识专家系统 l l…事实库 … 计算隶属度 神经网络 自学 习 } 二 ` , ` 勺 \ ) 一 比 劲 ( l) 图 1 用专家 系统生成 训练 数据供神 经 网络学 习 单线表 示处理 , 双线表 示存储 F ig · 1 U s i n g e x P e rt s y s t e m t o g e n e r a t e t r a i n i n g d a t a s e t s fo r t h e lI e U r a l n e t w o r k 其 中 , A 为慢风操作 ;x 为风量 , 参数 a , b 为时间 的 函数 . 对于 不 同的输入输出 变量 , 其隶属函数 中 参数随时间变化方式 的选择依据 不 同 . 原燃料 参数和设备参数的依据分别为原燃料条件和 设 备水平随时间 的变化 ; 对 于 状态参数和 操作控 制参数 , 则依据对状 态的最新定义 和 控制水平 随时间的变化而 确定 . 例如 , 合格生 铁和优质生 铁 的定义随时间推移而变化 , 相应 的参数也 因