第3期 汪红兵等：基于案例推理预测精炼开始钢水温度 ·265· 函数预测电炉出钢温度：毛志忠等回结合传统机理 时间、出钢量、运输时间和加入的合金料.从某钢厂 模型和智能方法，并采用改进AdaBoost RT集成BP 的工艺数据库中获知，该合金料可能是高碳锰铁、硅 网络作为智能模型部分校正机理模型中难以准确获 铁、铝块、铝镁钙铁、铝质复合脱氧剂、增碳剂和中碳 得的参数，再使用机理模型预测LF炉终点钢水温 锰铁中的一种或几种.这里暂且忽略钢包热状态对 度；田慧欣等B提出一种基于Bagging或ELM的 钢水温降的影响，因为文中所使用生产数据的钢包 多模型预报方法，实现对LF炉出钢温度预测，该方 包况都是一致的，所以在这一批数据中钢包包况对 法是一种混合方法，在提高智能方法预报精度的同 钢水温降的影响可以认为是相同的 时使得机理模型与智能模型的优势得以互补；韩 1.2层次分析法的应用 颖采用最小二乘支持向量机方法对电炉出钢温 当应用基于案例推理技术时，必须计算案例的 度进行预测，通过对模型参数进行优选，使所建模型 相似度，而计算相似度时需要确定各个影响因素的 具备良好的拟合和预测能力：王安娜等-应用BP 权值.层次分析法(analytic hierarchy process,AHP) 神经网络预测LF炉出钢温度，取得了较好效果；陶 是一种定性和定量相结合的、系统的、层次化的分析 子玉等回对BP神经网络进行了附加动量项和自适 方法，本文应用AHP方法来确定各个影响因素的权 应修改学习率两个方面的修改，成功将其应用于LF 值.层次分析法不是把所有因素放在一起进行比 炉钢水终点温度预报；李亮等0应用BP神经网络 较，而是两两相互对比，对比时采用相对尺度，尽可 对VD终点钢水温度进行预报：杨为民等)、谢书 能地减少性质不同的诸因素相互比较的困难，提高 明等网和常立忠等应用神经网络预测转炉终 了准确度. 点，包括终点温度和终点碳含量 假设比较的n个因素c1,c2,…,cn对目标o的 以上大多数研究都是采用一般人工神经网络作 影响，如钢包包龄、出钢时间和出钢量对精炼开始钢 为钢水温度的预报方法，而一般人工神经网络存在 水温度的影响.每次取两个因素c:和c,用a,表示 学习时间长、泛化能力弱等问题.因此，本文基于案 c:和c对o的影响之比，全部比较结果可用以下成 例推理(case-based reasoning,CBR)技术预测精炼 对比较矩阵来表示： 开始钢水温度.当前，己有少数学者应用基于案例 推理技术进行预测，例如，湛腾西等应用基于案 A=(ag）mxm,a>0,0m=左 (1) 例推理技术预测电厂烟气中的含氧量，王晓等的应 对矩阵A的一致性采用如下一致性比率公式来 用基于案例推理技术预测非常规突发事件资源需 判定： 求，孙铁强等应用基于案例推理技术对热风炉送 风温度进行预测，均取得了较好的效果.但是，己有 <O.1 CR=CI (2) 基于案例推理技术应用于预测的研究中存在着不 足：案例检索方法上使用最近相邻策略或归纳推理 式中：CR为一致性比率：CI=A~为一致性指标 n-1 策略，在案例信息不完整的情况下通常得不到准确 (入为矩阵A的特征向量)；RI为随机一致性指标， 的结果：当案例库较大时，检索时间较长 取表1的值 本文首先应用层次分析法来确定影响精炼开始 表1随机一致性指标RI的取值 钢水温度的各个因素的权值，然后使用灰色关联度 Table 1 Value of random consistent index (RI) 来计算案例的相似度，克服了传统相似度计算方法 RI RI 在案例信息不完整的情况下通常得不到准确结果的 0 7 1.32 缺点，并提出一种类选、粗选、精选和择优的四步检 0 8 1.41 索方法，大大缩短了检索时间，最后与神经网络的预 0.58 9 1.45 测方法进行了实验比较 0.90 10 1.49 1基于层次分析法确定各个影响因素权值 5 1.12 11 1.51 6 1.24 1.1影响因素 转炉出钢前，需进行钢水温度的测量，然后加入 经过和现场工艺人员的讨论，确定影响精炼开 合金料，并由一定包龄的钢包运送至精炼站.因此， 始钢水温度的各个因素的成对比较矩阵如图1 影响精炼开始钢水温度的因素包括钢包包龄、出钢 所示第 3 期 汪红兵等: 基于案例推理预测精炼开始钢水温度 函数预测电炉出钢温度; 毛志忠等［2］结合传统机理 模型和智能方法，并采用改进 AdaBoost RT 集成 BP 网络作为智能模型部分校正机理模型中难以准确获 得的参数，再使用机理模型预测 LF 炉终点钢水温 度; 田慧欣等［3--5］提出一种基于 Bagging 或 ELM 的 多模型预报方法，实现对 LF 炉出钢温度预测，该方 法是一种混合方法，在提高智能方法预报精度的同 时使得机理模型与智能模型的优势得以互补; 韩 颖［6］采用最小二乘支持向量机方法对电炉出钢温 度进行预测，通过对模型参数进行优选，使所建模型 具备良好的拟合和预测能力; 王安娜等［7--8］应用 BP 神经网络预测 LF 炉出钢温度，取得了较好效果; 陶 子玉等［9］对 BP 神经网络进行了附加动量项和自适 应修改学习率两个方面的修改，成功将其应用于 LF 炉钢水终点温度预报; 李亮等［10］应用 BP 神经网络 对 VD 终点钢水温度进行预报; 杨为民等［11］、谢书 明等［12］和常立忠等［13］应用神经网络预测转炉终 点，包括终点温度和终点碳含量． 以上大多数研究都是采用一般人工神经网络作 为钢水温度的预报方法，而一般人工神经网络存在 学习时间长、泛化能力弱等问题． 因此，本文基于案 例推理( case-based reasoning，CBR) 技术预测精炼 开始钢水温度． 当前，已有少数学者应用基于案例 推理技术进行预测，例如，湛腾西等［14］应用基于案 例推理技术预测电厂烟气中的含氧量，王晓等［15］应 用基于案例推理技术预测非常规突发事件资源需 求，孙铁强等［16］应用基于案例推理技术对热风炉送 风温度进行预测，均取得了较好的效果． 但是，已有 基于案例推理技术应用于预测的研究中存在着不 足: 案例检索方法上使用最近相邻策略或归纳推理 策略，在案例信息不完整的情况下通常得不到准确 的结果; 当案例库较大时，检索时间较长． 本文首先应用层次分析法来确定影响精炼开始 钢水温度的各个因素的权值，然后使用灰色关联度 来计算案例的相似度，克服了传统相似度计算方法 在案例信息不完整的情况下通常得不到准确结果的 缺点，并提出一种类选、粗选、精选和择优的四步检 索方法，大大缩短了检索时间，最后与神经网络的预 测方法进行了实验比较． 1 基于层次分析法确定各个影响因素权值 1. 1 影响因素 转炉出钢前，需进行钢水温度的测量，然后加入 合金料，并由一定包龄的钢包运送至精炼站． 因此， 影响精炼开始钢水温度的因素包括钢包包龄、出钢 时间、出钢量、运输时间和加入的合金料． 从某钢厂 的工艺数据库中获知，该合金料可能是高碳锰铁、硅 铁、铝块、铝镁钙铁、铝质复合脱氧剂、增碳剂和中碳 锰铁中的一种或几种． 这里暂且忽略钢包热状态对 钢水温降的影响，因为文中所使用生产数据的钢包 包况都是一致的，所以在这一批数据中钢包包况对 钢水温降的影响可以认为是相同的． 1. 2 层次分析法的应用 当应用基于案例推理技术时，必须计算案例的 相似度，而计算相似度时需要确定各个影响因素的 权值． 层次分析法( analytic hierarchy process，AHP) 是一种定性和定量相结合的、系统的、层次化的分析 方法，本文应用 AHP 方法来确定各个影响因素的权 值． 层次分析法不是把所有因素放在一起进行比 较，而是两两相互对比，对比时采用相对尺度，尽可 能地减少性质不同的诸因素相互比较的困难，提高 了准确度． 假设比较的 n 个因素 c1，c2，…，cn 对目标 o 的 影响，如钢包包龄、出钢时间和出钢量对精炼开始钢 水温度的影响． 每次取两个因素 ci 和 cj ，用 aij表示 ci 和 cj 对 o 的影响之比，全部比较结果可用以下成 对比较矩阵来表示: A = ( aij ) n × n，aij ＞ 0，aji = 1 aij ． ( 1) 对矩阵 A 的一致性采用如下一致性比率公式来 判定: CR = CI RI ＜ 0. 1 ( 2) 式中: CR 为一致性比率; CI = λ － n n － 1 为一致性指标 ( λ 为矩阵A 的特征向量) ; RI 为随机一致性指标， 取表 1 的值． 表 1 随机一致性指标 RI 的取值 Table 1 Value of random consistent index ( RI) n RI 1 0 2 0 3 0. 58 4 0. 90 5 1. 12 6 1. 24 n RI 7 1. 32 8 1. 41 9 1. 45 10 1. 49 11 1. 51 经过和现场工艺人员的讨论，确定影响精炼开 始钢水温 度 的 各 个 因 素 的 成 对 比 较 矩 阵 如 图 1 所示． ·265·