·520· 北京科技大学学报 1994年No.6 本研究所建造的神经网络专家系统在应用时，分两步进行：首先将以前高炉异常炉况发 生时的征兆及事故类别作为模式对输人计算机，通过离线学习使计算机掌握正确的判断方 法，即调整神经网络中各连接权到适当值：然后将该系统在线运行，通过向输人层输入数据 (包括回答系统提问的有关诊断的问题)，由系统进行运算推理，从而得出对高炉炉况的诊 断结果， 3.1应用方法 (1)输入参数的选取 针对高炉的检测条件和高炉操作者对炉况进行观察分析的方法或习惯来选取系统的输人 参数，本系统神经网络模块共选取138个输人参数，如：矿石成分和粒度、焦炭成分和粒 度、铁水成分和温度、炉渣成分、炉顶煤气压力、炉顶煤气成分和温度分布、料线位置、冷 风流量等，有些参数为2次参数，即根据检测值或人工输入值处理后的2次数据，如：透气 性指数、南北料尺差、时间温差、位置温差，等等，在输人参数中，有在线检测数据，也有 人工输人数据.而且，除定量数据外，系统还选取了一些定性数据，如：风口状态、渣铁流 动状态等，这些数据经处理后，可在0~1之间取值。对于神经网络推理所用的所有数据对. 都须进过归一化处理，即根据各参数的判断标准经数学处理而使其取值范围为0，] 另外，除神经网络模块外，在操作指导模块的知识推理部分，为提高推理速度或给出 具体指导，本系统还需要输人一些其他数据，并要求操作者回答一些问题， (2)输出参数的选取 本系统将神经网络模块的每个输出对应1种异常炉况·根据高炉操作实践，本系统 将异常炉况分为21种，如：低料线、偏料、悬料、崩料、管道行程、边缘气流不足、边缘 气流发展、向凉、向热、炉缸冻结、炉缸烧穿、炉墙结厚，等等， 根据神经网络模块的推理结果，系统调用操作指导模块，还可显示异常炉发生的原因， 并结合对提问的回答给出具体的操作指导， (3)系统运行机制 系统首先用已存的模式对进行神经网络的离线学习；然后用学习后的神经网络对新的输 人进行推断；根据推断结果调用知识库中的相应知识或规则，对炉况发生的可能原因进行推 断，推断过程中需输人一些其他数据，并希望操作者回答一些问题，从而使系统能给出进行 炉况处理的操作指导：最后将操作实绩（包括操作方法编号）作为新增模式对存人知识库 中，以作为下阶段离线学习时的模式对，参见图4· 3.2讨论 本研究收集了某高炉以往有异常炉况的记录185炉，并用其中150炉作为神经网络的学 习样本.通过学习，系统可对这150炉的炉况作出正确判断.用学习后的神经网络专家系统 对剩下的35炉数据进行处理，推断结果有28炉正确，即命中率为80%北 京 科 技 大 学 学 报 哭辫 年 本研究所建造 的神 经 网络专家系统在应用 时 ， 分 两 步 进 行 首 先 将 以 前 高 炉 异 常 炉 况 发 生 时 的征兆及事 故 类别 作 为模 式 对输 人 计 算 机 ， 通 过 离 线 学 习 使 计算 机 掌 握正 确 的 判 断方 法 ， 即调整 神经 网络 中各连接权到适 当值 然后将该 系 统在 线运行 ， 通 过 向输人 层 输人 数 据 包括 回答 系 统提 问的有 关诊 断的 问题 ， 由系 统 进 行 运 算 推 理 ， 从而 得 出 对 高 炉 炉 况 的诊 断结果 应用 方 法 输人参数 的选取 针对高炉 的检 测条件和高 炉操作者 对炉况进行观 察分析 的方 法或 习 惯来 选取 系 统 的输人 参数 本系 统神经 网络模块共 选 取 个 输人 参 数 ， 如 矿 石 成 分 和 粒 度 、 焦 炭 成 分 和 粒 度 、 铁水成分 和温度 、 炉渣 成分 、 炉顶煤气压力 、 炉顶煤 气成分 和温 度分布 、 料 线位 置 、 冷 风流量 等 有 些参数为 次参数 ， 即根 据检测 值或人工 输人值处理 后 的 次 数 据 ， 如 透 气 性 指 数 、 南北料 尺差 、 时 间温 差 、 位置温差 ， 等等 在输 入参数 中 ， 有在 线检测 数据 ， 也有 人 工 输人数据 而且 ， 除定量 数据外 ， 系统还 选取 了一 些定 性 数据 ， 如 风 口 状态 、 渣 铁流 动状态等 ， 这些数据经处理 后 ， 可在 一 之 间取值 对于神经 网络推理所用的所有数据对 都须进过 归一化处理 ， 即根据各参数 的判 断标准经 数学处理而 使其取值 范 围为 ， 另外 ， 除神经 网络模块外 ， 在操作指 导模块 的 知 识 推 理 部 分 ， 为 提 高 推 理 速 度 或 给 出 具体指 导 ， 本系 统还需要 输人 一些其他数据 ， 并 要求操作者 回答一 些 问题 输 出参数 的选取 本系 统 将 神 经 网 络 模 块 的每 个 输 出 对应 种 异 常 炉 况 根 据 高 炉 操 作 实 践 ， 本 系 统 将异 常炉 况分 为 种 ， 如 低料线 、 偏料 、 悬料 、 崩料 、 管 道 行 程 、 边 缘 气 流 不 足 、 边 缘 气 流发展 、 向凉 、 向热 、 炉缸 冻结 、 炉缸烧穿 、 炉墙结厚 ， 等 等 根 据神 经 网络模块 的推理 结果 ， 系统调 用操作指 导模 块 ， 还 可 显 示 异 常 炉 发 生 的 原 因 ， 并结合 对提 问的 回答 给 出具体 的操作 指 导 系统运行机制 系 统首先用 已 存 的模式 对进行 神经 网络 的离线学 习 然后 用学 习后 的神经 网络 对新 的输 人 进行 推 断 根 据 推 断结果调 用知 识库 中的相应知 识 或规则 ， 对炉况 发 生 的可 能原 因进行推 断 ， 推 断过 程 中需输人 一些 其他数据 ， 并希望操作者 回答一些 问题 ， 从而 使 系 统能给 出进行 炉 况处理 的操作指 导 最后 将操作 实绩 包 括 操 作 方 法 编 号 作 为新 增 模 式 对存 人 知 识 库 中 ， 以 作 为下 阶段离线学 习 时 的模 式对 参见 图 讨论 本研究 收集 了某 高炉 以往 有 异 常炉况 的记录 炉 ， 并 用其 中 炉作 为神 经 网 络 的学 习样 本 通过学 习 ， 系 统可 对这 炉 的炉 况作 出正确 判 断 用 学 习后 的神经 网络 专家系 统 对剩下 的 炉数据进行处理 ， 推断结果有 炉正确 ， 即命 中率为