D0I:10.13374/j.issn1001-053x.1996.03.005 第18卷第3期 北京科技大学学报 Vol.18N0.3 1996年6月 Journal of University of Science and Technology Beijing Jm1996 神经网络高炉炉况预测与判断专家系统* 杨尚宝杨天钧董一诚 北京科技大学冶金系，北京100083 摘要将神经网络与传统专家系统有机地结合、建立了用于高炉炉况预测与判断的神经网络专家系 统，该系统命中率高、适应性强、且具有良好的自学习功能。 关键词高炉，炉况预测、神经网络，专家系统 中图分类号TF543.1.TP391 生产实践证明，只有保持炉况稳定顺行，才能达到优质、高产、长寿和低耗，取得较好的技 术经济指标，所谓稳定顺行，是指装人炉内的炉料下降顺利，速度均匀，炉温稳定充沛，产品质 量优良·然而，高炉冶炼过程受多种因素影响，这些因素是经常变化的，这必将引起炉况的波 动·因此、高炉操作者必须随时判断炉况变化的趋势和幅度、查找引起变化的原因，及时进行调 节，保持炉况稳定顺行.通常，操作者是凭各自的经验对炉况进行判断和调节的，由于操作 者的水平参差不齐，对炉况的判断不会一致，调节的方法也就不同，这会造成人为的炉况波动， 况且，即使是优秀的操作者，也会对炉况作出错误的判断，所以，不断总结优秀操作者的经验， 统一操作标准，建立智能模型、通过计算机控制系统对炉况进行在线判断与预测、并及时给出操 作指导、是完全必要和有益的· 1专家系统与神经网络的结合 现有的专家系统是基于知识的符号专家系统、这类专家系统有以下不足：①：知识获取 不便；2通常不具备联想记忆和自学习功能；③随着知识增多，推理速度有所降低，而基于连 接的神经网络虽具有信息分布存储、并行处理、自学习和自组织等功能，却又不具备推理的透明 性，为此、联接机制与符号机制的互补和结合将是一种必然结果· 事实上，符号机制的专家系统与连接机制的神经网络，两者之间存在着一些相应的关系： ①两种网络结构模型的可转换性，以产生式规则系统为例、它的推理网络、经分解等操作后， 可转换为相应的神经网络的连接网络、反之亦然；②可信度和权值的等价性.可证明不精确推 理中证据，命题的可信度与神经网络中连接的权值，在某种条件下存在着等价的关系：③领域 的有限知识“编辑”与训练实例集选择的相关性.在两种网络模型可相互转换时，为建立专家系 统知识库所获取的知识与为神经网络训练实例所含的知识之间存在着某种相关性；④两种系统 所扩展的知识间的蕴含性，在满足上述3项条件下，专家系统推理过程所积累的知识范围和神经 网络所能识别的领域之间有着某种蕴含的关系， 为此，在构造专家系统时，可以首先根据领域知识归纳出知识的确定性因果关系，建立确定 1995-09-2收荫第作者男30岁博士 ◆国家“八五”科技攻关顶目
第 卷 第 期 年 月 北 京 科 技 大 学 学 报 妞 神经 网络高炉炉况 预测 与判断专家系统 ‘ 杨 尚宝 杨 天钧 董一诚 北 京科 技大学 冶 金 系 ， 北 京 〕 〕 摘要 将神经网络与传统专家系统有机地结合 ， 建立 了用于 高炉 炉 况 预测 与判 断的神经 网络专家系 统 该系统命中率高 、 适应性强 ， 且具有 良好的 自学习功能 关键词 高炉 ， 炉况预测 ， 神经网络 ， 专家系统 中图分类号 抖 ， 生产实践证 明 ， 只有保持炉况稳定顺行 ， 才能达到优质 、 高产 、 长寿和低耗 ， 取得较好的技 术经济指标 所谓稳定顺行 ， 是指装入炉 内的炉料下 降顺利 ， 速度均匀 ， 炉温稳定充沛 ， 产品质 量优 良 然而 ， 高炉冶炼过程受多种因素影 响 ， 这些 因素是 经 常变化 的 ， 这必将 引起 炉况的波 动 因此 ， 高炉操作者必须随时判断炉况变化的趋势和幅度 ， 查找引起变化的原因 ， 及时进行调 节 ， 保持炉 况 稳 定顺 行 通 常 ， 操作 者是凭各 自的经验 对炉况 进行判 断和调节 的 由于操作 者 的水平参差不 齐 ， 对炉况 的判断不 会一致 ， 调节的方法也就不 同 ， 这会造成 人 为的炉况波动 况且 ， 即使是优秀的操作者 ， 也会对炉况作 出错误 的判断 所 以 ， 不断总结优 秀操 作者的经验 ， 统一操作标准 ， 建立智能模型 ， 通过计算机控制系统对炉况进行在线判断与预测 ， 并及 时给出操 作指导 ， 是完全必要和有益的 专家 系统与神经网络 的结合 现有 的专家系统是基于 知 识的符 号 专家 系 统 ， 这 类 专家 系 统 有 以 下 不 足 ① 知 识 获 取 不便 ② 通 常不具备联想记忆和 自学 习功能 ③ 随着知 识增多 ， 推理速度有 所 降低 而 基于 连 接的神经网络虽具有信息分布存储 、 并行处理 、 自学 习和 自组织等功能 ， 却又不具备推理 的透明 性 为此 ， 联接机制 与符号机制的互补和结合将是一种必然结果 事实上 ， 符 号机制 的专家系统与连接机制的神经 网络 ， 两者 之 间存在 着一些 相 应 的关 系 ’ ① 两种 网络结构模型 的可转换性 以 产生 式规 则 系 统 为例 ， 它 的推理 网络 ， 经分解 等操作 后 ， 可转换 为相应的神经网络的连接 网络 ， 反之亦然 ② 可信度和权值 的等 价性 可 证 明不 精确 推 理 中证据 ， 命题 的可信度与神经 网络中连接 的权值 ， 在某种条件下 存 在 着等 价 的关 系 ③ 领 域 的有 限知 识 “ 编辑 ” 与训练实例集选择的相关性 在两种网络模型可相互转换时 ， 为建立专家系 统知识库所获取 的知 识与为神经 网络训练实例所含的知 识之间存在 着某种相 关性 ④ 两种系 统 所扩展的知 识间的蕴含性 在满足上述 项条件下 ， 专家系统推理过程所积累的知识范围和神经 网络所能识别的领域之 间有着某种蕴含的关系 为此 ， 在构造专家系统时 ， 可 以首先根据领域知识归纳出知识的确定性 因果关系 ， 建立确定 卯 一 的 一 收 稿 第 一 作 者 男 岁 博士 中 国 家 “ 八 五 ” 科 技 攻 关 项 目 DOI ：10．13374／j ．issn1001－053x．1996．03．005
Vol.18 No.3 杨尚宝等：神经网络高炉炉况预测与判断专家系统 .221 性的推理网络，然后借助神经网络方法将其自动转换为相应的连接网络，再用基于神经网络的学 习算法去获取权值矩阵，它等价于该推理网络的可信度矩阵，这样，便采用神经网络的方法构造 了专家系统，使专家系统与神经网络有机地接合在一起， 采用神经网络的方法构造专家系统可使系统具体如下特征：①用大量的神经元及其连接权 值来表示一些特定的概念和知识；②用一些特定有效的学习算法从专家给出的实例及相应解中 获取知识；③可实现并行推理并具有联想推理功能，因此，基于神经元的神经网络专家系统所 具有的这些特征可以克服现有专家系统的不足， 2神经网络高炉炉况判断专家系统 21建立方法 基于推理网络与连接网络的可转换性和可信度与权值的等价性，在建立神经网络专家系统时 可采用如下方法：首先根据高炉冶炼的原理与操作实践建立炉况判断的椎理网络；其次将炉况判 断推理网络转换为等效的连接网络；然后通过神经网络的学习算法获取权值矩阵，它等价于推理 网络的可信度矩阵，这样，用大量的神经元及其连接权值就表达了用于炉况判断的经验和知识， 系统运行时，可通过神经网络的并行处理进行计算推理，从而对炉况进行有效地判断；同时还可 通过权值矩阵（即等价的可信度矩阵）对系统的推理作出相应解释， 例如，对于悬料判断，可根据操作实践建立判断悬料的推理网络（见图1），然后将其转换 为相应的连接网络（见图2），采用BP网络的学习算法则可得到连接网络的权值矩阵，从而使该 网络可对炉况进行推理判断 料尺 顶温度 顶压力 屋 透气性 风口状态 时间间隔 两料尺值 两料尺差 炉顶温瘦各值 顶温位置均值 顶温时间均值 炉顶压力各值 顶压位置均值 顶压时间值 风压值 风压变化值 风量值 风量变化值 透气性指数 透气性变化 风口有无升降 风口活跃或呆滞 图1悬料判断的推理网络 同样也可以建立用于其它炉况判断的网络模型.若综合考虑多种炉况的判断，则可建立用于 多种炉况判断与预测的神经网络高炉炉况判断专家系统， 本系统可对如下10种（异常）炉况进行判断：偏料、悬料、连续崩料、管道行程、边缘气 流不足、边缘气流发展、炉墙结厚、炉缸堆积、向凉、向热等
杨 尚宝等 神经 网络高炉炉况 预测 与判断专家系统 · · 性 的推理 网络 ， 然后借助神经网络方法将其 自动转换 为相应的连接网络 ， 再用基于神经网络的学 习算法去获取权值矩 阵 ， 它等价于该推理 网络的可信度矩阵 这样 ， 便采用神经网络的方法构造 了专家系统 ， 使专家系统与神经网络有机地接合在一起 采用神经网络的方法构造专家系统可使系统具体如下特征 ① 用 大量 的神 经元及 其 连接权 值来表示一些特定的概念和知识 ② 用一些特定有效的学 习算法从 专家给 出的实例及相 应解 中 获取知识 ③ 可实现并行推理并具有联想推理功能 因此 ， 基于 神经元 的神经 网络 专家系统所 具有 的这些特征可 以克服现有专家系统的不足 神经网络高炉炉况判断专家系统 建立方法 基于推理网络与连接网络的可转换性和可信度 与权值 的等价性 ， 在建立神经网络专家系统时 可采用如下方法 首先根据高炉冶炼的原理 与操作实践建立炉况判断的推理网络 其次将炉况判 断推理 网络转换为等效 的连接网络 然后通过神经网络的学习算法获取权值矩阵 ， 它等价于推理 网络的可信度矩阵 这样 ， 用大量的神经元及其连接权值就表达了用于炉况判 断的经 验 和 知识 系统运行时 ， 可通过神经网络的并行处理进行计算推理 ， 从而 对炉况进行有效地判断 同时还可 通过权值矩阵 即等价的可信度矩阵 对系统的推理作 出相应解释 例如 ， 对于 悬料判断 ， 可根据操作实践建立判断悬料 的推理 网络 见 图 ， 然 后将其转换 为相应的连接网络 见 图 采用 网络的学 习算法则可得到连接网络的权值矩阵 ， 从而使该 网络可对炉况进行推理判断 悬 料 料 顶温度炉 顶力炉压 透气性 风状态口 尺 风 压 叠彗巨 时隔间 值料尺两 料差两尺 值顶温度各炉 位值顶温置均 值顶温均时间 值炉顶压力各 顶位值压置均 顶压值时间 值风压 值风压变化 风量值 风量值变化 透气性指数 透气性变化 风有无升降口 风跃呆滞活或口 图 悬料判断 的推理 网络 同样也可 以建立用于 其它炉况判断的网络模型 若综合考虑多种炉况 的判断 ， 则可建立用于 多种炉况判断与预测的神经网络高炉炉况判断专家系统 本系统可对如下 种 异常 炉况进行判断 偏料 、 悬料 、 连续 崩料 、 管道行 程 、 边缘气 流不足 、 边缘气流发展 、 炉墙结厚 、 炉缸堆积 、 向凉 、 向热等
…222· 北京科技大学学报 1996年No.3 22系统构成 本研究采用误差反向传播网络(BP网)来建立基于神经元的神经网络专家系统刊.该系统 由人机接口、数据库、知识库、神经推理机和解释程序等5部分组成，见图3. 人机接口 数据库 神经推理机 知识库 ● 解释程序 图2悬料判断的等效应连接网络 图3神经网络专家系统的系统构成 在该系统中，数据库用于存放系统运行过程中所需要和产生的数据信息以及系统性能指标 等：知识库用于存放规则、事实和样本模式（用于联想记忆、加速推理）；神经推理机采用误差 反向传播学习网络(BP网)，实现系统的联想记忆、并行推理和自学习功能；解释程序负责回答 用户提出的有关推理机、系统性能和使用方法等问题；人机接口则是为用户灵活方便地进行系统 的操作与维护而建立的友好界面， 23运行机制 系统首先用已存的模式对使神经网络进行离线学习；然后用学习后的神经网络对新的输入进 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，并给 出处理该炉况的操作指导；最后将操作实绩（包括操作方法编号）作为新增模式对存入知识库 中，以作为下阶段离线学习时的模式对， 3实际应用 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入计算机，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，通过向输入层输人数据（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，并给出相应 的操作指导， 31离线运行情况 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
北 京 科 技 大 学 学 报 年 系统构成 本研究采用误差反 向传播 网络 网 来建立基于 神经元 的神经 网络 专家系统 阴 该系统 由人机接 口 、 数据库 、 知识库 、 神经推理机和解释程序等 部分组成 ， 见 图 袱呱万 、 或 饭为探 少 艺六占 乙 一洲“ 占龟 人 机 接 口 数据库 神经推理机 知识库 解 释 程 序 图 悬料判断的等效应连接网络 图 神经网络专家系统的系统构成 在该系统 中 ， 数据库用于存放系统运行过程 中所 需要 和 产 生 的数 据信息 以 及 系统性 能指 标 等 知识库用于存放规则 、 事实和样本模式 用于联想记忆 、 加速推理 神经推理 机采用误 差 反 向传播学 习网络 网 ， 实现 系统的联想记忆 、 并行推理和 自学习功能 解释程序负责回答 用户提 出的有关推理机 、 系统性能和使用方法等问题 人机接 口 则是为用 户灵活方便地进行系统 的操作与维护而建立 的友好界 面 乃 运行机制 系统首先用 已存 的模式对使神经 网络进行离线学 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 ， 并给 出处理该炉况 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 实际应用 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 ， 并 给 出相 应 的操作指 导 离线运行情况 本研究收集 了某高炉 以往有异常炉况 的记录 炉 ， 并用其 中 见 炉作为神经 网络 的学 习样
Vol.18 No.3 杨尚宝等：神经树络高炉炉况侦测与判断专家系统 223 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31炉正确，即命中率为88.6%，见表1. 表1系统离线运行命中率 异常炉况 偏料悬料连续崩料边缘发展边缘不足管道行程炉墙结厚炉缸堆积向热向凉 发生炉次次 58 3 2 3 2 3 4 4 命中炉次/次 58 3 2 2 2 43 32在线运行情况 将离线状态下学习好的神经椎理网络用于在线系统，可以实现高炉炉况的实时监测判断.当 然，在线系统比离线运行模型要难以实现.因为，它涉及到整个系统的通讯联网，不仅要考虑数 据采集的项目，还要考虑数据的传递频率、准确性和稳定可靠性.目前，本系统已开始在线试运 行，从其使用效果来看、还是令人满意的， (1)记录显示本系统对高炉炉况实行在线实时监测，及时对异常炉况的发生进行预报，并 将判断结果自动记录，同时采用红绿灯与脸谱相结合的方式简明直观地显示在终端大屏显示器 上，显示内容包括：时间、炉子状态、诊渐结果、炉况征兆、处理方法等.通过本系统的在线运 行，操作者能及时了解炉子状态，并使高炉炉况得到及时的调整，从而避免对炉况的漏判或误 判，延误对高炉炉况进行及时调整的时机，这对减少事故发生率、保持炉况顺行、提高产量、降低 焦比、稳定操作有着极为明显的促进作用，从而使强化冶炼有了更可靠的保证， (2)事实样本为了不断提高系统的命中水平，系统需要不断地学习.为此，本系统在运行 中，将判断的结果及当时的操作参数和命中情况等作为新增模式对存入知识库中，即将命中和未 命中的炉况及其相应的操作参数作为事实样本存人计算机中，通过下一轮的离线学习而使系统的 命中水平得到提高，同样，对于漏判的情况，操作者也可将其判断结果（或实际炉况）及相应的 操作参数作新增样本存人计算机，也用于系统离线学习· 33运行实例 (1)某日对某高炉炉况的预报情况 本系统在某日22：50通过CRT给出高 高”专案系货9942一23221 炉悬料的报警.从高炉当时主要操作参数的变 炉子状态：悬料 O 化情况来看：风压上升、风量降低、顶温升 炉况征兆 处理方法 高、顶压有所下降，而且料线很长一段时间 1,炉料停止下降17 1、炉凉悬料 未下来，表明炉子确实发生了悬料，系统不 2、风压升高0kPa 减风30~50kPa 仅给出悬料报警，而且给出了系统赖以判断 3.风量减少4500mh 2.炉热悬料 悬料的征状及处理悬料的推荐方法，见图4. 撤风温100℃ 当时，正常的操作参数（区域平均值）见 表2. 图4炉况判新显示 当班工长采用了减风处理方法：22：53将风压由170kP降到140kPa;在23：18坐料将风 压由140kPa降至40kPa;坐料后，23：25增压至100kPa;23:32风压升至140kPa,23:50升至
杨 尚宝 等 神经 网络高炉 炉况 预 测 与判 断专家系统 · · 本 通过学 习 ， 系统可 对这 功 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 ， 见表 表 系统离线运行命中率 异常炉况 偏料 悬料 连续崩料 边缘发展 边缘不足 管道行程 炉墙结厚 炉缸 堆积 向热 向凉 发生炉 次 次 命中炉次 次 在线运行情况 将离线状态下学 习好的神经推理网络用于在线系统 ， 可 以实现高炉炉况的实时监测判断 当 然 ， 在线系统比离线运行模型要难以实现 因为 ， 它涉及到整个系统的通讯联网 ， 不仅要考虑数 据采集 的项 目 ， 还要考虑数据的传递频率 、 准确性和稳定可靠性 目前 ， 本系统 已 开始在线试运 行 ， 从其使用效果来看 ， 还是令人满意 的 记录显示 本系统对高炉炉况实行在线实时监测 ， 及时对异常炉况 的发生进行预报 ， 并 将判断结果 自动记录 ， 同时采用红绿灯与脸谱相结合 的方 式 简 明直观地显示 在 终端 大屏 显示 器 上 显示 内容包括 时间 、 炉子状态 、 诊断结果 、 炉况征兆 、 处理方法等 通过本系统的在线运 行 ， 操作者能及 时了解炉子状态 ， 并使高炉炉况得 到及 时 的调 整 ， 从而 避 免 对炉况 的漏判 或误 判 ， 延误 对高炉炉况进行及时调整的时机 ， 这对减少事故发生率 、 保持炉况顺行 、 提高产量 、 肠刻氏 焦 比 、 稳定操作有着极 为明显 的促进作用 ， 从而使强化冶炼有 了更可靠的保证 事实样本 为了不断提高系统的命中水平 ， 系统需要不断地学习 为此 ， 本系统在运行 中 ， 将判断的结果及 当时的操作参数和命 中情况等作为新增模式对存入知识库中 ， 即将命 中和未 命 中的炉况及其相应的操作参数作为事实样本存入计算机 中 ， 通过下一轮的离线学 习而使系统的 命 中水 平得到提高 同样 ， 对于 漏判的情况 ， 操作者也可将其判断结果 或实际炉况 及相应的 操作参数作新增样本存人计算机 ， 也用于 系统离线学 习 运行实例 某 日对某高炉炉况 的预报情况 本系统在某 日 刃 通 过 给 出高 炉悬料的报警 从高炉 当时主要操作参数的变 化情况来看 风压上 升 、 风量 降低 、 顶温升 高 、 顶压有所下 降 ， 而且料线很长一段时间 未下来 ， 表 明炉子确 实发生 了悬料 ， 系统不 仅给 出悬料报警 ， 而且给 出了系统赖以判断 悬料的征状及处理悬料的推荐方法 ， 见 图 当时 ， 正 常 的操作 参数 区 域平 均值 见 表 高 沪 专 家 系 统 酬 份理份 斗 翠 那 … 炉子 状态 悬” …③ ⑦ 料 么州 炉 况 征 兆 处 理 方 法 、 炉料停止下 降 ’ 、 炉凉悬料 、 风压 升高 减 风 一 印 、 风量减 少 珊 耐 、 炉热悬料 撤 风温 田 ℃ 当班工长采用 了减风处理方法 将风 压 由 压 由 氏 降至 几 坐料后 ， 增压至 田 几 图 炉况判断显示 降到 几 在 坐 料 将 风 风压 升至 几 ， 刃 升 至
·224· 北京科技大学学报 1996年No.3 170kPa,此后，炉况基本平稳顺行， 表2操作参数（平均值） 风量/万m3·h'风压kPa风温/℃顶压kPa顶温/℃透气性 装料制度 4.46 1531120 55145/1624345KKJJ+KKJ+JKK6点布料 (2)某日对炉况的预报情况 本系统某日对某高炉进行了一次连续塌料的准确预报：11：06系统给出滑料第1次报警， 并用黄灯显示；11：35给出第2次滑料报警；不到30min,12:01系统又给出第3次报警，并在 C℉T上给出“连续塌料”的炉况判断结果，显示出红色脸 表3塌料时的料线变化 谱，该判断结果通过仪表显示分析为工长所确认，料线变化情 时间 料线变化情况/mm 况见表3. 11:06 800-1500 在给出炉况判断结果的同时，系统还在终端显示器上显示 11:35 800-1600 出推荐的处理方法：①减风20%以上；②疏松边沿；③加 12:01 800-1800 净焦或减负荷.工长根据当时的操作情况采用了减风措施，表4 是当时的操作参数， 表4操作参数记录 记录时间风量/万m·h风压/kPa风温/℃顶温/℃顶压/kPa透气性加湿/g·h'料批数 11:30 4.32 157 1140 114/118 55 429 0 d 1:45 4.22 158 1080 238/242 55 436 20 > 11:45 4.13 131 1040 158/172 45 399 18 6 3.4系统的自学习 经过离线学习后，本系统已开始在线运行，从运行的情况来看，效果是良好的.当然，由于 样本数量少，推断命中率尚且不高，而且对应于各种异常炉况的命中率也不一致，这说明学习样 本还需要不断增加，并使系统不断地学习，从而提高炉况判断的命中率，这也正是本神经网络专 家系统的特点一系统通过离线自学习不断提高判断命中率， 为此，在本系统的知识库中除存有用于提高推理效率的规则和学习样本（模式对）等外，还 存有在线运行而得到的事实案例，在离线学习时，系统可将事实案例作为新增样本，从而不断提 高神经网络的适应能力和推断命中率， 4结论 (1)采用神经网络的方法建造了用于高炉炉况判断的神经网络专家系统·从高炉生产实际出 发，根据炉况判断的推理网络，建立了基于神经网络的高炉炉况判断专家系统.该系统可对悬 料、偏料、管道行程、边缘气流发展、边缘气流不足、连续崩料、炉缸堆积、炉墙结厚、向凉、 向热等10种异常炉况进行诊断，并给出相应的操作指导，本系统的应用对于高炉顺行、稳定操 作、减少休风率、提高产量、降低焦比、减少事故发生率等起到了积极的作用，为高炉强化冶炼 提供了可靠的保证
北 京 科 技 大 学 学 报 年 ， 此后 ， 炉况基本平稳顺行 表 操作参数 平均值 风量 万 ， · 一 ’ 风压爪 风温 ℃ 顶压承氏 透气性 装料制度 巧 顶 温 ℃ 只 」 点布料 某 日对炉况 的预报情况 本系统某 日对某高炉进行 了一 次连续塌 料 的准 确 预报 肠 系 统 给 出 滑 料 第 次 报 警 ， 并用黄灯显示 给出第 次滑料报警 不 到 卫 ， 系 统又 给 出第 次报警 ， 并在 上 给 出 “ 连续塌 料 ” 的 炉 况 判 断结果 ， 显 示 出红 色脸 谱 该判断结果通过仪表显示分析为工长所确认 ， 料线变化情 况见表 在给 出炉况判断结果 的同时 ， 系统还在终端显示器上 显示 出推荐的处理方法 ① 减风 以上 ② 疏 松边 沿 ③ 加 净焦或减负荷 工 长根据 当时的操作情况采用 了减风措施 ， 表 是 当时的操作参数 表 操作参数记录 表 塌料时的料线变化 时间 料线变化情况 一 夕 〕 攻助 一 〔泛拭 刃〕 一 《叉 肠 记 录 时 间 风量 万 耐 · 一 ’ 风压 风温 ℃ 顶温 ℃ 顶 压 氏 透气性 加 湿 · 一 ’ 料批 数 ， 子 ︺︶，、 ︸、、 ，月 亡 ︼曰‘亡气、 峙络气月 ‘ ，勺月且己且 粼〕 系统的自学 习 经过离线学 习后 ， 本系统已 开始在线运行 从运行 的情况来看 ， 效果是 良好 的 当然 ， 由于 样本数量少 ， 推断命 中率 尚且不高 ， 而且对应于各种异常炉况 的命 中率也不一致 ， 这说 明学习样 本还需要不断增加 ， 并使系统不断地学习 ， 从而提高炉况判断的命 中率 这也正是本神经网络专 家系统的特点 一 系统通过离线 自学 习不断提高判断命 中率 为此 ， 在本系统的知识库中除存有用于提高推理效率的规则和学习样本 模式对 等外 ， 还 存有在线运行而得到的事实案例 在离线学 习时 ， 系统可将事实案例作为新增样本 ， 从而不断提 高神经 网络的适应能力和推断命 中率 结论 采用神经网络的方法建造 了用于 高炉炉况判断的神经网络专家系统 从高炉生产实际出 发 ， 根据炉况判断的推理 网络 ， 建立 了基于神经 网络 的高炉炉况判 断专家系 统 该 系统可 对悬 料 、 偏料 、 管道行程 、 边缘气流发展 、 边缘气流不足 、 连续崩料 、 炉缸 堆积 、 炉墙结厚 、 向凉 、 向热等 种异常炉况进行诊断 ， 并给 出相应的操作指导 本系统的应 用 对于 高炉顺 行 、 稳定操 作 、 减少休风率 、 提高产量 、 降低焦 比 、 减少事故发生率等起到 了积极的作用 ， 为高炉强化冶炼 提供了可靠的保证