高炉炉况判断神经网络专家系统

D0I:10.13374/i.issn1001053x.2002.03.054 第24卷第3期 北京科技大学学报 Vol.24 No.3 2002年6月 Journal of University of Science and Technology Beijing Jun.2002 高炉炉况判断神经网络专家系统 卢虎生12)高斌)赵利国》国宏伟》 杨天钧) 1)北京科技大学信息工程学院，北京1000832)包头钢铁学院，包头0140103)北京科技大学冶金学院，北京100083 摘要在深人分析高炉冶炼特点的基础上，提出泛化特性和自适应特性是高炉炉况判断系 统稳定有效运行的2个重要特性.设计了增进系统泛化特性和自适应特性的方案，并相应开发 出一套炉况判断专家系统.开发的系统在高炉上运行获得了满意效果 关键词专家系统；神经网络；高炉；泛化性；自适应性 分类号TF543.1;TP391 降低高炉冶炼过程的能量消耗，实现炼铁 炼环境参数以及不可测参数都已发生变化，因 生产的稳定和优化，要求及时准确地判断和预 而几乎不可能收集到有效的、足够的悬料学习 报高炉炉况，适时、适度地采取各种调节措施， 样本集.然而，对于高炉炼铁过程，悬料这种异 宝钢、鞍钢等国内许多钢铁公司都先后开发和 常炉况的后果十分严重，将产生较大的不利 使用了基于规则的炉况判断专家系统“这种 影响，因此系统必须能够判断和预报，所以单 系统虽然对指导高炉操作起到了一定作用，但 纯应用神经网络预报高炉炉况也有不可克服的 是由于专家系统在知识获取和自适应方面存在 缺陷 着固有缺陷，导致预报精度和提前量不能满足 为利用神经网络的学习功能和可处理不完 要求.因此，为准确和及时地预报炉况，近年来 整数据的特性，通常选用基于神经网络的集成 国内外都致力于专家系统与神经网络集成方面 方式来判断高炉炉况.神经网络高炉炉况预测 的研究3刀 与判断专家系统的建立过程如下：首先根据冶 炼原理和操作实践建立炉况判断推理网络；然 1基于神经网络的炉况判断系统 后将推理网络转换为连接网络；最后用多组高 神经网络和专家系统集成可以发挥两者的 炉出现异常炉况时的征兆和事故类别作为模式 优点，克服彼此的不足.专家系统主要向有关专 对，通过神经网络学习算法获取权值矩阵使 家获取知识（高炉专家系统的知识多以产生式 用BP学习算法，系统还可以一并完成隶属函数 规则表示)，由于至今还没有有效的知识更新手 和模糊规则的求精. 段，因而不能及时获取高炉冶炼过程的新模式； 基于神经网络的专家系统，使用神经网络 另外专家系统也不能应付时常出现的数据不完 的自学习功能弥补了专家系统知识获取方面的 整情形，这是基于规则的高炉炉况判断专家系 不足，但运行效果能否达到高炉生产的要求，还 统的一个主要问题. 取决于系统的泛化特性和自适应特性.泛化特 神经网络使用学习算法从训练样本中提取 性指学习好的网络能够在包含原实例、但超出 知识，因此需要足够的、准确的、全方位的（充分 原实例的范围内能够有效运行的能力.对那些 激励的)训练数据.但是在开发高炉炉况判断系 出现几率较小的异常炉况（例如悬料），该属性 统时，往往很难获得满足要求的数据.例如现代 反映了其能否持续正确地进行判断的水平.自 化高炉出现悬料的几率很小，几个月甚至1年 适应特性是指一种适应环境的能力.一个系统 才会出现1次，而在如此长时间间隔内许多冶 若具有自适应能力，则该系统可以改变自身内 在功能，适应环境变化.自适应特性对于实时 收稿日期200107-04卢虎生，男，37岁，副救授 准确地判断出现几率较大的异常炉况非常重 ★国家重点科技项目(N0.97-562-02-02》

第 2 4 卷 第 3 期 2 0 0 2 年 6 月 北 京 科 技 大 学 学 报 JO u r n a l o f U n iv e r s ity o f S c i e n e e a n d Te e h n o l o gy B e ij i n g 、勺L 2 4 N 0 . 3 J u n 。 2 0 02 高炉炉 况判 断神 经网络专家 系统 卢虎 生 ’ ,2) 高 斌 2 , 赵利 国 ” 国宏伟 ” 杨天钧 ” l )北京科技大学信息工程学 院 , 北京 一00 0 83 2 )包头钢铁学院 , 包头 0 14 0 1 0 3 ) 北京科技大学冶金学院 , 北 京 10 0 0 8 3 摘 要 在深 入分 析高炉 冶炼 特点 的基 础上 ,提 出泛 化特性和 自适应 特性 是高炉 炉 况判 断系 统稳 定有 效运行 的 2 个 重要 特性 . 设计了增 进 系统泛 化特性和 自适 应特 性 的方 案 , 并 相应开 发 出一 套炉 况判 断专家系统 . 开发 的 系统在 高炉上 运行 获得 了满 意效果 . 关键词 专家系统; 神经 网络 ; 高炉 ; 泛 化性 ; 自适应 性 分 类号 T F 5 4 3 . 1 : T P 3 9 1 降低 高炉冶炼过程 的能量消耗 , 实现炼铁 生 产 的稳定 和 优化 , 要求及时准确 地判 断和 预 报高炉 炉 况 , 适 时 、 适度地采取各 种调节措施 . 宝钢 、 鞍钢等 国内许 多钢铁公 司都 先后 开发和 使用 了基 于 规则的炉 况判 断专家系统 〔, , ” . 这种 系 统虽然对指导 高炉操作起 到了 一定作用 , 但 是 由于专家 系统在知识获取和 自适应方面存在 着 固有缺陷 , 导致预报精度 和 提前量不 能满足 要求 . 因此 , 为准确和 及时地 预报炉况 , 近 年来 国 内外都致力于 专家 系统与神经 网络集 成方面 的研究 〔3一 .vl 1 基 于神经 网络的炉 况判断系统 神经网络和专家系统集成可 以发挥两者 的 优点 , 克服彼此 的不 足 . 专 家系统 主要 向有关专 家获取知识 (高炉 专家 系统 的知识多 以 产生式 规则表示 ) , 由于 至今还没有有效 的知识更新 手 段 , 因而不能及 时获取高炉 冶炼过程的 新模式 ; 另 外专家系统也不能应付时常出现的数据不完 整情形 , 这是基 于 规则 的高炉 炉况判断专 家系 统 的一个 主 要问题 . 神经 网络使用学 习算法从训 练样本 中提取 知识 , 因此需要足够的 、 准确 的 、 全方位的( 充分 激励 的 )训练数据 . 但是在开发 高炉炉况判断系 统 时 , 往往很难获得满足要求 的数据 . 例如现代 化 高炉 出现悬料 的几 率很小 , 几个月 甚至 1 年 才会 出 现 1 次 , 而在如 此 长时间间隔 内许 多冶 收稿 日期 2 0 01 一7刁4 卢 虎生 , 男 , 37 岁 , 副教 授 * 国家重点 科技 项 目( NO . 9 7 一 5 6 2 一 02 一 02 ) 炼环境参 数 以及不 可测参数都 已发生 变化 , 因 而几 乎不可 能收集 到有效的 、 足够的悬料学 习 样本 集 . 然而 , 对 于高炉炼铁过程 , 悬料这种异 常炉况 的后 果 十分 严重 , 将 产生 较 大 的不 利 影 响 , 因此系统必须 能够判断和预报 , 所 以单 纯应用神经 网络预报高炉 炉况也有不 可 克服的 缺陷 . 为利用神经 网络的学习 功能和可 处理不完 整数据 的特性 , 通常选用 基于神经 网络 的集 成 方式来判 断高炉炉况 . 神经 网络高炉 炉况 预测 与判断专家 系统 的建立过程如下 〔4] : 首先根据 冶 炼 原理和 操作 实践 建立炉况判断 推理 网络 ; 然 后将 推理 网络转换 为连接 网络 ; 最后用多组 高 炉 出现异常炉况时的征兆和 事故类别作 为模式 对 , 通 过神经 网络学 习算 法获取权值矩 阵 `4 J . 使 用 B P 学 习算法 , 系统还可 以一并完成隶属 函数 和 模糊规则 的求精 〔 .s] 基于神经 网 络的专家 系统 , 使用神 经网 络 的 自学习 功能弥补 了专家 系统知识获取方面的 不足 , 但运行效果能否 达到高炉生产 的要求 , 还 取决 于系统 的泛化 特性和 自适应 特性 . 泛化 特 性指 学习 好 的网 络能够在包含原 实例 、 但超 出 原实例 的范 围内能够有效运行 的能力 〔5] . 对那些 出现几 率较小 的异 常炉 况 ( 例如悬 料 ) , 该属性 反映 了 其能否 持续正确地进 行判断 的水平 . 自 适应特性 是指一种适应环境 的能力 . 一 个系统 若具有 自适应 能力 , 则该 系统可 以改变 自身 内 在功能 , 适应 环境变化 「81 . 自适 应特性对 于 实时 准确 地判 断 出 现几 率较 大 的异 常炉 况非 常 重 DOI: 10. 13374 /j . issn1001 -053x. 2002. 03. 054

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

·278· 北京科技大学学报 2002年第3期 此而变化 样本库.样本库中样本的筛选以及何时进行神 基于动态隶属函数的系统属动态系统，适 经网络的增量学习，由专家确定，神经网络投入 用于诊断高炉的运行状态.与仅使用动态规则 运行时的权值和阈值，是利用专家系统训练得 的系统（表1中第2种系统）相比，该系统减少 到的 了规则更新的频度和工作量，更重要的是该系 (6)用户界面（图中未标出）.本系统采用B/S 统同时也减少了因规则更新而损害系统泛化特 模式.主系统完成推理过程后，将推理结果置人 性的可能性 事实库.用户通过浏览器访问web服务器，再通 过A$P访问数据库，最后得到推理结果 3系统构成及运行效果 系统在某钢铁公司的高炉上运行，其硬件 根据上述思想，开发了基于神经网络的专 环境为：微机服务器，100Mb以太网，微机工作 家系统，指导高炉冶炼生产.系统设计的总体结 站.网络操作系统采用Windows NT4.0,数据库 构如图2所示.各部分的功能简述如下 服务器使用SQL Server6.5,Web服务器为IISn- (1)生产数据预处理.原始数据中存在着噪 ternet information server).整个系统使用Visual 声、异常突变等干扰信号，需要对原始数据进行 C+开发.系统自2001年4月投入运行至2001 预处理.预处理包括平滑处理，计算统计信息 年9月底，高炉冶炼指标得到明显改善，煤气利 等 用率提高1.45%，综合焦比下降2.4%，人炉焦比 (2)神经网络及自学习.本文选择3层前馈 下降2.56%，产量提高5.65%.系统可预报的异 神经网络，采用BP学习算法， 常炉况类型有：向热、向凉、煤气流分布异常（中 (3)计算隶属度.从动态隶属函数库中读取 心气流过分发展，或边沿煤气流过分发展)、难 隶属函数，从生产数据中读取控制参数或过程 行、低料线、管道、崩料、悬料等，预报命中率大 参数，计算可得隶属度，计算结果存入事实库。 于90%（预报低料线、管道、崩料、悬料的命中率 (4)异常报警.当炉况判断系统预报异常炉 100%,预报难行的命中率92%，预报炉况向热的 况时，触发异常报警程序.报警程序根据异常炉 命中率93%，预报炉况向凉的命中率90%).系 况的种类，播放相应的录音. 统的成功运行证明，系统的泛化特性和自适应 (⑤)事故追忆.当系统预报异常炉况，或者根 特性是高炉炉况判断系统的2个重要特性，是 据生产数据判断出已经发生了某种异常炉况 综合（即：对较长的时间区间、出现几率很小的 异常炉况，正确地判断和处理；当前时间、出现 时，将前半个小时的生产数据和事实（包括原始 事实和推理结果)记录在缓冲区内，以备跟踪系 几率较大的异常炉况，准确地判断和处理)评价 统运行过程和分析炉况时使用. 炉况判断系统的重要指标 另外当预报的异常炉况与实际发生的异常 炉况超过一定误差时，系统便将相关信息存人 4结论 (1)基于神经网络专家系统的泛化特性和自 生产数据（实时） 生产数据预处理 适应特性是高炉炉况判断系统的重要指标，前 计算隶属度 者标志系统能够持续正确地判断出现几率较小 动态来風 的异常炉况，后者则标志系统能够实时准确地 函数库 事实库 判断出现几率较大的异常炉况 事放追亿 神经网络 (2)由专家系统中的规则生成训练样本集， 对神经网络实施训练，可保证系统的泛化特性 样本库 自学习 (③)基于动态隶属函数的系统属动态系统， 可保证系统的自适应特性，与仅使用动态规则 异常报警 的系统相比，该系统简便易行，且不易破坏系统 图2基于神经网络高炉炉况判断专家系统结构 单线表示处理，双线表示存储 的泛化特性. Fig.2 Architecture of the expert system based on neural net- (4)根据泛化特性与自适应特性相统一的思 work for blast furnace operation condition forecast 想，开发了基于神经网络的专家系统.系统应用

. 27 8 - 北 京 科 技 大 学 学 报 2 0 02 年 第 3 期 此 而变 化 . 基 于动态隶属 函数 的 系统属动 态系统 , 适 用 于诊 断高炉 的运行状态 . 与仅使用动态规则 的 系统 (表 l 中第 2 种系统 ) 相 比 , 该 系统 减少 了规则 更新 的频 度和 工作量 , 更重要 的是该 系 统 同时也减少 了 因规则更新而损害系统泛化特 性 的可 能性 . 3 系 统构成及运行效果 根 据上述思想 , 开发 了基 于神经 网络 的专 家 系统 , 指导高炉冶炼生 产 . 系统设计的总体结 构如 图 2 所示 . 各部分 的功能简述如 下 . ( l) 生产数 据预处理 . 原始数据 中存在 着噪 声 、 异常突变等干扰信号 , 需要对原始数据进行 预处理 . 预处理包 括平滑处理 , 计算统计信 息 等 . (2 ) 神经 网络及 自学习 . 本文选择 3 层前 馈 神 经网络 , 采用 B P 学 习算法 . (3 )计算隶 属度 . 从 动态隶属 函数库 中读取 隶 属函 数 , 从生产数据 中读取控制参数 或过程 参数 , 计 算可得隶 属度 , 计算结果存 人事实库 . (4 )异常报 警 . 当炉 况判断系统预报 异常炉 况时 , 触发异常报警程序 . 报警程序根据异常炉 况的种类 , 播放 相应的 录音 . (5 )事故追忆 . 当系统预报异常炉况 , 或者根 据生 产数 据 判断 出 已 经 发生 了 某种 异 常 炉况 时 , 将前 半个小时的生产数据和 事实 (包括原始 事实和 推理结果 )记 录在缓冲 区内 , 以备跟踪系 统运行过程 和分析炉况 时使用 . 另外 当预报 的异常炉况与实际发生 的异常 炉况超过一 定误差时 , 系统便将相关信 息存人 样本库 . 样本库 中样本 的筛选 以及何 时进行神 经 网络的增 量学 习 , 由专家确定 . 神经 网络投入 运行 时的权值和 阂值 , 是利用专家 系统训练得 到 的 . (6 )用户界面 (图中未标 出) . 本系统采用 B/ S 模式 . 主 系统完成推理过程后 , 将推理结果置人 事实库 . 用户通过浏览器访 问w eb 服务器 , 再通 过 A S P 访问数据 库 , 最后得到推理结 果 . 系统在某 钢铁公 司的高炉上运行 , 其硬件 环境 为 : 微 机服务器 , l o M b 以太 网 , 微机工作 站 . 网络操 作系统采用 w idn ow s N T .4 0 , 数据库 服务器使 用 SQ L S ver er .6 5 , We b 服务器 为 IIs( I n - t e nr e t i n fo mr at i o n s e vr e )r . 整个系统使 用 iV s au l C 十+ 开 发 . 系统 自 2 0 01 年 4 月 投人运行 至 2 0 01 年 9 月 底 , 高炉冶炼指标得到 明显 改善 , 煤气利 用率提 高 1 . 45 % , 综合焦 比下 降 2 , 4% , 人炉 焦 比 下 降 2 . 56 % , 产量提高 5 . 65 % . 系统 可预报 的异 常炉况类型 有 : 向热又向凉 、 煤气流分布异常 (中 心 气 流过分发展 , 或边沿煤气 流过分发展 ) 、 难 行 、 低料 线 、 管道 、 崩料 、 悬料等 , 预报命中率 大 于 9 0 % (预报低料 线 、 管道 、 崩料 、 悬料 的命 中率 10 % , 预报难行的命 中率 92 % , 预报炉况向热的 命中率 93 % , 预 报炉况 向凉 的命 中率 90 % ) . 系 统 的成功运行证 明 , 系统 的泛化特 性和 自适应 特性是 高炉炉况判断 系统 的 2 个重要特性 , 是 综合 (即 : 对较长 的时间区 间 、 出现几率很小 的 异 常炉况 , 正确地 判断和 处理 ; 当前时 间 、 出现 几率较大 的异常炉况 , 准确地判断和 处理 )评价 炉 况判断系统 的重要指 标 . 生产数据预处理 一巨硷国 { 样本库 { 事实库 自学习 图 2 基于 神经 网络 商炉 炉况判 断专 家 系统结构 单线表 示 处理 , 双 线表 示存储 F ig . 2 A cr b i t e e ot er o f t b e e x P e rt 叮s te m b a s de o n . e u ar l n e 卜 w o r k fo r b l a s t fu r n a e e o P e r a it o n e o n d i ti o n fo 比e a s t 4 结论 ( l) 基于神经网络专 家系统 的泛化特性和 自 适应 特性是高炉炉况判 断系统 的 重要指标 , 前 者标 志系统能够持续正确地判断出 现几率较小 的异常炉况 , 后者则标 志系统能够实时 准确地 判断 出现几率较 大的异常炉 况 . (2 ) 由专家 系统 中的规则生 成训练 样本集 , 对神经 网络实施训练 , 可保证 系统 的泛化特性 . (3 )基 于动态隶属 函数 的系统属动态 系统 , 可保证系统 的 自适应 特性 与仅使用 动 态规则 的系统相 比 , 该系统简便易行 , 且不易破坏系统 的泛化特性 . (4 )根据泛化特性 与 自适应特性相统一的思 想 , 开发 了基于神经网络 的专 家系统 . 系统应用

Vol.24 卢虎生等：高炉炉况判断神经网络专家系统 ·279· 于实际生产，取得了令人满意的结果 5刘金琨，王树青.高炉异常炉况神经网络专家系统) 钢铁研究学报，1998,10(3)：67 参考文献 6 Israel Broner,Carlton R Comstock.Combining Expert Sys- 1刘云彩.当代高炉炼铁成就】炼铁，2001,20(3)27 tems and Neural Networks for Learning Site-specific 2毕学工.人工智能和专家系统在钢铁工业中的应用 Conditions[J].Computers and Electronics in Agriculture [).武汉钢铁学院学报，1995,18(2)：146 1997,19:37 3 Lourdes Mattos Brasil,Fernando Mendes de Azevedo, 7 Enbo Feng,Haibin Yang,Ming Rao.Fuzzy Expert System Jorge Muniz Barreto.A Hybrid Expert System for the Di- for Real-time Process Condition Monitoring and Incident agnosis of Epileptic Crisis []Artificial Intelligence in Prevension[J].Expert systems with Applications,1998,15: Medicine,2001,21:227 383 4杨尚宝，杨天钩，董一诚.神经网络高炉炉况预测与 8中国软件行业协会人工智能协会.人工智能辞典M 判断专家系统J.北京科技大学学报，1996,18，(3)：220 北京：人民邮电出版社，1995 Neural Network Expert System of Forecasting Blast Furnace Operational Conditions LU Husheng2 GAO Bin,ZHAO Liguo,GUO Hongwe?,YANG Tianjun 1)Information Engineering School,UST Beijing,Beijing 100083,China 2)Baotou University of Iron and Steel,Baotou 014010,China 2)Metallurgy School,UST Beijing,Beijing 100083,China ABSTRACT Based on deeply-analyzing the characteristics of iron-making process,it is presented that gen- eralization and self-adaptation of the BF judgement systems are two important factors for maintaining the sta- bility and efficiency of neural network expert system.The strategy for improving these two features has been proposed and a new developed system has been proved to be satisfactory in the on-site blast furnace operation. KEY WORDS expert system;neural network;blast furnace;generalization;selp-adaptation 望里ee业ea堂ases堂ee堂堂SPes pesfespe堂业望PesPeSYesRooReeTesYeoTeote堂s (上接第275页) Refining Technology by Inocualting Clean Steel with Titanium Nitride CHENG Guoguang",ZHU Xiaoxia,PENG Yanfeng",WANG Yugang,ZHAO Pep I)Metallurgy School,UST Beijing,Beijing 100083 2)Materials Science and Engineering School,UST Beijing,Beijing 100083,China 3)Central Iron and Steel Research Institute,Beijing 100081,China ABSTRACT Precipitation and nucleation of TiN during solidification of clean steel have been studied.And the possibility of using TiN to refine as-cast grains as heterogeneous nucleation sites as well as to reduce mac- rosegregation in continuous casting of steel is discussed.The conditions that TiN precipitates at the beginning of solidification have been acquired and the effectiveness of this TiN refining as-cast structure process has been investigated with comparative experimental methods.It is shown that refining grains by inoculating clean steel with TiN is an effective way provided that the process is controlled strictly. KEY WORDS TiN:solidification;grain refinement;clean steel;precipitation

l V b . 4 卢2 虎生等 : 高炉 炉况判 断神经 网络专 家系 统 . 7 , 2 . 于 实际生产 , 取得 了令人满意 的结果 . 参 考 文 献 1 刘云彩 . 当代高炉 炼铁 成就 [J] . 炼 铁 , 2 0 01 , 2 0 ( 3) : 27 2 毕学 工 . 人 工智能 和专家 系统在 钢铁 工业 中的应用 【J ] . 武汉 钢铁学 院学 报 , 19 9 5 , 18 ( 2 ) : 1 4 6 3 L o ur d e s M at o s B r a s i l , F e nr a n d o M e n d e s d e A ez v e d o , J o gr e M u n i z B a er t o . A yH b r i d E x P e rt S y s et m fo r ht e D i - a gn o s i s o f E P il e Pti e C r i s i s ! J ] . A rt iif e i a l I n t e l li g e n e e i n M e d i e i n e , 2 0 0 1 , 2 1 : 2 2 7 4 杨 尚宝 , 杨 天钧 , 董 一诚 . 神 经 网络 高炉 炉况预测 与 判断专 家 系统 [ J ] . 北京科 技大学 学报 , 1 9 9 6 , 1 8 , ( 3 ) : 2 2 0 5 刘金馄 , 王树青 . 高炉异 常炉况神 经网络专家系统 [J] . 钢铁 研究学 报 , 1 9 9 8 , 1 0 ( 3 ) : 6 7 6 I s aer l B r o n e ’r C ar l t o n R C o m s ot c k . C o m bi n i n g E xP e rt Sy s - t e m s an d N e uar l N e tw o kr s fo r L e am i n g S iet 一 s P e e i if e C o n d i ti o n s [J ] . C o m P ut e r s an d E l e e tr o n i e s i n A gr i e u lut r e , 19 9 7 , 1 9 : 3 7 7 E n b o F e n g , H ia bi n ya n g , M i n g Ra o . F u Z y E xP e rt s y s t e m fo r eR a l 一 t im e P r o e e s s C o n d i t i o n M o n i t o r i n g an d I n e i d e n t P r e v e n s i o n [J ] . E xP e rt s y s t e m s w i th A PP li e at i o n s , 19 9 8 , 1 5 : 3 8 3 8 中国软件行 业协会人 工智能 协会 . 人工智 能辞典 IM I 北 京 : 人 民 邮 电出版社 , 1 9 5 N e ur a l N e wt o r k E xP e rt S y s t e m o f F o r e e a s t i n g B l a s t F um a c e O P e r at i o n a l C o n d it i o n s L U uH s h e 叮 , , , , , GA O B in , ), IZ ￡刁o L恻 。 , ), G Uo OH n g w e尸,) YA N G iT anj u n , , l ) I n fo mr at i o n E n g i n e e r i n g S e h o o l , U S T B e ij i n g , B e ij i n g 10 0 0 8 3 , C h i n a Z ) B ao t o u U n i v e sr iyt o f lor n an d s t e e l , B ao t o u o l 4 0 10 , C h i n a 2 ) M et a ll u r g y S c h o o l , U S T B e ij i n g , B e ij i n g 10 0 0 8 3 , Ch i n a A B S T R A C T B a s e d o n d e e P ly 一 an a ly z i n g t h e e h ar a e t e r i s t i e s o f ior n 一 m a k l n g Por e e s s , it i s rP e s e nt e d th a t g e n - e ar li z at i o n a n d s e l-f a d a Pt at i o n o f ht e B F j u d g e m e in s y s t e m s ar e wt o 1m P o rt a n t fa e t o r s fo r m a i n at i n i n g ht e s t a - b iliyt a n d e if c i e n e y o f n e u r a l n e wt o kr e x P e rt s y s t e m . T h e s t r a t e gy fo r im P r o v i n g ht e s e wt o fe a ot r e s h a s b e e n P r o P o s e d a n d a n e w de v e l o Pe d s y s t e m h a s b e e n Por v e d t o b e s at i s fa e t o yr i n ht e o n 一 s it e b l a st fu m a e e op e r at i o n . K E Y WO R D S e XP e rt s y s t e m : n e ur a l n e wt o kr ; b l a s t ft l rn a e e : g e n e r a li atZ i o n : s e lP 一 a d ap t at i o n (上接第 2 7 5 页 ) R e if n i n g eT e hn o l o g y b y I n o c u a lt i n g C l e an S t e e l w it h iT t a n i um N it r i d e c H万N G uG o g u a gn , ’ , ZH U iX a ox ial ’ , 尸皿叭子aY fen 心 , , 洲刃G h 心a gn , ’ , Z H 刁口 eP 尸 ’ l ) M e t a ll u gr y S e h o o l , U S T B e ij i n g , B e ij i n g 10 0 0 8 3 2 ) M at e r i a l s S e i e n e e an d E n g i n e e ir n g s e h o o l , U S T B e ij i n g , B e ij i n g l 0 0 0 8 3 , Ch i n a 3 ) C e nt r a l I ro n an d S t e e l R e s e are h I n s t itu te , B e ij in g 10 0 0 8 1 , C h i n a A B S T R A C T P r e e iPit at i o n a n d nu e l e at i o n o f T NI d u r l n g s o lid iif e at i o n o f e l e an s t e e l h va e b e e n s t u d i e d . A n d t h e P o s s ib ility o f u s i n g T NI t o re if n e a s 一 e a st gr a i n s a s h e t e r o g e n e o u s nu e l e at i o n s ite s a s w e ll a s t o r e du e e m a e - r o s e gr e g at i o n i n e o nt inu o u s c a s t i n g o f s t e e l 1 5 d i s e u s s e d . T h e e o n d it i o n s ht at TiN Pre e iPiat e s at ht e b e g in i n g o f s o lid iif e at i o n h va e b e e n a c qu ire d an d ht e e fe c t i v e n e s s o f t h i s T iN re if n ign a s 一 e a st s tru e trIJ e P r o e e s s h a s b e e n i n v e s t i g a t e d w iht c o m P ar at i v e e xP e ir m e n t a l m e ht o d s . It 1 5 s h o w n ht at r e fm i n g gr a i n s 勿 i n o c u lat i n g e l e an s t e e l w it h T IN 1 5 an e fe c t i v e w ay P r o v id e d ht at ht e Pr o e e s s 1 5 e o n tr o ll e d s tr i c t ly . K E Y W O R D S T NI : s o lid iif e at i o n ; gr a i n r e if n e m e in : e l e an s t e e l: Pr e e iP iat i o n