高炉炉况判断神经网络专家系统

　　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*国家重点科技项目（N.97-56202-02）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，对于篼炉炼铁过程，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：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；*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14.使用BP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。

　　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。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。

　　设计按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入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；*后利用神经网络的自学习功能，获取神经网络的权值、阈值参数……各部分的功能简述如下。

　　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。

　　神经网络及自学习。本文选择3层前馈神经网络，采用BP学习算法。

　　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。

　　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。

　　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入2毕学工。人工智能和专家系统在钢铁工业中的应用。武汉钢铁学院学报，1995，18（2）：146 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。北京科技大学学报，996，18，（3）：220 5刘金琨，王树青。篼炉异常炉况神经网络专家系统。钢铁研究学报，1998，10（3）：67 8中国软件行业协会人工智能协会。人工智能辞典\