摘要：利用對高爐熱狀態(tài)變化敏感的控制參數(shù)和征兆參數(shù)，根據(jù)操作規(guī)程和專家經(jīng)驗，采用VB語言編程，設計了使用推理機的高爐熱狀態(tài)預報系統(tǒng)。為提高系統(tǒng)的精度和效率，依據(jù)高爐冶煉過程的特點，改進了參數(shù)的處理和推理算法。該系統(tǒng)在高爐上運行結(jié)果良好。 
 關(guān)鍵詞：高爐；熱狀態(tài)；爐況預報；專家系統(tǒng) 
 1 引 言 
 維持高爐熱狀態(tài)穩(wěn)定是實現(xiàn)高爐生產(chǎn)、低耗、高產(chǎn)、長壽、益的基本保證，因此預報高爐熱狀態(tài)，避免爐溫異常是高爐爐況控制的一個重要方面。預報高爐熱狀態(tài)有應用數(shù)學模型的數(shù)值預報方法和應用專家經(jīng)驗的推理判斷方法。高爐生產(chǎn)過程十分復雜，運用傳統(tǒng)數(shù)學方法幾乎無法準確地定義和描述，數(shù)模求解時所需的初始條件、邊界條件、物性參數(shù)等也難以測量和保證其精度和完整性，所有這些問題都限制了數(shù)學模型在高爐上的應用。 
 20世紀80年代發(fā)展起來的高爐冶煉過程專家系統(tǒng)，可以把高爐專家的知識與數(shù)學模型結(jié)合起來，使用不*的或不確定的信息，處理復雜冶煉過程的控制問題，被稱為是“高爐操作的第三代技術(shù)”[1]。目前，高爐冶煉過程專家系統(tǒng)的兩個發(fā)展方向是進一步提高預報精度和系統(tǒng)的實時性。專家系統(tǒng)的預報精度是一個綜合指標，而不是簡單的平均[2]。為了提高高爐熱狀態(tài)的預報精度，本系統(tǒng)在參數(shù)的選取和處理方面作了改進；為了提高實時性改進了推理機的推理算法。系統(tǒng)結(jié)構(gòu)如圖1所示。
 2 參數(shù)選擇及二次數(shù)據(jù)處理 
 高爐熱狀態(tài)可根據(jù)征兆參數(shù)和控制參數(shù)進行綜合判斷。本系統(tǒng)選擇的征兆參數(shù)和控制參數(shù)有：反映高爐順行狀態(tài)的參數(shù)：風壓、壓差、料速、透氣性指數(shù)；反映下部熱狀態(tài)的參數(shù)：鐵水成分、風口狀態(tài)；反映上部熱狀態(tài)的參數(shù)：爐頂溫度、爐喉溫度及爐喉CO；控制參數(shù)包括風溫、風量、富氧量、噴煤量、焦炭負荷等。 
 二次數(shù)據(jù)處理主要包括復合參數(shù)（透氣性指數(shù)、焦炭負荷）計算、參數(shù)特征值（平均值、變化梯度、標準方差）計算及參數(shù)的模糊處理（計算事實的置信度）。參數(shù)的特征值放入綜合數(shù)據(jù)庫，供推理使用。 
 征兆參數(shù)和控制參數(shù)均反映高爐的熱狀態(tài)，但兩者與高爐熱狀態(tài)的影射邏輯不同。征兆參數(shù)和熱狀態(tài)之間的關(guān)聯(lián)特點是：出現(xiàn)同一種高爐狀態(tài)的征兆不一定*，反過來，同一種征兆所預示的高爐狀態(tài)也不一定*。即：征兆和狀態(tài)之間互為多值函數(shù)。控制參數(shù)對高爐熱狀態(tài)影響的不確定性表現(xiàn)在滯后的時間（不同的爐況條件下，從實施控制調(diào)節(jié)到爐況變化的滯后時間不同）和影響的效果。由于征兆參數(shù)和控制參數(shù)對熱狀態(tài)影響的不確定性不同，所以它們的模糊化要采用不同的方法。對于征兆參數(shù)的不確定性及控制參數(shù)對熱狀態(tài)影響效果的不確定性可利用規(guī)則的置信度實現(xiàn)；對于控制參數(shù)的時間滯后性，必須在二次數(shù)據(jù)處理時作處理。例如：噴煤對高爐的影響要滯后3～5h，在對噴煤量計算特征值時，要根據(jù)實際情況，選擇幾個小時之前的噴煤量。 
 此外，高爐征兆參數(shù)是高爐在各種外部因素（控制參數(shù)和環(huán)境參數(shù)）綜合影響下高爐內(nèi)部狀態(tài)遷移過程的反映。而高爐的控制參數(shù)，如風溫、風量、噴煤量、焦炭負荷等，是對高爐過程施加的外部影響，改變了高爐質(zhì)量平衡、能量平衡或傳輸條件，必定會對高爐熱狀態(tài)產(chǎn)生某種影響。例如風溫的提高，必然提高理論燃燒溫度，從而使爐缸溫度提高，即爐溫提高。由于征兆參數(shù)和控制參數(shù)與熱狀態(tài)關(guān)系的不同，在推理過程中，征兆參數(shù)和控制參數(shù)應分別推理[3]，再加權(quán)平均得出zui后的結(jié)果。這些改進，切合高爐冶煉過程的特殊性，可提高系統(tǒng)的預報精度。 
 3 知識表達及推理機制 
 3.1 知識庫及知識庫管理系統(tǒng) 
 在高爐專家系統(tǒng)中，知識庫主要由高爐專家的經(jīng)驗構(gòu)成，這些經(jīng)驗知識多屬因果性判斷，適合用產(chǎn)生式規(guī)則表達，即以“IF 前提THEN 結(jié)論”的形式表達知識。例如：“IF 料速增大or 負荷增大THEN 向涼”。知識庫分為事實庫和規(guī)則庫，事實庫用來存放規(guī)則中所涉及的事實。事實庫的結(jié)構(gòu)為：事實號、事實描述、事實主題、事實置信度等。規(guī)則庫用于儲存專家的經(jīng)驗知識，其結(jié)構(gòu)為：規(guī)則號、前提運算符、前提、前提對結(jié)論影響方向、結(jié)論、規(guī)則置信度。 
 知識庫管理系統(tǒng)主要用于管理知識庫中各表記錄的錄入、修改、刪除、瀏覽等操作[4]，并保證規(guī)則庫的一致性和完整性。 
 3.2 推理機 
 基于規(guī)則的專家系統(tǒng)有三種推理方法：正向推理、反向推理和混合推理。本系統(tǒng)采用反向推理，本系統(tǒng)的推理樹如圖2所示。采用模糊集論進行模糊推理，在推理過程中，當某一事實的置信度大于規(guī)定的閾值（根據(jù)各高爐的實際情況而定）時，認為此事實成立；否則，認為事實不成立[5]。
 由于高爐專家系統(tǒng)是實時控制系統(tǒng)，也是冶金企業(yè)專家系統(tǒng)的一個子系統(tǒng)，推理機的效率是非常重要的。為了提高推理效率，本系統(tǒng)在推理算法上做了改進。專家系統(tǒng)中知識庫和推理機的分離是專家系統(tǒng)的重要特征，但此特性影響了專家系統(tǒng)的實時性。本系統(tǒng)根據(jù)高爐專家系統(tǒng)中規(guī)則變化頻率較低的特點，在規(guī)則保持不變的時間段內(nèi)，動態(tài)地將知識庫和推理機融合在一起，減少了推理時間。知識庫和推理機的動態(tài)融合在形式上與神經(jīng)網(wǎng)絡相似，卻克服了神經(jīng)網(wǎng)絡不可解釋的弊端。具體方法是：當系統(tǒng)剛剛啟動或知識庫修改后推理時，推理機按照給定的推理目標反向推理，從知識庫中搜索匹配的規(guī)則，形成推理樹，zui終計算出結(jié)論的置信度。*次推理完成后，推理樹結(jié)構(gòu)一直不刪除，從而使以后的推理過程無需再匹配規(guī)則，而直接根據(jù)已知事實，按照此推理樹向上推理，計算結(jié)論的置信度。通過這一改進，大大提高了推理機的效率，提高了系統(tǒng)的實時性。 
 4 系統(tǒng)運行結(jié)果 
 根據(jù)本系統(tǒng)知識庫的特點，在Windows98環(huán)境下，利用Access建立知識庫，推理機利用VB6.0和SQL（Structured query language）相結(jié)合設計實現(xiàn)。 
 利用某煉鐵廠2001年10月1～9日4＃高爐現(xiàn)場數(shù)據(jù)檢驗此系統(tǒng)，系統(tǒng)預報熱狀態(tài)的準確度可達90%以上。圖3為預報[Si]含量和實際[Si]含量對比情況。
 5 結(jié) 論 
 5.1 高爐熱狀態(tài)預報系統(tǒng)根據(jù)高爐征兆參數(shù)與控制參數(shù)的不同特點，采取了不同的模糊化方法，并在它們分別預報熱狀態(tài)后，加權(quán)平均得出zui后的預報結(jié)果，此方法提高了預報精度。 
 5.2 改進了推理算法，在知識庫保持不變的時間段內(nèi)，動態(tài)地融合了推理機與知識庫，提高了推理效率，增強了系統(tǒng)的實時性。 
 5.3 高爐熱狀態(tài)預報系統(tǒng)建立后，利用某煉鐵廠高爐實際生產(chǎn)數(shù)據(jù)檢驗，證明此系統(tǒng)具有一定準確度，設計方法是合理的。 
 參考文獻： 
 [1] 周傳典，徐矩良，劉彩云，等.推薦高爐操作的第三代技術(shù)[N].中國冶金報,1999.8.8. 
 [2] 盧虎生，高斌，趙利國，等.高爐爐況判斷神經(jīng)網(wǎng)絡專家系統(tǒng)[J].北京科技大學學報,2002,24（3）:276～279. 
 [3] P.A. Paraskevas, I.S. Panakis, T.D. Lekkas. An advanced integratedexpert system for wastewater treatment plants control [J]. Knowledge-Based Systems, 1999, （12）: 355～361. 
 [4] 李洪磊.基于數(shù)據(jù)庫的專家系統(tǒng)建設[J].計算機系統(tǒng)應用,2000，（2）：16～18 
 [5] Vincent C.Yen. Rule selections in fuzzy expert systems [J]. Expert Systemwith Applications, 1999，（16）:79～84.