摘要：利用對高爐熱狀態變化敏感的控制參數和征兆參數，根據操作規程和專家經驗，采用VB語言編程，設計了使用推理機的高爐熱狀態預報系統。為提高系統的精度和效率，依據高爐冶煉過程的特點，改進了參數的處理和推理算法。該系統在高爐上運行結果良好。 
 關鍵詞：高爐；熱狀態；爐況預報；專家系統 
 1 引 言 
 維持高爐熱狀態穩定是實現高爐生產、低耗、高產、長壽、益的基本保證，因此預報高爐熱狀態，避免爐溫異常是高爐爐況控制的一個重要方面。預報高爐熱狀態有應用數學模型的數值預報方法和應用專家經驗的推理判斷方法。高爐生產過程十分復雜，運用傳統數學方法幾乎無法準確地定義和描述，數模求解時所需的初始條件、邊界條件、物性參數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學模型在高爐上的應用。 
 20世紀80年代發展起來的高爐冶煉過程專家系統，可以把高爐專家的知識與數學模型結合起來，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”[1]。目前，高爐冶煉過程專家系統的兩個發展方向是進一步提高預報精度和系統的實時性。專家系統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的預報精度，本系統在參數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。系統結構如圖1所示。
 2 參數選擇及二次數據處理 
 高爐熱狀態可根據征兆參數和控制參數進行綜合判斷。本系統選擇的征兆參數和控制參數有：反映高爐順行狀態的參數：風壓、壓差、料速、透氣性指數；反映下部熱狀態的參數：鐵水成分、風口狀態；反映上部熱狀態的參數：爐頂溫度、爐喉溫度及爐喉CO；控制參數包括風溫、風量、富氧量、噴煤量、焦炭負荷等。 
 二次數據處理主要包括復合參數（透氣性指數、焦炭負荷）計算、參數特征值（平均值、變化梯度、標準方差）計算及參數的模糊處理（計算事實的置信度）。參數的特征值放入綜合數據庫，供推理使用。 
 征兆參數和控制參數均反映高爐的熱狀態，但兩者與高爐熱狀態的影射邏輯不同。征兆參數和熱狀態之間的關聯特點是：出現同一種高爐狀態的征兆不一定*，反過來，同一種征兆所預示的高爐狀態也不一定*。即：征兆和狀態之間互為多值函數?？刂茀祵Ω郀t熱狀態影響的不確定性表現在滯后的時間（不同的爐況條件下，從實施控制調節到爐況變化的滯后時間不同）和影響的效果。由于征兆參數和控制參數對熱狀態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。對于征兆參數的不確定性及控制參數對熱狀態影響效果的不確定性可利用規則的置信度實現；對于控制參數的時間滯后性，必須在二次數據處理時作處理。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，要根據實際情況，選擇幾個小時之前的噴煤量。 
 此外，高爐征兆參數是高爐在各種外部因素（控制參數和環境參數）綜合影響下高爐內部狀態遷移過程的反映。而高爐的控制參數，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，改變了高爐質量平衡、能量平衡或傳輸條件，必定會對高爐熱狀態產生某種影響。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。由于征兆參數和控制參數與熱狀態關系的不同，在推理過程中，征兆參數和控制參數應分別推理[3]，再加權平均得出zui后的結果。這些改進，切合高爐冶煉過程的特殊性，可提高系統的預報精度。 
 3 知識表達及推理機制 
 3.1 知識庫及知識庫管理系統 
 在高爐專家系統中，知識庫主要由高爐專家的經驗構成，這些經驗知識多屬因果性判斷，適合用產生式規則表達，即以“IF 前提THEN 結論”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則庫，事實庫用來存放規則中所涉及的事實。事實庫的結構為：事實號、事實描述、事實主題、事實置信度等。規則庫用于儲存專家的經驗知識，其結構為：規則號、前提運算符、前提、前提對結論影響方向、結論、規則置信度。 
 知識庫管理系統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]，并保證規則庫的一致性和完整性。 
 3.2 推理機 
 基于規則的專家系統有三種推理方法：正向推理、反向推理和混合推理。本系統采用反向推理，本系統的推理樹如圖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定的閾值（根據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]。
 由于高爐專家系統是實時控制系統，也是冶金企業專家系統的一個子系統，推理機的效率是非常重要的。為了提高推理效率，本系統在推理算法上做了改進。專家系統中知識庫和推理機的分離是專家系統的重要特征，但此特性影響了專家系統的實時性。本系統根據高爐專家系統中規則變化頻率較低的特點，在規則保持不變的時間段內，動態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融合在形式上與神經網絡相似，卻克服了神經網絡不可解釋的弊端。具體方法是：當系統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則，形成推理樹，zui終計算出結論的置信度。*次推理完成后，推理樹結構一直不刪除，從而使以后的推理過程無需再匹配規則，而直接根據已知事實，按照此推理樹向上推理，計算結論的置信度。通過這一改進，大大提高了推理機的效率，提高了系統的實時性。 
 4 系統運行結果 
 根據本系統知識庫的特點，在Windows98環境下，利用Access建立知識庫，推理機利用VB6.0和SQL（Structured query language）相結合設計實現。 
 利用某煉鐵廠2001年10月1～9日4＃高爐現場數據檢驗此系統，系統預報熱狀態的準確度可達90%以上。圖3為預報[Si]含量和實際[Si]含量對比情況。
 5 結 論 
 5.1 高爐熱狀態預報系統根據高爐征兆參數與控制參數的不同特點，采取了不同的模糊化方法，并在它們分別預報熱狀態后，加權平均得出zui后的預報結果，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，動態地融合了推理機與知識庫，提高了推理效率，增強了系統的實時性。 
 5.3 高爐熱狀態預報系統建立后，利用某煉鐵廠高爐實際生產數據檢驗，證明此系統具有一定準確度，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[N].中國冶金報,1999.8.8. 
 [2] 盧虎生，高斌，趙利國，等.高爐爐況判斷神經網絡專家系統[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.基于數據庫的專家系統建設[J].計算機系統應用,2000，（2）：16～18 
 [5] Vincent C.Yen. Rule selections in fuzzy expert systems [J]. Expert Systemwith Applications, 1999，（16）:79～84.