CN1097804A - 人工智能高炉冶炼专家***方法 - Google Patents

Abstract

本发明是一种全面控制高炉过程的方法，从高炉 传感器上采集数据；根据专家的经验和知识及模糊关 系矩阵构成的知识库；对在线采集的数据进行比较、 推理，判断高炉炉体状态、冶炼进程的顺行状态和热 状态。根据预报结果，实现高炉过程调节和控制。

Description

本发明涉及高炉冶炼生铁过程的状况预测的计算机专家***，用于高炉生铁冶炼过程的操作指导与管理。

70年代高炉生铁冶炼数学模型已相当成熟。其弱点是适应性差。炉况正常时，命中率较高，但炉况发生变化或出现异常状况时，命中率就很低。这是由于高炉冶炼过程是一个十分复杂的综合过程。冶炼是在封闭的炉体内进行，操作者只能通过仪表和经验判断炉内状况。而计算机数学模型只能依靠仪表检测的数据。仪表显示的数据往往只是传感器所能反映出的局部区域的情况。炉况变化或发生异常状况时，局部参数的变化，难以准确地反映炉内的整体情况。因此数学模型的命中率大大降低。使用先进的计算机和人工智能技术建立高炉生铁冶炼专家***，成了急待解决的课题。1987年12月23日中国专利局公布的日本钢管公司申请专利《控制高炉运行的方法》（871A09036）就是一种高炉生铁冶炼专家***。用大型计算机处理传感器送来的数据，用确定因子（CF）值，进行推断高炉是否将发生意外事故、悬料和管道等异常状况。1990年7月1日专利局公开了新日铁的《高炉操作管理方法和装置》（CN1043745A）也是一种高炉专家***。该申请将知识库中的规则分为：为避免高炉故障而是否需采取被动行动的被动规则，和为降低操作成本而采取的主动行动的主动规则，以及判断是否需改变炉料分配行为的分配改进规则。计算机首先执行被动规则的推断。如果需采取被动行动，则指示出相应的被动行动，并终止推断;若不需要采取被动行为，则执行有关主动规则的推断。如果需采取被动行动，则指示出相应的被动行动，并终止推断;若不需采取主动行为，则执行有关配料改进规则的推断。如果需采取分配改进行动，则指示出相应的改进行动，并终止推断;若不需采取行动，则发出保持现状的指示。

以上两个背景技术文件只粗略地公开了高炉动态数学模型的技术构思，不具备人工智能的功能方案，而且没有将各种具体的技术参数公开出来。本领域的专家或高级技术人员要实施此技术需经过自己的创造性劳动，对许多技术特征提出具体方案后才能实施。本领域的技术人员，未经自己的创造性工作，不能实现。

本发明的目的，就是针对上述背景技术的不足，提供一种本领域的技术人员能够实现的，判断高炉冶炼状是顺行，还是发生或将发生悬料、管道、难行，判断高炉炉温是过热、向热还是向凉或剧冷，判断高炉炉体结厚，还是粘结状况或烧穿等的高炉生铁冶炼人工智能专家***，以加强高炉的运行管理，正确诊断炉况，及时提醒工长采取适当的措施，避免发生事故，保证高炉生产正常进行。

高炉生铁冶炼专家***是高炉计算机控制的重要组成部分。为工作方便，高炉运行参数检测及控制分为四组：高炉本体、热风炉、上料和喷煤。如图1所示，各组都设有可编程工业过程控制机（PLC），各组检测点将主要生产运行参数以电流或电压等，经电控仪表（DDC）传送给过程控制机（PLC）。通过集散***的过程控制机对电控、仪控信号进行检测、计算、打印、显示、报警等处理，显示生产操作参数和点对点通讯，对生产进行计算机管理，同时将数学模型所需的模似量及开关量的数据送往中小型计算机（以下称上位机），上位机的任务，除担任高炉数模工作外，还将高炉的数据定时传递到厂部，通过终端微机，按计算机管理网络的要求，将高炉生产的主要数据送入公司计算机管理网。为了为生产及科研服务，上位机还配置了微机，可将在线生产数据调出进行离线应用处理。上位机除接受来自高炉的自动检测信息外，还接受通过终端机送入的必要信息，如高炉值班主控制室，热风炉、上料、喷煤等控制室送入的信息、化验室、原料站等辅助岗位送入的炉渣、铁水以及各类入炉原料的化学成分。

本发明的专家***分为顺行状况判断、炉体状态判断和炉热状态判断三个子***。本发明所称的高炉顺行状况判断子***，是利用高炉操作者和炼铁专家的经验，判断高炉运行状态是否顺行，并对悬料（难行）、塌料、管道、边缘气流发展，中心气流发展等异常炉况进行预测和判断的智能程序;高炉炉体状态判断子***是对炉墙侵蚀监测和烧穿监测，炉底破损和炉墙结厚的预报的判断智能程序;高炉热状态判断子***是判断高炉炉温是向热、过热、正常，还是向凉、剧冷的情况。无论是进行哪种判断，都用推理机（如图2所示），把***自动采集和预处理的实时数据，与储存在知识库内的知识或经验进行比较，做出推论判断，并把结果储存和输出。高炉操作者或冶炼专家可以从人机界面了解***运行的情况。本模型用户窗口主要是以下部分：

1、将推理过程中使用的数据、结论存入磁盘（见图3），以便专家进行检索、验证所建立的规则是否正确，结论是否可靠。

2、彩色大屏幕图形显示（见图8），这一部分主要是将专家***推理得出的最后结论以拟人化的形式在彩色大屏幕上显示脸谱。由笑脸、严肃、哭脸分别表示高炉各种状态良好，正常和出现不正常征兆。

3、曲线显示（见图3中的生产管理、高炉操作显示）把最终判断结果画成曲线，直接地反映出炉内各种状态的变化。

表1、给出了高炉不同状态下，各参数作出的响应，即专家***的知识框架，它是归纳、整理高炉操作专家的经验而建立的炉况与参数的逻辑关系。

图3为专家***数据处理流程图。

高炉专家***数学模型使用数据绝大部分是从冶炼现场通过过程控制机实时在线采集得到的，而一小部份数据前因技术或设备原因计算机未采集则由人按规定要求按时将所需数据输入计算机。图4表示出上位机向过程控制机打集数据主要分为四个大***。它们的喷煤***、高炉本体***、热风炉***及上料***。喷煤***主要是将上、下罐的重量、压力及喷煤总压力按一分钟周期传输给上位机。而高炉本体***是按照生产管理及数模需要按五秒、卅秒、一分钟及五分钟周期传输给上位机，例如料批信号：左右料尺是以5秒周期数采，而高炉主要生产参数风压、风量、顶温、氧量、热风炉等主要参量是以30秒周期进行数采的。同样原料信号如矿石、焦碳、杂矿重量信号也是以30秒周期采集的，而大量数据如铁水信号、十字测温、混合煤气CO、CO₂、H₂的含量、炉内静压力、软融带温度、热风炉主要参量是以一分钟周期进行数采的，而变化较为缓慢的水箱后壁温度，炉缸温度等，则以五分钟周期进行数采。上述数据大部分从过程机采集后即刻存放在上位机的内存共享区内。而某些数据如原料、焦炭、料种、重量等信号，必须先对数据进行筛选、平滑，检查信号是否在可信任范围内，而后再进行处理、判断是否在下料过程，正在下料。下料结束，并且追踪判断已附加焦碳重量、料种、重量时刻的信号，并将这些信号存放在内存有共享区的数据专用数据区。同样，高炉本体数据如水箱后壁温度等及喷煤***数据也必须分别进行数据筛选，除去不合理信号，有些重量信号进行求和等处理，然而按照数模要求分一小时及四小时周期进行存放。然后再对其进行求和，求最大值（MAX）、最小值、方差等计算。再挑选各模型程序需要的数据按专家***知识库中规则要求进行处理，按规定存放在内存共享区中的数模专用数据区。为子***模型提供共享数据及判断，用信息。另外，高炉本体热风炉、上料***的大量数据为风量、风压、风温、顶压、透气性指数、顶温等信号也经过数据筛选后进行计算机的生产管理。生产管理是向高炉生产操作提供显示数据，并按生产需要进行打印生产报表。存放在数模专用内存共享区的数据是所有子模型运行需要的共享数据，他们在经过各自进程运行，根据知识库知识进行逻辑判断、推理，而后再将判断结果的标志，供其它模型享用的数据返送到内存共享区，将提供历史查找及模型自学习使用的数据存放在磁盘文件中，数据存放结构见图4。

图4为高炉专家***数学模型数据存放结构形式，因为该***为实时在线运行，为保证所有进程运行，该***采用内存共享区存放共享、常用数据，需要存储及调用数据、规则，则采用文件方式存放。

高炉的生产过程由过程控制机（PLC）进行控制。由控制机采集的高炉生产参数通过通讯电缆送入上位机，存放在内存共享区中。某些数据如原料成份、产量、铁水含硅量等过程机不能自动采集的数据则由工长手工输入计算机中。通过对内存共享区中和人工输入的有关生产管理的数据进行加工、处理、形成生产管理数据库。如炉前生铁成份、原料成份、装料变料情况，操作制度等文件。根据生产需要及数学模型的需要将内存共享区中原始生产数据每二分钟采集一次，保留最近七天的数据，形成主要生产参数数据文件。对内存共享区中各类温度值如水箱后壁温度，炉墙温度、炉缸温度等进行收集、整理、形成常用温度数据文件。

如上所述，高炉冶炼专家***由顺行状态子***，热状态子***和高炉炉体状态子***组成，各子***处理过的数据以文件形式存放在相应的数据库中。在顺行状态数据库中，包含有顺行予处理文件，顺行状态标志文件，顺行中间结果文件和顺行状态结果文件等。其中顺行予处理文件主要存放对风量、风压、透气性指数、料速等参数进行予处理后的数据，顺行状态标志文件主要存放高炉停风、换炉、复风等标志及为高炉发生某些异常情况所设置的标志。顺行中间结果文件主要存放计算或判断的中间结果，顺行状态结果文件主要存放顺行模型的判断结果及与结果有关的各种数据。在热状态数据库中，包含有热状态予处理文件，热状态中间结果文件和热状态结果文件等。其中热状态予处理文件主要存放对热状态模型所需参数进行予处理后的数据，热状态中间结果文件主要存放计算和判断的中间结果，如铁水生成率、附加焦量、风温变化情况、矿重及煤粉量等。热状态结果文件主要存放热模型的判断结果，各种标志及相应数据。在炉体状态数据库中，包含有炉体状态结果文件等。其中炉体状态予以处理文件主要存放风量、透气性指数、料尺、炉墙温度生等参数的小时、两小时或八小时的平均值。中间结果文件主要存放计算过程的中间结果，如顺行指数、参数的隶属度等。炉体状态结果文件主要存放炉体状态模型的结果值。炉墙结厚值和烧出值、方向等，以利于数据的保存和查询。图5为专家***知识库流程图。

知识库是专家***的重要组成部分，是各个模型用以进行推理、判断的依据。因为专家***的问题求解，是运用专家提供专门知识来模拟专家的思维方式进行的，所以知识是决定一个专家***性能是否优越的关键因素。一个专家***的能力水平就取决于其知识库所存知识的数量和质量。

为了建立知识库根据专家***的操作目标，广泛收集高炉冶炼理论知识及冶炼专家和现场操作人员丰富的操作知识和实践经验，整理形成初级知识库。然后按照计算机可以接受的方式将这些初级知识转化为计算机可以存贮且能遵照执行的知识存放在内存中，形成知识库，这种加工处理主要有下述几种方式：

1、建立判断规则：

本发明的规则是基于知识的产生式表示法：

R＃：IF  RLS  THEN  RRS

式中：

R＃：产生式规则在规则库中的序号;

RLS：操作的状态条件;

RRS：判断结果伪真。

上式的含义为，如果炉况运行条件RLS得到满足，则可以认为结论RRS成立。

按照知识的产生式表示法，本发明将专家经验加工成大量的规则，存放于文件中形成规则知识库，以备在模型进行推理判断时应用。

例如：

RVLE  11010S  IF  SB≥9.5  AND  GPI↓6%AND  TGT≥270  THEN  hanging CF＝1.0

这条规则的实际意义是：当料速（SB）≥9.5分/批，且透气性指数（GPI）比前次下降6%且炉顶煤气温度（TGT）≥270℃，这三个条件同时满足时，发生悬料的可能性为1.0，即***判断此时必然发生悬料。

毫无疑问，模型判断的准确性与规则的制定的准确性密切相关。

2、建立经验公式

为了精确描述高炉某一状态特征的水平和变化趋势，本发明通过理论分析或应用专家经验，将与之有关的各种冶炼参数，经适当组合建立一个描述公式，计算出特征参数，这就是公式化的知识库。

公式构成可以分为两类：一类是经验的，即从长期生产实践中得到的;另一点是基于高炉冶炼原理，结合高炉的具体条件推导的。实际应用中前者在高炉热状态的判断中起较大的作用。后者在炉体状态判断中取得显著效果。

3、参数的模糊化处理

在高炉炉况诊断中存在着许多非常规性问题，无法用简单的精确推理得出结果。而必须采用模糊数学中的隶属函数对不确定知识进行量化处理。在实际应用中我们采用了多种形式的隶属函数。例如：顺行指数、烧出指数、结厚指数等，在本模型中对许多变量建立了隶属函数，进行了不确定知识的量化处理。

4、建立模糊关系矩阵

在高炉过程中，许多状态与检测参数之间的关系难以用简单的方式作出肯定的描述，我们把这些关系叫模糊关系。对于模糊关系我们用上述隶属函数表示。有关状态用隶属函数算出隶属度后需要将此建成一个模糊特征向量，同时建立一个状态与参数之间的模糊关系矩阵，通过模糊关系方程来进行求解。设反映状态的指数为Ij，有几个参数在某一时刻对这一状态的隶属度向量为A，则：

A＝（a1，a₂，a₃……a_n

式中，a1、a₂、a₃……a_n，分别为各对应参数的隶属度向量中的元素。

设R为模糊关系矩阵，则：

Ij＝A·R

这样，通过模糊方程求解，把不确定的关系转换成确定的估计。

以炉墙结厚的预报为例，说明模糊推理过程：

设炉墙结厚指数为Ijh，有n个参数与Ijh有关。以u（Xi）表示各参数的隶属度，W（Xi）表示模糊关系，则依模糊关系得：

n

Ijh＝∑μ（Xi）·W（Xi）

i＝1

其中，Ijh-炉墙结厚指数

μ（Xi）-各参数量的隶属度

W（Xi）-模糊关系

由上式运算结果，得到结厚的预报值。

上述推理的关键在于隶属度门坎值或阈值的确定。我们确定隶属度的方法有二：

（1）、经验值：以专家积累的经验值为根据;

（2）、用贝叶斯公式大量统计处理生产数据为依据。

5、少量较确定的关系。采用有限元法推算变化趋势，例如炉缸、炉底侵蚀是以有限元法算出的值作为主值，结合其他变量一起诊断预报。

这时将炉缸、炉底某剖面分成若干节点，如366个节点，642个单元，通过数据库储存的有关监测参数作为计算条件，求解二维传热方程：

可以得到炉缸、炉底侵蚀断面线，并画出炉缸、炉底变化图形。

目前，炉缸、炉底侵蚀变化趋势计算周期为10天，这是本专家***所有预报周期中最长的一个。原因在于开炉初期，侵蚀尚在安全范围里，周期过短意义不大。高炉炉龄的后期，计算周期要相应的缩短。

对于上述归纳、汇总的知识、工艺工程师根据模型开发的需要与计算机工程师一起，推敲、整理、归类划分进行数学推导、计算，并将知识库的知识抽象成具有逻辑关系的推理树等等。所有上述工作均是在程序编制阶段完成。

而后，计算机工程师根据所使用的上位机提供的机器功能以及专家***的***设计要求，将上述知识用程序的形式输入计算机，建成一个多种知识结构化的知识库，根据顺行状态、炉体状态、热状态模型的需要，分为知识库1、知识库2……知识库n，而对于相同的，如推理机部分知识库就为公用的知识库。

当计算机运行高炉专家***调用知识库的知识，利用推理机（见图6）进行推理。推理的结果是模型运行判断的一个重要部分。得出高炉判断的结果提供高炉综合判断图形显示的程序使用（见图8），并在高炉主控室的直观画面进行综合判断及操作指导。

工艺工程师及计算机工程师可以根据高炉实际生产情况及模型运转及预报情况，进行逐项比较，提出对原有的专家***进行求精的意见，并通过本高炉专家***数学模型中的人工智能自我学习的功能，进行修改补充、完善升级等工作，从而达到不断对知识库完善，提高使用效率，提高高炉数学模型预报的命中率。

图6是高炉冶炼专家***的推理机结构图。推理过程如下：

首先，确定当前要推理的目标。当推理目标确定之后，进入推理。推理机包括推理方法和控制策略两部分。

第一部发分为推理方法。专家***的推理方法一般可分为精确推理和不精确推理两种，由于高炉过程中存在许多不确定的知识，本发明选择了不精确推理。

在不精确推理中，按照不确定性理论，它的一般形式为：IF E1 AND E₂AND……AND En THEN H（X）

其中Ei（i＝1、2……n）是论据，H是一个或多个结论。

其规则的含意是：当证据E1到En都确实存在时，结论H成立的可信度值为X。X是可信度因子，X的值在[-1，1]范围内变化。

计算可信度CF、CF是由下述方法计算得出的，其中用到信任增长度和不信任增长度的概念。

MB[H，E]（≥0）为不信任增长度，表示因证据E的出现而增加假说H为真的信任增长度，即P（H/E）＞P（H），MD[H，E]（≥0）为不信任增长度，表示因证据E的出现而增加假说H为假的不信任增长度，即P（H/E）＜P（H），由二者寻出可信度CF。CF的定义如下：

CF[H.E]＝MB[H.E]-MD[H.E]

当用可信度的概念求出最后结论时，可分为证据是多个条件和单个条件的情况。因此，先判断论据是否是单个论据的情况时，规则IF E THEN H（X）被录用。可信度的计算公式如下：

CF[H]＝CF[H·E]·MAX｛O，CF（E）｝

公式中取O和CF[E]的最大值的意义是：若CF[E]小于0（即前题为假），说明这个规则不能应用或者说求出的CF[H]原等于0。否则结论H的可信度等于规则的可信度乘以论据的可信度。

当论据不是单个，程序进入证据是多个条件的逻辑组合的判断。光判论据是AND连接的情况。若是，则多个条件的AND连接为如下形式：

IF E1 AND E₂AND……AND En THEN H（X） 则

CF[E]＝CF[E1 AND E₂AND……AND En]

＝MIN｛CF[E1]，CF[E₂]……CF[En]｝

结果送输出推理的结论。

论据是多个条件的逻辑组合还可分为论据是OR连接。

当多个条件连接不是AND时，程序进入OR判断。若是，则多个条件的OR连接形式如下：

E＝E1 OR E₂OR……OR En

CF[E]＝CF[E1 OR E₂OR……OR En]

＝MAX｛CF[E1]，CF[E₂]……CF[En]｝

结果送输出推理的结论，当多个论据不是AND和OR时，进行两条规则具有相同的结论，即：

IF E1 THEN H[CF（H·E1）]

IF E₂THEN H[CF（H·E₂）]的判断。若不是，则推理结束。

当两条规则且有相同结论时，用前面的公式分别求出：

CF1[H]＝CF（H，E1）·MAX{O，CF[E₂]}

CF1[H]＝CF（H，E₂）·MAX｛O，CF[E₂]｝

根据上面公式分别算出的两个可信度，再根据以下几种情况求出总的可信度，判断CF1[H]&CF₂[H]≥0情况，

当CF1[H]&CF₂[H]≥0时，计算

CF12[H]＝CF1[H]+CF₂[H]-CF1[H]·CF₂[H]，并输出推理的结论。

当CF1[H]&CF₂[H]≥0时，进入判断

CF1[H]&CF₂[H]＜0情况，

当CF1[H]&CF₂[H]＜0时，计算：

CF12[H]＝CF1[H]+CF1[H]+CF1[H]·CF₂[H]并输出推理结论。

当不是上述两种情况时，则计算

CF12[H]＝CF1[H]+CF₂[H]并输出推理结论。

第二部分为：控制策略。控制策略是推理机中的另一个组成部分。主要是推理方向的控制及推理规则的选择策略。其中有正向推理，反向推理及正、反向混合推理，本模型采用的是正向推理的方法。

正向推理是由原始数据出发进行的，即由原始数据1、原始数据2……原始数据n为依据推理的。

根据原始数据，运用知识库中专家***知识，可否进行推理，不能进行推理则结束。可进行，在运用专家知识进行推理的过程中，需要计算所需参数的隶属度，它们之间的关系为AND连接：

CF[E1]CF[E₂]……CF[En]

由各个参数计算出来的隶属度，根据AND关系计算CF[E]，即

CF[E]＝MIN{CF[E1]，CF[E₂]……CF[En]}并输出推理结论。

计算所需参数的它们之间的关系为OR连接隶属度

根据计算的隶属度CF，再根据它们之间的关系至OR连接求总的隶属度：

CF[E]＝MAX｛CF[E1]CF[E₂]……CF[E₂]｝

根据上述推理方法和控制策略得出的结果，输出推理的结论。

若推理得到的结论与实际炉况相符合，则推理结束。

若推理得到的结论与实际炉况不相符合，则对知识库进行求精，同时进行模型自学习，调整模型所需要的参数的门坎值及规则。

图7是判断结果显示流程图。

彩色图形显示***将各模型运行得出的结果值，经过分析处理，以生动形象的画面和语言来表达当前的实际炉况，各子模型将结果值存放在共享区中，以备图形显示***使用，结果值在共享区中分为三个部分，即顺行部分、炉体状态部分、热状态部分。

顺行部分的结果值主要是：停风、送风恢复慢风作业、压量关系紧张，偏尺、滑尺、塌料、悬料、气流管道。

炉体状态部分的结果值，主要是：炉墙结厚与烧出炉墙结厚与烧出的方向及各方向的结厚值。

热状态的部分的结果值主要是：炉向冷、炉向凉、炉向热、过热等。

显示***每2分钟对共享区进行扫描，然后根据结果值进行综合炉况的判断，综合炉况的判断的结果，由彩色图形显示器以人脸形式显示。拟人化脸谱大体分三种：笑脸/炉况顺行，严肃/炉欠稳，哭脸/炉况欠佳，这三种炉况依据各子模型的结果值进行判断，各子模型的某一种异常状况分为5个级别，正常用1表示，有异常趋势用2表示，可能发生用3表示，将要发生用4表示，已经发生用5表示，过5个级别的AND、OR得出综合炉况。

例如：1、红灯，哭脸  炉况欠佳

顺行给出已经发生塌料、热状态给出过热的结果值，则已经发生塌料5、AND。过热5＝5送红灯。

或者，炉体状态给出已经在某产位发生结厚的结果值。则已经发生结厚5＝5，送红灯。

2、黄灯，严肃  炉况欠稳

炉体状态给出注意在某部将要发生，结厚的结果值，则，注意将要发生结厚4＝4送黄灯。

顺行状态给出滑尺或悬料已经发生，同时，热状态给出炉凉或炉热的结果值，则（滑尺5、OR、悬料、5）、AND、（炉凉3，OR、炉热3）＝3送黄灯。

3、绿灯，笑脸  炉况顺行

各子模型均给出正常的结果值，则送绿灯。

图8为专家***运行流程框图。以运行时间周期做为各有关子程序启动运行的标准。开机后，完成了安装实时进程前的全部准备工作，初始化后，***开始运行。

首先五秒钟进程，计算料速和从过程机读取周期为五秒的数据。从共享区采集下料信息，用上次下料到本次下料的时间间隔去除矿重，得出每吨矿所需的时间，乘每批料的吨数，计算出每批料的料速并存放。

第二步为15秒进程。运行顺行子***的判断，利用空穴指数，透气性指数、料速、顶温等管道、难行、悬料是否已经发生。把判断的数据送入共享区。

第三步为30秒进程。（1）从过程机读取周期为30秒的数据;（2）运行下料模型;（3）运行图形显示综合判断程序，按判断结果显示有关图形;（4）运行炉体炉墙结厚判断;以30秒为周期取左右料尺差值，取每批料的最大差值对2小时内的每批料最大料尺差求平均值，用炉墙结厚模型进行判断。

第四步为1分钟进程。（1）从过程机读取周期为1分钟的数据;（2）根据***的设计，完成各子模型及生产管理需要的数据处理，如进行数据平滑，上、下限筛选;（3）运行高炉热模型中的硅预报，计算铁水中硅含量;（4）运行生产管理程序，进行生产所需数据预报。

第五步为2分钟进程。运行顺行判断模型2，进行难行（悬料）、气流异常（管道）、塌料（滑尺）预报，并把结果送共享区，数据存文件。

第六步为5分钟进程。（1）运行炉体状态模型2，即炉墙烧出模型，通过取7、8、9段冷却水箱后壁温度而作出预报;（2）运行炉体状态模型3，即炉缸烧出模型通过炉缸部位埋设的热电偶测得的温度而作出判断。

第七步为20分钟进程。运行高炉热模型2，根据所采集的数据对其进行予处理，计算置信度。

第八步为1小时进程。（1）运行高炉热模型3，即高炉炉温趋势预报的自学***、透气性指数以及顺行指数而作出结厚判断。

该***设计根据高炉生产及数学模型的需要，各独立进程可嵌套子进程、孙进程来达到***功能要求。

本发明的特点如下：

1、本发明应用模糊矩阵、隶属度、隶属函数等构成知识库、推理机，并与统计模型、机理模型结合，由高炉过程的状态、状况入手判断高炉过程的趋势，以专家***为主，并充分吸取统计模型、机理模型的长处，是高炉过程控制技术的发展;

2、本发明由三个子***构成，较之单一的模型，可以更全面地判断高炉过程，功能广泛，实用性强。

3、本发明是依靠常规监测参数，全面总结高炉操作专家的知识与经验而提出的，具有良好的适应性，便于全面推广。

附图说明：

图1为高炉计算机硬件配置示意图。

图2为专利***构成示意图。

图3为***数据处理流程图。

图4为数据存放结构示意图。

图5为知识库处理流程图。

图6为推理机结构流程图。

图7为判断结果显示流程图。

图8为高炉专家***运行流程图。

表1为高炉冶炼专家***知识框架。

本发明在首钢2号高炉进行了试运行和生产应用，运行实践说明，各子***在指导高炉操作、增产节焦诸方面都取得了满意的效果。

高炉顺行判断子***，在首钢2号高炉强化生产运行的条件下，较准确地判断了高炉难行至悬料，提前预报及时调节炉况，达到了高炉顺行的目的;并且及时预报了高炉气流异常趋势及至管道的产生，由装料制度等方面予以及时调节，避免了炉况异常，命中率达到90%以上。

高炉炉体状态判断子***在线运行后，预报结厚和可能结厚多次，经及时处理，有效地避免了高炉结厚的发生。在91年4月2高炉大修前，三次预报炉墙烧出，均与实际炉况吻合。命中率达到100%。预报的炉底侵蚀线也吻合。

高炉热状态判断子***投运行以来，铁水含硅量预报命中率达85%以上。

总之，本发明在首钢2号高炉生产在线运行，为稳定高炉操作，避免和减少高炉严重失常，确保高炉强化、顺行发挥了重要作用。创造直接经济效益750万元以上，可节省引进同类技术费用1000万元以上，经济效益显著，并产生显著的社会效益。

注（1）↑-上升，↓-下降，≈波动

（2）空穴指数SH＝加最后几批料期间吹入风口燃烧焦炭的总氧量-正常铁量时加入几批料期间燃烧焦炭的耗氧量

（3）透气性指数K＝ (Q风)/(△P)

Claims (5)

1、一种人工智能高炉冶炼专家***；适用于判断高炉炉体和冶炼进程是否正常，本***除具有一般***关于判断高炉热状态和高炉冶炼进程顺行状态外，还有判断高炉炉体状态的子***，由数据采集***、数据库、知识库、推理机和输出***组成，所有状态判据均以高炉传感器上在线动态采集数据，经过与知识库的规则、数据进行比较匹配、判断。推理，得出结论，由解释***给定输出结果，向高炉操作者提供操作，其特征在于***运行步骤如下：计算机初始化的，进入5秒钟秒进程，上位机向过程控制机采集一次数据，向共享区采集下料信息并计算机料速；15秒进程运行顺行判断，并把判断结果送入共享区；30秒进程，从过程控制机每30秒读取数据，运行下料模型，运行模型综合判断图形显示程序，结果由图形显示出来，运行炉体炉墙结厚判断，进行以30秒为周期的取左右料尺差值、每批料的最大差值，对2小时内每批料最大料尺差求平均值，用于结厚判断；一分钟进程，从过程机采集周期为1分的数据，对各模型和生产管理所需的数据进行平滑、上、下限筛选、求和、平均、求最大值、最小值、偏差或加权等处理，并运行周期为1分钟的热模型和生产管理程序；2分钟进程，运行周期为2分钟的顺行判断模型；5分钟进程，运行周期为5分钟的高炉炉体状态模型；20分钟进程，运行周期为20分钟的高炉热模型；1小时进程，运行高炉热状态模型和高炉炉体状态模型；各进程运行的结果数据分别储存在顺行状态数据库、热状态数据库和炉体状态数据库，图形显示经实时采集各子***运行结果进行显示，向高炉操作者提供操作。

2、按照权利要求1所述的人工智能高炉冶炼专家***，其特征在于知识库以多年积累的高炉操作经验为基础建立判断规则和操作指导规则库，知识库为框架结构与产生式规则新的知识表达形式。由规则、公式、参数模糊化处理和模糊关系矩车构成，并进行自我再学习，对知识库进行修改、补充、完善。

3、按照权利要求1所述的人工智能高炉冶炼专家***，其特征在于上位机对从过程控制机采集到的数据，根据生产管理和模型需要，进行上、下限筛选、平滑、求和、极值（max、min）、方差等处理，再按照专家***、知识库中规则要求进行处理，其结果储存到模型专用的内存共享区，各模型从内存共享区采集数据，进行推理判断，形成高炉顺行状态结果文件，高炉热状态结果文件，高炉炉体状态结果文件。

4、按照权利要求1或3所述的人工智能高炉冶炼专家***，其特征在于推理机由规则推理、框架匹配、机理模型和模糊关系方程构成的混合推理，采用不精确推理方法，当证据E1……En都确实存在时，结论H成立的可信度为X，置信度CF（H、E）用信任增长度MB（H、Ei）与不信任增长度MD（H、Ei）之差求出，按CF值进行比较分析，输出推理的结论，并进行推理结论与实际是否相符合的判断，若相符则推理结束，若不符，则进行自我再学习，自动修改知识库数据。

5、按照权利要求2所述的人工智能高炉冶炼专家***，共特征在于模糊特征描述和自学习方法是有用Bayes决策原理对特征的隶属函数的门槛值进行自修正。

Images