基于專家系統和知識庫的高爐冶煉方法和系統技術方案

本發明專利技術涉及高爐過程控制，具體涉及一種基于專家系統和知識庫的高爐冶煉方法及其對應的系統，方法包括以下步驟：1）建立數據樣本；?2）對數據樣本進行分類；3）對分類結果進行工藝解讀；4）用特征參數來表征高爐指標；5）啟動知識庫；6）判斷并調整知識庫：如果規則的命中率低于設定的效果閾值，重復執行步驟1）—步驟5），重新選取高爐調劑措施，直至規則的命中率大于或等于設定的效果閾值。本發明專利技術能夠適應不斷變化的高爐狀況，易于更新、易于維護，從而大大加快知識庫的構建過程，指導高爐冶煉的生產過程，大大提高高爐生產效率和產能。

【技術實現步驟摘要】

本專利技術屬于高爐過程控制
，具體涉及一種通過高爐冶煉專家系統知識庫中規則實時更新進行高爐調劑的方法，適用于具有軟水密閉循環冷卻系統的大型高爐的操作控制。
技術介紹
高爐體積巨大，大型高爐內容積有2000-5800m3之大，高爐內部充滿高溫、高壓富含⑶的煤氣，高爐每分鐘的煤氣發生量高達5000-10000m3/mi n，高爐操作主要靠人工完成，培養一個高爐冶煉技術的專家需要10年以上的時間，現在人員流動性大，一旦出現人員的流動就意味著經驗的流逝，同時高爐操作的影響因素很多，高爐一旦發生操作異常，經常給生產造成巨大的損失，少則幾十萬，多則幾百萬，上千萬，同時高爐監測數據量巨大，操作人員很難及時處理如此巨大的數據，象高爐這種體積巨大、影響因素多、主要依靠人工操作、并且具備海量檢測數據的系統特別適合于采用以專家系統為核心的人工智能技術進行控制。專家系統一般由數據庫、知識庫、推理機、人機界面、數學模型等內容構成，其中知識庫的內容、規模、精度決定了專家系統的總體性能，要開發一個高水平的高爐冶煉專家系統，必須解決專家系統知識庫的構建問題。自上世紀八十年代末期日本將人工智能專家系統技術引入高爐操作領域起，已經開發了很多種商業化的專家系統，如文獻“Shigeru AMANO ； Expert System for BlastFurnace Operation at Kimitsu Works, ISIJ International, Vol. 30 (1990), No. 2,PP105-110”描述了新日鐵在君津3號和4號高爐上應用了 ALIS專家系統的情況，該系統使用在線的實時高爐數據，ALIS系統的知識庫中規則達700多條，其命中率可達90%以上。文獻 “Tetsuya Yamamoto ； BLAST FURNACE OPERATIONAL SYSTEM WITH THE APPLICATIONOF ADVANCED GO / STOP SYSTEM AT MIZUSHIMA WORKS, Proceedings of The SixthInternational Iron and Steel Congress, 1990, Nagoya, ISIJ, PP364-371 ” 描述了在川崎制鐵在水島4號高爐上使用的Advanced G0-ST0P專家系統的情況，該系統是在原有模型G0-ST0P的基礎上發展起來的，該系統從數百個過程數據中選出230個用于推理的信息，在有600個規則的Al計算機中處理，為操作者對爐況的判定和運行提供指導，AdvancedG0-ST0P系統在系統調試時命中率可達90%。文獻“YasuONIWA,Application of A Self-learning Function to an ExpertSystem for Blast Furnace Heat Control, ISIJ International. Vol. 30 (1990), No.2,pp. 111-117”描述了日本鋼管在福山5號高爐上應用的BAISYS專家系統的情況，日本鋼管在福山5號高爐上應用的BAISYS系統由異常爐況診斷專家系統和爐熱控制專家系統兩個子系統組成。BABYS系統中的異常爐況知識庫由200條產生式規則組成，爐熱控制系統的知識庫由500條規則組成，主要包括判斷爐況的知識群和判斷爐溫變化趨勢的知識群等，BABYS系統系統調試時對異常爐況的命中率達80%以上，對爐熱狀態判斷的命中率可達90%。文獻“Koichi OTSUKA ； A Hybrid Expert System Combined with aMathematical Model for Blast Furnace Operation, ISIJ International, Vol. 30(1990)，No. 2, PP118 - 127”描述了 1988年10月，住友金屬在鹿島I號高爐上開發了包含原Ts爐熱模型和專家規則相結合的混合專家系統(HYBRID)的情況。該系統是一種包含Ts爐熱模型和專家規則相結合的混合專家系統，該混合專家系統中約有1200條規則，在高爐生產中約有80-85%的時間靠Ts模型控制，有15-20%的時間靠經驗規則控制。系統調試時鐵水含硅量的預報準確率達85%以上，鐵水溫度的預報準確率可達90%。芬蘭Rautaruukki—Kawasaki專家系統是一個純粹的以規則為基礎的專家系統，內有規則800多條，武鋼、首鋼、昆鋼等多個廠家引進了該系統，對高爐生產發揮了一定的作用。現有的規則庫的規則難以反映高爐運行的實際狀況，這些系統使用效果都有限。從知識庫的構建上看這些專家系統中的規則都來源于高爐操作人員的經驗，是相應高爐操作經驗的總結，盡管經驗很寶貴，但經驗也有其局限性，一方面經驗具有個人性，不同人員對同一現象的診斷存在差異，另一方面隨著高爐運行環境的變化，經驗具有變化性，經驗提取困難，已經提取出來的經驗難以進行推廣以適應不斷變化的高爐狀況，很大程度上依賴于某個人的經驗，同時這些經驗易更新、維護困難。
技術實現思路
本專利技術的目的是為了克服上述缺陷和不足，提供一種采用模式識別技術來深入分析高爐過程的變化規律，通過實時更新規則庫來實現高爐各系統的協同，解決專家系統學習與維護能力低，操作指導、解釋機制的簡單化，集成性能差等問題，從而大大提高高爐冶煉生產效率的基于專家系統和知識庫的高爐冶煉方法及系統。為實現上述目的，本專利技術提供的基于專家系統和知識庫的高爐冶煉方法，包括以下步驟I)、建立數據樣本從高爐冶煉過程控制數據庫中獲取3-5個月表征這些參數的實時數據氣流控制、爐型管理、布料控制、高爐狀況評估、爐缸狀態評估、爐溫狀態控制，建立數據樣本；2)、對數據樣本進行分類采用模式識別方法對數據樣本進行分類；3)、對分類結果進行工藝解讀各種現象所呈現的不同狀態標注工藝含義，將各種狀態和高爐運行的評價性指標一一對應起來，找出不同狀態對應的高爐指標表征特點；4)、用特征參數來表征高爐指標用特征參數來表征各種高爐指標的不同狀態類另Ij，構成知識庫；5)、啟動知識庫以當前的操作參數為觸發器，啟動知識庫中的模式匹配，判斷高爐各種現象的實際狀態，選取正確的高爐調劑措施；6)、判斷并調整知識庫如果規則的命中率低于設定的效果閾值，重復執行步驟I) 一步驟5)，重新選取高爐調劑措施，直至規則的命中率大于或等于設定的效果閾值。在上述技術方案的步驟I)中，所述氣流控制數據包括十字測溫數據、上升管溫度、紅外圖像信息；所述爐型管理數據包括冷卻壁溫度、熱負荷、冷卻水量、溫度；所述布料控制數據包括爐料水份、焦炭反應強度、爐料成分、布料矩陣、進風面積、鼓風參數；所述高爐操作數據包括風量、風溫、風壓、熔損反應碳量、熱負荷、熱指數、爐身靜壓力、CO、CO2 ;所述爐缸狀態數據包括渣鐵平衡數據、爐缸溫度、渣鐵成分；所述爐溫狀態數據包括下料指數、CO2、爐缸狀態指數、爐熱指數、熔損反應碳量、渣皮脫落指數。在上述技術方案的步驟3)中，高爐運行的評價性指標包括煤氣利用率、C0、C02、焦t匕、利用系數、0/C、燃料比、下料指數、爐缸狀態指數。另一方面，本專利技術還提供了一本文檔來自技高網...

【技術保護點】
一種基于專家系統和知識庫的高爐冶煉方法，其特征在于包括以下步驟：1）、建立數據樣本：從高爐冶煉過程控制數據庫中獲取3?5個月表征這些參數的實時數據：氣流控制、爐型管理、布料控制、高爐狀況評估、爐缸狀態評估、爐溫狀態控制，建立數據樣本；?2）、對數據樣本進行分類：采用模式識別方法對數據樣本進行分類；3）、對分類結果進行工藝解讀：各種現象所呈現的不同狀態標注工藝含義，將各種狀態和高爐運行的評價性指標對應起來，找出不同狀態對應的高爐指標表征特點；4）、用特征參數來表征高爐指標：用特征參數來表征各種高爐指標的不同狀態類別，構成知識庫；5）、啟動知識庫：以當前的操作參數為觸發器，啟動知識庫中的模式匹配，判斷高爐各種現象的實際狀態，選取正確的高爐調劑措施；6）、判斷并調整知識庫：如果規則的命中率低于設定的效果閾值，重復執行步驟1）—步驟5），重新選取高爐調劑措施，直至規則的命中率大于或等于設定的效果閾值。

【技術特征摘要】

【專利技術屬性】
技術研發人員：陳令坤，胡正剛，鄒祖橋，柏文萍，尹騰，
申請(專利權)人：武漢鋼鐵集團公司，
類型：發明
國別省市：