高炉异常炉况的模糊预测模型.pdf

第17卷第4期中国冶金Vol.17,No.4

2007年4月ChinaMetallurgyApr.2007

高炉异常炉况的模糊预测模型
李启会1,刘祥官2
(1.嘉兴学院数学系,浙江嘉兴314001;2.浙江大学数学系,浙江杭州310027)

摘要:将神经网络和模糊数学理论相结合,建立了一种新型的炉况预报模型,利用模糊神经网络的并行处理特
性进行模糊推理。模糊神经网络的并行数学计算过程取代了专家系统中传统的参数处理,具有更高的推理效率;
且神经网络的学习能力实现了隶属函数和模糊规则的自学习,从而满足了高炉专家系统知识库的动态特征,有效
提高了炉况预报模型的自适应能力。最后,应用莱钢1号高炉在线采集的数据动态模拟了高炉炉况的变化趋势。
关键词:炉况;模糊化;模糊推理;模拟;预报
中图分类号:TP273文献标识码:A文章编号:100629356(2007)0420034204

FuzzyForecastingModelforAbnormalBFState
LIQi2hui1,LIUXiang2guan2
(1.DepartmentofMathematics,JiaxingUniversity,Jiaxing314001,Zhejiang,China;
2.DepartmentofMathematics,ZhejiangUniversity,Hangzhou310027,Zhejiang,China)

Abstract:Basedonfuzzytheoryandneutralnet,anewfuzzyforecastingmodelforabnormalBFstatewasdevel2
opedtofuzzilyreasonwithparallelcomputationoffuzzyneutralnetsystem,whichreplacesfuzzyinferenceandthe
traditionalcomputationofparametersofexpertsystem.Theselflearningoffuzzymembershipfunctionandfuzzy
rulesisrealizedbyfuzzyNNsystem,andthen,dynamicalcharacterofBFexpertsystemisachievedandselfadap2
tationabilityofthemodelforecastingabnormalBFstateisimproved.BFstateissimulatedusingthedatacollected
onlinefromNo.1BFatLaiwuIronandSteelCoLtd.
Keywords:BFstate;fuzzifization;fuzzyinference;simulation;forecasting.

生产实践证明,及时准确地进行炉况故障诊断因此,需将模糊数学理论和人工智能方法结合
是保障高炉长期稳定顺行的先决条件,也是延长高在一起,建立能反映高炉冶炼过程的非确定性规律
炉寿命的必要条件。炉况故障诊断主要包括异常炉模型。本文正是基于这种思想,结合莱钢1号高炉
况预报和异常炉况诊断[1]。异常炉况预报是诊断的现场采集的实际生产数据,建立了一种新型的炉况
基础[2,3]。预报模型,并进行了实际数据仿真,动态模拟了高炉
国内宝钢、鞍钢等开发和应用了基于规则的炉炉况的变化过程。
况判断专家系统[4,5],对指导高炉操作起到一定的作
参数分析
用。但专家系统在知识获取和自适应方面存在的固1

有缺陷,则导致预报精度和提前量不能满足要选取了料速Ls(t/h)、风温FW(℃)、风量FL
[4～7]33
求。炉况故障诊断系统中存在的许多非常规性(m/min)、透气性指数FF(m/(min·kPa))、全压

的问题无法用简单的推理得出,而须采用模糊数学差QYC(MPa)、铁水中w(Si)(%)等6个影响炉况
中的隶属函数对不确定知识进行量化处理[2]。日本的关键变量。煤气流分布、铁水温度等虽也是影响
的Go2Stop模型[8～10]部分模块采用了模糊推理,但炉况的重要变量,但限于条件,许多高炉没有在线采
却存在一定的缺陷。Go2Stop模型的参数值在与界集的数据,因此暂不把它列入模型中。
限值比较时渐变过程无法表示,模型只对各参数进由于各个参数的量纲不同,且波动变化情况有

行加权合成计算,再对最后的评分按照GO2STOP2别,如Ls值分布是不均匀的(变动区间为2t/h,76
BACK炉况推断的取值范围进行推断结论。t/h),故须将变量的波动情况进行适当分类。设变

基金项目:国家科技成果重点推广资助项目(2005EC000166),国家重点基础研究发展973