基于案例推理的层流冷却数据库系统构建.docVIP

基于案例推理的层流冷却数据库系统构建 　　【摘 要】本文构建了一种层流冷却工艺控制案例库模型，提出了一种实现案例推理的算法。研究层流冷却控制工艺，归纳影响卷取温度控制的工艺特征。针对各个工艺特征给出局部相似度计算方法，提出主观赋权法来确定各工艺特征权重，采用两级过滤实现案例检索。通过实际应用表明案例推理算法有效提高首卷带钢头部卷取温度的控制精度。 　　【关键词】层流冷却；案例推理；案例检索 　　【中图分类号】F407.4【文献标识码】A【文章编号】1672-5158（2013）07-0127-01 　　1 前言 　　基于案例的推理（Case-Based Reasoning，CBR）是一种人工智能推理方法[1]。它借鉴人类处理问题的方式，运用以前积累的知识和经验直接解决问题，从而大大减少知识获取的工作量。CBR在没有领域显式模型而仅有经验知识时，较常规专家系统具有一定优势。 　　热轧带钢轧后冷却过程既是一个直接决定微观组织和力学性能的工艺过程，又是一个影响因素众多的传热过程，具有典型多变量、强耦合、非线性、离散型、大滞后特征，因此层流冷却控制系统对自学习参数的依赖性较强。为提高不同工况条件下模型设定精度，特在1580mm产线层流冷却系统中引入案例推理技术[2]，将典型工况总结成案例形式，充分利用案例推理的智能特性对模型长期自学习系数进行决策，提高带钢头部卷取温度设定精度。 　　2 层流冷却案例库模型 　　层流冷却案例库由案例构造、案例推理、案例检索和案例学习4个模块构成。 　　在实际控制过程中，设计案例推理技术仅应用于换规格轧制首卷或起始卷带钢上。控制系统首先提取当前运行工况条件的描述特征（终轧温度、轧制速度、厚度、水温、PDI等）作为待解决问题输入，经过两级过滤处理检索与当前工况相似的历史案例，若能够找到一个与当前状态最为匹配的案例则作为结果输出，若对于相似工况案例采用相似计算调整后作为结果输出，否则直接舍弃推理结果。当带钢控制结束后，将该类问题作为新的实例存储到案例数据库中，以丰富实例库的内容。 　　3 案例构造 　　在案例数据库的构建中，采用合理一致的案例表示方法将直接影响CBR系统的应用效率和效果。案例表示应包含问题描述和解决方案两部分：问题描述应充分表达控制要求的工况条件，作为案例推理的基础；解决方案必须能够给出控制所需求的实际参数，以解决实际控制问题。 　　轧后层流冷却过程易受到较强的外部干扰和上游工序遗传影响。在案例构造过程中，采用工况特性指标（例如预报终轧温度偏差、穿带速度、水温、厚度波动、停轧时间、PDI等）和控制指标（卷取温度偏差值、标准差等）来共同实现问题描述，解决方案形式相对简易，即自学习系数。 　　4 案例相似度计算 　　案例推理是在案例数据库中求解与当前工况问题最相似的案例的过程，采用一定相似度算法来实现。 　　（1）计算局部相似度 　　计算局部相似度是计算当前待解决问题与案例的每一个工艺特征的相似度。由于案例工艺特征属性的不同取值之间没有任何联系，层流冷却系统的各工艺特征参数局部相似度定义Sim（i）（i分别代表水温、精轧终轧温度、穿带速度和轧制时间），根据不同的偏差范围给出不同的相似度。 　　（2）确定工艺特征的权重值 　　进行案例匹配时，需要决定不同案例特征的主次及其优劣程度，所决策出的特征重要程度称为权重值。权重的确定主要是采用主观赋权法，即充分利用调试经验来确定权值。 　　通过调试摸索不同钢种成分体系及目标厚度范围下水温、精轧终轧温度预测值、穿带速度预测值以及轧制间隔时间的相似度权重。 　　5 案例检索 　　案例检索是实现案例推理的重要环节。考虑到生产特点，设计绝对和相对两级过滤方式。 　　（1）绝对过滤 　　根据对当前工况进行工艺特征分析，给出问题的钢种、厚度层别、卷取温度层别、冷却策略作为检索条件，若检索结果为空，说明从案例库中找不到满足要求的案例源。 　　（2）相对过滤 　　在满足上述绝对过滤案例中，引入工艺特征水温偏差、轧制时间偏差、终轧温度偏差和速度偏差这四项作为进一步检索输入条件。检索结果表现两种情况： 　　第一种：存在完全满足当前工况特征的案例。接下来进一步增加卷取温度指标类工艺特征以筛选出与当前工况最相似且卷取温度指标控制精度最佳的案例，该案例的解决方案即作为当前问题的建议解。 　　第二种：检索出的案例不一定完全符合当前工况特征。首先增加卷取温度指标类工艺特征作为进一步筛选条件，接着对符合上述判定条件的案例的工况特征进行判定评估，若能找到最优的案例符合当前工况要求，则该建议方案被采纳，否则需要建议解决方案进行适当的修改来满足当前工况的需求，以最相似案例的解决方案作为出发点，基于上述相似度计算方法，明确当前工况与每个