炼铁学论文解析.ppt

高炉中的人工智能 高炉人工智能的发展历程 现代高炉智能信息处理系统 人工智能AI在高炉中的主要是应用智能信息处理系统。 高炉专家系统 混合专家系统 目前混合专家系统中约有1200条规则 。在高炉生产中 ，约有80%～ 85 %的时间靠Ts模型控制高炉 ．15%～20%的时间靠经验规则控制高炉 。目前该系统使用效果良好 ． [%si]和铁水温度预报准确率分别达到85%~90%以上。 硬件结构 功能 1.监视生产过程 2.对高炉热状态进行监视控制 3.对管道，崩料进行诊断 4.诊断热状态 1.对设备进行诊断 2.高炉异常长期诊断 3.非遇见现象的分析支持 过程计算机 微型计算机 数据处理及控制 推理机 诊断 网络环路 管理计算机 数据库 参考及 分析 推理机 CRT 打印机 AI站 CRT 打印机 高 炉 在系统运行时，过程计算机将预处理过的数据和Ts模型的计算结果存贮在自己内部。并且每 2至10分钟通过网络向 A1微型计算机传递一次。在AI机中，先用经验规则进行高炉状态的判断 ，若高炉炉况正常或有轻度不正常 ，则通知过 程计算机用T s模型进行自动控制 ，并根据炉况的好坏程 度 ，决定适当的目标铁水温度作为 T s模型的设定值；若炉况异常。则通知过程计算机不用 Ts 模型 ，同时AI机自己使用已贮存在机内的经验规则在CRT卜向操作者提出操 作建 议。使高炉恢复到正常状态 。 运行数据2~10min 高炉状态 判断规则 数学模型 经验规则 自动控制 （喷油量 鼓风温度） 诊断规则 长期数据 模型、指数 决策支持 （负荷质量 可调喉口） 高炉神经网络模型 专家系统的开发应用 ，弥补了数学模型无法处理模糊信息(经验知识)的不足 ，从而提高了高炉操作的控制水平，但是由于知识库不易维护 ，特别是对规则知识不具备自学习功能，为此 ，人们开始虑人工神经网络模型。 高炉神经网络模型 神经网络具有良好的学习功能和模糊识别功能。 而高炉数据的模式识别又可粗略地分为数据特征可分和数据特征不可分两种类型 ： ①在已能掌握数据特征的场合.可设定几种基本模式 ．并识别实际数据属于哪一种基本模式，处理这类问题可采用有教师学习的反向传播网络 ； ②在对数据解析有困难.不能充分掌握 数据特征的场合 ，则必须先提取被识别数据的特征 ，再将其分成若干个基本模式，处理这类问题可采用无教师可学习的自组织网络 。 反向传播网络 信息从输入层流向输出层，对于每一基本模式的数据输入，网络不断修正各神经元之间连接权重(学习过程)．使输出值接近期望值(教师数据)。学习后的网络能识别新输入的数据与已学过的哪种模式接近，并且输出它。 权值修正 误差反馈 T1 T2 Tn X1 X2 Xn Y1 Y2 Yn 教师数据 输出层 中间层 输入层 自组织网络 输入的数据被送到所有神经元，具有最大输出的神经元成为核。核的神经元与其附近的神经元虽然输入信号一样，但由于权重的修正，各神经元的权再就可以表示典型的输入模式并进行分类。种模型不需要在学习前把数据按一定方式分类，通过学习。网络能自动地提炼出数据的特征。 X：输入数据 W：神经元连接权重 Y；神经元输出 高炉神经网络专家系统 高炉专家系统具有知识推理的透明性。却不具备自学习功能； 而神经网络模型具有很强的自学习功能，但又不具备推理的透明性，为此，人们开始研究如何将二者有机地结合起来。 神经网络专家系统构成 数据库用于存放系统运行过程中所需要和产生的数据信息以及系统性能指标等； 知识库用于存放事实样本 、模式对和系统所用的少量的元知识，以便于系统的联想记忆和加速推理；神经推理机采用反向传播学习网络 ，以实现系统的联想记忆 、并行：推理 和自学习功 能 ； 解释程序负责回答用，提出的有关推理机、系统性能和使用方法等问题 。 人 机 接 口 数据库 神经 推理机 知识库 解 释 程 序 高炉智能控制发展展望 (1)结合计算机及控制理论新技术对高炉专家系统进行了展望，介绍了数据库、专家系统、多媒体等多种技术对高炉专家系统的影响 提出了采用多种技术集成，实现高炉智能控制及智能管理。 (2)将计算机集成生产系统及人工智能技术相结合，应用于高炉过程中，提出了高炉智能生产系统的思想，并具体分析了系统的结构特点及集成与建模技术。未来的高炉生产的自动控制必然向高炉智能控制方向发展。