基於專家系統和知識庫的高爐冶煉方法和系統的製作方法
2023-12-03 09:58:01 2
專利名稱：基於專家系統和知識庫的高爐冶煉方法和系統的製作方法
技術領域：
本發明屬於高爐過程控制技術領域，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，適用於具有軟水密閉循環冷卻系統的大型高爐的操作控制。
背景技術：
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、並且具備海量檢測數據的系統特別適合於採用以專家系統為核心的人工智慧技術進行控制。專家系統一般由資料庫、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慧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個用於推理的信息，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。系統調試時鐵水含矽量的預報準確率達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於高爐操作人員的經驗，是相應高爐操作經驗的總結，儘管經驗很寶貴，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，很大程度上依賴於某個人的經驗，同時這些經驗易更新、維護困難。
發明內容
本發明的目的是為了克服上述缺陷和不足，提供一種採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於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，本發明提供的基於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資料庫中獲取3-5個月表徵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採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註工藝含義，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徵特點；4)、用特徵參數來表徵高爐指標用特徵參數來表徵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)、判斷並調整知識庫如果規則的命中率低於設定的效果閾值，重複執行步驟I) 一步驟5)，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。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、利用係數、0/C、燃料比、下料指數、爐缸狀態指數。另一方面，本發明還提供了一種基於專家系統和知識庫的高爐冶煉系統，包括數據樣本模塊用於建立從高爐冶煉過程控制資料庫中獲取3-5個月表徵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、爐溫狀態控制數據樣本；數據樣本分類模塊用於對數據樣本採用模式識別方法進行分類；
分類結果工藝解讀模塊用於對各種現象所呈現的不同狀態標註工藝含義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徵特點；高爐指標表徵模塊用於將各種高爐指標的不同狀態類別用特徵參數來表徵，構成知識庫；知識庫啟動模塊用於以當前的操作參數為觸發器，啟動知識庫中的模式匹配，判斷聞爐各種現象的實際狀態，選取正確的聞爐調劑措施；知識庫判斷調整模塊用於當規則的命中率低於設定的效果閾值，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。上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。上述高爐運行的評價性指標包括煤氣利用率、CO、CO2、焦比、利用係數、0/C、燃料t匕、下料指數、爐缸狀態指數。本說明書中的技術術語具體含義如下評價性指標是利用係數(t/d. m3)、焦比(kg/t)、燃料比(kg/t)表徵高爐運行狀態的指標；CO、CO2 分別是爐頂煤種的CO和CO2含量；煤氣利用率=CO2/(C0+C02)*100%;焦比是冶煉一噸鐵水所消耗的焦炭量，kg/t;利用係數是一立方米的高爐容積一天生產的鐵水量，單位t/d. m3 ；0/C:是每批料中礦石和焦炭的重量比；燃料比是冶煉一噸鐵水所消耗的燃料量，kg/t ；下料指數是表徵下料順暢程度的參數，單位min/charge;爐缸狀態指數表徵爐缸工作狀態的指數，單位t;本發明的基本原理根據所分類對象，包括氣流控制、爐型管理、布料控制、高爐狀況評估、爐缸狀態評估、爐溫狀態控制等不同類別，從資料庫中獲取3-5個月能夠表徵上述現象的實時數據，準備合適的數據樣本，建立分類用樣本，針對不同現象的數據變化特點，採用不同的模式識別技術對數據樣本進行分類，分類結果就對應各種現象所可能呈現的不同狀態，各種狀態都具有確定的工藝含義，只要將各種狀態和高爐運行的評價性指標，包括煤氣利用率、CO、CO2、焦比、利用係數、0/C、燃料比、下料指數、爐缸狀態指數等一一對應起來，就可以找出不同狀態對應的高爐指標表徵特點，從而建立起能保持的狀態，並且可以建立不同現象之間的不同狀況之間的聯繫，所有這些內容都構成了知識庫中的規則，通過特徵參數來表徵各種現象的不同狀態類別，構成知識庫，在使用知識庫時，只要以當前的操作參數為觸發器，啟動模式匹配，就可以準確判斷高爐各種現象的實際狀態，自然可以採取適當的聞爐調劑措施。如果規則的命中率低於設定的閾值，調整知識庫並啟動上述過程，以得到每種現象的狀態構成，利用將各種狀態和高爐運行的評價性指標對應起來，對分類結果做出合適的工藝解讀，相關內容以規則的形式構成知識庫的主要內容。
應用本發明可自動計算出各種高爐現象的存在狀態，利用將各種狀態和高爐運行的評價性指標對應起來，對分類結果做出合適的工藝解讀，相關內容以規則的形式構成知識庫的主要內容；每次所獲的分類結果有差異，但本發明採用的規則表達方式是固定的，只需調整即可構建新的知識庫，準確描述高爐的運行特徵，從而大大加快知識庫的構建過程，使得規則庫的維護程式化，解決了建立知識庫時經驗提取的困難，提取出的經驗是依據於海量檢測數據獲得的，故提取出來的經驗具有客觀性，能夠適應不斷變化的高爐狀況，可完全避免依賴於個人的經驗，易於更新、易於維護，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。
圖I為本發明基於專家系統和知識庫的高爐冶煉方法的流程圖。圖2為本發明基於專家系統和知識庫的高爐冶煉方法的原理圖。
具體實施例方式以下結合附圖和具體實施例對本發明作進一步的詳細描述如圖I所示的基於專家系統和知識庫的高爐冶煉方法，包括以下步驟SI、建立數據樣本從高爐冶煉過程控制資料庫中獲取3-5個月表徵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；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；S2、對數據樣本進行分類採用模式識別方法對數據樣本進行分類；S3、對分類結果進行工藝解讀各種現象所呈現的不同狀態標註工藝含義，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徵特點；高爐運行的評價性指標包括煤氣利用率、CO、CO2、焦比、利用係數、0/C、燃料比、下料指數、爐缸狀態指數；S4、用特徵參數來表徵高爐指標用特徵參數來表徵各種高爐指標的不同狀態類另Ij，構成知識庫；S5、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；S6、判斷並調整知識庫如果規則的命中率低於設定的效果閾值，重複執行步驟SI—步驟S5，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。基於專家系統和知識庫的高爐冶煉系統，包括一一對應的如下模塊·
數據樣本模塊用於建立從高爐冶煉過程控制資料庫中獲取3-5個月表徵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、爐溫狀態控制數據樣本；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；數據樣本分類模塊用於對數據樣本採用模式識別方法進行分類；分類結果工藝解讀模塊用於對各種現象所呈現的不同狀態標註工藝含義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徵特點；爐運行的評價性指標包括煤氣利用率、CO、CO2、焦比、利用係數、0/C、燃料比、下料指數、爐缸狀態指數；高爐指標表徵模塊用於將各種高爐指標的不同狀態類別用特徵參數來表徵，構成知識庫；知識庫啟動模塊用於以當前的操作參數為觸發器，啟動知識庫中的模式匹配，判斷聞爐各種現象的實際狀態，選取正確的聞爐調劑措施；知識庫判斷調整模塊用於當規則的命中率低於設定的效果閾值，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。以容積為3200m3高爐為具體實施例說明本發明涉及的軟、硬體設備包括2臺伺服器HP Server ML570 G2，6臺HP XW4100作為OS操作站，一套Oracle資料庫，程式語言採用Visual C++，利用OPC技術和6套PLC系統進行實時數據通信、數據採集，相關數據寫入伺服器的Oracle資料庫，與基礎自動化DCS系統的數據通信由PHD — RDI經APP Node採集到PHD Server，利用PHD API接口開發應用程式，將PHD Server中的數據讀出，寫入Server的共享存儲區，將共享存儲區的數據寫入Oracle資料庫。如圖2所示，包括以下步驟步驟I :從高爐獲取數據存入到Oracle資料庫中。步驟2 :從Oracle資料庫中將所需要的數據讀取出來，針對不同的需要，分別獲取不同的數據。步驟21.氣流控制數據十字測溫數據、上升管溫度、紅外圖像信息等。
步驟22.爐型管理數據冷卻壁溫度、熱負荷、冷卻水量、溫度等步驟23.布料控制數據爐料水份、焦炭反應強度、爐料成分、布料矩陣、進風面積、鼓風參數等步驟24.高爐操作數據風量、風溫、風壓、熔損反應碳量、熱負荷、熱指數、爐身靜壓力、CO、CO2等步驟25.爐缸狀態數據渣鐵平衡數據、爐缸溫度、渣鐵成分等。步驟26.爐溫狀態數據下料指數、CO2、爐 缸狀態指數、爐熱指數、熔損反應碳量、渣皮脫落指數等步驟3 :採用模式識別的數據分類算法對數據進行分類處理，一般而言可以將相關現象的存在狀態劃分為25、36、或者49類。步驟4:根據高爐的實際表現評估獲得的相關現象不同存在狀態的工藝特徵，從而獲得工藝控制規則，用特徵參數來表徵各種現象的不同狀態類別，構成知識庫。步驟5 :在使用知識庫時，以當前的操作參數為觸發器，啟動模式匹配，就可以準確判斷高爐各種現象的實際狀態，自然可以採取適當的高爐調劑措施。步驟6 :如果規則的命中率低於某個門檻值，就自動啟動上述過程，就可以得到每種現象的新的狀態構成，對分類結果做出合適的工藝解讀，相關內容構成新的知識庫。這裡對於不同的要求精度可以設定不同的閾值，如可以設定為90%，95%, 100%等。需要說明的是，以上的具體實施方式
僅用以說明本發明的技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明的技術方案的精神和範圍，其均應涵蓋在本發明的權利要求範圍內。
權利要求
1.一種基於專家系統和知識庫的高爐冶煉方法，其特徵在於包括以下步驟 I)、建立數據樣本從高爐冶煉過程控制資料庫中獲取3-5個月表徵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採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註工藝含義，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徵特點； 4)、用特徵參數來表徵高爐指標用特徵參數來表徵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)、判斷並調整知識庫如果規則的命中率低於設定的效果閾值，重複執行步驟I)-步驟5)，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。
2.根據權利要求I所述的基於專家系統和知識庫的高爐冶煉方法，其特徵在於步驟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。
3.根據權利要求I所述的基於專家系統和知識庫的高爐冶煉方法，其特徵在於所述步驟3)中，高爐運行的評價性指標包括煤氣利用率、CO、CO2、焦比、利用係數、0/C、燃料比、下料指數、爐缸狀態指數。
4.一種基於專家系統和知識庫的高爐冶煉系統，其特徵在於包括 數據樣本模塊用於建立從高爐冶煉過程控制資料庫中獲取3-5個月表徵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、爐溫狀態控制數據樣本； 數據樣本分類模塊用於對數據樣本採用模式識別方法進行分類； 分類結果工藝解讀模塊用於對各種現象所呈現的不同狀態標註工藝含義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徵特點； 高爐指標表徵模塊用於將各種高爐指標的不同狀態類別用特徵參數來表徵，構成知識庫； 知識庫啟動模塊用於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； 知識庫判斷調整模塊用於當規則的命中率低於設定的效果閾值，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。
5.根據權利要求4所述的基於專家系統和知識庫的高爐冶煉系統，其特徵在於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。
6.根據權利要求4所述的基於專家系統和知識庫的高爐冶煉系統，其特徵在於所述高爐運行的評價性指標包括煤氣利用率、CO、CO2、焦比、利用係數、0/C、燃料比、下料指數、爐缸狀態指數。
全文摘要
本發明涉及高爐過程控制，具體涉及一種基於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)用特徵參數來表徵高爐指標；5)啟動知識庫；6)判斷並調整知識庫如果規則的命中率低於設定的效果閾值，重複執行步驟1)—步驟5)，重新選取高爐調劑措施，直至規則的命中率大於或等於設定的效果閾值。本發明能夠適應不斷變化的高爐狀況，易於更新、易於維護，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。
文檔編號C21B5/00GK102952912SQ20121052945
公開日2013年3月6日 申請日期2012年12月10日 優先權日2012年12月10日
發明者陳令坤, 胡正剛, 鄒祖橋, 柏文萍, 尹騰 申請人:武漢鋼鐵(集團)公司