论文部分内容阅读
准确预测铁水含硅量是有效控制高炉的前提,人工智能专家系统已在铁水硅含量预测方面取得显著进展,但专家系统在知识获取方面存在不足。高炉铁水硅含量的自组织经验进化预测模型主要由动态数据特征提取、动态模式量化以及预测经验的记忆、存储、积累和进化三部分组成,其预测经验可分为直接经验和间接经验。本文采用了基于高炉过程变量的均值、梯度和波动的特征提取方法;分类器用具有自适应和自学习功能的ART2神经网络模型;以产生式和框架表示法来表示预测经验知识;建立了适用于高炉铁水硅含量预测关联规则发现的数据挖掘算法,通过极大信息量的条件属性约简算法来提取过程数据中隐含的铁水含硅量预测经验知识。用天津铁厂1号高炉的生产数据的离线研究结果表明:基于过程数据的均值、梯度和波动的特征提取方法是有效的,所建立的数据挖掘算法可有效提取铁水硅含量预测的定量关联规则,可用于铁水含硅量预测。算法中的规则支持度对所提取的关联规则和预测结果有显著影响,随着规则支持度增大,预测命中率增加。研究条件下,适宜的规则支持度和规则信任度分别为3和0.6。对规则的解释研究还表明:提取出的关联规则大部分与高炉操作规程的知识定性一致,有少量规则与高炉操作规程相矛盾,这表明数据挖掘有可能发现隐含在数据中的尚不为人所知的特定高炉上的操作新知识。当精度为±0.15时,对高炉铁水含硅量预测的命中率为75%。采用随机游走模型的对比预测表明:当精度为±0.10时,随机游走模型有更好的预测性能;当精度为±0.15时,本文的智能预测模型具有更好的性能。研究还发现:含硅量预测的命中率在很大程度上依赖于高炉炉况的稳定性,因此,对波动炉况的即使较低命中率的预测比对平稳炉况的高命中率的预测更有价值。作者还指出,对预测效果的评判不能仅仅以预测命中率作为依据。最后,讨论了自组织经验进化预测方法中以模式分类和知识发现为基础的从代码空间到概念空间的经验进化路径。