案例推理是一种应用十分广泛的类比推理方法,适用于没有完整、精确的数学模型描述,但有丰富经验和大量历史记录的领域,转炉炼钢是其中一个比较典型的代表。为了生产出合格的钢水,需要严格控制吹炼终点时钢水的碳含量和温度值。建立一种基于案例推理方法的转炉炼钢终点预报模型,利用原料添加情况和过程操作信息预测终点碳含量和温度值,对于提高企业生产效率,保证出钢质量,以及降低生产成本具有十分重要的意义。在案例推理方法包括的案例描述、案例检索、案例调整和案例保存四个步骤中,案例检索和案例调整是最重要的两个环节。首先,在案例检索阶段,目标案例与案例库中每个源案例计算相似度时,计算量较大。而且对于检索结果有较大影响的条件属性筛选和权值计算方面存在着不准确的问题。为了提高案例检索算法的效率和有效性,本文提出一种基于模糊聚类、互信息和迭代学习策略的案例检索方法。应用减数聚类和模糊C均值聚类方法对案例库进行子空间划分,在相应的子案例库中进行相似案例搜索,互信息用以估算条件属性的权值,再通过迭代学习策略,根据推理结果的反馈情况更新权值并实现属性的约减。其次,在案例调整阶段,由于检索得到的案例与待求解的问题不可能完全一致,需要对解属性进行适当地修正。传统的案例调整方法主要依靠人工经验,自动化水平较低。对于有限的自动调整方法,虽然在特定条件下能够取得较好的应用效果,但是依然存在效率低或者调整结果不理想的问题,并不能充分地利用相似案例的信息。为此本文提出一种基于支持向量机的案例调整方法,利用支持向量机较好的泛化性能和鲁棒性,结合推理系统自身的特点,建立误差补偿模型,对案例推理计算的解属性进行调整和修正,从而提高结果的有效性和适用性。最后,将本文所提的集成的案例推理方法用于转炉炼钢终点预报建模过程,并用实际生产的数据记录验证模型的有效性。