谢灵杰[1]2003年在《高炉铁水硅含量预测中的直接经验和间接经验》文中认为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着进展，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、积累和进化叁部分组成，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着影响，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。
赵春泽[2]2002年在《高炉铁水硅含量自组织经验进化预测系统软件开发与研究》文中研究指明维持合理的炉温水平是高炉生产稳定顺行的关键之一。高炉铁水硅含量可以间接反映炉温变化。针对目前铁水硅含量预测方法尚不能满足高炉过程控制需要的现状，根据所提出的高炉铁水硅含量自组织经验进化预测模型原理，用软件工程方法学设计和开发了相应软件原型，并从理论和实践角度对这种新的智能预测模型进行了研究。高炉铁水硅含量自组织经验进化预测系统主要由动态数据特征提取、动态模式自组织分类量化以及预测经验的记忆、存储、积累和进化叁部分组成。根据高炉生产的需求以及软件工程理论，系统分析了预测软件的性能要求与模块组成，以系统数据流程图逐层分析了信息流在软件系统中的流动、变换和处理情况。使用面向对象设计方法开发的系统软件结构设计合理、界面友好，具有在线联机帮助功能，可以方便地移植于高炉炉况智能监测系统——高炉卫士中。采用天津铁厂1#高炉的[Si]含量、铁间料批数、热风压力、实际喷煤量、冷风流量、热风温度、净焦加入量、焦炭负荷等8个影响因素作为预测模型的主要输入变量。以可预测率、预测命中率、趋势预测命中率及平均误差平方和为评价标准，确定了各影响因素的警戒参数Ru和滤波参数Sita的优化值范围。对净焦加入量（或次数）对铁水含硅量的作用时间进行的统计分析结果表明：加入净焦6小时以后，60.24%炉次会出现炉温升高现象。在参数优化的基础上，利用两组模式量化方案进行了高炉铁水硅含量的离线预测。结果表明：以可预测率、预测命中率、趋势预测命中率为评价标准，无论有经验期或无经验期，单变量及多变量系统预测效果均优于同期人工预测；而以平均误差平方和为评价标准，在无经验期3变量和4变量系统预测效果优于同期人工预测。多变量预测循环测试结果表明：4变量组合的预测效果较好，可预测率平均水平可以达到77.4%，即使在人工预测信息占优的条件下，系统预测（趋势预测）命中率要高于同期人工预测15%左右。最后，作者还讨论了进一步完善预测模型、提高模型预测效果所需要解决的问题。
谢灵杰, 高小强, 郑忠, 龙平, 韩以楠[3]2004年在《高炉铁水硅含量自组织预测中的模式量化》文中进行了进一步梳理研究了高炉铁水硅含量自组织经验进化预测模型中的模式量化问题。在模式量化方案中,采用高炉过程变量时间序列数据的均值、梯度值和波动值作为数据的特征量来进行特征提取,将可预测率、命中率、趋势命中率等判据用于评判预测效果,并用天津铁厂1号高炉的过程数据进行了离线检验。结果表明:基于过程变量的特征提取方法可用于具有均匀时间间隔的高炉过程数据的特征提取。正确运用该方法可使铁水硅含量自组织预测模型的预测命中率提高10%左右。
参考文献：
[1]. 高炉铁水硅含量预测中的直接经验和间接经验[D]. 谢灵杰. 重庆大学. 2003
[2]. 高炉铁水硅含量自组织经验进化预测系统软件开发与研究[D]. 赵春泽. 重庆大学. 2002
[3]. 高炉铁水硅含量自组织预测中的模式量化[J]. 谢灵杰, 高小强, 郑忠, 龙平, 韩以楠. 钢铁研究学报. 2004