高炉参数学习专家系统的设计与实现.pdf

摘要 厂 专 家 系 统 是 人 工 智 能 应 用 研 究 的 一 个 重 要 领 域 它 实 现 了 人 工 智 能 从 理 论 研 究 癫 实 际 应 用 从 一 般 思 维 方 法 探 讨 转 入 专 门 知 识 运 用 的 重 大 突 破 在 社 会 各 领域的应用越来越广泛 在专家系统开发中知识获取一直是一个瓶颈问题 许多 人 工 智 能 工 作 者 在 这 方 面 作 了 大 量 的 研 究 工 作 尸 本文所讨论的 高炉参数学习专家系统的设计与实现 就是 高炉异常炉况 诊断实时专家系统 中关于知识获取的问 题 该系统采用示例学习的方法 通过 推理机制来完成特征因子界限值 隶属度以及规则可信度等参数的评估和优化 本系统需要学习的参数较多 精度要求高 为此我们在系统学习过程中引入 了一系列先进的技术和手段 1 加权的模糊推理逻辑 2 采用方案示例学习方法和约束分割搜索空间 3 启发函数和评估函数设计 4 获取启发性知识 综合运用多种启发式搜集策略 本系统以鞍钢 1 0 号高炉为背景 采用现场采集的实际数据完成学习任务 符合率较高 学习性能良 好 本系统在p 1 1 1 4 5 0 微机上开发 操作系统为w i n d o w s n t 4 0 主要编程语言为c b u i l d e r 4 0 关键词 人工智能 专家系统 示例学习 可信度 界限值 隶属度 t it l e d e s i g n a n d r e a l i z a t i o n o f p a r a m e t e r l e a rn i n g e x p e r t s y s t e m o f b l a s t f u rna c e k e y w o r d a r t i f i c i a l i n t e l l i g e n c e e x p e r t s y s t e m c a s e b a s e d l e a r n i n g r e l i a b i l i ty l i m i t s b e l o n g i n g s ab s t r a c t e x p e r t s y s t e m a s a i m p o rt a n t b r a n c h o f a i a r t i f i c i a l i n t e l l i g e n c e i s b e in g u s e d w i d e l y m o r e a n d m o r e i t h a s g o t a l o n g w i t h a p p l i c a t i o n o f p r o f e s s i o n a l k n o w l e d g e n o l o n g e r i s a p u r e t h e o ry r e s e a r c h o n g e n e r a l t h o u g h t w a y k n o w l e d g e a c q u i s it i o n i s a l w a y s t h e b o tt l e n e c k t o d e v e l o p e x p e rt s y s t e m m a n y r e s e a r c h e r s o f a i h a v e d o n e a g r e a t d e a l w o r k o n t hu s p r o b l e m t h i s p a p e r a s a s u b s y s t e m o f b l a s t f u r n a c e a b n o r m a l d i a g n o s i s a n d r u n i n g s m o o t h l y r e a l t i m e e x p e rt s y s t e m r e c o m m e n d s s o m e a s p e c t s o f t h e q u e s t i o n a b o u t k n o w l e d g e a c q u i s i t i o n t h e s y s t e m u s e s i n s t a n c e b a s e d l e a r n i n g a n d i n f e r e n c e m e t h o d t o o p t i m i z e t h e l i m i t s a n d b e lo n g in g s o f f a c t o r s a n d t h e r e l i a b i l it i e s o f r u l e s b e c a u s e o f t h e g r e a t n u m b e r o f l e a r n i n g p a r a m e t e r s a n d h i g h q u a l i t y r e q u ir e m e n t s o f p e r f e c t i o n w e d e v e lo p e d s o m e a d v a n c e d s k i l l s a n d m e t h o d s in l e a rn i n g p r o c e s s a s f o l l o w in g i u s e we i g h t e d f u z z y l o g i c i n f e r e n c e m a c h i n e 2 u s e i n s t a n c e b a s e d l e a r n i n g m e t h o d a n d c o n d it i o n l i m i t i n g s e a r 比s p a c e 3 d e s i g n h e u r i s t i c fu n c t i o n a n d e v a l u a t i v e f u n c t i o n 4 a q u i r e h e u r i s t i c k n o w l e d g e u s e a v a r i t y o f h e u r i s t i c s t r a t e g i e s t h e s y s t e m b a e s d o n b a c k g r o u n d o f n o 1 0 b l a s t f u r n a c e i n a n s h a n s t e e l c o u s e s t h e r e a l d a t a t o f i n i s h l e a r n i n g a n d t h e r a t e o f c o r r e c t i o n i s f a v o u r i t e i t w a s w r i tt e n i n c b u i l d e r 4 0 a n d t h e o p e r a t o r s y s t e m i s wi n d o w s n t 4 0 t h e s y s t e m h a s b e e n i m p le m e n t e d s u c c e s s f u l l y o n p c p i ii 4 5 0 1101 0 r f 兰 k 一 一 竺 w f 7 a iiev r it ib m 一一一 之 n a 第一章 前 言 专 家 系 统 e s 是 基 于 知 识 的 智 能 推 理 系 统 它 涉 及 对 知 识 获 取 知 识 库 推 理 控 制 机 制 以 及 智 能 人 机 界 面 研 究 集 智 能 和 领 域 知 识 于 一 体 专 家 系 统 能 够 在 某 些 专门 领 域 达 到 多 专 家 的 综 合 水 平 使 一 些 用 传统 编 程方 法 难以 解决的问 题由 计 算机 得到高 水平的 处理 目 前 专 家 系统己 广泛 应 用干 各 种性 质不同的 领域 从工 业 农业 商 业 到 教育 医 学 军事等 等 都有很多成功的系统 有的还成为成熟的商品 被投入市 场 专家系统的基本结构如图 1 1 所示 专家 知 识 库 要解答 的问题 推 理 机答案 图1 1专家系统基本框图 专家系统的第一个重要组成部分是知识库 用于存储从专家那里得到的 专门知识 第几个组成部分是推理机 它具有进行推理的能力 能够根据 知识推导出结论 其工作过程可以描述为 系统根据用户提出的目标 在 控制策略的指导下 运用知识库中的有关知识 通过不断地搜索推理来寻 求相应的答案 为了建立知识库 我们需要解决如何存储知识的问题 这就是所谓的知 识表达 确切地说 就是如何以计算机能够储存的形式来表达知识 一般 所选择的知识表达方法应该具有下面两个性质 工 一 月名 一 3x t t lt ie 乙 一 止 丝 丝 竺 通 丝 翌 芝 巡 一 一 一 一 一 1 能表达专家知识的内涵 2 能简单方便地描述 修改和解释系统中的知识 另一个与此相关的问题是如何从专家那里获得知识 即所谓知识获取的 问题 这个任务通常是由知识工程师来完成的 知识工程师是计算机方面 的工程师 他从专家那里获取知识或经验 并把它以适当的形式储存到知 识库里去 由于专家所掌握的知识和能存储于计算机的知识形式之间往往 存在较大差异 所以 要建立一个成功的专家系统 知识工程师与专家之 间要多次交换意见 以使知识库能正确地反映专家的知识 一般来说 知 识获取是建立专家系统最为困难的阶段之一 从计算机的角度来说 知识获取机构应该负责建立 修改和扩充知识库 以及对知识库的一致性 完整性等进行维护 它可以是一个知识编辑程序 也可以是一个复杂的知识获取子系统 用来完成自 动知识获取 自 动知识 求精等功能 其实质就是机器学习的问题 学习能力无疑是人工智能最突 出和最重要的一个方面 人工智能系统在学习能力的提高上每取得一点进 步都十分不易 因为迄今为止对人类的某些认识行为还难以准确理解 关于学习的概念并没有统一的认识 在不同的领域中 对于学习具有不 同的认知和表述 人工智能的研究者提出 任何系统 只要它能够从某个 过程或环境的朱知特征中学到有关的信息 并且能以学到的信息作为经验 在未来的估计 分类 决策和控制中使用 以便改变系统的性能 那么这 就是学习系统 从事专家系统的人工智能工作者认为 学习是获取显式的知识 这是因 为专家系统用庞大的规则集来表达专门的知识 为了便于规则集的验证 修改和解释 规则集应该是有组织的 显式表示的 这样的知识获取系统 一3 一 东北大学硕士论文 高炉参数学习 系统的设计 与实 现 第一章 前言 就是要根据实例去发现新规则 或者从专家那里接受新规则 然后将其加 入到知识库中 从5 0 年代以来 对于机器学习的研究大致经历了三个阶段 各个阶段 的研究途径和目标各不相同 第一阶段 5 0 6 0年代 神经模型与决策理论阶段 其核心为神经网 络或自 组织系统 这一类系统能自学习连续可变的参数 以适应环境的要 求 当系统受到一组 刺激 后 系统能利用反馈信号 向着一定的方向 修改自身的行为 例如 通过随机变异的自 然选择 让a i 程序模拟进化过 程 f r i e d b e r g 1 9 7 5 f o g e l 1 9 6 6 建立和实验神经系统的计算机模拟 最多的是视觉模拟 r o s e n b l a t t 1 9 5 7 但效果都不大理想 第二阶段 6 0 7 0 年代 符号概念获取 s c a 阶段 这类学习通过分 析一些概念的正例和反例 是逻辑表达式 决策树 构造出这些概念的符号表示 表示的形式一般 产生式规则或语义网络 系统己实用于各种领域 如a r c h w i n s t o n t 9 7 5 和 i d 3 q u i n l a n 1 9 7 9 这时 有些效果较好的 a q v a l m i c h a l s k i 1 9 7 5 第三阶段 知识加强与论域专用学习 k d l 阶段 这类系统包括预先 确定的概念 知识结构 论域约束 启发式规则以及和论域有关的变换 系统在开始并不具有所有的属性或概念 在学习过程中系统应得到一些新 的属性或概念 这个过程称为构造性的归纳 其学习策略不仅有实例学习 还有类比学习 观察和发现学习 这类系统的有m e t a d e n d r a l b u c h a n a n a n d f e i g e n b a u m 1 9 7 8 和a m l e n a t 1 9 8 3 对于一个实际的系统 往往体现着上述途径的组合 例如 s c a 和k d l 途径的一种组合就是基于可交换知识模块的系统 它把通用学习机理及定 一4 一 东北大学硕士论文 高炉参数学习系统的设计与实 现 第一章 前言 义与使用论域专用知识的功能组合起来 针对于专家系统的参数学习的设计与实现正是本文讨论的主要内容 在 过去的几年中 我们课题组承担了国家 九五 科技攻关项目 高炉顺行 及异常炉况判断人工智能系统 的研制工作 它包括若干部分 我将在接 下来的章节中介绍 它以原有 八五 项目 为基础 并针对鞍钢1 0 高炉现 场设备的变化及实时性等要求 作了很大程度的修改与补充 首先 面临 的是移植工作 其次 对一些模块的功能要进行修改和补充 以适应准确 度及实时性要求 再次 根据现场要求 提供一些新的功能模块 如将显 示结果做成h t m l 格式 便于远距离监控等等 参数学习系统是考虑现场的实际情况所做的 现场的工况处于不断的 变化当中 冶金专家们具有丰富的专业知识 对此有深刻的认识 但一般 来说 他们又不是专业的计算机工作者 这就要求我们提供简便易用的软 件工具 在计r 机和高炉专业知识之间驾起一道桥梁 参数学习系统研究 的最终目的 就是使领域专家们能够根据工况的变化来调整系统的运行行 为 本文详细地介绍了参数学习系统实现背景与过程 该系统针对异常炉况 诊断系统而开发 致力于提高现场对炉况判断的准确性 作者通过对异常 炉况诊断过程的分析 进行参数学习系统的模型设计 本文论述了异常炉 况的诊断机制 参数学习系统的目标 构成 所应考虑的主要问题及其解 决方 一 法 并运川现场采集的数据对系统进行了测试 对系统的实验结果进 行了分析 一s 一 东北大学硕士论文 高炉参数学习系统的设计与实现 第二章 高炉专家系统概述 第二章 高炉专家系统概述 2 1系统综述 在钢铁企业的生产中 高炉是一个庞大的热工系统 包含热力学 动力 学和物理化学等十分复杂的变化过程 许多过程难以用数学方法精确描述 而且高炉相关的设备很多 由此产生大量的相关的传感器数据 由于环境因 素的影响 以及各种不可预测的原因 都可能使高炉的炉况发生变化 保持 高炉炉况稳定运行对于高炉炼铁是至关重要的 高炉运行正常才能保证生产 出高 质高量的生铁 相反 各种异常炉况的出 现都不同程度地影响生产的质 量及产量 由此造成的经济损失是无法估量的 常见的异常炉况及其危害如表2 1 所示 表 2 1异常炉况种类及其影响 名称危害 管 道 处理不当容易发展成崩料 对炉顶设备有损害 崩 料 连续崩料会造成炉缸大凉 炉缸冻结等严重事故 悬 料产量损失很大 出号外铁 有时甚至损坏高炉结构 低料线 破坏炉料和气流的正常分布 炉料得不到正常的预热和还 原 引发炉凉和其它严重失常 对炉况设备也有破坏作用 向 凉若进一步发展会连续发生悬料 崩料 铁水含硅量降低 向 热持续向热会造成产量损失和炉况恶化 随着高炉现代化水平的不断提高与计算机业的迅速发展 为高炉专家系 统的开发与性能改善提供了条件 日 本钢管于1 9 8 6 年首次开发了高炉控制 一6 一 东北大学硕士论文 高炉参数学习 系统的设计与实现 第二章 高炉专家系统概述 专家系统 实现了在线实时数据处理 后来又相继出现了日本川崎的 a d v a n c e d g o s t o p 系统 新日 铁的a l t s 系统等等 它们都得到了很成功的 应用 从参数学习的角度来讲 这些系统虽然有所涉及 但都是基于神经元 或自 适应的方法 其知识层次底 学习时间长 很难满足大量参数学习的要 求 在我国 高炉顺行及异常炉况判断专家系统 被列为 八五 期间国 家重点攻关课题 由我校专家系统实验室承担并开发成功 在鞍山钢铁公司 的高炉上获得良 好的效果 对高炉的稳定操作 产量和质量的提高都起到了 积极的作用 在 九五 期间 随着我国钢铁企业自动化水平的全面提高和 现代化管理方式的应用 为专家系统更广泛地应用奠定了牢固的基础 因此 将原有的专家系统功能进一步改进 完善 使之服务于国民经济建设的主战 场 这在市场经济的今天 是十分必要而且紧迫的工作 我们专家系统实验 室依靠自 身的力量 通过不懈地艰苦努力 现己 基本完成高炉专家系统的设 计任务 2 2高炉专家系统设计背景 高炉顺行及异常炉况判断专家系统 以鞍钢 1 0号高炉为背景 1 0 号高炉于 1 9 9 5 年2 月建成 高炉的容积为2 5 8 0 m 四个出铁口 出铁时间 大约9 0 分钟 布料系统采用无料钟的布料方式 1 0 高炉拥有比较先进的检测手段及炉控设备 仪表控制系统是英国欧 路公司生产的集散系统 t c s 6 0 0 0 自 动化水平很高 这为高炉专家系统的 研制与应用创造了很有利的条件 鞍钢 1 0 高沪现有监测系统如图 2 1 所示 一7 一 东北大学硕士论文 高炉参数学习 系统的设计与实现 第二章 高炉专家系统概述 预报高炉的热状态 确定高炉的操作建议 5 确定布料制度 高炉诊断与指导专家系统的整体结构如图2 3 所示 用户 网络 图2 3 1 了 高炉诊断与指导专家系统软件结构图 一1 1 一 二 it 艺f 二 乙 一 一 一 itp k r0 1 t97 3 i 图中各子模块功能如下 1 传 感 器 数 据 采 集 采 集 设 在 高 炉 上 的 仪 表 的 数 据 整 理 为 以2 分 钟 为一周期的数据包传给下一模块 2 指 数 化处 理子系统 将 采集的 数 据 进 行 特征 抽 取 加 工 成指 数形 式 留待推理机使用 3 炉况类型 判断子系统 依据指数及人 机对话内 容 进行推理 给出 炉况判断类型 供操作人员参考 4 参数学习子系统 完成指数的函数界限值 规则中的权限及可行度 等数百个参数的自 学习功能 主要应用启发式函数搜索方法 5 炉况评价模型 采用类似g o s t o p 评价方法 判定炉况的运行状况 是正常还是异常 6 知识库管理系统 完成专家知识的录入 修改 查询等管理工作 7 热状态及含s i 量预报子系统 以专家知识为基础 结合自 适应模型 非线性模型和神经元网络模型进行含s i 量预报和推断 8 操作指v 子系统 根据异常炉况类型的预报和发生 以及在正常炉 况下的炉温发展趋势及煤气流分布状态 实时地做出操作建议 9 解释系统 跟踪操作指导系统的操作建议 采用重构性方案 面向 高炉操作者和知识工程师 解答w h y 和h o w 的有关问题 在 八五 期间 高炉专家系统采用 u n i x 操作系统 t u r b o c 2 0作 为开发工具 随着计算机的发展和用户应用水平的提高 对专家系统的功能 和交互界面都提出了更高的要求 为此 我们这次设计采用w i n d o w s n t操 作系统 应用软件的开发则采用 c b u i l d e r 4 0 v i s u a l c 6 0 s q l s e r v e r 及o d b c 等多种技术 使得专家系统的功能得以 加强 具有较强的可 一i 2 一 r i t 1 9 f ie jz 一堕 些 速 竺 里 鲤 竺 之 望 一 一 卜 巴 扩充能力 可视化技术则提供了 更加灵活友好的交互界面 在本次设计中 我的主要工作是指数化处理子系统 炉况类型判断子系 统 参数学习子系统 其中前两部分主要涉及移植 即从u n i x 向w i n d o w s n t 移植 将原有的t u r b o c 代码用c 千 十 重写 以适应可视化的要求 提高交互 性能 也便于以后的进一步完善和扩充 最后一部分工作是完成参数学习子 系统的分析与设计 这三部分是紧密相关的 指数化处理子系统是整个高炉 炉况诊断专家系统的基础 参数学习子系统的结果是异常炉况诊断系统的依 据 它的优劣直接影响着异常炉况诊断系统的品质 参数学习子系统离线模 拟了异常炉况诊断过程的运行 所以参数学习子系统是建立在指数化处理子 系统和异常炉 n 诊断系统的基础上的 自 旧 口 口 曰 一1 3 一 二 il 艺 翌 遭 二 二些巡犯绝坚竺缨j里 第 三 章参 数 学 习 系 统 中 的 异 常 炉 况 诊 断 机 制 从 上 一 章 我 们 可 以 看 到 高 炉 专 家 系 统 由 五 个 子 系 统 组 成 各 个 子 系 统 由 独 立 的 专 家 系 统 方 式 设 计 使 整 个 系 统 成 为 一 个 分 布 式 专 家 系 统 结 构 作 为 异 常 炉 况 诊 断 子 系 统 的 一 部 分 参 数 学 习 子 系 统 是 为 了 解 决 高 炉 参 数 不 稳 定 以 专 家 系 统 的 不 完 善 性 复 杂 性 而 设 计 的 它 通 过 分 析 大 量 事 例 数 据 由 机 器学 习 得到 逻 辑 推理用的 规 则 集 合 并 且自 动 调 节 各参 数 的 界限 值 权值以 及 规则 可信度 在实时 在线的专 家系统中 则 是依靠参数学习 系统得到的规 则 和参 数来进行异常炉况诊断 基于这 种设 计 模式 学习 系统与异常炉况诊 断 系统 有一个完全一致的 知识 库 并且 为了 能 够在参数学习 系统中 模拟 其诊 断 过 程 二者在模糊逻辑和时 态逻辑两方面的 算法必须保持一致 在参 数学 习系统中 我们对于高炉炉况的判断采用了 加权模糊推理机制 3 1异常炉况诊断的特点 高炉的状态特征是利用高炉的各种指数来抽象描述的 系统根据高炉实 际操作过程的需要 从现场采集的数据中抽取炉况特征指数 目前采用的指 数共有三部分 即用于炉况评价 异常炉况诊断和炉温判断的指数 这三个 部分指数的划分是按涉及不同类型的知识来划分的 用于异常炉况诊断的指 数 主要是根 1 i 异常炉况诊断的专家知识的表达形式 例如 i f 下料均匀 出现停滞 陷落 a n d 当炉温向热时 风压升高 风量自 动减少 a n d当悬料发生后 风压立刻减少 风量增加 t h e n 炉况出现崩料现象 口 口目目 曰 一1 4 一 东北大学硕士论文高 炉 参 数 学 习 系 统 的 设 计 与 实 现 第 三 章参 数 学 习 系 统 中 的 异 常 炉 况 诊 断 越 生 工 系统根据这类专家知识的要求 从传感器数据中提取反映炉况的指数 这类指数用变量表示 完成对高炉炉况的推理 形成反映炉内特征的因子 传送给推理机 由推理机 在冶金高炉上 异常炉况主要包括管道 悬料 崩料 向凉 向热 难 行和低料线等r 类现象 由于高炉固有的特点 这些现象不是互相独立的 而是相互影响的 有的互为因果关系 如炉热可能导致悬料 而悬料的发生 可能导致管道的形成等等 其关系如图3 1 所示 图3 1 异常炉况之间的相互关系 由于要判断异常炉况需要采集大量的传感器数据 并且多种异常炉况现 象有可能同时出现 这就增加了诊断的复杂性 因此高炉异常炉况诊断具有 以下特点 1 诊断系 统所处的系统状态是动态的 2 炉况的判断决定于系统的状态序列 3 对象特征存在延滞现象 4 多任务运行 并且各任务之间是不同步的 因此存在多优先权和时 间中断 以及数据冲突等问题 一t 5 一 东北大学硕士论文 高 炉 参 数 学 习 系 统 的 设 计 与 实 现 第 三 章参 数 学 习 系 统 中 的 异 常 炉 况 途 断 n m 9 5 具有限定时间条件的问 题求解 3 2高炉特征因子的表示方法 考虑到异常炉况判断的复杂性 我们采用了加权模糊推理机制来完成七 种异常炉况类型的推理 在推理之前 传感器数据要经过平滑滤波等预处理 过程 消除偶然的因素引起的干扰 然后再经过指数化和模糊量化 成为反 映高炉炉况的特征因子 在这里 我们将特征因子进行模糊量化是十分必要的处理过程 事实上 模糊化是专家系统工程中常用的重要方法之一 它在处理不确定信息时具有 特别重要的意义 在异常炉况诊断过程中 我们将因子进行模糊量化是因为 1 模糊化符合人们习惯性的表示知识的行为 如非常好 稍高等等 从这种意义上说它更加清楚地表达了人们的思想 用这种方法表示炉况符合 现场操作的实际情况 2 能对炉况作出非线形评价 如 2 表示温度稍高 7 表示非常低 3 一个指数的评价用一个成员函数就可以表示 因此在利用集合论进 行指数评价时 可以防止组合爆炸引起的规则数的膨胀 3 2 1因子的分类 在异常炉况诊断子系统中 从功能上来讲 可以将因子划分为简单因子 和复合因子两类 简单因子就是具有传感器性质和功能的因子 复合因子是 反映炉内状态的因子 复合因子的值由简单因子推理得到 从变化性质来讲 可以将因子划分为幅值因子 变动因子和波动因子 幅值因子又叫水平因子 反映数据的幅度大小 变动因子表示数据当前与过 去的差值 波动因子是指一段时间t 内变化的均方差 反映数据的波动性 一 一1 6 一 东北大学硕士论文 高炉参数学习系统的设计与实现 第三章参数学习 系统中的异常炉况诊断机制 3 2 2因子的量化 在通常的二元逻辑问题中 对于一个即将发生的事件来说 只有两种状 态 事件发生和不发生 可以分别用数值0 和1 表示 如图3 2 所示 人表 示事件的状态 x 表示变量 a 表示事件 a 表示闽值 图3 2二元逻辑关系图 表达式如 卜 1 x a 0 x a 户lj 1吸 工 x 内 这种二元逻辑将一个事件划分成两种截然不同的状态 这种情况仅仅适 应于个别特殊的事件 对于大多数诊断类型的问题 两种状态之间没有明显 的界限 在异常炉况判断时如果使用二值逻辑 势必造成两种状态之间过渡 阶段的信息丢失 容易造成误诊 1 9 9 5 年 关国教授z a d e k 提出一种新的逻辑概念 他把普通集合论中元 素对集合的绝对隶属关系加以灵活化 对于一个模糊集合并不需要确定那些 元索一定属于它 或一定不属于它 只要确定每个元素对它的隶属程度 即 用区间 0 1 的某一个数值加以刻划即可 这种模糊逻辑关系如图3 3 所示 门 曰 口 一i 卜 东北大学硕士论文 高炉参数学习系统的设计与实 现 第三章参数学习系统中的异常炉况诊断机制 1 p a x 3 w a x 2 n a x 1 x1 x 2 x 3 图3 3模糊逻辑关系图 图中 a x 表示变量隶属于事 件a 的隶属度 它是 命题i m属于a 或 i m是a 真实度的度量 这种表示力法为我们把握事物的中间状态提供了方便 客观世界中存在 着大量的模糊事物和现象 找出其中固有的规律 描写和总结这些模糊现象 有利于我们表达客观事物 模糊逻辑这种数学方法 吸取了人脑对复杂系统 进行识别与判决的特点 同时它又能够移植于机器 使机器灵活而又能动地 去执行更高级的任务 利用这种方法 我们可以用隶属度来表示各因子对炉况状态的变化发生 的程度 在高炉生产过程中 每一种异常炉况可以用一个集合来表示 集合 中的每个元素用它的隶属度来描述 则集合可以用一个状态向量来描述 如 y f 1u r 夕 u r y z 一 u y y 其中 u y y i 表示第 i 类因子对丫 状态的发生程度 同样 在特征抽取阶段 特征量也可以用它们相应的隶属度描述 来表 示这些参数的可信程度 即对反映炉内特征的因子进行模糊量化 用特征集 合来表示 形式如下 x x x x x z u x x m 其中 m为特征向量的个数 一1 8一 东北大学硕士论文高 炉 参 数 学 习 系 统 的 设 计 与 实 现 第 三 章参 数 学 习 系 统 中 的 异 常 坦 j l1 l 2 较低 正常较高 图3 6水平 幅值 因子量等级划分 水平值 很高 一t 9 一 东北大学硕士论文高 炉 参 数 学 习 系 统 的 设 计 与 实 现 第 三 章参 数 学 习 系 统 中 的 p 塑丝旦鲤 隶属度由隶属函数来确定 以图3 6 所示的水平 幅值 因子量为例 假定界限值分别为 l 0 l 1 l 2 l 3 以界限值作为垂点的垂线与隶属函数曲 线交点处的11 值为0 5 则属于 2 的隶属度为 1 x l o 0 5 t g a 0 5 l o 一 t g a l o o 5 t g a x l o 0 5 x l o t g a l o x l o 0 5 t g a 0 x l o 0 5 t g a 十十 戈 一 a 卜 相应地我们可以计算其它级别的隶属度 通过隶属函数 就可以对指数 值进行模糊量化处理了 3 2 3因子的表达 通过上面的处理 在学习系统的例子空间中 系统所需的外界信息都量 化特征因子 每个特征因子用状态三元组的方式表示 其形式为 o b j e c o 其中 实体 o b j e c t 是客观存在并可以区别的事物或对象 内容包括与传 感器相关的各个实体 如炉喉 炉顶 鼓风 透气性等 属性 是实体所具有的某些特性 包括传感器数据的方向 等级等内容 值 表示特征因子的数据值和隶属度 例如三元组 表示炉喉东方向十字测温温度较高 其中 表示炉喉 表示十字测温 水平因子 东方向 1 等级 温度较高 目 曰白 口 目 曰 曰 一2 0 一 东北大学硕士论文 高炉参数学习系统的设计与实现 第三章 参数学习 系统中的异常炉况诊断机制 v a l u e 表示十字测温数据是3 5 0 度 隶属于较高的程度是0 9 5 3 3 知识的表示方法 专家系统中 选择知识的表达方法是很重要的 合适的知识表达方法有 利于系统的实现和性能的提高 在本系统中 知识的表示形式既要适合数据 分析 又要适合规则的表达方便 通过分析 我们采用产生式规则与框架表 示相结合的方法 采用这种方法的好处是 1 与高炉操作专家的思考过程接近 知识库容易表达 2 条件和结论可以成对表示 适合诊断型问题求解 3 结构简单 推理的速度较快 适合在实时系统中应用 4 新的知识容易补充 高炉生产是一个连续过程 在高炉专家系统中 推理机所有对象的状态 特征值都随时问而变化 某个状态特征值往往只在另一个对象的状态发生前 后的一段时间问隔内才对炉况判断有影响 所以 推断高炉的炉况状态时 不但要考虑参数的当前值 还要考虑到特征指数的状态迁移 即状态序列 为此 本系统在规则中引入了时间参数 在实际的生产实践中 专家的判断不可避免地带有主观性 这就决定了 专家知识的不确定性和模糊性 考虑到这个因素 我们在规则中引入了可信 度的概念 这样 规则在知识库中最终表达形式如下 r u l e i d e n t i f i e r n a m e p r e c o n d i t i o n c o n c l u d i o n c f 一2 t一 其中 p r e c o n d i t i o n 表示规则前提条件 由 特征因子的组合构成 c o n c l u d i o n 表示规则结论 c f 表示这条规则的置信程度 即规则可信度 3 4 模糊推理逻辑 在传统的模糊推理逻辑中 只有a n d o r 及n o t 三种模糊关系 其真值计算方法是 设p 1 p 2 是命题 t p i 为p i 的真值 则有 t n o t p i 1 一t p 1 本系统既保留了传统的模糊逻辑 还加入了加权模糊逻辑 其真值计算 方法为 t w i p i w 2 p 2 二w 1 t p 1 w 2 t p 2 式中w i 为权重 0 w i e 在 现 象 层 利 用 规 则 判 断 每 个 异 常 现 象 或 炉 况 发 生 的 概 率 最 后 将 判 断 的 结 果 在 界 面 上 显 示 出 来 上 述的 整 个 推 理 过 程 是 在 专 家 系 统 工 具 支持 下 完 成的 一2 6 一 东北大学硕士论文 高 炉参数学习 系统的设 计与实 现 第四章 学习环节的设计与实现 第四章 学习环节的设计与实现 4 1 参数学习系统的设计思想 由第四章的分析我们知道 异常炉况诊断系统根据实际高炉操作过程的 需要 从现场采集的数据中得到炉况特征 然后再根据知识库中的知识 利 用模糊推理机制 将炉况类型分为管道 崩料 悬料 向凉 向热 难行 低料线等七种类型 我们在设计学习系统时 就是要通过大量实例对这七种 类型的炉况类型作出决策 以得到具有普遍实用价值的规则 实例学习是规则学习的一类 环境提供给系统一些特殊的实例 这些实 例事先由 施教者划分为正例和反例 实例学习系统由此进行规则推理 得到 一般的规则 例如要教会一个程序识别各种动物 就应向程序提供各种各样 的动物 并告诉程序所提供动物的名称 则程序应能从大量训练例中总结出 识别各种动物的一般规则 如果训练例足够多的话 根据这些规则 就可以 进行动物识别了 实例学习活动的全过程可以用两空间模型进行说明 如图4 1 所示 例 子空间就是向系统提供的训练例的集合 训练例的质量直接影响到学习系统 的效率 高质f的示教例子应当是准确无误的 无二意性的 它可以对搜索 规则空间提供可靠的指导 关于例子空间本身的研究还不多 一般情况下认 为例子是同时提供的 即程序不选择例子 同时 训练例的次序也应有助于 学习进程 实验计划 图4 1实例学习的两空间模型 州 曰 一2 7 一 二 j t 艺1 c 二 一一g p t f 7 a ne 9h it 经 一 一 o g9 7 9 f i6 巴it 规 则 空 间 是 对 事 物 所 具 有 的 规 律 性 的 描 述 规 则 空 间 表 示 规 则 的 各 种 算 法 和 术 语 学 习 过 程 就 是 要 在 训 练 例的 指 导 下 在 规 则 空 间 进 行 搜 索 以 找 到 我 们 所 要学 习的 概念 描 述 因 为归 纳 推 理的 方 法有 很多 诸 如把 常量 化为 变量 省 略条 件 增加选择项 爬推广树 曲 线 拟合等方 法 这就要求规则 空间的表示方法要支持并适应归纳推理 此外规则空间应与例子的表示一致 并且包含要求的所有规则 在某些学习过程中 向系统提供的训练例与规则空间的规则形式差别比 较大 因此需要解释过程对原始训练例进行解释加工 使之成为能够指导规 则空间搜索的训练例 也就是从例子中提取出用于搜索规则空间的信息 使 其变换成易于进行符号归纳的形式 事实上这一过程可能是相当复杂的 在人工智能领域研究的学习系统 主要是用符号表示的系统 这些系统 中常用的知识是符号的特征向量 一阶谓词逻辑 产生式规则 框架和语义 网络等 根据学习目标任务的复杂性 学习系统可分为三类 1 学习单个概念 要求向系统提供一个概念的若干正例和反例 并 且提供概念的一种表示语言 构成规则空间 系统由示例归纳出规则空间的 一个概念 这个概念包括所有的正例 但不包括反例 2 学习多个概念 这时提供给系统的是几个概念的训练例 系统根 据这些训练例得出几个概念描述 每个概念对应于例子空间的一个区域 学 习的任务就是完成模式分类任务 3 学习执行多步任务 也就是学习选择一个规则 规则序列 去完 成任务 规则系统中的规则形式为 条件 二 动作 系统不断选择条件 部分与当前状态相一致的规则 执行该规则的动作部分 将当前状态改变为 一个新的状态 逐次逼近 目标 口 脚州 口 口 一z 卜 3x a t 竺o t 4e 31 一一 7 5 tp 1t a f 9h is it s s 根 据 异常 炉况 诊 断 系 统的 特点 其规 则 按 异常 炉 况 类 型分 为 七 类 我 们 采用多 个 概念的学习 模式 以 期得到一 个 完整的 规则集 根 据规则空间 的 搜索策略 可将学习 分为两种 数据驱动法和 模型驱动 法 数据驱动法使用训练例控制搜索过程 这种方法优点是有利于增量学习 即有利于修改假设集合 使之能够解释新的训练例 典型的数据驱动法有变 型空间法和精炼算子法 模型驱动法使用一种先验模型指导搜索 这种方法 的优点是具有极强的抗干扰能力 不会因一二个反例而受到影响 但很难应 用于增量学习 典型的模型驱动法有产生检验法和概要采例法 在学习多个概念的算法中 搜索规则空间的策略往往是反复应用各种方 法 以达到分类目的 例如由r s m i c h a l 等人研制的学习分类规则的 a q 1 1 系统 使用a q 算法寻找辨认规则 a q 算法相当于反复应用数据驱动法一一 变型空间法的候选消除算法 从而把学习辨认规则的问题转换成一系列学习 单个概念的问 题 而由j c e n d r o w 提出的p r i s m 算法则是一种模型驱动法 可以直接归纳出规则 他首先产生最一般的规则 以覆盖尽可能多的例子 每一次都指出最佳的一类规则 反复这个过程 以达到最后的目标 当 前 国 际 上 最 有 影 响 的 示 例 学 习 方 法 首 推 q u i n l a n 的 i d 3 i n t e r a t i v e d i c h o t m i s e r v e r s i o n 3 算法 这是一种多概念的学习算法 算法中引进了仁息论中的互信息 将其称为信息增益 工 n f o r m a t i o n g a i n 作为特征判别能力的度量 并且将建树的方法嵌在一个外壳中 基于上述学习方法的思想 我们把高炉异常炉况诊断系统中的数据用产 生式的规则表达 如果 条件 则 结论 可信度 门 口 一2 9一 型 之 垫 支 匕 一一 一 遭 丝 当 通 吧 些 竺 这 里 的 条 件 是 由 事 件 属 性 值 和 运 算 符 构 成 的 逻 辑 表 达 式 在 高 炉 异 常 炉 况 诊 断 系 统 中 条 件 部 分由 判 断 异 常 炉 况 所需 要的 各 种 参 数以 及 它 们的 合 取 符 号 组 成 可 信 度 表明 这 条 规 则 的 可 信 水 平 因 为 要 预 测 将 来 可 能 遇到 的 各 类 事 件 因 此给出 结 论的 可 信 度概 率 是 合理的 这 里的 结论 就是 系统 对异 常 炉况的 划分 即管道 崩 料 悬 料 向 凉 向 热 难行 低料线等七种类 型 我们设计学习系统就是要按照分类原理 由闭值概率获取诊断规则 其 原理可以简要表述为 冗了下公口 卜 已知 求解 七类训练示例集5 和闽值概率pr 覆盖训练示例集5 和闽值概率p r 要求的炉况判别规则集合 4 2 参数学习系统的设计方案 因为知识获取是一个专家系统设计过程中的关键环节 所以知识获取系 统的好坏 就次定着一个专家系统是否全面 实用 有效 如果知识获取系 统获取的知识全面并且有价值 那么专家系统在利用这些知识进行推理时 得到的结论就会准确可靠 反之则存在片面性和不准确性 也就是说 知识 库的质量直接决定了专家系统解决问题的能力 知识获取过程大致可分为四个阶段 1 明确问题的性质 建立问题求解模型 2 确定知识表示形式 建立 问题求解的基本框架 3 实现知识库 建立原型专家系统 4 测试与精炼 知识库 在第一个阶段知识工程师通过与领域专家的接触 该领域的重要概念 确定问题的性质和系统要起的作用 的问题求解模型 为下一步的工作打下基础 熟悉领域知识 建立 据此建立一个粗略 一3 0 一 rr i ti t 0 1 ie 3 c一一 6 p t v t 7 a fa m 7 i it 5 m 一js 丫 翌 9h ix it 5 9 第 二 阶 段是 将 领 域 知识 形 式 化的 过 程 在 这一 过 程中 把关 键的 概 念 子 问 题和 信息流 特征形式化地 表现出 来 了 解问 题领域中 数据的性质也是很重 要的 第三阶段就是要将前一阶段形式化的 知识映射到选定的框架中 消除形 式化知识与选定的表示框架所要求的数据结构 推理规则与控制策略的不匹 配之处 实现原型知识库 第四阶段的任务是通过运行实例发现知识库和推理机制的缺陷 在测试 的过程中 实例的选择应照顾到各个方面 既要涉及到典型的情况 又要涉 及到边缘的情况 根据测试的结果 对原型系统进行修改 测试与修改过程 要反复进行 直到达到系统满意为止 本系统作为一个知识获取的工具 在设计过程中也是本着准确 实用的 原则 按照知识获取的几个阶段进行的 在与领域专家接触的过程中所获取 的知识 不可避免地存在一定的模糊性 在一定程度上还具有不完整性 因 此一个全面的知识获取系统应该不仅具有机器学习的能力 而且应该有不断 增加新知识的能力 为了满足这样的要求 我们在系统中设计了两部分内容 一部分是基于实例的机器学习 其主要功能是通过实例学习 获得一个规则 系统 另一部分是参数自学习 它在已知规则集的基础上 调整参数的界限 值 隶属度 用来对新的实例样本进行测试 这两部分内容并不是独立存在的 作为一个整体的知识获取系统 它们 之间有着内在的联系 通过示例学习得到的规则集是参数学习的基础 当对 己有的规则集进行参数调整后 其结果不能满足新的实例时 就要加入新的 实例所提供的信息 通过规则学习 获得新的规则集 同时对旧规则集进行 修改 在规则学习中利用了参数学习的结果 对各个属性进行离散化和量化 一 一一 一3 1一 东北大学硕士论文 高炉参数学习系统的设计与实现 第四章 学习环节的设计与实现 以便进一步学习 这是一个精益求精的过程 这样整个系统就形成了一个规 则学习和参数学习交替 反复进行的过程 系统整体结构如图4 2 所示 开 始 初 始 化参 数 空 间 界限 值 隶 属 度 知 识 角 将界限值 隶属度读入指数化子系统 更新推理系统知识库 读入示例数据 数据特征抽取及指数化运算 修改参 数空间 p 限 值 隶属 度 知识 库 异常炉况推理判断 参数空间 搜索完毕 全部示例 学习完毕 是 命中率达 到理想值 显示实际命中率 学 习 结 束 图4 2参数学习系统软件结构图 一3 2 一 东北大学硕士论文 高炉参致学习系统的设计与实现 第四章 学习 环节的设计与实现 4 3 参数学习的总体目 标 参数学习系统通过 d e c n e t网接受数据预处理部分提供的指数数据 将 其进行模糊量化 然后送入推理机进行模糊推理 将推理的结论与输入的专 家结论进行对比统计 得到如表4 1 的统计结果 表4 1命中率及评估函数计算表 专家 系统 正常一 正常 异 常 一 正常 正 常 一 异常 异 常 一 异常 样 本 总 数 命中率 评估 函致 管 道nn 2n 1 3n 1 4 m s h 崩 料n 2 1n 2 2