论文摘要
转炉炼钢是一个化学反应速度快、影响因素多、过程复杂的多元多相高温物理化学过程，其控制核心是对冶炼终点钢水的温度和碳含量进行准确控制。在转炉炼钢生产过程中，提高转炉冶炼终点控制的准确性可以有效缩短冶炼周期，提高炉衬寿命，减少钢铁料消耗，进而显著改善和稳定钢水质量，降低生产成本，提高转炉生产率，是炼钢生产过程中增强企业竞争力的一个重要途径。目前，国内大多数钢铁企业的转炉炼钢终点控制还是依据现场操作人员的生产操作经验进行的，而生产操作经验知识的获取是通过现场生产总结和对生产控制数据的简单统计分析得到。由于转炉炼钢生产现场技术人员、操作人员之间素质参差不齐，实际生产中的工况条件又很复杂，使得仅靠人工经验和简单统计分析得到的转炉冶炼知识进行的终点控制稳定性、准确性不能满足生产要求。目前，基于人工智能方法的知识发现已广泛用于知识发现的各个领域，并取得了比较明显的应用效果，但在转炉炼钢领域的研究尚处于起步阶段。转炉炼钢生产具有过程冶炼机理复杂、反应影响因素众多，冶炼过程采集的数据信息具有多变量、非线性、高噪音的特征，因此，探索一种能够适应转炉炼钢生产过程的复杂性特征，实现转炉炼钢生产知识的发现方法，并在此基础上，形成一套适用于转炉炼钢过程知识发现和冶炼终点控制的模型系统，在理论和应用方面都具有重要的意义。针对转炉炼钢知识发现和终点控制的特点，本文通过对粗糙集理论方法和人工神经网络方法的分析研究，建立了基于粗糙集理论方法的转炉炼钢知识发现模型和粗糙集-神经网络终点控制模型，实现转炉炼钢生产知识的自动获取和转炉炼钢终点控制方法的优化。其中，基于粗糙集方法的转炉炼钢知识发现模型通过对转炉炼钢生产数据进行清洗、标准化、离散等方式的数据预处理，以转炉炼钢生产重要影响因素作为知识发现的条件属性，以转炉冶炼终点的钢水碳含量和钢水温度作为知识发现的决策属性，采用粗糙集理论方法实现转炉炼钢知识发现的有效属性约简，并结合关联规则提取算法实现转炉炼钢知识的发现和规则提取；基于粗糙集-神经网络的转炉炼钢终点控制模型是结合粗糙集理论和神经网络理论的方法特点，以粗糙集理论方法确定出对决策属性集有重要影响的最小条件属性集作为神经网络的输入条件，有效简化网络结构，提高神经网络模型的适应性、准确性及计算效率。同时，运用面向对象和图形化建模、可视化技术，以适用性、灵活性及可靠性为设计原则，基于Windows开发平台，选用Microsoft的VisualBasic6.0编程实现基于粗糙集的转炉炼钢知识发现及终点控制模型系统的开发。以新余210t转炉炼钢厂生产工艺和数据信息进行知识发现和终点控制的数值实验，结果表明：基于粗糙集方法的转炉炼钢知识发现模型可以实现知识发现属性的有效约简，同时，采用最小规则支持度和信任度的规则提取算法，可以发现数据中隐藏的知识规则，实现转炉炼钢知识的自动获取；在转炉炼钢知识发现过程中，随着训练数据集的增大，提取出来的知识规则数目相应增多，但知识规则预测的命中率并不一定提高，且随着训练数据集的增大，系统的运算效率会降低，因此，训练集的数据量大小和训练集的代表性对粗糙集转炉炼钢知识发现有着重要的影响；粗糙集转炉炼钢知识发现模型随着规则支持度和信任度的增加，知识规则预测的精确性也越高，发现的有效知识规则数量会降低，但知识的覆盖面会应知识条件的约束范围狭小而显著降低，因此，应在实验的基础上选取较为合理的参数值，不能一味的追求较大的规则支持度和信任度；粗糙集-神经网络模型的输入层结点属性是由基于粗糙集模型确定的对转炉冶炼终点钢水的碳含量和温度有重要影响的因素作为终点预测模型输入参数，因此，相对于常规转炉神经网络终点预测模型，减少了输入层和隐含层的的结点数目，增加了模型网络结构表达的针对性，有效提高模型的计算效率和计算准确性。因此，本文是针对复杂转炉炼钢过程知识发现与终点控制难题，引入粗糙集理论方法，建立基于粗糙集的转炉炼钢知识发现模型，以及粗糙集-神经网络模型终点预测模型；并以面向对象方法开发了相应的模型系统；以具体炼钢转炉生产过程数据进行了方法的验证及应用测试，表明了方法及系统的有效性。研究成果为转炉炼钢知识发现、终点控制优化等问题研究和生产控制提供了新方法和新手段。