一种基于烧结过程决策支持系统的决策方法.pdf

上传人：g****

文档编号：5567534

上传时间：2019-02-16

格式：PDF

页数：10

大小：1.34MB

《一种基于烧结过程决策支持系统的决策方法.pdf》由会员分享，可在线阅读，更多相关《一种基于烧结过程决策支持系统的决策方法.pdf（10页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103885335 A (43)申请公布日 2014.06.25 CN 103885335 A (21)申请号 201210559493.3 (22)申请日 2012.12.21 G05B 13/02(2006.01) (71)申请人鞍钢股份有限公司地址 114021 辽宁省鞍山市铁西区鞍钢厂区内 (72)发明人王奎越杨春雨宋宝宇杨东晓费静吴萌宋君 (54) 发明名称一种基于烧结过程决策支持系统的决策方法 (57) 摘要本发明公开一种基于烧结过程支持系统的决策方法，（1）利用现有零级传感器设备，一级 PLC 以及 OPC 服务器进行分布式。

2、烧结过程数据采集；（2）分布式数据存储；（3）各决策单元进行数据分析、模型计算、命题匹配、知识搜索与异常诊断并给出单元级决策支持；（4） 5 个烧结过程智能决策单元分布式协同处理，给出全局性异常诊断与决策支持。 (51)Int.Cl. 权利要求书 1 页说明书 6 页附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书1页说明书6页附图2页 (10)申请公布号 CN 103885335 A CN 103885335 A 1/1 页 2 1. 一种基于烧结过程支持系统的决策方法，包括以下步骤： (1) 利用现有零级传感器设备。

3、，一级 PLC 以及 OPC 服务器进行分布式烧结过程数据采集，包括原料站、配料站、一次混合、二混制粒、烧结系统、破碎筛分、成品站与化验室的数据采集； (2) 分布式数据存储，通过工业以太网通讯存储在原料决策单元数据库服务器、配料决策单元数据库服务器、烧结决策单元数据库服务器、成品决策单元数据库服务器和化验室决策单元数据库服务器中； (3) 各决策单元进行数据分析、模型计算、命题匹配、知识搜索与异常诊断并给出单元级决策支持； (4)5 个烧结过程智能决策单元分布式协同处理，给出全局性异常诊断与决策支持。 2. 根据权利要求 1 所述的一种基于烧结。

4、过程支持系统的决策方法，其特征在于，步骤 (1) 中采用各决策单元数据服务器中智能信息采集器完成多源数据无缝融合的方法实现基于时间触发和事件触发。 3. 根据权利要求 1 所述的一种基于烧结过程支持系统的决策方法，其特征在于，所述步骤 (3) 对实时数据的分析，将数据转化为知识，知识采用优化的产生式规则表达方式，知识的不确定性采用规则强度和命题可信度来标识，其中，可信度的计算采用如下方式：规则强度： CF0 0,00 1 命题可信度： Power(N) 为各个命题的权值，规则强度是规则本身前提推出结论成立的程度；如果推出结论的可信度低于最低可信度，则该条。

5、结论不成立；知识库的存储采用关联式多表联合存储知识，将知识分解为条件 IF 与结论 THEN，其中条件由命题的逻辑关系式 AND， OR 组成，结论由命题组成；命题 = 参数 + 状态；通过对工艺参数的正常值与异常值范围划分将状态分为略，中度，严重三个等级。 4. 根据权利要求 1 所述的一种基于烧结过程支持系统的决策方法，其特征在于，所述步骤 (4) 中智能决策单元中智能决策模块采用自学习知识搜索与自适应模型计算相结合的方法，推理机制上，智能决策模块用一个四元组来描述： A=S， K， I， R 其中 S=S1， S2，Sn 表示智能决策模块环境的所有。

6、可能状态集合，是智能决策模块的输入集； K 为本地知识集合，包括知识库内所有的专家知识； R 表示智能决策模块可能产生的决策集，是智能决策模块的输出集合； I 是一个知识状态到决策输出的非线性映射： I ： SK R 并且多个智能决策单元分布式协同决策。权利要求书 CN 103885335 A 2 1/6 页 3 一种基于烧结过程决策支持系统的决策方法技术领域 0001 本发明涉及一种烧结过程的决策方法，特别涉及一种基于过程决策支持系统的烧结过程异常诊断与分布式智能协同决策的方法。背景技术 0002 烧结矿是高炉炼铁原料的主要来源，烧结生产过程是一个机理复。

7、杂、影响因素众多、强耦合、大滞后的动态系统，难以建立精确数学模型来进行控制，再加上操作工的经验参差不齐，这样就需要一种手段辅助操作工进行操作决策。 0003 烧结工艺设备繁多，数据量大且分布较广。目前国内烧结厂的自动化水平相对于钢铁冶炼的其他环节还比较低，大多只有一级基础自动化实现数据采集并集中显示和查询，基本没有二级自动化，同上游工艺环节高炉炼铁的生产沟通还基本靠工人去打电话实现。在信息化发展如此迅速的今天就显得相对落后，这样既导致了生产效率的降低，也对操作工的决策能力要求较高。 0004 在申请号为 CN201010521817.5 的专利一种烧结过。

8、程决策支持系统中提供了一种基于控制图分析的烧结过程质量管理的决策支持方法，应用主成分分析、灰色关联分析方法，对烧结过程信息进行提取，确定影响质量的主要参数。然后，对烧结矿质量数据进行控制图分析，得到质量异常信息，并分析异常原因，为指导生产提供判断依据，这种系统虽然能够通过烧结矿质量的异常反馈到生产的操作支持，但是因为烧结矿质量的分析是离线的，所以这种方法并不能实时的提供在线的操作决策。在线的决策支持的指导意义更强一些。在论文烧结过程决策支持系统的设计与实现中介绍的烧结决策支持方法与申请号为 CN201010521817.5 的专利基本一致。在申请号为。

9、CN201010262557.4 的专利一种基于工况识别的烧结终点参数自整定专家控制方法中发明了一种基于模糊化方法控制烧结终点，调节烧结机机速的方法。评定规则也采用了产生式规则的表达形式，当时该规则没有引入条件权重以及判定结果的可信度的量化。发明内容 0005 为了克服上述现有技术的缺点，本发明所要解决的技术问题在于提供一种烧结过程智能诊断与决策的方法，解决了操作工凭经验判断工况的片面性问题、通过替操作工思考帮其省心省力，发挥计算机人工智能与辅助决策的综合作用，降低异常工况出现频率，保障顺产，为操作工更加快速有效的进行工况异常诊断与决策提供了一种实时且稳定。

10、性高的方法。 0006 为了实现发明的目的，本发明提供了一种烧结过程的决策方法，实现该方法包括以下步骤： 0007 (1)利用现有零级传感器设备，一级PLC以及OPC服务器进行分布式烧结过程数据采集，包括原料站、配料站、一次混合、二混制粒、烧结系统、破碎筛分、成品站与化验室的数据采集；说明书 CN 103885335 A 3 2/6 页 4 0008 (2) 分布式数据存储，通过工业以太网通讯存储在原料决策单元数据库服务器、配料决策单元数据库服务器、烧结决策单元数据库服务器、成品决策单元数据库服务器和化验室决策单元数据库服务器中； 0009 。

11、(3) 各决策单元进行数据分析、模型计算、命题匹配、知识搜索与异常诊断并给出单元级决策支持； 0010 (4)5 个烧结过程智能决策单元分布式协同处理，给出全局性异常诊断与决策支持。 0011 其特征在于，步骤 (1) 中采用各决策单元数据服务器中智能信息采集器完成多源数据无缝融合的方法实现基于时间触发和事件触发，自主且全面的数据采集。 0012 进一步的，该方法还有以下特点，所述步骤 (3) 对实时数据的分析，将数据转化为知识。知识采用优化的产生式规则表达方式，知识的不确定性采用规则强度和命题可信度来标识， ( 如： IF 命题 1( 权值 )( 可信度 )。

12、AND 命题 2( 权值 )( 可信度 )ANDTHEN 结论 ( 可信度 )( 最低可信度 )。其中，可信度的计算采用如下方式： 0013 规则强度： CF0 0,00 1 0014 命题可信度： 0015 0016 Power(N) 为各个命题的权值，规则强度是规则本身前提推出结论成立的程度。 0017 如果推出结论的可信度低于最低可信度 ( 在创建规则时，根据经验输入最低可信度取值 )，则该条结论不成立。 0018 知识库的存储采用关联式多表联合存储知识。将知识分解为条件 (IF) 与结论 (THEN)，其中条件由命题的逻辑关系式 (AND， OR) 组成，结论由命题。

13、组成。命题 = 参数 + 状态。通过对工艺参数的正常值与异常值范围划分将状态分为(略，中度，严重)三个等级，这种知识表示方式与知识库的存储方式使得该方法在提供决策信息与异常诊断时更加精确，推理过程更加灵活，效率更高，并且状态的阈值可以调整，解决了烧结工艺中工艺参数异常范围变化的问题，同时在知识库中为每条规则存储了对应的决策信息 ID，根据决策信息 ID 在决策表中查找获得决策支持。 0019 进一步的，该方法还有以下特点，所述步骤 (4) 中智能决策单元中智能决策模块采用自学习知识搜索与自适应模型计算相结合的方法，使得定性与定量分析相辅相成，因此能够提供更。

14、为准确和实用的决策信息。推理机制上，智能决策模块用一个四元组来描述： 0020 A=S， K， I， R 0021 其中 S=S1， S2，Sn 表示智能决策模块环境的所有可能状态集合，是智能决策模块的输入集； K 为本地知识集合，包括知识库内所有的专家知识。R 表示智能决策模块可能产生的决策集，是智能决策模块的输出集合； I 是一个知识状态到决策输出的非线性映射： 0022 I ： SK R 0023 并且多个智能决策单元分布式协同决策，相对于集中式的决策方法，能够使系统说明书 CN 103885335 A 4 3/6 页 5 更加稳定，如果其中一个智能决。

15、策单元出现故障，其他的智能决策单元依然能够正常工作。进一步的，分布式协同决策处理方法能够减轻系统的负担，使得系统的实时性更高，决策信息更具参考价值。 0024 进一步的，按本发明提出的方法还具有以下特征：开放性结构，可扩展性，自适应地完善知识库，实现实时与非实时的辅助决策。 0025 本发明具有如下有益效果： 1、全面记录烧结生产过程中的数据，为现场人员提供灵活、稳定且实时性高的工艺过程的异常诊断操作支持； 2、适应现场环境，工作可靠，可实时、连续、长期，独立的在线运行； 3、设备成本低，易于部署。附图说明 0026 图 1 为：。

16、烧结过程智能协同决策物理拓扑结构图； 0027 图 2 为：智能决策模块结构图； 0028 图 3 为：智能决策单元结构图； 0029 图 4 为：烧结过程多智能决策单元协同结构图； 0030 图 5 为：烧结过程决策指导实现流程图；具体实施方式 0031 下面结合具体实施例进行说明： 0032 图 1 为烧结过程智能协同决策物理拓扑结构图，基础自动化站采集数据的 PLC 包括原料系统 PLC、配料系统 PLC、烧结系统 PLC、成品系统 PLC 和化验室系统 PLC。不同的烧结厂自动化系统设计不同，其中原料系统可由溶剂 PLC，燃料 PLC 和精。

17、矿 PLC 组成。在此为原料站配一个原料决策单元服务器，为节省资源原料数据服务器与原料决策单元服务器设在同一个计算机服务器中。配料站配一个配料决策单元服务器，为节省资源配料数据库服务器与配料决策单元服务器设在一个计算机服务器中。根据设计的不同，烧结系统可由一次混合 PLC，二混制粒 PLC，铺底料系统 PLC，烧结 PLC 以及破碎与环冷 PLC 等组成。在此为烧结系统配一个烧结决策单元服务器，为节省资源烧结系统数据服务器与烧结系统决策单元服务器设在同一个计算机服务器中。成品站配一个成品系统决策单元，为节省资源成品系统数据服务器与成品系统决策单元服务器设在同一个计。

18、算机服务器中。化验室配一个化验室系统决策单元，为节省资源化验室数据服务器与化验室系统决策单元服务器设在同一个计算机服务器中。各站点决策单元服务器与其相应的 PLC 通过交换机以工业以太网形式连接。烧结车间主控室配置烧结智能协同决策全局服务器，烧结智能协同决策全局数据库服务器以及智能协同决策人机交互客户端。烧结智能协同决策全局数据库服务器是烧结车间各站所有检测数据汇总。烧结智能协同决策全局服务器进行烧结车间全局性的异常诊断决策支持，其结果在烧结智能协同决策人机交互客户端显示。 0033 图 2 是智能决策模块结构图，负责所在决策单元的决策任务，不同的智能决策模块有不。

19、同的决策模型库，以及和决策模型相对应的知识库。知识库在 SQL SERVER 或者 ORACLE 中建立。模型库打包为动态链接库 dll 文件。知识库中知识采用优化的产生式规则表达方式， ( 如： IF 烧结终点略提前 (0.7)AND 废气温度略升高 (0.2)AND 机尾红火层略薄 (0.1)THEN 略过烧 (0.95)(0.6)。知识库的存储采用关联式多表联合存储知识。将知说明书 CN 103885335 A 5 4/6 页 6 识分解为条件 (IF) 与结论 (THEN)，其中条件由命题的逻辑关系式 (AND， OR) 组成，其中 AND 为加权逻辑， OR 为或逻。

20、辑，结论由命题组成。命题由参数 ( 如：烧结终点 ) 和状态 ( 如：略提前 ) 组成。通过对工艺参数的正常值与异常值范围划分将状态分为 ( 略，中度，严重 ) 三个等级，例如(烧结终点略提前(22.3， 23)，烧结终点提前(21.4， 22.6)，烧结终点严重提前 (0， 21.4)。本发明模型库和知识库做了相辅相成的结合，即可单独应用也可结合应用。例如烧结决策单元包含烧结终点模型，根据指定风箱的温度值进行相应的计算可推出烧结终点的具体位置，例如烧结终点 =22.5，这个值被存储在烧结决策单元的数据库中并在烧结决策单元人机界面的异常参数列表中显示。根据。

21、 (IF 烧结终点略提前 (0.7)AND 废气温度略升高 (0.2)AND 机尾红火层略薄 (0.1)THEN 略过烧 (0.95)(0.6) 这条规则，以及烧结终点异常阈值划分烧结终点略提前 (22.3， 23)，可以推出 “略过烧” ，可信度为 0.95 这样的异常诊断的结论。根据 “略过烧” 这样的异常诊断，在知识库中决策表中匹配可得辅助决策信息 (1、提高料层，采取适当压料操作。2、适当关闭主抽风门，减少通过烧结机风量。) 0034 智能决策模块是实现烧结过程辅助决策的主体，是针对决策问题的方案生成模块，烧结厂中每个领域的决策单元都具有智能决策模块，它和。

22、协作处理器共同完成决策任务。其中知识库是智能决策模块的知识管理系统，主要存储智能决策模块自身能力和所处环境的知识，并对其进行动态维护。 0035 推理机根据智能信息采集器传来的外部信息和具备的领域知识进行问题求解。任务缓存器用来存放智能决策模块推理过程中需要和产生的一些中间动态信息。智能决策模块的所有行为都在协调控制模块的管理下进行。协调与控制模块是智能决策模块的内部核心，负责各模块的任务进程协调，并对其它模块的运行结果进行判断和传达。行为评价模块首先对智能决策模块的决策行为进行内部仿真，对决策行为的实施结果进行在线评价，为协调控制模块和自学习 / 自适应模块。

23、提供依据。自学习 / 自适应模块对智能决策模块的决策行为进行优化，使之具有自主进化能力，在行为评价机制的指导下，采用强化学习、贝叶斯学习等智能学习算法对智能决策模块进行知识库更新。通讯接口模块负责智能决策模块与系统其它单元进行交互。 0036 图 3 是一个智能决策单元结构图，智能决策单元包括信息采集器，局部协作处理器，人机界面以及智能决策模块。局部协作处理器负责智能决策单元内部的协调，并提供外部接口，通过全局协作处理器与其他智能决策单元协同决策。人机界面提供决策信息的显示以及实时参数曲线与异常参数显示及报警等。 0037 图 4 是烧结过程多智能决策单元协同。

24、决策结构图，智能决策单元的配置根据烧结工艺流程、工作站等的不同动态配置，本发明配置了原料智能决策单元、配料智能决策单元、烧结智能决策单元、成品智能决策单元与化验室智能决策单元等。多智能决策单元进行分布式与集中管理相结合的办法，主控室配置全局信息采集服务器与决策系统服务器 ( 其中全局信息采集器配置在信息采集服务器中，人机界面、全局协作处理器以及全局智能决策模块配置在决策系统服务器中 )，工作站配置智能决策单元服务器 ( 可将局部信息采集器涉及的数据库服务器，局部协作处理器、人机界面以及智能决策模块配置在一个主机中以节省资源 )。每个智能决策单元根据每个参。

25、数的值转化为推理前提并根据知识库的规则得出结论。这些结论作为推理的前提条件再由全局协作处理器交由全局智能决策模块根据全局知识库的规则进行推理得到最终的结论，并在人机界面上显示出来，给烧结过程操作说明书 CN 103885335 A 6 5/6 页 7 人员以辅助的决策支持。 0038 图 5 是烧结过程决策指导实现流程图，全局协同推理之前步骤是各分布式决策单元的算法流程，其中命题匹配是的数据基础是实际采集数据的分析数据和模型计算结果数据，命题匹配成功之后，会存储在活动命题表中，在活动命题的生命周期之内，活动命题会一直存在，活动命题是各决策单元进行知识搜索和推。

26、理的基础，也是全局协同推理的基础。各决策单元得到的异常诊断信息会同样成为全局协同推理的基础。进而通过全局协同推理的结果得出操作指导。 0039 实施例： 0040 (1) 分布式数据采集 0041 采用 OPC 通讯协议进行数据采集 0042 烧结决策单元采集到的部分数据如下 0043 22 号风箱温度23 号风箱温度24 号风箱温度机尾红火层厚度 392.9524409.5194315.45660.6 0044 化验室决策单元采集到的部分数据如下： 0045 FeO 含量： 9.6 0046 (2) 分布式数据存储 0047 烧结决策单元采集到的数据存储在烧结决策单元数据库中，。

27、化验室决策单元采集到的数据存储在化验室决策单元数据库中。 0048 (3) 数据分析 0049 烧结决策单元和化验室决策单元分别对存储在各自数据库中的数据进行分析，选择模型计算分支或者命题匹配分支。确定 22 号风箱温度、 23 号风箱温度、 24 号风箱温度数据为模型计算数据，参与烧结终点模型计算，根据这三个工艺参数值可得到烧结终点 =23,。机尾红火层厚度和 FeO 含量参与命题匹配。 0050 (4) 命题匹配 0051 烧结决策单元命题匹配： 0052 根据烧结终点 =23，在知识库中搜索，匹配命题 “烧结终点正常” ； 0053 根据机尾红火层 =0.6，在知。

28、识库中搜索，匹配命题 “机尾红火层中度厚” ； 0054 化验室决策单元命题匹配： 0055 根据 FeO 含量 =9.6，在知识库中搜索，匹配命题 “FeO 含量略高” ； 0056 (5) 活动命题存储 0057 将命题 “烧结终点正常” ，“机尾红火层中度厚” 存储在烧结决策单元活动命题表中，设定命题消逝计数的初始值为 1，设定一个命题消逝计数最大值 =5( 该值可根据现场实际情况修改 )，在进行后续的推理的过程中，活动命题被应用一次，消逝计数会进行相应的加 1 处理，如果消逝计数大于 5，则在活动命题表中删除该条命题。 0058 将命题 “FeO 含量略高”。

29、存储在化验室决策单元活动命题表中，设定命题消逝计数的初始值为 1，设定一个命题消逝计数最大值 =5( 该值可根据现场实际情况修改 )，在进行后续的推理的过程中，活动命题被应用一次，消逝计数会进行相应的加 1 处理，如果消逝计说明书 CN 103885335 A 7 6/6 页 8 数大于 5，则在活动命题表中删除该条命题。 0059 (6) 全局协同推理 0060 在全局协同推理过程中，会在分布式决策单元数据库活动命题表中搜索，并在全局知识库规则表中搜索匹配的规则： 0061 IF烧结终点正常(0.4)(0.95)AND机尾红火层中度厚(0.3)(0.85)A。

30、ND FeO含量略高 (0.3)(0.95)THEN 燃料配比大 (0.92)(0.6) 0062 其中，结论可信度 =0.40.95+0.30.85+0.30.95=0.92，该条规则的结论 “燃料配比大” 作为异常诊断的结果。 0063 (7) 决策指导 0064 全局协同推理出的结果，“燃料配比大” 可信度 0.92 大于最低可信度 0.6，并且唯一对应一个决策信息 ID，根据该 ID 搜索到决策指导的结果 “1、注意尘泥来料色泽。2、降低燃料配比” 。 0065 至此，完成了烧结过程的分布式异常诊断与决策指导的过程。说明书 CN 103885335 A 8 1/2 页 9 图 1 图 2 图 3 说明书附图 CN 103885335 A 9 2/2 页 10 图 4 图 5 说明书附图 CN 103885335 A 10 。

摘要
申请专利号：	CN201210559493.3	申请日：	2012.12.21
公开号：	CN103885335A	公开日：	2014.06.25
当前法律状态：	撤回	有效性：	无权
法律详情：	发明专利申请公布后的视为撤回IPC(主分类):G05B 13/02申请公布日:20140625\|\|\|实质审查的生效IPC(主分类):G05B 13/02申请日:20121221\|\|\|公开
IPC分类号：	G05B13/02	主分类号：	G05B13/02
申请人：	鞍钢股份有限公司
发明人：	王奎越; 杨春雨; 宋宝宇; 杨东晓; 费静; 吴萌; 宋君
地址：	114021 辽宁省鞍山市铁西区鞍钢厂区内
优先权：
专利代理机构：		代理人：
PDF完整版下载：	PDF下载

内容摘要

本发明公开一种基于烧结过程支持系统的决策方法，（1）利用现有零级传感器设备，一级PLC以及OPC服务器进行分布式烧结过程数据采集；（2）分布式数据存储；（3）各决策单元进行数据分析、模型计算、命题匹配、知识搜索与异常诊断并给出单元级决策支持；（4）5个烧结过程智能决策单元分布式协同处理，给出全局性异常诊断与决策支持。

权利要求书

权利要求书
1.  一种基于烧结过程支持系统的决策方法，包括以下步骤：
(1)利用现有零级传感器设备，一级PLC以及OPC服务器进行分布式烧结过程数据采集，包括原料站、配料站、一次混合、二混制粒、烧结系统、破碎筛分、成品站与化验室的数据采集；
(2)分布式数据存储，通过工业以太网通讯存储在原料决策单元数据库服务器、配料决策单元数据库服务器、烧结决策单元数据库服务器、成品决策单元数据库服务器和化验室决策单元数据库服务器中；
(3)各决策单元进行数据分析、模型计算、命题匹配、知识搜索与异常诊断并给出单元级决策支持；
(4)5个烧结过程智能决策单元分布式协同处理，给出全局性异常诊断与决策支持。

2.  根据权利要求1所述的一种基于烧结过程支持系统的决策方法，其特征在于，步骤(1)中采用各决策单元数据服务器中智能信息采集器完成多源数据无缝融合的方法实现基于时间触发和事件触发。

3.  根据权利要求1所述的一种基于烧结过程支持系统的决策方法，其特征在于，所述步骤(3)对实时数据的分析，将数据转化为知识，知识采用优化的产生式规则表达方式，知识的不确定性采用规则强度和命题可信度来标识，其中，可信度的计算采用如下方式：
规则强度：CF0＝φ0,0<φ0≤1
命题可信度：

Power(N)为各个命题的权值，规则强度是规则本身前提推出结论成立的程度；
如果推出结论的可信度低于最低可信度，则该条结论不成立；
知识库的存储采用关联式多表联合存储知识，将知识分解为条件IF与结论THEN，其中条件由命题的逻辑关系式AND，OR组成，结论由命题组成；命题=参数+状态；通过对工艺参数的正常值与异常值范围划分将状态分为略，中度，严重三个等级。

4.  根据权利要求1所述的一种基于烧结过程支持系统的决策方法，其特征在于，所述步骤(4)中智能决策单元中智能决策模块采用自学习知识搜索与自适应模型计算相结合的方法，推理机制上，智能决策模块用一个四元组来描述：
A={S，K，I，R}
其中S={S1，S2，…Sn}表示智能决策模块环境的所有可能状态集合，是智能决策模块的输入集；K为本地知识集合，包括知识库内所有的专家知识；R表示智能决策模块可能产生的决策集，是智能决策模块的输出集合；I是一个知识状态到决策输出的非线性映射：
I：S×K→R
并且多个智能决策单元分布式协同决策。

说明书

说明书一种基于烧结过程决策支持系统的决策方法
技术领域
本发明涉及一种烧结过程的决策方法，特别涉及一种基于过程决策支持系统的烧结过程异常诊断与分布式智能协同决策的方法。
背景技术
烧结矿是高炉炼铁原料的主要来源，烧结生产过程是一个机理复杂、影响因素众多、强耦合、大滞后的动态系统，难以建立精确数学模型来进行控制，再加上操作工的经验参差不齐，这样就需要一种手段辅助操作工进行操作决策。
烧结工艺设备繁多，数据量大且分布较广。目前国内烧结厂的自动化水平相对于钢铁冶炼的其他环节还比较低，大多只有一级基础自动化实现数据采集并集中显示和查询，基本没有二级自动化，同上游工艺环节高炉炼铁的生产沟通还基本靠工人去打电话实现。在信息化发展如此迅速的今天就显得相对落后，这样既导致了生产效率的降低，也对操作工的决策能力要求较高。
在申请号为CN201010521817.5的专利《一种烧结过程决策支持系统》中提供了一种基于控制图分析的烧结过程质量管理的决策支持方法，应用主成分分析、灰色关联分析方法，对烧结过程信息进行提取，确定影响质量的主要参数。然后，对烧结矿质量数据进行控制图分析，得到质量异常信息，并分析异常原因，为指导生产提供判断依据，这种系统虽然能够通过烧结矿质量的异常反馈到生产的操作支持，但是因为烧结矿质量的分析是离线的，所以这种方法并不能实时的提供在线的操作决策。在线的决策支持的指导意义更强一些。在论文《烧结过程决策支持系统的设计与实现》中介绍的烧结决策支持方法与申请号为CN201010521817.5的专利基本一致。在申请号为CN201010262557.4的专利《一种基于工况识别的烧结终点参数自整定专家控制方法》中发明了一种基于模糊化方法控制烧结终点，调节烧结机机速的方法。评定规则也采用了产生式规则的表达形式，当时该规则没有引入条件权重以及判定结果的可信度的量化。
发明内容
为了克服上述现有技术的缺点，本发明所要解决的技术问题在于提供一种烧结过程智能诊断与决策的方法，解决了操作工凭经验判断工况的片面性问题、通过替操作工思考帮其省心省力，发挥计算机人工智能与辅助决策的综合作用，降低异常工况出现频率，保障顺产，为操作工更加快速有效的进行工况异常诊断与决策提供了一种实时且稳定性高的方法。
为了实现发明的目的，本发明提供了一种烧结过程的决策方法，实现该方法包括以下步骤：
(1)利用现有零级传感器设备，一级PLC以及OPC服务器进行分布式烧结过程数据采集，包括原料站、配料站、一次混合、二混制粒、烧结系统、破碎筛分、成品站与化验室的数据采集；
(2)分布式数据存储，通过工业以太网通讯存储在原料决策单元数据库服务器、配料决策单元数据库服务器、烧结决策单元数据库服务器、成品决策单元数据库服务器和化验室决策单元数据库服务器中；
(3)各决策单元进行数据分析、模型计算、命题匹配、知识搜索与异常诊断并给出单元级决策支持；
(4)5个烧结过程智能决策单元分布式协同处理，给出全局性异常诊断与决策支持。
其特征在于，步骤(1)中采用各决策单元数据服务器中智能信息采集器完成多源数据无缝融合的方法实现基于时间触发和事件触发，自主且全面的数据采集。
进一步的，该方法还有以下特点，所述步骤(3)对实时数据的分析，将数据转化为知识。知识采用优化的产生式规则表达方式，知识的不确定性采用规则强度和命题可信度来标识，(如：IF命题1(权值)(可信度)AND命题2(权值)(可信度)AND……THEN结论(可信度)(最低可信度))。其中，可信度的计算采用如下方式：
规则强度：CF0＝φ0,0<φ0≤1
命题可信度：

Power(N)为各个命题的权值，规则强度是规则本身前提推出结论成立的程度。
如果推出结论的可信度低于最低可信度(在创建规则时，根据经验输入最低可信度取值)，则该条结论不成立。
知识库的存储采用关联式多表联合存储知识。将知识分解为条件 (IF)与结论(THEN)，其中条件由命题的逻辑关系式(AND，OR)组成，结论由命题组成。命题=参数+状态。通过对工艺参数的正常值与异常值范围划分将状态分为(略，中度，严重)三个等级，这种知识表示方式与知识库的存储方式使得该方法在提供决策信息与异常诊断时更加精确，推理过程更加灵活，效率更高，并且状态的阈值可以调整，解决了烧结工艺中工艺参数异常范围变化的问题，同时在知识库中为每条规则存储了对应的决策信息ID，根据决策信息ID在决策表中查找获得决策支持。
进一步的，该方法还有以下特点，所述步骤(4)中智能决策单元中智能决策模块采用自学习知识搜索与自适应模型计算相结合的方法，使得定性与定量分析相辅相成，因此能够提供更为准确和实用的决策信息。推理机制上，智能决策模块用一个四元组来描述：
A={S，K，I，R}
其中S={S1，S2，…Sn}表示智能决策模块环境的所有可能状态集合，是智能决策模块的输入集；K为本地知识集合，包括知识库内所有的专家知识。R表示智能决策模块可能产生的决策集，是智能决策模块的输出集合；I是一个知识状态到决策输出的非线性映射：
I：S×K→R
并且多个智能决策单元分布式协同决策，相对于集中式的决策方法，能够使系统更加稳定，如果其中一个智能决策单元出现故障，其他的智能决策单元依然能够正常工作。进一步的，分布式协同决策处理方法能够减轻系统的负担，使得系统的实时性更高，决策信息更具参考价值。
进一步的，按本发明提出的方法还具有以下特征：开放性结构，可扩展性，自适应地完善知识库，实现实时与非实时的辅助决策。
本发明具有如下有益效果：1、全面记录烧结生产过程中的数据，为现场人员提供灵活、稳定且实时性高的工艺过程的异常诊断操作支持；2、适应现场环境，工作可靠，可实时、连续、长期，独立的在线运行；3、设备成本低，易于部署。
附图说明
图1为：烧结过程智能协同决策物理拓扑结构图；
图2为：智能决策模块结构图；
图3为：智能决策单元结构图；
图4为：烧结过程多智能决策单元协同结构图；
图5为：烧结过程决策指导实现流程图；
具体实施方式
下面结合具体实施例进行说明：
图1为烧结过程智能协同决策物理拓扑结构图，基础自动化站采集数据的PLC包括原料系统PLC、配料系统PLC、烧结系统PLC、成品系统PLC和化验室系统PLC。不同的烧结厂自动化系统设计不同，其中原料系统可由溶剂PLC，燃料PLC和精矿PLC组成。在此为原料站配一个原料决策单元服务器，为节省资源原料数据服务器与原料决策单元服务器设在同一个计算机服务器中。配料站配一个配料决策单元服务器，为节省资源配料数据库服务器与配料决策单元服务器设在一个计算机服务器中。根据设计的不同，烧结系统可由一次混合PLC，二混制粒PLC，铺底料系统PLC，烧结PLC以及破碎与环冷PLC等组成。在此为烧结系统配一个烧结决策单元服务器，为节省资源烧结系统数据服务器与烧结系统决策单元服务器设在同一个计算机服务器中。成品站配一个成品系统决策单元，为节省资源成品系统数据服务器与成品系统决策单元服务器设在同一个计算机服务器中。化验室配一个化验室系统决策单元，为节省资源化验室数据服务器与化验室系统决策单元服务器设在同一个计算机服务器中。各站点决策单元服务器与其相应的PLC通过交换机以工业以太网形式连接。烧结车间主控室配置烧结智能协同决策全局服务器，烧结智能协同决策全局数据库服务器以及智能协同决策人机交互客户端。烧结智能协同决策全局数据库服务器是烧结车间各站所有检测数据汇总。烧结智能协同决策全局服务器进行烧结车间全局性的异常诊断决策支持，其结果在烧结智能协同决策人机交互客户端显示。
图2是智能决策模块结构图，负责所在决策单元的决策任务，不同的智能决策模块有不同的决策模型库，以及和决策模型相对应的知识库。知识库在SQL SERVER或者ORACLE中建立。模型库打包为动态链接库dll文件。知识库中知识采用优化的产生式规则表达方式，(如：IF烧结终点略提前(0.7)AND废气温度略升高(0.2)AND机尾红火层略薄(0.1)THEN略过烧(0.95)(0.6))。知识库的存储采用关联式多表联合存储知识。将知识分解为条件(IF)与结论(THEN)，其中条件由命题的逻辑关系式(AND，OR)组成，其中AND为加权逻辑， OR为或逻辑，结论由命题组成。命题由参数(如：烧结终点)和状态(如：略提前)组成。通过对工艺参数的正常值与异常值范围划分将状态分为(略，中度，严重)三个等级，例如(烧结终点略提前(22.3，23)，烧结终点提前(21.4，22.6)，烧结终点严重提前(0，21.4))。本发明模型库和知识库做了相辅相成的结合，即可单独应用也可结合应用。例如烧结决策单元包含烧结终点模型，根据指定风箱的温度值进行相应的计算可推出烧结终点的具体位置，例如烧结终点=22.5，这个值被存储在烧结决策单元的数据库中并在烧结决策单元人机界面的异常参数列表中显示。根据(IF烧结终点略提前(0.7)AND废气温度略升高(0.2)AND机尾红火层略薄(0.1)THEN略过烧(0.95)(0.6))这条规则，以及烧结终点异常阈值划分烧结终点略提前(22.3，23)，可以推出“略过烧”，可信度为0.95这样的异常诊断的结论。根据“略过烧”这样的异常诊断，在知识库中决策表中匹配可得辅助决策信息(1、提高料层，采取适当压料操作。2、适当关闭主抽风门，减少通过烧结机风量。)
智能决策模块是实现烧结过程辅助决策的主体，是针对决策问题的方案生成模块，烧结厂中每个领域的决策单元都具有智能决策模块，它和协作处理器共同完成决策任务。其中知识库是智能决策模块的知识管理系统，主要存储智能决策模块自身能力和所处环境的知识，并对其进行动态维护。
推理机根据智能信息采集器传来的外部信息和具备的领域知识进行问题求解。任务缓存器用来存放智能决策模块推理过程中需要和产生的一些中间动态信息。智能决策模块的所有行为都在协调控制模块的管理下进行。协调与控制模块是智能决策模块的内部核心，负责各模块的任务进程协调，并对其它模块的运行结果进行判断和传达。行为评价模块首先对智能决策模块的决策行为进行内部仿真，对决策行为的实施结果进行在线评价，为协调控制模块和自学习/自适应模块提供依据。自学习/自适应模块对智能决策模块的决策行为进行优化，使之具有自主进化能力，在行为评价机制的指导下，采用强化学习、贝叶斯学习等智能学习算法对智能决策模块进行知识库更新。通讯接口模块负责智能决策模块与系统其它单元进行交互。
图3是一个智能决策单元结构图，智能决策单元包括信息采集器，局部协作处理器，人机界面以及智能决策模块。局部协作处理器负责智能决策单元内部的协调，并提供外部接口，通过全局协作处理器与其他智能决策单元协同决策。人机界面提供决策信息的显示以及实时参数曲线与异常参数显示及报警等。
图4是烧结过程多智能决策单元协同决策结构图，智能决策单元的配置根据烧结工艺流程、工作站等的不同动态配置，本发明配置了原料智能决策单元、配料智能决策单元、烧结智能决策单元、成品智能决策单元与化验室智能决策单元等。多智能决策单元进行分布式与集中管理相结合的办法，主控室配置全局信息采集服务器与决策系统服务器(其中全局信息采集器配置在信息采集服务器中，人机界面、全局协作处理器以及全局智能决策模块配置在决策系统服务器中)，工作站配置智能决策单元服务器(可将局部信息采集器涉及的数据库服务器，局部协作处理器、人机界面以及智能决策模块配置在一个主机中以节省资源)。每个智能决策单元根据每个参数的值转化为推理前提并根据知识库的规则得出结论。这些结论作为推理的前提条件再由全局协作处理器交由全局智能决策模块根据全局知识库的规则进行推理得到最终的结论，并在人机界面上显示出来，给烧结过程操作人员以辅助的决策支持。
图5是烧结过程决策指导实现流程图，全局协同推理之前步骤是各分布式决策单元的算法流程，其中命题匹配是的数据基础是实际采集数据的分析数据和模型计算结果数据，命题匹配成功之后，会存储在活动命题表中，在活动命题的生命周期之内，活动命题会一直存在，活动命题是各决策单元进行知识搜索和推理的基础，也是全局协同推理的基础。各决策单元得到的异常诊断信息会同样成为全局协同推理的基础。进而通过全局协同推理的结果得出操作指导。
实施例：
(1)分布式数据采集
采用OPC通讯协议进行数据采集
烧结决策单元采集到的部分数据如下
22号风箱温度23号风箱温度24号风箱温度机尾红火层厚度392.9524409.5194315.45660.6
化验室决策单元采集到的部分数据如下：
FeO含量：9.6
(2)分布式数据存储
烧结决策单元采集到的数据存储在烧结决策单元数据库中，化验室决策单元采集到的数据存储在化验室决策单元数据库中。
(3)数据分析
烧结决策单元和化验室决策单元分别对存储在各自数据库中的数据进行分析，选择模型计算分支或者命题匹配分支。确定22号风箱温度、23号风箱温度、24号风箱温度数据为模型计算数据，参与烧结终点模型计算，根据这三个工艺参数值可得到烧结终点=23,。机尾红火层厚度和FeO含量参与命题匹配。
(4)命题匹配
烧结决策单元命题匹配：
根据烧结终点=23，在知识库中搜索，匹配命题“烧结终点正常”；
根据机尾红火层=0.6，在知识库中搜索，匹配命题“机尾红火层中度厚”；
化验室决策单元命题匹配：
根据FeO含量=9.6，在知识库中搜索，匹配命题“FeO含量略高”；
(5)活动命题存储
将命题“烧结终点正常”，“机尾红火层中度厚”存储在烧结决策单元活动命题表中，设定命题消逝计数的初始值为1，设定一个命题消逝计数最大值=5(该值可根据现场实际情况修改)，在进行后续的推理的过程中，活动命题被应用一次，消逝计数会进行相应的加1处理，如果消逝计数大于5，则在活动命题表中删除该条命题。
将命题“FeO含量略高”存储在化验室决策单元活动命题表中，设定命题消逝计数的初始值为1，设定一个命题消逝计数最大值=5(该值可根据现场实际情况修改)，在进行后续的推理的过程中，活动命题被应用一次，消逝计数会进行相应的加1处理，如果消逝计数大于5，则在活动命题表中删除该条命题。
(6)全局协同推理
在全局协同推理过程中，会在分布式决策单元数据库活动命题表中搜索，并在全局知识库规则表中搜索匹配的规则：
IF烧结终点正常(0.4)(0.95)AND机尾红火层中度厚(0.3)(0.85)AND FeO含量略高(0.3)(0.95)THEN燃料配比大(0.92)(0.6)
其中，结论可信度=0.4×0.95+0.3×0.85+0.3×0.95=0.92，该条规则的结论“燃料配比大”作为异常诊断的结果。
(7)决策指导
全局协同推理出的结果，“燃料配比大”可信度0.92大于最低可信度0.6，并且唯一对应一个决策信息ID，根据该ID搜索到决策指导的结果“1、注意尘泥来料色泽。2、降低燃料配比”。
至此，完成了烧结过程的分布式异常诊断与决策指导的过程。