CN106650944A - 一种基于知识的冶金企业转炉煤气调度方法 - Google Patents

Abstract

本发明提供一种基于知识的冶金企业转炉煤气调度方法，步骤为：首先，对于调度决策过程中所需的无法直接采集的过程变量，采用神经网络模型进行建模分析，形成基于数据的神经网络模型；其次，设计一种基于模糊聚类的产生式规则模型，通过对历史数据进行聚类分析和关联规则挖掘，挖掘数据中蕴含的知识信息，进而与专家先验知识进行融合，建立基于知识的产生式模型；最后，设计了针对该产生式规则模型的在线更新策略，如果推理结果与实际方案存在较大偏差，则对产生式规则的输出参数进行更新。利用该发明可以对转炉煤气系统的平衡状态进行动态分析，并得到相应的调度方案，从而为调度人员进行决策提供合理指导。

Description

一种基于知识的冶金企业转炉煤气调度方法

技术领域

本发明属于信息技术领域，涉及到大数据分析、知识提取和模糊推理建模，是一种基于知识的冶金企业转炉煤气平衡调度方法。本发明利用调度经验知识和冶金企业现场已有的大量历史数据，设计了一种基于模糊聚类的产生式规则模型，通过聚类分析和关联规则挖掘，挖掘数据中蕴含的知识信息，进而与专家先验知识进行融合，建立基于知识的煤气调度模型，从而有效地指导现场调度人员对转炉煤气系统进行平衡调度。此方法在冶金企业其它能源介质系统均可有广泛的应用。

背景技术

冶金企业是高能耗、高污染、高排放的产业。节能降耗一直是冶金行业所面临的最严峻问题之一。随着一次能源的紧缺和新节能技术的提高，冶金生产过程中产生的副产煤气能否得到合理的利用将直接影响到整个冶金企业的能耗成本和节能减排效果(J.Yang,J.Cai,W.Sun,J.Liu.(2015).Optimization and scheduling of byproduct gas systemin steel plant.钢铁研究学报(英文版),22(5),408-413.)。转炉煤气是炼钢过程的副产品，由于生产过程的断续性特征，转炉煤气的发生量存在间歇，因此需要先经过煤气柜回收后再输送到各个生产用户。由于煤气柜容量有限，因此如果煤气柜存储量较大，即使转炉煤气的热值达到标准，仍然需要对过剩煤气进行点火放散，造成能源的浪费。反之，如果煤气柜存储量较小，并且转炉煤气长时间未回收，则将打开合成环节，使用BFG和COG填补LDG的缺口，从而对其他煤气管网的平衡状态产生影响；问题严重时，甚至会造成部分生产环节的停产，影响正常的生产计划。因此对转炉煤气进行合理的调度，可以使得煤气最大限度的回收，从而大大提高二次能源的使用效率、减少煤气的无效排放。

目前实际生产中，对冶金企业转炉煤气的综合平衡还是以流量实时监测和柜位报警机制为主，通过调度人员的人工经验制定调整方案，至今没有采用理论的方法对转炉煤气的调度策略进行建模。但是由于煤气系统用户众多，管网情况复杂，各个调度人员的经验存在差异，煤气放散和紧缺的情况时有发生。对于调度方法的研究，有学者采用数学规划的方法进行建模分析，通过求解数学模型可以得到最佳调度方案(L.Zhou,Z.W.Liao,J.D.Wang,B.B.Jiang,Y.R.Yang,W.L.Du.(2015).Energy configuration and operationoptimization of refinery fuel gas networks.Applied Energy,139:365-375.)。其建立的调度模型由目标函数和约束条件两部分组成，目标函数一般是最小化运行成本以及最大化生产收益，约束条件是根据生产工艺约束及物理约束建立的。还有学者使用复杂网络、贝叶斯网络等网络化方法对需要调度对象进行动态描述，建立调度模型，从而将生产过程中的调度问题转换成网络上的节点遍历过程(J.Zhao,W.Wang,K.Sun,Y.Liu.(2014).Abayesian networks structure learning and reasoning-based byproduct gasscheduling in steel industry.IEEE Transactions on Automation Science andEngineering,11(4):1149-1154.)。近年来，大量学者利用数据挖掘、异构数据处理等相关技术，对制造过程产生的大量离线和在线数据进行分析处理，挖掘出隐含在数据中的经验、知识及规则，再进一步应用到生产过程的优化与管理中，以解决传统调度方法难以解决的复杂制造过程中的调度问题(F.Zhang,J.Cao,W.Tan,S.U.Khan.(2014).Evolutionaryscheduling of dynamic multitasking workloads for big-data analytics inelastic cloud.IEEE Transactions on Emerging Topics in Computing,2(3),338-351.)。此外，针对实际生产过程的不确定信息，一些学者采用基于模糊的调度方法，将调度模型转化成调度规则，然后再根据调度规则将系统中提取到的模糊信息映射到调度指令集中的相应模式，从而产生调度指令(郭子雪,郭亮.(2015).应急物资调度时间最小化模糊优化模型.中国安全科学学报,25(10):172-176.)。

以上方法存在如下不足：首先，由于复杂制造过程涉及到的物料能源种类、耗能设备以及能源转换设备较多，同时能源之间的转换、替换关系较为复杂，数学模型难以体现实际环境的复杂性和随机性。此外，采用数学规划方法建立调度模型时，产生的变量、约束条件较多，需要的数据量大，计算耗时长，随着调度规模的扩大，调度问题的求解难度急剧增加；其次，基于网络的调度方法结构简单，计算量少，能够比较好的描述出复杂生产过程中的动态特性，但是该方法建立的网络模型参数难以确定；再次，基于数据的调度方法对数据的依赖性较强，数据的完备性与可靠性对模型结果起着至关重要的作用，因此在实际应用问题中存在一定的局限性；最后，使用调度规则来确定调度方案避免了大量的复杂计算，效率高且模型稳定性好，但是对于复杂的工业调度问题单凭经验知识难以建立完善的规则库。

发明内容

本发明要解决的技术问题是现有冶金企业转炉煤气平衡调度问题。为解决上述这一问题，采用了基于产生式规则的知识表达方式，建立其平衡调度模型。首先，对于调度决策过程中所需的无法直接采集的过程变量，采用神经网络模型进行建模分析，形成基于数据的神经网络模型；其次，设计了一种基于模糊聚类的产生式规则模型，通过对历史数据进行聚类分析和关联规则挖掘，挖掘数据中蕴含的知识信息，进而与专家先验知识进行融合，建立基于知识的产生式模型；最后，设计了针对该产生式规则模型的在线更新策略，如果推理结果与实际方案存在较大偏差，则对产生式规则的输出参数进行更新。利用该发明可以对转炉煤气系统的平衡状态进行动态分析，并得到相应的调度方案，从而为调度人员进行决策提供合理指导。

本发明的技术方案包括以下五个部分：

第一步，从现场实时数据库中根据筛选条件读取各煤气用户的煤气流量等相关数据；

第二步，根据调度模型的需要，对转炉煤气系统的回收量、煤气柜储量等关键信息进行预测；

第三步，对实时数据库中得到的采集数据进行相应的量纲统一，并进行模糊化和聚类分析等处理，构建基于专家经验和数据特征的规则库，进而建立系统调整方案的模糊推理模型。

第四步，推理出系统当前时刻的调整方案，即将系统当前状态和神经网络模型得到的描述生产节奏等信息的结果作为模糊推理模型的输入，获得系统的调整方案。

第五步，规则库的更新，即根据现场模型的运行情况和专家经验的采集对规则库进行不断的更新优化，使得模型更加精准。

本发明的效果和益处是：

本发明在对转炉煤气管网调整方案进行推理时，采用模糊推理模型，模型中的模糊化步骤可大幅削弱现场数据含高噪声的影响，将积累的专家调度经验通过模糊规则的形式引入到模型，结合数据特征推理出调整方案。这种基于专家经验和数据的方法能够将已有的丰富专家经验和大量的数据信息相融合，推理出符合生产特征的调整方案。

本方法能够充分利用现有的采集数据以及通过神经网络模型得到的未来一段时间的生产节奏，推理出当前时刻转炉煤气系统的调整情况，并给出详细的调整方案，从而为转炉煤气的平衡调度和高效生产提供在线决策支持。

附图说明

图1为转炉煤气系统管网结构图；

图2为煤气平衡调度系统结构图；

图3为知识学习流程图；

图4为推理过程示意图；

图5(a)为调度模型使用前对于转炉煤气回收量的影响效果；

图5(b)为调度模型使用后对于转炉煤气回收量的影响效果；

图6为不同调度方法得到的调度方案对于煤气柜的影响。

具体实施方式

为了更好地理解本发明的技术方案，以国内自动化水平较高的宝钢钢铁企业的转炉煤气系统为例，对本发明的实施方式作进一步描述。该企业的转炉煤气系统现有6座转炉作为转炉煤气的发生单元，每小时大约产生200km³的转炉煤气；其主要消耗用户约有30个，主要包括高炉、热轧和冷轧、石灰窑等；此外还有发电机组、3台70吨的低压锅炉和1台热电机组作为煤气的调节用户；管网中配备了4座8万m³的煤气柜。虽然现场煤气调度人员利用实时监测和柜位报警机制，通过人工决策对当前煤气管网产消情况进行判定，制定出当前的调整方案，使得煤气管网保持安全有效的运行，但由于煤气系统用户众多，管网情况复杂，各个调度人员的经验有异，给出的调整方案具有差异性，满柜和放散的情况难免发生，因此煤气系统的调整不能单单依靠个人经验，应该依据最好的集体经验和数据特征建立模型，推理各个系统的调整，建立优化目标，使得生产安全和高效。按照图1所示的模糊推理流程，本方法的具体实施步骤如下：

步骤1：从冶金企业的现场实时数据库中根据筛选条件读取各煤气用户的相关数据，所述的相关数据包括如图1中所示的所有煤气用户的流量数据以及煤气柜存储量数据；所述的数据库为转炉煤气系统用于存放实时数据的Oracle数据库。

步骤2：根据调度模型的需要，采用基于神经网络的建模方法，对转炉煤气系统的关键数据进行预测建模，得到预测模型；所述的关键数据包括转炉煤气系统的总回收量、总消耗量以及煤气柜存储量。模型输入为包括煤气流量、生产计划、离散信号等多源异构数据，模型输出为转炉煤气回收量和煤气柜储量。

步骤3：对第一步得到的相关数据进行量纲统一处理，对第二步得到的预测模型的变量进行模糊化，采用隶属度值法将精确输入量对各语言值的隶属度值作为模糊化结果，构建基于专家经验和数据特征的规则库，建立各个系统调整总量的模糊推理模型；具体步骤为：

①数据的量纲统一和模糊化

对从数据库中读取的煤气用户流量数据和煤气柜储量数据，对煤气数据进行量纲统一处理。模糊化是将输入变量的确定值转换为相应的模糊语言变量值的过程，模糊分割时各领域间重叠的程度大大地影响控制的性能，在转炉煤气调度模型中，通过数据分析实验，将集合重叠的程度设定为1/3～1/2，重叠的部份意味着模糊控制规则间模糊的程度，是模糊控制的重要特征。本系统模糊化过程为采用隶属度值法将精确输入量对各语言值的隶属度值作为模糊化结果。语言值的隶属函数是连续域上的解析表达式表示，此过程也是函数计算过程。

②构建基于专家经验和数据特征的规则库，建立转炉煤气系统调整总量的模糊推理模型：

a)专家的经验和知识

专家的经验和知识是构建规则库的重要基础。人类日常生活常中判断事情时，使用语言定性分析多于数值定量分析；而模糊控制规则提供了一个自然的架构来描述人类的行为及决策分析，并且专家的知识通常可用if….then的产生式模型来表示。通过询问经验丰富的专家，在获得系统的知识后，将知识总结为if….then的形式，结合步骤①中得到的模糊化结果构成专家模糊控制规则。

b)基于模糊聚类的关联规则挖掘

基于变量模糊化的结果，将连续型数据模糊化为隶属度函数值，并映射到对应的模糊集合的论域中，通过计算数据中的各属性对应的模糊集的总势，每一属性只采用用具有最大势的模糊集以保证属性数量与原始数据库一致，通过计算支持度大于用户给定支持度的项集，最后输出有意义的规则并对挖掘出的模糊关联进行解释和评价。

在挖掘关联规则的过程中，本发明采用面向集合的方法，通过约定在同一属性上的模糊集不能同时出现在一条频繁项中。对于现场的采集数据，通过隶属度函数将其处理成为适于模糊挖掘的数据样本，通过隶属度函数的算法支持，将原始数据库中的数量数据集转换为模糊数据集。

将步骤①中从数据库中读取的每条数据的数值j∈[1,m]，对于每个变量A_j利用给定隶属度函数R_js转换为模糊隶属度函数值，其中，m为变量个数，i为数据样本索引，R_js代表变量j的第s个模糊集。计算每个变量A_j每个模糊集R_js的模糊隶属度总和，并将每个模糊区间内的隶属度相加，

其中，n为样本个数，count_js为第j个变量的第s个隶属空间内的所有样本的隶属度和。然后通过如下公式计算支持度，如果支持度大于等于预设最小支持度阈值，则将R_js放入模糊频繁项集L₁中，作为频繁一维项集；

其中，为变量A_j的隶属度函数个数，m为变量个数。

接下来，将L₁与其中自身两两变量连接形成模糊候选项集C₂，并根据支持度公式计算2项变量集{R₍₁₎,R₍₂₎}的模糊支持度，并将计算结果与预设支持度阈值相比较，

其中，{R₍₁₎,R₍₂₎}为两个不同变量的两个模糊集，和分别为两个变量相应的隶属度函数对于第i个样本的隶属度函数值，n为样本个数。如果计算结果大于预设最小支持度，将{R₍₁₎,R₍₂₎}放入频繁项集L₂中。

依次类推，不断从L_k中产生候选项集C_k+1，k＜m。并根据支持度公式计算k+1项属性集的模糊支持度，将计算结果与预设支持度阈值相比较，

如果计算结果大于预设最小支持度，将其放入频繁项集L_k+1中。若L_k+1为空，则在L_k中构建关联规则，待生成的关联规则形式和相应的模糊置信度Conf如下：

其中，符合“∧”表示并且，符号“→”表示推理结果，样本i的各个变量的隶属度乘积的最大值，y为满足如下条件的样本的输出平均值，

即使得样本i的隶属度值乘积最大。

c)数据知识与专家知识的融合

结合专家知识，对数据知识进行解释与评价，人工剔除不合理的规则；由于两类知识具有相同的模糊化结构，因此在融合时只需将专家知识的模糊置信度设置为1，将关联规则的权重设置为0.5，从而采用加权平均的方式对规则的产生式模型参数进行修正。通过的模糊规则解释，可以将规则以更符合人类思维方式的语义性描述呈现给用户，为相关决策提供帮助。，所述的数据知识为步骤b)构建的模糊聚类的关联规则，所述的专家知识为步骤a)构建的专家模糊控制规则。

步骤4：由步骤3所得的模糊推理模型推理出转炉煤气系统当前时刻的调整方案，即将转炉煤气当前状态和神经网络模型输出的信息作为模糊推理模型的输入，获得转炉煤系统的调整方案；所述的信息包括转炉生产节奏、煤气回收量预测结果、煤气消耗量预测结果以及煤气柜存储量预测结果；

在步骤3中得到的模糊推理模型中包含多条规则；

以两项输入为例，其每条规则的形式为：

其中，和是前件中的模糊集合，而z＝Φ是对应输入的输出集合。具体形式如下，

其中，每一行代表一个细化的规则，通过匹配找到最接近的细化中心，将其输出作为本条规则的输出。对于多个前提的模糊推理问题，每个前提都会有一个适配度，模糊推理过程中激励强度采用乘积运算，即

其中，是第一个输入的隶属度值，是第二个输入的隶属度值，ω就是对数据的隶属度求积作为本条数据激活的规则总的权值。在模糊推理的过程中，每一个规则都可以产生一个推理结果，可以用规则的激励强度与结论的乘积表示，即ω·z；通过对每一个推理结果进行加权平均可以得到最终结论。

以两项输入为例，对于两规则的模糊推理，其规则表达形式如下：

若已知那么模型模糊推理的结论z为

其中，ω₁和ω₂分别为通过公式(10)计算得到的激活强度；z₁和z₂分别为公式(11)和(12)中两条规则的输出；为了进一步减少计算量，这里用加权和算子直接代替加权平均算子，即

z＝ω₁z₁+ω₂z₂ (14)

步骤5：根据第三步所得到的模糊推理模型的运行情况和专家经验，对规则库进行不断更新优化；模型的运行情况即为第四步所得到的结果与现场实际的调整方案的偏差以及模糊推理模型对新数据的覆盖率，判断模型结果的偏差是否满足误差指标，如果满足指标，则不更新规则库；如果不满足指标，采用模糊推理模型的输入和调整方案的偏差可以直接与原有规则库进行融合，产生新的规则库；在与原规则库进行融合时，先判断当前产生的规则的前件是否存在，如果不存在则增加新的规则前件；如果已经存在，则比较当前规则的细化中心和规则库已有的细化中心，如果相距大于阈值则增加细化中心，如果小于阈值则不更新规则。

如图1所示，图中转炉煤气系统由煤气发生源、消耗用户、电厂锅炉、煤气柜和煤气输送管网组成。煤气发生源产生的煤气需要首先进去煤气柜中，然后通过煤气管网输送给煤气消耗用户供其正常生产。实际中，由于煤气发生单元的煤气产生量存在很强的间歇特征，同时煤气柜的容量有限，因此整个系统的煤气平衡存在很大的波动。如果煤气的产消不平衡加剧，超过了煤气柜的缓冲能力，将会出现过剩煤气的浪费或生产的中断。因此，调度人员需要实时掌握煤气柜的柜位变化，及时调整煤气调节用户的煤气用量来稳定煤气柜，从而避免煤气的无效放散，提高煤气的回收利用率。

图2为转炉煤气平衡调度系统结构图，该系统根据当前的生产状态信息，得到具体的调整方案显示给用户。包括知识库和仿真器两部分，其中煤气调度的控制模型是基于专家经验知识和大数据分析方法共同建立起来的。该模型从现场生产数据库中读取信息，通过对历史数据的分析学习得到专家控制规则，并结合工艺专家的经验知识建立调度规则。当煤气系统可能出现不平衡状态时，通过调度模型中的知识库推理，可以得到若干组调整方案。仿真器模型可以对系统中关键过程和变量进行建模分析，得到系统在不同调整方案下的预测结果。

图3为本发明的核心技术环节，该调度模型首先对实时数据库中得到的采集数据进行模糊化和聚类分析等处理，进而通过神经网络建模和规则关联分析等方法进行知识的提取和挖掘，最终结合专家经验知识和数据特征，建立基于知识的产生式调度模型和基于数据分析的神经网络预测模型。系统在运行过程中，会根据现场模型的运行情况和专家经验的采集对规则库进行不断的更新优化，使得模型更加精准。

图4给出的是调度模型的模糊推理过程，该推理方法可以推广到多前件多规则的情况。本发明在其推理机制中不严格遵循推理复合规则，通过加权平均或加权和所获得的整体输出通常是精确的，这与常规的模糊推理方法有所不同。由于本模糊推理得到的结果是精确的，更加符合生产现场对于调度方案的要求，并且模糊推理过程不需要进行耗时的去模糊化运算。

图5中5(a)是采用本发明的调度建议前转炉煤气的回收量，5(b)是采用本发明的调度建议后转炉煤气的回收量。可以看出，本发明能够很好的指导调度决策，从而提高转炉煤气的回收率。

图6为转炉煤气柜在不同调度模型下的变化情况，其中绿色竖线为当前时间；黄色虚线为煤气柜存储量上下限；黑线为无调度操作下的煤气柜估计结果；蓝线为数学规划方法的结果；粉色线为神经网络方法的结果；红线为采用本发明的结果。可以看出数学规划方法的建议提前量较小，神经网络方法对于其他生产环节的操作较为复杂，而本发明能够及时对煤气不平衡问题进行处理，更加符合调度人员的调度方式，对于实际应用问题具有更好的效果。

Claims (3)

1.一种基于知识的冶金企业转炉煤气调度方法，其特征在于以下步骤：

第一步，从现场数据库中读取各煤气用户的相关数据；所述的相关数据包括所有煤气用户的流量数据以及煤气柜存储量数据；

第二步，根据调度模型的需要，采用基于神经网络的建模方法，对转炉煤气系统的关键数据进行预测建模，得到预测模型；所述的关键数据包括转炉煤气系统的总回收量、总消耗量以及煤气柜存储量；

第三步，对第一步得到的相关数据进行量纲统一处理，对第二步得到的预测模型的变量进行模糊化处理，采用隶属度值法将精确输入量对各语言值的隶属度值作为模糊化结果，构建基于专家经验和数据特征的规则库，建立各个系统调整总量的模糊推理模型；

第四步，将转炉煤气当前状态和神经网络模型输出的信息作为模糊推理模型的输入，获得转炉煤系统的调整方案；所述的信息包括转炉生产节奏、煤气回收量预测结果、煤气消耗量预测结果以及煤气柜存储量预测结果；

在第三步所得的模糊推理模型中包含多条规则；

两项输入中每条规则的形式为：

$IFxis\tilde{A}andyis\tilde{B},thenz=\mathrm{\Φ}---\left(8\right)$

其中，和是前件中的模糊集合；z＝Φ是对应输入的输出集合；

多个前提的模糊推理过程中激励强度采用取小运算，即

其中，是第一个输入的隶属度值；是第二个输入的隶属度值；ω是本条数据激活的规则总的权值；

两项输入中两条规则形式为：

$IFxis{\tilde{A}}_{1}andyis{\tilde{B}}_1,then{z}_1={\mathrm{\Φ}}_1---\left(11\right)$

$IFxis{\tilde{A}}_{2}andyis{\tilde{B}}_2,then{z}_2={\mathrm{\Φ}}_2---\left(12\right)$

若已知那么模型模糊推理的结论z为：

z＝ω₁z₁+ω₂z₂ (14)

第五步，更新规则库

根据第三步所得到的模糊推理模型的运行情况和专家经验，对规则库不断更新优化；模型的运行情况即为第四步所得到的结果与现场实际的调整方案的偏差以及模糊推理模型对新数据的覆盖率，判断模型结果的偏差是否满足误差指标，如果满足指标，则不更新规则库；如果不满足指标，采用模糊推理模型的输入和调整方案的偏差直接与原有规则库进行融合，产生新的规则库；在与原规则库进行融合时，先判断当前产生的规则的前件是否存在，如果不存在则增加新的规则前件；如果已经存在，则比较当前规则的细化中心和规则库已有的细化中心，如果相距大于阈值则增加细化中心，如果小于阈值则不更新规则。

2.根据权利要求1所述的一种基于知识的冶金企业转炉煤气调度方法，其特征在于，所述的第三步构建基于专家经验和数据特征的规则库的方法包括以下步骤：

①数据的量纲统一和模糊化

对第一步得到的相关数据进行量纲统一处理，对第二步得到的预测模型的变量进行模糊化处理，将相邻模糊隶属度函数重叠的程度设定为1/3～1/2，确定所有数据的隶属度函数；

②构建基于专家经验和数据特征的规则库，建立转炉煤气系统调整总量的模糊推理模型

a)获得调度知识后，将知识总结为if…then的形式，结合步骤①中得到的模糊化结果构成专家模糊控制规则；

b)由步骤①中读取的数据，构建基于模糊聚类的关联规则

将步骤①中从数据库读取的每条数据的数值记为j∈[1,m]，将每个变量A_j利用步骤①构建的隶属度函数R_js转换为模糊隶属度函数值；其中，m为变量个数，i为数据样本索引，R_js代表变量j的第s个模糊集；

计算每个变量A_j的每个模糊集R_js的模糊隶属度总和，并将每个模糊区间内的隶属度相加：

其中，n为样本个数，count_js为第j个变量的第s个隶属空间内所有样本的隶属度和；

通过公式(2)计算支持度，如果支持度大于等于预设最小支持度阈值，则将R_js放入模糊频繁项集L₁中，作为频繁一维项集；

$Sup\left(R_{js}\right)=\frac{{\mathrm{count}}_{js}}{n},1\≤j\≤m,1\≤s\≤{\mathrm{num}}_{A_j}---\left(2\right)$

其中，为变量A_j的隶属度函数个数，m为变量个数；

将L₁与其中自身两两变量连接形成模糊候选项集C₂，根据支持度公式计算2项变量集{R₍₁₎,R₍₂₎}的模糊支持度，并根据公式(3)将计算结果与预设支持度阈值相比较，如果计算结果大于预设最小支持度，将{R₍₁₎,R₍₂₎}放入频繁项集L₂中；

$Sup\left(\right\{R_{\left(1\right)},R_{\left(2\right)}\left\}\right)=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_{\left(1\right)}^{\left(i\right)}\·f_{\left(2\right)}^{\left(i\right)}}{n}---\left(3\right)$

其中，{R₍₁₎,R₍₂₎}为两个不同变量的两个模糊集，和分别为两个变量相应的隶属度函数对于第i个样本的隶属度函数值，n为样本个数；

依次类推，不断从L_k中产生候选项集C_k+1，k＜m；并根据支持度公式计算k+1项属性集的模糊支持度，根据公式(4)将计算结果与预设支持度阈值相比较：

$Sup\left(\right\{R_{\left(1\right)},R_{\left(2\right)},...,R_{(k+1)}\left\}\right)=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_{\left(1\right)}^{\left(i\right)}\·f_{\left(2\right)}^{\left(i\right)}\·\mathrm{...}\·f_{(k+1)}^{\left(i\right)}}{n}---\left(4\right)$

如果计算结果大于预设最小支持度，将其放入频繁项集L_k+1中；若L_k+1为空，则在L_k中构建基于模糊聚类的关联规则，其形式和相应的模糊置信度Conf分别如下：

R₍₁₎∧R₍₂₎∧…∧R_(k)→y (5)

其中，符合“∧”表示并且，符号“→”表示推理结果，样本i的各个变量的隶属度乘积的最大值，y为满足如下条件的样本的输出平均值：

$max\left\{\underset{j}{\Π}{f}_j^{\left(i\right)}\right\}=f_{\left(1\right)}^{\left(i\right)}\·f_{\left(2\right)}^{\left(i\right)}\·\mathrm{...}\·f_{\left(k\right)}^{\left(i\right)}---\left(7\right)$

即使得样本i的隶属度值乘积最大；

c)将步骤b)构建的模糊聚类的关联规则与步骤a)构建的专家模糊控制规则融合

结合专家模糊控制规则，对模糊聚类的关联规则进行解释与评价，除去不合理的规则；将专家模糊控制规则的权重设置为1，将关联规则的权重设置为0.5，采用加权平均的方式对关联规则的模型参数进行修正。

3.根据权利要求1或2所述的一种基于知识的冶金企业转炉煤气调度方法，其特征在于第一步所述的数据库为转炉煤气系统用于存放实时数据的Oracle数据库。