摘要
高炉炼铁是钢铁行业的上游主体工序，也是钢铁行业的重要组成部分。高炉炉况诊断对于高炉的稳定运行具有非常重要的意义。由于高炉炼铁是多变量、非线性、多相多场耦合、时变的复杂工业过程，高炉炉况的诊断与预报一直是工业中未能很好解决的难题。随着现代工业检测手段的不断进步，高炉炼铁过程数据的采集变得更加实时可靠，基于数据驱动的主元分析、支持向量机等高炉炉况诊断方法已成为高炉炉况诊断领域研究的重点。 本文针对高炉生产数据非高斯分布、异常炉况故障样本少、样本不均衡等问题，提出了一种基于PCA_SVM的两阶段高炉炉况诊断方法。首先，为解决因高炉数据非高斯性造成的炉况诊断方法受限和高炉生产过程多工作点的问题，提出基于DBSCAN聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise)去中心化凸包的高炉炉况故障检测方法;然后，提出基于渐进式支持向量机(SVM)方法对高炉炉况的主要故障类型进行识别。 本文主要研究内容如下: (1)针对高炉炼铁过程数据的非高斯性，本文提出基于主元分析(PCA)与凸包(CH)结合的高炉故障检测方法(PCA_CH)。由于主元分析以HotellingT2和SPE统计量作为控制限的故障检测方法，在应用时需满足数据高斯分布的前提，适用范围受到限制。针对该问题，本文提出了基于主元分析与凸包控制限的故障检测算法。该方法以凸包作为控制限，对于数据分布无限制，且进行在线监测时可通过动态维护凸包，将新的正常状态下样本加入到训练样本中，满足自适应性。在高炉实际生产数据上进行实验时，可以证明该方法相较于传统主元分析在高炉故障检测中更为有效。 (2)针对高炉生产过程中的多模态即多工作点特性，本文提出基于DBSCAN聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise)去中心化凸包的高炉故障检测方法(PCA_DBSCCH)。该方法在以凸包为控制限的基础上，针对多工作点进行DBSCAN聚类及去中心化，可以去除多工作点对于凸包控制限的影响。该方法在训练数据包含多个工作点情况下故障检测性能有明显提升。 (3)针对高炉故障识别的小样本特性以及样本不均衡的特性，本文提出基于渐进式支持向量机(SVM)的故障识别方法。在高炉生产过程中，不同状态的数据样本集通常是不均衡的，如正常样本远多于故障样本，而在不同类型故障类型之间也存在此问题。针对此类问题，本文提出了基于渐进式SVM的故障识别算法，通过不断添加小类样本并同时更新SVM分类超平面，达到改善不平衡样本分类的目的;并采用基于类中心距离的二叉树多分类SVM结构，提高多分类准确性。该方法在高炉实际生产数据实验中取得较好效果。
NETL