[发明专利]高精度的高炉冶炼过程异常数据检测及修补方法

说明书

技术领域

本发明涉及一种高精度的过程记录数据的异常值检测和修补方法，涉及高炉冶炼生产记录数据中的异常值(“缺失值”是异常值的一个特殊情况，故本说明书将“缺失值”也做异常值处理)的检测及修补，同也可用于生物医学，通信，交通，勘探，造纸，化工，冶金等复杂工业过程，航空航天等多种领域的数据异常值的检测及修补。

背景技术

过程数据是系统建模、控制及优化的核心依据，受人为因素、环境及不可抗拒的突发事件等因素影响，过程记录数据存在数据缺失、异常现象。过程数据中异常值的检测及修补，是基于数据驱动的建模、优化及控制的前提，是一类广泛存在于各种工业过程中的普遍性问题。在复杂生产过程智能建模、控制与优化研究领域，针对过程数据中存在的异常值检测及修补问题，常用的方法为3σ检测和均值插补方法(桂卫华，阳春华.复杂有色冶金生产过程智能建模、控制与优化[M].科学出版社，2010:80；李静.基于数据挖掘的高炉铁水温度建模与预报[D].内蒙古科技大学硕士学位论文，2013)。在信息和数据时代，高炉数据的完备性及准确性对于高炉操作的影响是至关重要的，因此，要保障炉况稳定顺行，降低能耗，首先需要做的就是准确的分析和处理高炉数据。常规的检测方法易把重要的或者关键的数据误检甚至误剔除，如高炉在停炉、休风、检修、及开炉时，炉况波动较大，数据变化也大，常规的检测法易将反应高炉暂态变化的关键数据误剔除。常用的增长量推算法、发展速度推算法、平滑法和差值估算法等数据插补方法，对于单点数据的缺失有一定的估算效果，但对于连续数据的缺失，其修补精度往往无法满足建模、优化及控制的需要。自回归时间序列模型是建模时常用的一种方法，在数据修补上受参数训练等约束条件限制鲜有应用，考虑到自回归模型的简单、便捷及运算量小的特点，本发明专利在突破部分约束条件限制的情况下应用自回归时间序列模型对异常数据进行修补。

在复杂的高炉炼铁过程中，过程采集并记录的数据成千上万，其中炉温是最重要的一类数据，也是最具有代表性的一类数据。因此，本发明以高炉炉温为数据主要研究对象，针对常规异常数据的检测及修补方法存在的漏检或误检，修补精度低等问题，提出一种高精度的高炉冶炼过程异常数据检测及修补方法。本发明的提出对于高炉操作，高炉建模、优化及控制，以及更大限度的实现高炉冶炼过程的节能、减排以及性能指标优化具有十分重要的意义。

发明内容

本发明的目的是：针对3σ检测方法在高炉过程数据异常值检测时存在的误检，以及均值插补法在对高炉炉温异常数据修补时存在的精度低的问题，提出一种采用全局与局部相结合的异常数据检测新方法和基于自回归时间序列模型的数据修补新方法。

为了实现上述目的，本发明通过采用全局与局部相统一的思想对3σ检测方法进行改进；在异常数据修补时，采用自回归时间序列模型对异常数据修补，同时考虑到自回归模型在参数训练时存在完备数据稀少的可能性，本发明采用广义最小二乘方法对模型参数训练。

(1)3σ异常值检测新方法：

对于表征高炉炉温的变量，铁水温度[Thm]、铁水硅含量[Si]、铁水硫含量[S]、铁水钛含量[Ti]等高炉过程采样数据。以k表征高炉出铁铁次，L表征采集数据的长度，则样本数据{y(1)，y(2)，…y(k)，…y(L)}为表征炉温([Thm]、[Si]、[S]、[Ti]等)的时间序列。记μ为样本均值：σ²为样本偏差，3σ异常值检测的常规方法对于y(k)值不在μ±3σ区间内的即认为其为异常值，可找到其异常值位置并对其进行剔除。由于高炉在停炉，休风，检修及开炉时，炉况波动较大，数据变化也大，3σ异常值检测的常规方法会对正常数据造成误剔除。如表1，采用3σ异常值检测的常规方法会造成正常的853，854以及855批铁次所对应的铁水温度数据被误剔除。

表1正常的铁水温度数据

针对3σ异常值检测的常规方法对于高炉这种高度复杂过程的不合理性，结合高炉冶炼过程的大惯性和慢时变的特点，引入一种斜率变化与常规3σ准则相互结合来判断炉温超出μ±3σ范围是否由异常值引起的方法。异常值前后时间序列的斜率会发生突变，而正常值的斜率不会突变，或者仅有一方的斜率发生渐变。本发明先用粗尺度对整体数据共性进行认识，计算L组数据的均值μ及偏差σ，并记录可能得异常数据所对应的不同铁次x_i，然后在不同的铁次x_i附近再细尺度讨论数据斜率的变化特点，最终通过粗细两种尺度对比达到对异常数据的准确认识。

(2)自回归时间序列模型数据修补原理如下：