[发明专利]一种基于样本分割的多尺度二叉树高炉故障诊断方法

说明书

本发明一种基于样本分割的多尺度二叉树高炉故障诊断方法，属于高炉故障诊断技术领域，首先采集高炉生产状况和设备运行状态数据，对数据进行检测并对提取的数据采用均值‑方差标准化方法进行归一化处理；将高炉故障诊断问题转化成二分类问题进行多分类器设计；利用改进的广义特征值支持向量机寻找到一条分割面，转化为两个二分类问题，并分别去寻找适应每一类故障数据自己的具有局部特性的距离测度矩阵，借助支持向量机设计出两条基于不同尺度的分类超平面；本发明适合高维非线性故障数据的识别，通过对样本数据的分割与多尺度标准衡量样本间的相似度，兼顾被识别数据的全局与局部逻辑结构，降低被识别故障问题复杂度，提升故障诊断的精度。

技术领域

本发明属于高炉故障诊断技术领域，具体涉及一种基于样本分割的多尺度二叉树高炉故障诊断方法。

背景技术

高炉是钢铁企业的咽喉，在整个钢铁企业中高炉生产能耗约占60％，一旦设备运行的异常情况发展成为生产上的故障，就会对企业带来巨大的经济损失，因此它的有效操作是至关重要的；研究高炉炉况的智能故障诊断技术，及时准确地进行炉况故障诊断与监控，对于提高企业经济效益，降低生产成本，减少生产能耗，有着重要的意义。

高炉冶炼是把生铁矿石还原成铁，它是一个连续且工艺复杂的生产过程；为防止异常情况出现，需要生产过程中的大量参数进行监测：热风风温、热风风量、热风风压、炉顶压力、全压差、上部压力、下部压力、富氧量、透气性指数、十字测温、料速、物理热、含[Si]量等；因此故障状态的特征也不是单一的特征表现，而是高维度多特征的信号的综合体现；例如高炉故障中的“管道行程”就同“顶温”“风压”“风量”“料速”“含[Si]量”等多特征的波动息息相关；因此传统的高炉故障诊断方法难以适应当今我们对复杂性，实时，以及高精度的高炉故障诊断的要求。

因此，人工智能被广泛应用到各种系统的故障诊断中；目前，流程工业故障诊断的人工智能方法主要是基于神经网络和支持向量机。但是，前者需要大量训练样本和训练时间，其解可能陷于局部最小值；在统计学习理论基础上发展起来的机器学习方法——支持向量机(Support Vector Machine，SVM)已表现出很多优于其它方法的性能。支持向量机具有很好的学习能力，尤其是泛化能力；支持向量机将学习问题归结为一个凸二次规划问题；解决了在神经网络方法中无法避免的局部极值问题；在高炉故障诊断过程中，有些故障样本是很难获得的，而支持向量机在解决小样本模式识别问题上的出色表现使其获得广泛的应用；将支持向量机应用到高炉故障诊断中，可以极大提高目前故障诊断系统的性能，为故障诊断技术向智能化发展提供了新的途径。

在高炉故障诊断中，由于故障样本难以获得，训练集中不同类别之间的故障样本数量很难达到一致，存在大量不平衡数据；使用不平衡数据的支持向量机(SVM)预测过程具有倾斜性，因而产生误差；应对不平衡数据分类方法大致可分为两类：基于算法层面的方法和基于数据层面的方法，或者将二者结合考虑；前一种对算法的改进需要引入惩罚因子或代价函数增加了分类器的复杂度且参数设定困难；后一种重构数据集方法易于产生过学习或删除有意义样本问题。

基于支持向量机的(SVM)的故障诊断算法大多是采用欧式距离作为可分离测度标准的，即假设通过核矩阵映射后的样本点都分布在同一个超球体上；而由于各类不同故障的样本点具有自己本身的局部特性，同类样本点更倾向于映射到基于样本本身特性的马氏距离作为可分离测度标准的超椭园球体上；即每一类故障样本点都具有一个更适合自己的测度：缩小了类内距离同事扩大了类间距离。

针对以上提出的问题，我们急需提出新的智能高炉故障诊断技术，能够迅速降低故障识别问题的复杂度，快速提取出各个故障的测度矩阵，进一步提高故障诊断的速度与精度。

发明内容

针对现有技术的不足，本发明提出一种基于样本分割的多尺度二叉树高炉故障诊断方法，以达到兼顾样本空间的整体与局部特性，提高故障诊断精度的目的。

一种基于样本分割的多尺度二叉树高炉故障诊断方法，包括以下步骤；