CN107463093B - 一种基于kpls鲁棒重构误差的高炉铁水质量监测方法 - Google Patents

Abstract

本发明提供一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法，包括：采集相同时刻的高炉运行参数和铁水质量变量；选取训练集并将其标准化；将训练集中的输入数据映射到高维特征空间，得到Gram矩阵K并中心化处理；获取新的包含非正常工况的高炉运行参数及铁水质量变量样本作为测试集并标准化处理；将测试集中的输入数据矩阵映射到高维特征空间得到Gram矩阵并中心化处理；构建偏最小二乘模型描述高维特征空间和输出数据矩阵；采用T²统计量和Q统计量来检验高炉炼铁过程是否异常；求解原始过程变量数据的重构值，辨识造成高炉异常工况的过程变量。本发明可以在高炉铁水质量监测中对故障进行准确辨识，提高对铁水质量的监测性能，从而保证高炉铁水质量。

Description

一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法

技术领域

本发明属于高炉铁水质量监测技术领域，具体是一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法。

背景技术

高炉炼铁是钢铁生产中的重要环节，现代炼铁的主要方法。由于高炉炼铁技术经济指标良好，工艺简单，生产量大，生产率高，能耗低的优点，这种方法生产的铁占世界总铁量的95％以上。高炉炼铁就是从铁矿石中将铁还原出来，并熔化成生铁。高炉炼铁是一个连续的生产过程，全过程在炉料自上而下，煤气自下而上的相互接触过程中完成。在高炉的两大流股运行过程中，相互间发生复杂的化学和物理变化，最终生成生铁，伴随着也生成炉渣和高炉煤气。

目前，通常采用硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)来衡量高炉炼铁过程的铁水质量信息。在高炉生产过程中，由于原燃料条件的变化、设备故障、各种操作条件的变化以及炉况判断的不准确等，都会造成炉况的波动，如果对炉况波动没有做出正确的判断且没有及时采取有力措施加以调剂纠正，就会使波动发生变化，以致造成炉况失常。在高炉炉况发生失常的情况下，首先要找出引起失常的原因，并采取相应的措施进行处理。处理的越及时，措施越妥善，炉况恢复的就越快，造成的损失就少。因此，操作者通过监测高炉生产过程，对炉况波动做出准确判断，找到造成炉况波动的原因，并及时准确的采取措施，对保证高炉安全稳定顺行，从而保证高炉铁水质量，减少损失尤为重要。

基于数据驱动的过程监测方法得到了广泛应用，其中，多变量统计过程监测方法已经成为过程监测领域的研究热点之一，推动了高炉多元铁水质量监测的研究。高炉炼铁过程是一个复杂的非线性过程，且历史故障数据并不完善，因此，高炉铁水质量监测过程中，故障变量的故障辨识仍然是一个比较困难的问题。

核偏最小二乘(kernel projection to latent structures，KPLS)又称为核函数潜投影，衍生自PLS算法，可弥补PLS算法解决非线性问题上的不足。基于核偏最小二乘方法的质量监测技术，将原始数据通过非线性映射关系投影到高维特征空间之中，在高维特征空间中进行PLS回归，得到非线性PLS模型。在基于PLS的质量监测过程中，贡献图方法是最常用的一种故障辨识方法，最常用于贡献图的统计量是平方预测误差(squaredprediction error，SPE)(也称Q统计量)和Hotelling’s T²，当检测到故障发生后，贡献图较大的变量被认为是可能造成故障的原因变量。然而，在基于KPLS的质量监测过程中，在很多情况下很难找到从特征空间到原始输入数据空间的逆映射函数，传统贡献图的方法便不再适用，这样就增加了故障辨识的难度，使故障辨识成为了非线性过程监测中的一大难题。

发明内容

为了解决以上基于KPLS的高炉铁水质量监测中故障辨识难度大的问题，本发明提出一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法。该方法首先建立非线性正常数据的KPLS模型并进行高炉铁水质量监测，然后利用鲁棒重构误差的方法重构输入数据的正常值，将重构值与实际过程数据值作比较，并计算输入数据的故障指标进行故障辨识。当有故障发生时，与故障相关的变量的故障辨识指标会显著增大，从而能够辨识出故障变量。本发明可以在高炉铁水质量监测中对故障进行准确辨识，提高对铁水质量的监测性能，并及时采取措施处理和纠正，从而保证高炉铁水质量。

为实现上述目的，本发明采用如下技术方案：

一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法，包括：

步骤1、采集高炉炼铁历史数据中相同时刻的高炉运行参数和铁水质量变量，并将高炉运行参数作为输入数据矩阵X，将铁水质量变量作为输出数据矩阵Y：

步骤2、从采集的历史数据中选取高炉炼铁正常过程的样本数据作为训练集，将其标准化成零均值、单位标准差的数据；

步骤3、将训练集中的输入数据映射到高维特征空间，利用高斯核函数得到训练集的Gram矩阵K，并将其中心化处理；

步骤4、获取高炉炼铁过程新的包含非正常工况的高炉运行参数及铁水质量变量样本作为测试集并标准化处理；

步骤5、将测试集中的输入数据矩阵X映射到高维特征空间，利用高斯核函数得到测试集的Gram矩阵K^new，并将其中心化处理；

步骤6、采用非线性最小二乘迭代算法在高维特征空间构建偏最小二乘模型即KPLS模型，描述高维特征空间和输出数据矩阵Y；

步骤7、采用T²统计量和Q统计量来检验高炉炼铁过程是否发生异常：如果T²统计量和Q统计量均在相应控制限以下，则当前高炉炼铁过程是正常的；如果只有T²统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y相关的故障，执行步骤8；如果只有Q统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y无关的故障，执行步骤8；

步骤8、在原始输入空间重构输入数据矩阵中的过程变量数据，过程变量的重构值为估计的高炉炼铁过程正常时刻的值，以最小化重构值在高维特征空间的映射值与原始输入数据空间过程变量在高维空间的非线性映射值投影之间的误差为目标，迭代求解得到原始过程变量数据的重构值；

步骤9、根据原始过程变量数据的重构值，以原始过程变量的重构误差作为故障辨识指标，辨识出造成高炉异常工况的过程变量。

所述高炉运行参数，包括通过常规的检测仪表所测得的变量、上下部调剂变量与经过计算获得的变量，包括焦批、矿批、焦炭负荷、烧结比、冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数、顶温东北、顶温西南、顶温西北、顶温东南、软水温度；上述28个高炉运行参数作为输入数据矩阵X中的过程变量数据；

所述铁水质量变量，包括硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)，作为输出数据矩阵Y的质量变量数据。

所述故障辨识指标如下：

式中，为输入数据x中第i个变量，为重构数据.第i个变量。

所述训练集的Gram矩阵K的计算公式如下：

K_ij＝k(x_i，x_j)＝<Φ(x_i)，Φ(x_j)>

式中，K_ij为训练集Gram矩阵K的第i行第j列的数据；Φ(x_i)为训练集中的第i个样本数据映射到高维特征空间F的映射值，Φ(x_j)为训练集中的第j个样本数据映射到高维特征空间F的映射值，k(x_i，x_j)为高斯核函数。

所述训练集的Gram矩阵K的中心化处理按下式计算：

式中，K₀为中心化处理后的训练集Gram矩阵K，E_n为n×n的单位矩阵，n为训练集样本个数，1_n为n维全1列向量，1′_n为1_n的转置矩阵。

所述测试集的Gram矩阵K^new的中心化处理按下式计算：

式中，为中心化处理后的测试集Gram矩阵K^new，E_n为n×n的单位矩阵(n为训练集样本个数)，1_N为N维(N为测试集样本个数)全1列向量，1_n为n维全1列向量，1′_n为1_n的转置矩阵。

本发明的有益效果：

通过选取常规的检测仪表所测得的变量、上下部调剂变量与经过计算获得的变量作为输入数据矩阵的过程变量，选取铁水信息的4个主参数作为质量变量，基于数据驱动的方法，采用高斯核函数，建立KPLS模型。在基于KPLS的高炉铁水质量监测中，应用Q和T²统计量指标进行故障检测，当检测到高炉运行过程存在异常工况时，通过本发明提出的一种基于KPLS的鲁棒重构误差的方法进行故障辨识，解决了非线性高炉炼铁过程质量监测的故障辨识的难题。

本发明提出的一种基于KPLS鲁棒重构误差的故障辨识方法，无需高炉炼铁过程故障的先验知识，只需正常工业过程数据训练模型，所建模型能够描述正常的生产过程，当高炉炼铁过程异常时通过计算输入数据的故障指标即可找出引起质量变量异常的故障变量，辨识出引起异常工况的变量。能够方便操作人员监测高炉生产过程，对炉况波动做出准确判断，并及时采取措施处理和纠正，进而保证高炉的稳定、高效、安全顺行，对保证铁水质量尤为重要。

附图说明

图1为本发明具体实施方式的一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法的流程图；

图2为本发明具体实施方式的一种基于KPLS鲁棒重构误差的高炉铁水质量监测T²和Q统计量检测图，其中，(a)为T²统计量检测图，(b)为Q统计量检测图；

图3为本发明具体实施方式测试集质量变量中硅含量的休哈顿控制图；

图4为本发明具体实施方式测试集质量变量中磷含量的休哈顿控制图；

图5为本发明具体实施方式测试集质量变量中硫含量的休哈顿控制图；

图6为本发明具体实施方式测试集质量变量中铁水温度的休哈顿控制图；

图7为本发明具体实施方式的一种基于KPLS鲁棒重构误差的高炉铁水质量监测的故障辨识指标图；

图2中所用的标记符号如下：

T²统计量——T²

Q统计量——Q

图3中所用的标记符号如下：

硅——Si

图4中所用的标记符号如下：

磷——P

图5中所用的标记符号如下：

硫——S

图6中所用的标记符号如下：

铁水温度——MIT。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式提供一种基于KPLS(kernel projection to latent structures，核偏最小二乘)鲁棒重构误差的高炉铁水质量监测方法，包括：

步骤1、采集高炉炼铁历史数据中相同时刻的高炉运行参数和铁水质量变量，并将高炉运行参数作为输入数据矩阵X，将铁水质量变量作为输出数据矩阵Y：

所述高炉运行参数，包括通过常规的检测仪表所测得的变量、上下部调剂变量与经过计算获得的变量，包括焦批、矿批、焦炭负荷、烧结比、冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数、顶温东北、顶温西南、顶温西北、顶温东南、软水温度；上述28个高炉运行参数作为输入数据矩阵X中的过程变量数据；

所述铁水质量变量，包括硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)，作为输出数据矩阵Y的质量变量数据。

步骤2、从采集的历史数据中选取高炉炼铁正常过程的样本数据作为训练集，将其标准化成零均值、单位标准差的数据：

本实施方式中将2016年6月11日-2016年7月13日的样本数据进行处理，选择高炉炼铁正常过程的600组样本数据作为训练集X₀∈R^600×28，Y₀∈R^600×4，将其标准化成零均值、单位标准差的数据。

步骤3、将训练集中的输入数据映射到高维特征空间F：x→Φ(x)∈F，引入核技术，利用高斯核函数得到训练集的Gram矩阵K，并将其中心化处理：

Gram矩阵K的计算公式如下：

K_ij＝k(x_i，x_j)＝<Φ(x_i)，Φ(x_j)>

式中，K_ij为训练集的Gram矩阵K的第i行第j列的数据；Φ(x_i)为训练集中的第i个样本数据映射到高维特征空间F的映射值，Φ(x_j)为训练集中的第j个样本数据映射到高维特征空间F的映射值，k(x_i，x_j)为高斯核函数。

本实施方式采用的高斯核函数为对于高斯核函数宽度参数c的选择没有一个确定的理论体系，根据5m经验原则(m为输入数据矩阵过程变量个数即m＝28)，选为140。

Gram矩阵K的中心化处理按下式计算：

式中，K₀为中心化处理后的训练集的Gram矩阵K，E_n为n×n的单位矩阵(n为训练集样本个数)，1_n为n维全1列向量，₁′_n为1_n的转置矩阵。

步骤4、获取高炉炼铁过程新的包含非正常工况的高炉运行参数及铁水质量变量样本作为测试集并标准化处理，即减去步骤2中计算出的训练集对应变量的均值并除以步骤2中计算出的对应变量的标准差：

本实施方式中将2016年7月13日-2016年7月25日的样本数据进行处理，选择300组包含两次非正常工况的样本数据作为测试集X∈R^300×28，Y∈R^300×4，并进行标准化处理，即减去步骤2中计算出的训练集的均值并除以步骤2中计算出的标准差。

步骤5、将测试集中的输入数据矩阵X映射到高维特征空间F：x→Φ(x)∈F，利用高斯核函数得到测试集的Gram矩阵K^new，并将其中心化处理。

Gram矩阵K^new的中心化处理按下式计算

式中，为中心化处理后的测试集的Gram矩阵K^new，E_n为n×n的单位矩阵(n为训练集样本个数)，1_N为N维(N为测试集样本个数)全1列向量，1_n为n维全1列向量。

步骤6、采用非线性最小二乘迭代算法在高维特征空间构建偏最小二乘模型即KPLS模型，描述高维特征空间Φ和输出数据矩阵Y：

KPLS模型为：

引入高斯核函数，上述模型转换为：

其中，T＝[t₁，…，t_A](A为主元个数，通过交叉验证的方法选择为4，即A＝4)是得分矩阵，P＝[p₁，…，p_A]和Q＝[q₁，…，q_A]分别是针对Gram矩阵K的载荷矩阵和输出数据矩阵Y的载荷矩阵。E和F分别是Gram矩阵K的建模误差和输出数据矩阵Y的建模误差。

通过非线性最小二乘迭代算法求得Gram矩阵K的得分向量t_i，在高维特征空间构建KPLS模型，具体步骤如下：

(1)开始：令u为输出数据矩阵Y的任一列；

(2)计算得分向量：t＝Ku；

(3)将得分向量t归一化处理：||t||→1；

(4)输出数据矩阵Y中的各列在得分向量t上进行回归：q＝Y′t；

(5)计算输出数据矩阵Y的新得分：u＝Yq；

(6)将u向量归一化处理：||u||→1；

(7)判断u是否收敛：如果是，跳到第8步，如果不是，跳到第2步；

(8)更新矩阵：K＝(I-tt′)K(I-tt′)，Y＝Y-tq′，计算下一个得分向量，重复上述过程直到A个得分向量均被提取。

其中，q用以计算Y的得分向量u。

至此，得到KPLS模型中的得分矩阵T，确定出最终的KPLS模型供后续使用。

步骤7、采用Hotelling’s T²统计量和平方预测误差(squared predictionerror，SPE)(也称Q统计量)来检验高炉炼铁过程是否发生异常：如果T²统计量和Q统计量均在相应控制限以下，则当前高炉炼铁过程是正常的；如果只有T²统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y相关的故障，执行步骤8；如果只有Q统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y无关的故障，执行步骤8；

在基于KPLS鲁棒重构误差的高炉铁水质量监测中，通常利用T²统计量来监测与质量变量相关的故障，Q统计量来监测与质量变量无关的故障，如图2(a)～(b)所示。选择置信水平α＝99％，下面介绍T²和Q两个常用的监测统计量指标。

对于新采样数据的得分向量按如下公式计算：

t_new＝(U′KT)^-1U′K^new∈R^A

式中，A为KPLS模型的主元个数，U为步骤6中通过非线性最小二乘迭代算法所得的质量矩阵Y的得分矩阵。

T²统计量和和Q统计量计算如下式所示：

式中，是训练集得分t的样本协方差，和Q_lim分别为T²统计量和Q统计量的控制限，n是训练样本的个数，F_A，n-A；a是带有A和n-A个自由度、置信水平为α的F分布临界值。S是训练样本Q统计量的方差，μ是训练样本Q统计量的均值，是自由度为2μ²/s、置信水平为α的卡方分布临界值。

由于Φ_r(x_new)不能显式的计算，需要利用高斯核函数计算Gram矩阵的形式，则Q统计量按如下公式计算：

式中，x_i、x_j均为训练集的数据，x_new为测试集的数据。

从图2中可以看出，测试集中检测到了两次故障的发生，分别发生在第190-237个采样点，第253-300个采样点。绘制质量变量四个参数的休哈顿控制图，由图3-图6可以看出，确实有两次影响到铁水质量的故障发生，铁水质量参数硅含量和硫含量有较大波动。

步骤8、在原始输入空间重构输入数据矩阵中的过程变量数据，过程变量的重构值为估计的高炉炼铁过程正常时刻的值，以最小化重构值在高维特征空间的映射值与原始输入数据空间过程变量在高维空间的非线性映射值投影之间的误差为目标，迭代求解得到原始过程变量数据的重构值：

设为输入数据训练集，m为输入数据过程变量个数，为质量变量，l为质量变量个数，n为采样数，将输入数据映射到高维特征空间F：x→Φ(x)∈F，定义在特征空间的数据矩阵为Φ(x)＝Φ′＝[φ(x₁)，φ(x₂)，…，φ(x_n)]∈R^f×n，且则输入数据在高维特征空间的协方差矩阵c表示成：

为特征数据利用高斯核函数生成的Game矩阵，本发明采用高斯核函数在高维特征空间执行非线性最小二乘迭代算法后，下式成立：

式中，λ_i∈R为K的特征值p_i∈R^n×A为对应的特征向量，A为KPLS模型的主元个数，对上式两边同时乘以Φ(x)则有下式：

则存在下式成立：

V＝Φ(X)P

式中，设P＝[p₁ p₂ … p_A]，V＝[v₁ v₂ … v_A]分别为输入数据的Gram矩阵K和协方差矩阵C的特征向量矩阵。

设新的输入数据为x_new∈R^m，在高维特征空间的非线性映射值为Φ(x_new)，则Φ(x_new)在V坐标系上的得分向量为：

h＝Φ(x_new)′V＝Φ(x_new)′Φ(X)P＝k(x_new·X)P＝k_newP

上式中，k_new为新数据在高维特征空间的Gram矩阵，Φ(x_new)的重构值设存在投影矩阵P_H使得成立，为了能够在原始输入数据空间辨识故障变量，需要在原始输入数据空间重构数据而不是在高维特征空间。如果存在向量z∈R^m满足Φ(z)＝P_HΦ(x_new)，则将z作为x_new的一组重构数据。因此重构x_new转化为求解以下优化问题，即最小化重构值在高维空间的映射值与原始输入数据空间变量在高维空间的映射值投影之间的误差：

minρ(z)＝||Φ(z)-P_HΦ(x_new)||²

应用梯度下降求解上述问题所得最优解为对于高斯核函数则有下式成立：

用迭代的方式求解z即：

由于主元变量对输入数据中的异常值敏感，会影响对输入数据数据重构值的精度，为解决此问题，在更新重构值的同时更新得分向量h：

式中，

为了解决迭代不收敛情况，设x_new，i，i＝1，2，…，m为新输入数据的第i个变量，定义数据的确定性指标β_i∈R，i＝1，2，…m，数据的确定性指标矩阵B(s)＝diag(β₁，β₂，…，β_m)∈R^m×m，用新的输入数据和重构数据的差值来估计数据的确定性，当差值较大时，认为新输入数据是正常数据的可能性小，因此减少此数据的确定性β_i，当差值较小时，认为新输入数据是正常数据的可能性大，并以此来修改第s-1次迭代的输入数据重构值，使原始输入数据在下一时刻的重构值中占得比重大，从而可以减少迭代次数，使迭代估计尽快的收敛。当s＞0重构数据的迭代可由下式替代：

式中，I是m×m的单位矩阵。数据确定性指标值可按下式计算：

E<|x_new，i-x_j，i|>d表示前d个新输入数据与训练数据差值最小值的均值。因此原始数据第s次迭代重构值可按下式计算：

通过上式的迭代求解，得到原始数据的重构值。

步骤9、根据原始过程变量数据的重构值，以原始过程变量的重构误差作为故障辨识指标，辨识出造成高炉异常工况的过程变量：

故障辨识指标如下：

式中，为输入数据x中第i个变量，为重构数据第i个变量。当故障发生在第i个变量时，故障指标值会大幅度增加，未发生故障的变量指标值不会大幅增加，因此比较所有输入数据的过程变量指标值的大小即可辨识出造成故障的过程变量。

测试集中有两次故障发生，第一次是悬料、坐料、风压波动，第二次是悬料、休风、复风工作。从故障辨识图7可知，辨识出的第一次异常工况的故障变量为焦炭负荷、富氧率、富氧流量、阻力系数，后期出现了顶压异常；辨识出的第二次异常工况的故障变量主要是焦炭负荷、阻力系数、顶压、设定喷煤量，压差、富氧率、富氧流量也造成一定影响。根据工程实践，铁水质量异常的主要影响因素包括富氧流量、富氧率、压差、焦炭负荷、设定喷煤量等。可以发现所提供的故障辨识方法能够辨识出高炉铁水质量的主要影响因素。

本发明提出的一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法，针对非线性质量监测过程的故障辨识问题，无需高炉炼铁过程故障的先验知识，只需正常工况下的工业过程数据训练模型，所建KPLS模型能够描述正常的生产过程，当高炉炼铁过程出现异常工况时，能够通过计算故障辨识指标找出引起质量变量异常的过程故障变量，实现准确的辨识。从而方便操作人员对炉况波动作出准备判断并采取处理措施，保证高炉顺行，从而保证铁水质量。

Claims (6)

1.一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法，其特征在于，包括：

步骤1、采集高炉炼铁历史数据中相同时刻的高炉运行参数和铁水质量变量，并将高炉运行参数作为输入数据矩阵X，将铁水质量变量作为输出数据矩阵Y：

步骤2、从采集的历史数据中选取高炉炼铁正常过程的样本数据作为训练集，将其标准化成零均值、单位标准差的数据；

步骤3、将训练集中的输入数据映射到高维特征空间，利用高斯核函数得到训练集的Gram矩阵K，并将其中心化处理；

步骤4、获取高炉炼铁过程新的包含非正常工况的高炉运行参数及铁水质量变量样本作为测试集并标准化处理；

步骤5、将测试集中的输入数据矩阵X映射到高维特征空间，利用高斯核函数得到测试集的Gram矩阵K^new，并将其中心化处理；

步骤6、采用非线性最小二乘迭代算法在高维特征空间构建偏最小二乘模型即KPLS模型，描述高维特征空间和输出数据矩阵Y；

步骤7、采用T2统计量和Q统计量来检验高炉炼铁过程是否发生异常：如果T²统计量和Q统计量均在相应控制限以下，则当前高炉炼铁过程是正常的，此时结束；如果只有T²统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y相关的故障，执行步骤8；如果只有Q统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y无关的故障，执行步骤8；

步骤8、在原始输入空间重构输入数据矩阵中的过程变量数据，过程变量的重构值为估计的高炉炼铁过程正常时刻的值，以最小化重构值在高维特征空间的映射值与原始输入数据空间过程变量在高维空间的非线性映射值投影之间的误差为目标，迭代求解得到原始过程变量数据的重构值；

步骤9、根据原始过程变量数据的重构值，以原始过程变量的重构误差作为故障辨识指标，辨识出造成高炉异常工况的过程变量。

2.根据权利要求1所述的方法，其特征在于，所述高炉运行参数，包括通过常规的检测仪表所测得的变量、上下部调剂变量与经过计算获得的变量，包括焦批、矿批、焦炭负荷、烧结比、冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数、顶温东北、顶温西南、顶温西北、顶温东南、软水温度；上述28个高炉运行参数作为输入数据矩阵X中的过程变量数据；

所述铁水质量变量，包括硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)，作为输出数据矩阵Y的质量变量数据。

3.根据权利要求1所述的方法，其特征在于，所述故障辨识指标如下：

ξ_i＝||xⁱ-xⁱ||²

式中，xⁱ∈R为输入数据x中第i个变量，xⁱ∈R为重构数据x第i个变量。

4.根据权利要求1所述的方法，其特征在于，所述训练集的Gram矩阵K的计算公式如下：

K_ij＝k(x_i,x_j)＝<Φ(x_i),Φ(x_j)>

式中，K_ij为训练集Gram矩阵K的第i行第j列的数据；Φ(x_i)为训练集中的第i个样本数据映射到高维特征空间F的映射值，Φ(x_j)为训练集中的第j个样本数据映射到高维特征空间F的映射值，k(x_i,x_j)为高斯核函数。

5.根据权利要求1所述的方法，其特征在于，所述训练集的Gram矩阵K的中心化处理按下式计算：

式中，K₀为中心化处理后的训练集Gram矩阵K，E_n为n×n的单位矩阵，n为训练集样本个数，1_n为n维全1列向量，1'_n为1_n的转置矩阵。

6.根据权利要求1所述的方法，其特征在于，所述测试集的Gram矩阵K^new的中心化处理按下式计算：

式中，为中心化处理后的测试集Gram矩阵K^new，E_n为n×n的单位矩阵，n为训练集样本个数，1_N为N维全1列向量，N为测试集样本个数，1_n为n维全1列向量，1'_n为1_n的转置矩阵。