CN110457550B - 一种烧结过程中异常运行数据的校正方法 - Google Patents

Abstract

本发明提供了一种烧结过程中异常运行数据的校正方法。首先，采用箱型图法对烧结过程中的运行数据进行异常检测，得到若干异常数据；再使用核模糊C均值聚类算法对正常运行的历史数据进行聚类划分，得到若干类别；然后计算异常运行数据与不同聚类中心的欧式距离，根据最小欧式距离对应的类别得到若干异常运行数据的所属类别；最后利用基于马氏距离的最近邻算法在异常运行数据的所属类别中获得与异常运行数据最相似的正常运行的历史数据来对其进行校正，并将校正后的异常运行数据保存到烧结过程历史数据库中。本发明的有益效果是：能够保证烧结过程运行数据的准确性和完整性，为烧结过程的建模、优化和控制方面提供支持，具有实用性和适用性。

Description

一种烧结过程中异常运行数据的校正方法

技术领域

本发明涉及钢铁烧结工程领域，尤其涉及一种烧结过程中异常运行数据的校正方法。

背景技术

烧结过程是一类连续生产的复杂工业过程，该过程涉及众多过程参数。随着工业信息技术的飞速发展，烧结过程可以实时采集多种与生产条件有关的运行数据。而在实际烧结生产过程中，由于受到传感器老化，噪声，工作人员疏忽等等原因，所获得的运行数据中可能会存在一些异常数据。所谓的异常数据是指其值明显偏离它或它们所属的这批数据的其余观测值的数据。这些异常数据使生产情况难以被评估。因此，需要对这些异常数据进行检测与校正变得至关重要。

烧结过程是钢铁冶金过程的一个重要环节，其生成物烧结矿的质量与产量优劣不仅仅直接影响到高炉炼铁过程的产量和质量，还会对高炉炼铁过程能够获得良好经济技术指标产生至关重要的影响。烧结生产流程长、环节多，其过程具有明显的复杂性,非线性和不确定性等特点，属于典型的复杂工业过程对象。该过程能够采集多种多样的运行数据，出现异常运行数据的可能性也随之增大，以至降低了烧结机的作业率，影响烧结矿产量和质量。烧结生产过程中异常运行数据会影响烧结生产稳定运行。实现烧结过程运行数据的异常检测与校正有利于保证烧结过程生产数据的准确性和完整性，对研究烧结过程的建模、优化和控制具有重要的意义。

本发明提出了一种烧结过程中异常运行数据的校正方法，用于实现烧结过程运行数据的异常检测与校正。且该技术能够保证烧结过程运行数据的准确性和完整性，进而为钢铁工业绿色制造及节能减排的研究奠定基础。

发明内容

为了解决上述问题，本发明提供了一种烧结过程中异常运行数据的校正方法，一种烧结过程中异常运行数据的校正方法，主要包括以下步骤：

S1：采用箱型图法对烧结过程运行数据进行异常运行数据检测，检测出各个异常运行数据；

S2：根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分，得到若干类别；然后计算某一异常运行数据和所述若干类别的不同聚类中心的欧式距离，得到最小的欧式距离对应的类别，该类别即为所述某一异常运行数据的所属类别；同理，得到其他异常运行数据的所属类别；

S3：基于马氏距离的最近邻算法，在任一异常运行数据所属类别中获得与所述任一异常运行数据最相似的正常运行的历史数据来对所述任一异常运行数据进行校正，并将校正后的异常运行数据保存到烧结过程历史数据库中。

进一步地，对烧结过程运行数据进行异常运行数据检测的具体过程为：

(1-1)：X＝{x_i|i＝1,2,…,M}表示烧结过程运行数据的集合，其中M表示烧结过程运行数据的总数量；采用箱型图法对运行数据X进行异常检测，箱型图法的计算公式如下所示：

IQR＝Q₃-Q₁

Q₄＝Q₁-1.5×IQR

Q₅＝Q₃+1.5×IQR

其中，Q₁是运行数据中的下四分位数，Q₃是运行数据中的上四分位数，IQR是上下四分位数之差，Q₄是运行数据集的下限值，Q₅是运行数据集的上限值；

(1-2)：判断运行数据x_i与运行数据集的下限值Q₄及运行数据集的上限值Q₅的大小；若所述运行数据x_i小于Q₄或者x_i大于Q₅，则所述运行数据x_i被检测为异常运行数据。

进一步地，所述根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分的过程如下：

(2-1)：设定核模糊C均值聚类算法的目标函数J_KFCM如下：

其中，J_KFCM是核模糊C均值聚类算法的目标函数，L是聚类个数，N是正常运行的历史数据的样本数目，m是模糊指数，μ_fj是正常运行的历史数据点相对于聚类中心的模糊隶属度，y_j表示第f类中的正常运行的历史数据，c_f为第f类的聚类中心，K(y_j,c_f)是高斯核函数，且K(y_j,c_f)＝exp(-||y_j-c_f||²/2σ²)，其中，σ为核函数调节参数；

(2-2)：通过更新聚类中心c_f和模糊隶属度μ_fj来实现J_KFCM的最小，所述聚类中心c_f和模糊隶属度μ_fj的表达式分别如下所示：

(2-3)：通过以下公式分别计算异常运行数据x_i与聚类中心c_f的欧式距离：

S_f＝||x_i-c_f||

其中，S_f为异常运行数据x_i与聚类中心c_f的欧式距离；

(2-4)：通过比较得到的所有欧式距离，找到最小的欧式距离minS_f，进而确定所述异常运行数据x_i属于最小的欧式距离minS_f对应的正常运行的历史数据中的第f类，其中，f＝1,2,…,L，L是聚类个数。

进一步地，所述马氏距离的计算公式为：

其中，y_j表示第f类中的正常运行的历史数据，T表示转置，Σ^-1表示所述异常运行数据x_i与第f类中的正常运行的历史数据y_j的协方差矩阵。

进一步地，所述基于马氏距离的最近邻算法和校正后的异常运行数据进行校正和保存包括以下步骤：

(3-1)：分别计算所述异常运行数据x_i与第f类中的正常运行的历史数据y_j之间的马氏距离，采用最近邻算法，在若干马氏距离中得到与所述异常运行数据x_i最相似的某一正常运行的历史数据；

(3-2)：通过所述某一正常运行的历史数据，对所述异常运行数据进行校正，并根据时间顺序把校正后的异常运行数据保存到烧结过程历史数据库中。

本发明提供的技术方案带来的有益效果是：能够保证烧结过程运行数据的准确性和完整性，为烧结过程的建模、优化和控制方面提供支持，具有实用性和适用性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中一种烧结过程中异常运行数据的校正方法的流程图；

图2是本发明实施例中箱型图法的计算示意图；

图3是本发明实施例中采用核模糊C均值聚类算法进行聚类划分的示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了一种烧结过程中异常运行数据的校正方法。

请参考图1，图1是本发明实施例中一种烧结过程中异常运行数据的校正方法的流程图，具体包括如下步骤：

S1：采用箱型图法对烧结过程运行数据进行异常运行数据检测，检测出各个异常运行数据；具体过程如下：

(1-1)：X＝{x_i|i＝1,2,…,M}表示烧结过程运行数据的集合，其中M表示烧结过程运行数据的总数量；采用箱型图法对运行数据X进行异常检测，如图2所示的箱型图法的计算公式如下所示：

IQR＝Q₃-Q₁

Q₄＝Q₁-1.5×IQR

Q₅＝Q₃+1.5×IQR

其中，Q₁是运行数据中的下四分位数，Q₃是运行数据中的上四分位数，IQR是上下四分位数之差，Q₄是运行数据集的下限值，Q₅是运行数据集的上限值；

(1-2)：判断运行数据x_i与运行数据集的下限值Q₄及运行数据集的上限值Q₅的大小；若所述运行数据x_i小于Q₄或者x_i大于Q₅，则所述运行数据x_i被检测为异常运行数据；

S2：根据如图3所示的核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分，得到若干类别；然后计算某一异常运行数据和所述若干类别的不同聚类中心的欧式距离，得到最小的欧式距离对应的类别，该类别即为所述某一异常运行数据的所属类别；同理，得到其他异常运行数据的所属类别；假设某一异常运行数据为A，所述若干类别分别为B1、B2及B3类，所述若干类别对应的聚类中心分别为C1、C2及C3，则需要计算出A到C1的欧式距离L1、A到C2的欧式距离L2和A到C3的欧式距离L3，然后比较L1、L2和L3的大小，得到最小的欧式距离，假设最小的欧式距离为L2，则最小的欧式距离对应的类别为B2类，该B2类即为所述某一异常运行数据A的所属类别；同理可得其他运行异常运行数据的所属类别；

所述根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分的过程如下：

(2-1)：实际烧结过程中正常历史运行数据数目众多，为了快速准确找到与异常运行数据最相似的正常历史数据，应先采用核模糊C均值聚类方法对正常历史数据{y_j|j＝1,2,…,N}进行聚类划分，核模糊C均值聚类算法利用核函数将数据从原始输入空间映射到高维空间使数据更容易分离；设定核模糊C均值聚类算法的目标函数J_KFCM如下：

其中，J_KFCM是核模糊C均值聚类算法的目标函数；L是聚类个数，即L是所述若干类别的总数；j表示正常运行的历史数据中的第j个样本；N是正常运行的历史数据的样本数目；m是模糊指数；f表示所述若干类别中的第f类；μ_fj是正常运行的历史数据点相对于聚类中心的模糊隶属度；y_j表示第f类中的正常运行的历史数据；c_f为第f类的聚类中心；K(y_j,c_f)是高斯核函数，且K(y_j,c_f)＝exp(-||y_j-c_f||²/2σ²)，其中，σ为核函数调节参数；

(2-2)：通过更新聚类中心c_f和模糊隶属度μ_fj来实现目标函数J_KFCM的最小，所述聚类中心c_f和模糊隶属度μ_fj的表达式分别如下所示：

(2-3)：通过以下公式分别计算异常运行数据x_i与聚类中心c_f的欧式距离：

S_f＝||x_i-c_f||

其中，S_f为异常运行数据x_i与聚类中心c_f的欧式距离；

(2-4)：通过比较得到的所有欧式距离，找到最小的欧式距离min S_f，进而确定所述异常运行数据x_i属于最小的欧式距离min S_f对应的正常运行的历史数据中的第f类，其中，f＝1,2,…,L，L是聚类个数；

S3：基于马氏距离的最近邻算法，在任一异常运行数据所属类别中获得与所述任一异常运行数据最相似的正常运行的历史数据来对所述任一异常运行数据进行校正，并将校正后的异常运行数据保存到烧结过程历史数据库中；假设与任一异常运行数据A最相似的正常运行的历史数据为D，为了修复所述任一异常运行数据A，则将正常运行的历史数据D替换掉所述任一异常运行数据A，并将所述正常运行的历史数据D按照所述任一异常运行数据A的时间点存储到烧结过程历史数据库中；

所述马氏距离的计算公式为：

其中，y_j表示第f类中的正常运行的历史数据，T表示转置，Σ^-1表示所述异常运行数据x_i与第f类中的正常运行的历史数据y_j的协方差矩阵；

所述基于马氏距离的最近邻算法和校正后的异常运行数据进行校正和保存包括以下步骤：

(3-1)：分别计算所述异常运行数据x_i与第f类中的正常运行的历史数据y_j之间的马氏距离，采用最近邻算法，在若干马氏距离中得到与所述异常运行数据x_i最相似的某一正常运行的历史数据；

(3-2)：通过所述某一正常运行的历史数据，对所述异常运行数据进行校正，并根据时间顺序把校正后的异常运行数据保存到烧结过程历史数据库中。

本实施中选用烧结过程中的部分过程参数为：17#风箱温度、19#风箱温度、风箱负压、烧结终点位置、烧结终点温度、料层厚度、台车速度和垂直燃烧速度，并获得烧结过程中200组运行数据和1000组正常运行的历史数据。在此基础上，首先采用箱型图法对200组运行数据进行异常运行数据检测，然后采用核模糊C均值聚类算法对1000组正常运行的历史数据进行聚类划分，得到若干类别；同时计算每个异常运行数据和不同聚类中心的欧式距离，并根据最小的欧式距离得到所述每个异常运行数据属于正常运行的历史数据的若干类别中的哪一类，最后在这一类中，运用基于马氏距离的最近邻算法获得与所述每个异常运行数据最相似的正常运行的历史数据来对所述每个异常运行数据进行校正，并将校正后的异常运行数据按照时间顺序保存到烧结过程历史数据库中。具体步骤如下：

(1)运行数据的异常检测

由于实际烧结过程存在传感器老化、噪声和工作人员疏忽等问题，采集获得的运行数据会存在异常现象，为了保证运行数据的准确性，需要对这些运行数据进行异常检测及矫正。采用箱型图法对本实施例中获得的200组运行数据进行异常检测，检测得到如表1所示的13组异常数据，表1中加粗的的数字即为检测出的异常运行数据；

表1检测的异常运行数据

(2)核模糊C均值聚类算法划分正常运行的历史数据

在确定异常运行数据的基础上，再采用核模糊C均值聚类算法对1000组正常运行的历史数据进行聚类划分，得到4个类别，聚类中心如下所示：

(3)计算异常运行数据与聚类中心的欧式距离

在对正常历史数据进行聚类划分后，分别计算异常运行数据和不同聚类中心的欧式距离，并在这些欧式距离中找到最小的欧式距离来确定异常运行数据属于正常历史数据中的第几类。这些异常运行数据与聚类中心的最小欧式距离分别为62.77，63.69，63.13，59.83，56.70，52.65，49.17，44.67，63.62，65.84，64.46，63.84，62.79；分别属于正常历史数据的第2，2，2，2，2，2，2，2，3，4，4，1，1类；

(4)基于马氏距离的最近邻算法获得最相似的正常历史数据

在确定异常运行数据所属正常历史数据的第2，2，2，2，2，2，2，2，3，4，4，1，1类之后，分别在这些不同的类别中采用基于马氏距离的最近邻算法获得与异常运行数据最相似的正常运行的历史数据，并使用最相似的正常运行的历史数据去校正异常运行数据，校正后的13组异常数据如表2所示，表2中加粗的数字为校正后的异常运行数据；

表2校正后的异常运行数据

(5)存储校正后的异常运行数据

按照时间顺序，将校正后的异常运行数据并入到200组运行数据中，然后将包含校正后的异常运行数据的200组运行数据保存到烧结过程的历史数据库中。

本发明的有益效果是：能够保证烧结过程运行数据的准确性和完整性，为烧结过程的建模、优化和控制方面提供支持，具有实用性和适用性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种烧结过程中异常运行数据的校正方法，其特征在于：包括以下步骤：

S1：采用箱型图法对烧结过程运行数据进行异常运行数据检测，检测出各个异常运行数据；

S2：根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分，得到若干类别；然后计算某一异常运行数据和所述若干类别的不同聚类中心的欧式距离，得到最小的欧式距离对应的类别，该类别即为所述某一异常运行数据的所属类别；同理，得到其他异常运行数据的所属类别；

S3：基于马氏距离的最近邻算法，在任一异常运行数据所属类别中获得与所述任一异常运行数据最相似的正常运行的历史数据来对所述任一异常运行数据进行校正，并将校正后的异常运行数据保存到烧结过程历史数据库中。

2.如权利要求1所述的一种烧结过程中异常运行数据的校正方法，其特征在于：步骤S1中，对烧结过程运行数据进行异常运行数据检测的具体过程如下：

(1-1)：X＝{x_i|i＝1,2,…,M}表示烧结过程运行数据的集合，其中M表示烧结过程运行数据的总数量；采用箱型图法对运行数据X进行异常检测，箱型图法的计算公式如下所示：

IQR＝Q₃-Q₁

Q₄＝Q₁-1.5×IQR

Q₅＝Q₃+1.5×IQR

其中，Q₁是运行数据中的下四分位数，Q₃是运行数据中的上四分位数，IQR是上下四分位数之差，Q₄是运行数据集的下限值，Q₅是运行数据集的上限值；

(1-2)：判断运行数据x_i与运行数据集的下限值Q₄及运行数据集的上限值Q₅的大小；若所述运行数据x_i小于Q₄或者x_i大于Q₅，则所述运行数据x_i被检测为异常运行数据。

3.如权利要求2所述的一种烧结过程中异常运行数据的校正方法，其特征在于：步骤S2中，所述根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分的过程如下：

(2-1)：设定核模糊C均值聚类算法的目标函数J_KFCM如下：

其中，J_KFCM是核模糊C均值聚类算法的目标函数，L是聚类个数，N是正常运行的历史数据的样本数目，m是模糊指数，μ_fj是正常运行的历史数据点相对于聚类中心的模糊隶属度，y_j表示第f类中的正常运行的历史数据，c_f为第f类的聚类中心，K(y_j,c_f)是高斯核函数，且K(y_j,c_f)＝exp(-||y_j-c_f||²/2σ²)，其中，σ为核函数调节参数；

(2-2)：通过更新聚类中心c_f和模糊隶属度μ_fj来实现J_KFCM的最小，所述聚类中心c_f和模糊隶属度μ_fj的表达式分别如下所示：

(2-3)：通过以下公式分别计算异常运行数据x_i与聚类中心c_f的欧式距离：

S_f＝||x_i-c_f||

其中，S_f为异常运行数据x_i与聚类中心c_f的欧式距离；

(2-4)：通过比较得到的所有欧式距离，找到最小的欧式距离min S_f，进而确定所述异常运行数据x_i属于最小的欧式距离min S_f对应的正常运行的历史数据中的第f类，其中，f＝1,2,…,L，L是聚类个数。

4.如权利要求3所述的一种烧结过程中异常运行数据的校正方法，其特征在于：步骤S3中，所述马氏距离的计算公式为：

其中，y_j表示第f类中的正常运行的历史数据，T表示转置，Σ^-1表示所述异常运行数据x_i与第f类中的正常运行的历史数据y_j的协方差矩阵。

5.如权利要求4所述的一种烧结过程中异常运行数据的校正方法，其特征在于：步骤S3中，所述基于马氏距离的最近邻算法和校正后的异常运行数据进行校正和保存包括以下步骤：

(3-1)：分别计算所述异常运行数据x_i与第f类中的正常运行的历史数据y_j之间的马氏距离，采用最近邻算法，在若干马氏距离中得到与所述异常运行数据x_i最相似的某一正常运行的历史数据；

(3-2)：通过所述某一正常运行的历史数据，对所述异常运行数据进行校正，并根据时间顺序把校正后的异常运行数据保存到烧结过程历史数据库中。

Images