CN110457550B - 一种烧结过程中异常运行数据的校正方法 - Google Patents
一种烧结过程中异常运行数据的校正方法 Download PDFInfo
- Publication number
- CN110457550B CN110457550B CN201910603000.3A CN201910603000A CN110457550B CN 110457550 B CN110457550 B CN 110457550B CN 201910603000 A CN201910603000 A CN 201910603000A CN 110457550 B CN110457550 B CN 110457550B
- Authority
- CN
- China
- Prior art keywords
- data
- operation data
- abnormal operation
- sintering process
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000008569 process Effects 0.000 title claims abstract description 69
- 238000005245 sintering Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000011112 process operation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Testing And Monitoring For Control Systems (AREA)
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
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={xi|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xi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xi小于Q4或者xi大于Q5,则所述运行数据xi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JKFCM如下:
其中,JKFCM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,μfj是正常运行的历史数据点相对于聚类中心的模糊隶属度,yj表示第f类中的正常运行的历史数据,cf为第f类的聚类中心,K(yj,cf)是高斯核函数,且K(yj,cf)=exp(-||yj-cf||2/2σ2),其中,σ为核函数调节参数;
(2-2):通过更新聚类中心cf和模糊隶属度μfj来实现JKFCM的最小,所述聚类中心cf和模糊隶属度μfj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xi与聚类中心cf的欧式距离:
Sf=||xi-cf||
其中,Sf为异常运行数据xi与聚类中心cf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minSf,进而确定所述异常运行数据xi属于最小的欧式距离minSf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,yj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xi与第f类中的正常运行的历史数据yj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xi与第f类中的正常运行的历史数据yj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xi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={xi|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xi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xi小于Q4或者xi大于Q5,则所述运行数据xi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{yj|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JKFCM如下:
其中,JKFCM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;μfj是正常运行的历史数据点相对于聚类中心的模糊隶属度;yj表示第f类中的正常运行的历史数据;cf为第f类的聚类中心;K(yj,cf)是高斯核函数,且K(yj,cf)=exp(-||yj-cf||2/2σ2),其中,σ为核函数调节参数;
(2-2):通过更新聚类中心cf和模糊隶属度μfj来实现目标函数JKFCM的最小,所述聚类中心cf和模糊隶属度μfj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xi与聚类中心cf的欧式距离:
Sf=||xi-cf||
其中,Sf为异常运行数据xi与聚类中心cf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 Sf,进而确定所述异常运行数据xi属于最小的欧式距离min Sf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,yj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xi与第f类中的正常运行的历史数据yj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xi与第f类中的正常运行的历史数据yj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xi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={xi|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xi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xi小于Q4或者xi大于Q5,则所述运行数据xi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JKFCM如下:
其中,JKFCM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,μfj是正常运行的历史数据点相对于聚类中心的模糊隶属度,yj表示第f类中的正常运行的历史数据,cf为第f类的聚类中心,K(yj,cf)是高斯核函数,且K(yj,cf)=exp(-||yj-cf||2/2σ2),其中,σ为核函数调节参数;
(2-2):通过更新聚类中心cf和模糊隶属度μfj来实现JKFCM的最小,所述聚类中心cf和模糊隶属度μfj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xi与聚类中心cf的欧式距离:
Sf=||xi-cf||
其中,Sf为异常运行数据xi与聚类中心cf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 Sf,进而确定所述异常运行数据xi属于最小的欧式距离min Sf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。
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xi与第f类中的正常运行的历史数据yj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xi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603000.3A CN110457550B (zh) | 2019-07-05 | 2019-07-05 | 一种烧结过程中异常运行数据的校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603000.3A CN110457550B (zh) | 2019-07-05 | 2019-07-05 | 一种烧结过程中异常运行数据的校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110457550A CN110457550A (zh) | 2019-11-15 |
CN110457550B true CN110457550B (zh) | 2022-11-18 |
Family
ID=68482240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603000.3A Active CN110457550B (zh) | 2019-07-05 | 2019-07-05 | 一种烧结过程中异常运行数据的校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457550B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598129B (zh) * | 2020-04-11 | 2023-07-11 | 中国地质大学(武汉) | 基于动态时间规整的钻进过程数据异常判别与校正的方法 |
CN113139817A (zh) * | 2021-04-28 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 数据分类方法、数据分类装置、介质及电子设备 |
CN115662464B (zh) * | 2022-12-29 | 2023-06-27 | 广州市云景信息科技有限公司 | 一种智能识别环境噪声的方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653835B (zh) * | 2014-11-14 | 2018-07-27 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN106780121B (zh) * | 2016-12-06 | 2020-10-09 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
CN106714220B (zh) * | 2017-01-06 | 2019-05-17 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
-
2019
- 2019-07-05 CN CN201910603000.3A patent/CN110457550B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110457550A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457550B (zh) | 一种烧结过程中异常运行数据的校正方法 | |
CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
US20180259921A1 (en) | Data-Difference-Driven Self-Learning Dynamic Optimization Method For Batch Process | |
CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
CN114997276A (zh) | 一种面向压制成型设备的异构多源时序数据异常识别方法 | |
CN111625934B (zh) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 | |
CN114898821A (zh) | 一种基于机器学习模型融合的合金性能预测方法 | |
CN102621953A (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
Li et al. | Physical metallurgy guided industrial big data analysis system with data classification and property prediction | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN105468849A (zh) | 一种飞机重量控制方法 | |
CN111647698A (zh) | 一种高炉炉缸的活跃状态检测方法及装置 | |
CN116975770A (zh) | 铸钢的缺陷检测方法及系统 | |
CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
CN108229541B (zh) | 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法 | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
CN108364095B (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
CN117831659B (zh) | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 | |
CN112966870B (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 | |
WO2023181127A1 (ja) | 製品品質分析支援システム | |
CN116433108B (zh) | 一种用于特种钢材冶炼的原料管理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |