一种基于样本分割的多尺度二叉树高炉故障诊断方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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一一支持 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。
[0005] 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。
[0006] 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。
[0007] 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】
[0008] 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。
[0009] -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；
[0010] 步骤1、采集高炉生产状况历史数据和设备运行状态的历史故障类型；
[0011] 步骤2、对采集的历史数据进行归一化处理，获得训练样本集；
[0012] 步骤3、采用极大似然估计法获得各类故障样本的均值和类内散度；
[0013] 步骤4、构建二叉树分类器，从二叉树分类器中的根结点开始，采用改进广义特征 值支持向量机方法，获得二叉树分类器各节点的一条距离正类训练样本最近且距离负类训 练样本最远的分割面，再进一步获得分割后两部分各自的分类超平面，完成故障诊断模型 的建立；
[0014] 步骤5、采集高炉生产状况实际数据，对采集的实际数据进行归一化处理；
[0015] 步骤6、将归一化处理后的实际数据导入建立的故障诊断模型中，获得高炉实际所 属故障类型，完成高炉故障诊断。
[0016] 步骤1所述的生产状况历史数据包括:风量、风压、顶压、压差、透气性、顶温、十字 测温、料速、硅和物理热;所述的设备运行状态的历史故障类型包括：向凉、向热、管道行程、 悬料、崩料、低料线以及边缘气流过分发展、低料线以及边缘气流发展不足。
[0017] 步骤4所述的二叉树分类器中的根结点，其正类为类内散度最大的样本所对应的 故障类型;其负类为训练样本集中除类内散度最大的样本以外的其余样本所对应的故障类 型。
[0018] 步骤4所述的获得二叉树分类器各节点的一条距离正类训练样本最近且距离负类 训练样本最远的分割面，所述的分割面包括超平面和曲面；
[0019] (1)所述的超平面+ Α二〇确定方式如下：
[0020] 超平面法向量与参数的优化公式如下；
[0022] 其中，A1表示第i类故障的正类训练样本集合A1表示表示第i类故障的负类训练样 本集合；ω i表示超平面法向量;e表示分量全为1的列向量;bi e R，R表示实数;δ >〇，表示正 则化因子，M · I I表示L2范数；
[0023] 令G=[Ai e]T[Ai e]+5l，H=[Bi e]T[Bi e]，I表示单位矩阵： 转换为：
[0025] 求取Gz = AHz, z矣0的最小特征值λ对应的特征向量z，获得最优解，即获得超 ΨΜ of X + = 0 ；
[0026] (2)所述的曲面K(x，Ci) c〇i+bi = 0确定方式如下：
[0027] 曲面法向量与参数的优化公式如下；
[0029]
表示训练样本，核函数选取径向高斯核函数
。为函数的宽度参数^巨离"义：^」）=^：^)1^：^);
[0030] 令 G=[K(Ai，Ci)e]T[K(Ai，Ci)e]+Sl，H=[K(Bi，Ci)e]T[K(Bi，Ci)e]，
(3)转换为公式(2):
[0031] 求取Gz = AHz, z矣0的最小特征值λ对应的特征向量z，获得
：最优解，即获得曲 面K(x，Ci) ω i+bi = 0〇
[0032] 步骤4所述的再进一步获得分割后两部分各自的分类超平面，具体方法如下：
[0033] 步骤a、将正类训练样本集合和负类训练样本集合分别代入至分割面函数中，获得 分割后的二分类集合；
[0034]步骤b、采用信息熵度量学习算法获取二分类样本集合的各自距离测度矩阵；
[0035]步骤c、根据所获得二分类样本集合及距离测度矩阵，采用二分类支持向量机算法 进一步获得分割后两部分各自的分类超平面函数。
[0036]步骤6所述的归一化处理后的实际数据导入建立的故障诊断模型中，获得高炉实 际所属故障类型，具体如下：
[0037]步骤6-1、将实际数据代入二叉树分类器根结点中的分割面函数中；
[0038]步骤6-2、判断分割面函数值是否大于0,若是，则将数据代入到分割后其中一部分 的分类超平面函数中，并执行步骤6-3;否则，将数据代入到分割后其中另一部分的分类超 平面函数中，并执行步骤6-4;
[0039] 步骤6-3、判断分类超平面函数值是否大于0,若是，则属于该类故障，否则，为非该 类故障，并执行步骤6-5;
[0040] 步骤6-4、判断分类超平面函数值是否大于0,若是，则属于该类故障，否则，为非该 类故障，并执行步骤6-5;
[0041] 步骤6-5、将非该类故障数据代入二叉树分类器下一节点的分割面函数中，返回执 行步骤6-2。
[0042] 步骤c所述的采用二分类支持向量机算法进一步获得分割后两部分各自的分类超 平面函数，具体如下：
[0043] (1)分割后一部分的分类超平面函数确定方式如下：
[0045] 其中，Iii表不分割后子样本集#的样本总数，f =*[4,尽:} , 4:+1:表不分割后子样 本集T1中的正类，尽]表示分割后子样本集f中的负类;yi，yj eY= {+1，-I}，i，j = 1，…，Iil; ai、aj表示支持向量
表不分割后其中一部分的距离度量矩阵；
[0046] 获得分割后一部分的分类超平面函数fn(x):
[0048] 其中，bn为常数；
[0049] (2)分割后另一部分的分类超平面函数确定方式如