论文摘要
高炉炼铁是钢铁行业的上游主体工序,作为国民经济支柱产业的重要组成部分,它对钢铁工业的发展起到了至关重要的作用。在高炉的实际生产中,如果出现故障,轻则对出铁量有影响,重则会对钢厂造成重大的损失,因此高炉炉况诊断对于高炉操作具有非常重要的意义。常见的高炉异常炉况有悬料、崩料、炉墙结厚、向凉向热等。高炉故障的一个明显特点是故障数据小样本问题。针对故障诊断面临的数据小样本问题,采用了一对多分类支持向量机和RBF神经网络相结合的方法,既解决了诊断中面临的小样本问题,又用RBF神经网络对一对多支持向量机可能出现的问题进行解决,提高整体的诊断准确率。在支持向量机中,惩罚因子C和核函数的参数选取对于支持向量机的分类准确率有着非常大的影响,因此采用粒子群算法对这两种参数进行寻优,保证了诊断的准确率。在此基础上,针对一对多分类器出现的样本偏斜问题,利用类中心超球体的方法对正负样本惩罚因子C的倍数进行试凑寻优,进一步的提高了诊断准确率。为了验证方法的有效性和可行性,基于MATLAB仿真环境进行研究。首先,利用UCI数据库中的IRIS数据,在MATLAB中对方法的可行性进行了仿真验证。接着,结合现场操作人员的经验和参考文献的内容,以高炉的向凉向热故障为例,选取了故障的特征参数,对由现场得到的数据进行了预处理,然后利用上述方法对高炉向凉向热故障进行了诊断。仿真结果表明,基于SVM-RBF的方法,能够对高炉向凉向热故障进行准确的诊断,且相比于单独使用SVM进行诊断具有更好的效果。