基于半监督学习的工况识别方法研究及铜闪速熔炼过程中的应用

论文摘要

铜闪速熔炼过程工况变化频繁,造成经济指标波动大,单位产品能耗高。闪速熔炼过程积累了大量的实际运行数据,包含了反映操作参数与工况之间关系的信息。准确识别当前工况,采取相应的对策,对节能降耗和保证生产的安全稳定具有重要意义。本文利用运行数据中的有标签数据和无标签数据,研究了基于半监督学习的工况识别方法。针对YATSI算法中无标签样本被误标记,导致分类正确率下降的问题,提出了一种基于数据剪辑技术的DE-YATSI算法。该算法采用基于估计类条件概率的数据剪辑方法,识别并重新标记预标记样本集中的误标记样本,利用有标签样本与经数据剪辑处理的预标记样本所形成的样本集训练带权重的最近邻分类器。实验结果表明,DE-YATSI算法比YATSI算法具有更高的分类正确率。对影响闪速熔炼过程工况的主要因素进行了分析,分别将半监督算法（DE-YATSI和YATSI）和监督算法（KNN）应用于铜闪速熔炼过程工况识别,实验结果表明,半监督学习算法（DE-YATSI）识别正确率最高。针对铜闪速熔炼过程积累的工业运行数据有大量的无标签数据的特点,提出一种基于半监督学习工况识别方法,包括数据获取和预处理、离线半监督学习建模和在线工况识别三部分；并对铜闪速熔炼工况识别系统（WSRS）的设计与开发进行了深入研究,给出了WSRS的完整开发方案、架构设计、子系统分解、实现功能和实施步骤,并对系统软件进行了实现。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 复杂工业过程工况识别的研究现状
• 1.2.1 基于数学模型的方法
• 1.2.2 基于知识的方法
• 1.2.3 基于数据的方法
• 1.3 半监督学习研究现状
• 1.4 本论文的主要研究内容
• 第二章 基于数据剪辑的半监督最近邻分类算法
• 2.1 机器学习方法概述
• 2.1.1 无监督学习
• 2.1.2 监督学习
• 2.1.3 半监督学习
• 2.2 半监督学习方法
• 2.2.1 半监督学习的理论依据
• 2.2.2 半监督学习的两大假设
• 2.3 YATSI算法
• 2.3.1 κ-近邻算法
• 2.3.2 带样本权重的κ-近邻算法
• 2.3.3 YATSI算法介绍
• 2.3.4 YATSI算法的不足
• 2.4 半监督最近邻分类算法
• 2.4.1 WilsonTh数据剪辑
• 2.4.2 YATSI算法的改进与实现
• 2.5 基分类器的选取
• 2.5.1 贝叶斯分类
• 2.5.2 决策树算法
• 2.6 实验与分析
• 2.7 本章小结
• 第三章 基于半监督学习的铜闪速熔炼工况识别
• 3.1 铜闪速熔炼机理分析
• 3.1.1 奥托昆普闪速炉结构
• 3.1.2 铜闪速熔炼原理
• 3.1.3 熔炼过程主要化学反应
• 3.2 影响闪速熔炼过程工况的因素分析
• 3.2.1 富氧浓度对闪速炼铜的影响
• 3.2.2 炉料组成对闪速熔炼的影响
• 3.2.3 其它因素对闪速熔炼的影响
• 3.3 数据预处理及实验结果分析
• 3.3.1 训练数据的获取和预处理
• 3.3.2 实验结果分析
• 3.4 本章小结
• 第四章 铜闪速熔炼过程工况识别系统
• 4.1 铜闪速熔炼过程工况识别系统分析
• 4.2 系统架构及实施步骤
• 4.2.1 系统基本架构
• 4.2.2 系统实施步骤
• 4.3 软件界面
• 4.4 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果