·726· 智能系统学报 第16卷 s,图13给出了子块1中各变量间的互信息。 15 表5给出了不同监测方法的监测结果，图14展示 了子块1和子块2的监测结果。可以看出子块2在 2200样本点后可以达到持续报警，其监测效果明 显好于子块1，结合图15给出的故障诊断结果， 可以看出变量4和变量8是引起故障的主要原 因，由于本文所提方法对变量进行了合理分块， 1000 20003000 4000 把结构相似且对故障最为敏感的变量放在同一个 测试样本序号 (b)子块2 子块中，使得整体的监测性能得到了提升，再次 验证本文所提方法的有效性和优越性。 图14高炉过程子块1和子块2的监测性能比较 Fig.14 Comparison of monitoring performance of blockl and block2 in blast furnace process 30. 25 15 345 变量序号 (a)变量1 345 变量序号 (a)kNN 25 34567 变量序号 15 (b)变量3 图13高炉过程子块1变量间的互信息 Fig.13 Mutual information between variables in blast fur- 23456 nace process block 1 变量序号 (b)MI-MBkNN 表5不同方法的监测性能比较 图15高炉过程变量识别结果 Table 5 Comparison of monitoring performance of two Fig.15 Variables identification results of the blast furnace methods in blast furnace process process 性能 PCA kNN MI-MBkNN 报警率 0.941 0.935 0.970 4 结束语 误报率 0.018 0.001 0 本文提出了一种基于互信息的多块k近邻故 障监测方法，使用互信息对过程变量进行划分， 35 并在每个子块中建立基于kNN的故障监测模型， 所提方法反映了过程的更多局部特征，所以更易 于故障的监测和诊断。将所提方法应用于TE过 15 程和实际高炉炼铁过程中，均取得了比较好的监 测效果。本文所提方法是一种完全基于数据驱动 的监测方法，可以考虑将其与先验知识或专家经 0 1000 2000 3000 4000 验相结合，并且可以考虑变量间关系的更多细 测试样本序号 节，提出其他分块方法，是本文进一步研究的工 (a)子块1 作之一。u8，图 13 给出了子块 1 中各变量间的互信息。 表 5 给出了不同监测方法的监测结果，图 14 展示 了子块 1 和子块 2 的监测结果。可以看出子块 2 在 2 200 样本点后可以达到持续报警，其监测效果明 显好于子块 1，结合图 15 给出的故障诊断结果， 可以看出变量 4 和变量 8 是引起故障的主要原 因，由于本文所提方法对变量进行了合理分块， 把结构相似且对故障最为敏感的变量放在同一个 子块中，使得整体的监测性能得到了提升，再次 验证本文所提方法的有效性和优越性。 0 1 2 3 4 5 6 7 8 1 3 5 7 (a) 变量 1 互信息 变量序号 0 1 2 3 4 5 6 7 8 1 3 5 7 互信息 变量序号 (b) 变量 3 图 13 高炉过程子块 1 变量间的互信息 Fig. 13 Mutual information between variables in blast fur￾nace process block 1 表 5 不同方法的监测性能比较 Table 5 Comparison of monitoring performance of two methods in blast furnace process 性能 PCA kNN MI-MBkNN 报警率 0.941 0.935 0.970 误报率 0.018 0.001 0 0 1 000 2 000 3 000 4 000 5 15 25 35 D2 测试样本序号 (a) 子块 1 D2 0 1 000 2 000 3 000 4 000 5 10 15 测试样本序号 (b) 子块 2 图 14 高炉过程子块 1 和子块 2 的监测性能比较 Fig. 14 Comparison of monitoring performance of block1 and block2 in blast furnace process 1 2 3 4 5 6 7 8 0 5 10 15 20 25 30 变量序号 马氏距离 (a) kNN 0 5 10 15 20 25 30 马氏距离 1 2 3 4 5 6 7 8 变量序号 (b) MI-MBkNN 图 15 高炉过程变量识别结果 Fig. 15 Variables identification results of the blast furnace process 4 结束语 本文提出了一种基于互信息的多块 k 近邻故 障监测方法，使用互信息对过程变量进行划分， 并在每个子块中建立基于 kNN 的故障监测模型， 所提方法反映了过程的更多局部特征，所以更易 于故障的监测和诊断。将所提方法应用于 TE 过 程和实际高炉炼铁过程中，均取得了比较好的监 测效果。本文所提方法是一种完全基于数据驱动 的监测方法，可以考虑将其与先验知识或专家经 验相结合，并且可以考虑变量间关系的更多细 节，提出其他分块方法，是本文进一步研究的工 作之一。 ·726· 智 能 系 统 学 报 第 16 卷