46· 工程科学学报，第39卷，第1期 进一步，对高炉故障训练样本采用Fisher线性判 征统计参数，从数据预处理和参数优化两个方面着手， 别纠错输出编码法得到编码矩阵，如表4所示 应用变尺度离散粒子群优化方法提升了最小二乘支持 表4高炉故障编码矩阵 向量机二元分类器的整体性能，进而通过启发式的纠 Table 4 Coding matrix of BF faults 错输出编码设计，将二元分类器推广至多元故障分类， 类别 分类器1 分类器2 分类器3 使用较少的分类器，在提升系统实时性的同时得到了 正常 +1 0 0 良好的诊断效果，为高炉故障的在线监控提出了一种 悬料 -1 +1 可行的方法 料 -1 +1 0 参考文献 管道行程 -1 -1 -1 [1]Liang J B.The Blast Furnace Condition Diagnosis System Design 在测试阶段，本文将基于参数优化的纠错输出编 and Implementation based on the Gas Flow Rate Dissertation ] 码多类别故障诊断方法与传统的无参数优化(c=10, Changsha:Central South University,2009 σ=0.4)的一对一、一对多、密集随机编码和稀疏随机 (梁剑波.基于煤气流量的高炉炉况诊断系统设计及实现[学 位论文].长沙：中南大学，2009) 编码四种方法进行对比，进行1000次实验后得到平均 [2]Li Q H.Fuzzy ldentification Prediction and Control to B.F Iron- 结果如表5所示 making Process [Dissertation ]Zhejiang:Zhejiang University, 表5不同纠错输出编码方法结果比较 2005 Table 5 Comparison results of different ECOC methods (李启会.高炉治炼过程的模糊辨识、预测与控制[学位论 码字 特征压 准确率/ 文].浙江：浙江大学，2005) 编码方法 长度 码元 缩率/% % [3]Gao C H,Jian L,Chen J M,et al.Data-driven modeling and 纠错输出编码 3 3 37.1 88.3 predictive algorithm for complex blast fumace ironmaking process. 一对多 4 3 100 67.1 Acta Autom Sin,2009.35(6):725 一对一 6 3 (郜传厚，渐令，陈积明，等.复杂高炉炼铁过程的数据驱动 100 84.7 建模及预测算法.自动化学报，2009,35(6)：725) 密集随机编码 10 100 76.7 [4] Liu L M,Wang A N,Sha M,et al.Fault diagnostics of blast fur- 稀疏随机编码 14 100 78.2 nace based on CIS-SVM /2010 Chinese Conference on Pattern Recognition.IEEE,2010 由表5可以看出故障样本经过特征参数的筛选和 [5]Yang J,Xu Q,Yu C B,et.al.Study on fault diagnosis of blast 压缩之后，显著降低了样本的维数且提高了样本的质 fumace based on ICA-QNN /Proceedings of the 29th Chinese 量，减轻了最小二乘支持向量机分类器的运算负担，增 Control Conference.Beijing,2010:4014 强了系统的分类性能.与其他四种方法相比纠错输出 (杨佳，许强，余成波，等.基于ICA-QNN的高炉故障诊断 编码方法提供了最为紧凑的编码，码字长度代表着采 研究/第29届中国控制会议.北京，2010：4014) 用最小二乘支持向量机分类器的个数.通过表5可以 [6]Li Z.Research of Blast Furnace Fault Diagnosis based on Bayesian 看出，通过纠错输出编码后，我们采用三个最小二乘支 Netwcorks Dissertation ]Wuhan:Wuhan University of Science 持向量机的分类器就可以实现高炉故障的识别.相比 and Technology,2015 (李振.基于贝叶斯网络(Bayesian Network=)方法的高炉故障 于其他算法，分类器的个数得到了很好的抑制，降低了 诊断研究[学位论文].武汉：武汉科技大学，2015) 故障识别时间.利用Fisher判别率对类集合的重新整 [7] Pujol 0,Radeva P,Vitria J.Discriminant ECOC:a heuristic 合，帮助分类器得到了较高的准确率.就系统的复杂 method for application dependent design of eror correcting output 性而言，一对多方法与纠错输出编码法最为接近，但是 codes.IEEE Trans Pattern Anal Mach Intell,2006,28(6):1007 前者的准确率却是较低的，因为这种方法容易受到不 [8]Suykens J A K,Vandewalle J.Least squares support vector ma- 同类别训练样本数量不均衡的影响.虽然随机编码方 chine classifiers.Neural Process Lett,1999,9(3):293 法也得到了可以接受的效果.但是，由于它们需要构 [9]Xu M,Wang S T,Gu X.TL-SVM:A transfer learning algo 造的分类器数量过多，严重影响了系统的实时性，不利 rithm.Control Decis,2014,29(1):141 于高炉生产现场炉况的在线监测.相比而言，一对一 (许敏，王士同，顾鑫.TL-SVM:一种迁移学习新算法.控制 方法得到了与纠错输出编码相近的分类结果，并且其 与决策，2014,29(1)：141) 编码构造方式固定，构造过程简单，可以作为一种备用 [10]Gestel T V,Suykens JA K,Lanckriet G.et al.Multiclass IS- SVMs:moderated outputs and coding-decoding schemes.Neural 的高炉故障诊断系统的编码选择. Process Lett,2002,15(1)45 4结论 [11]Liu L M,Wang A N,Sha M,et.al.Multi-class classification methods of cost-conscious IS-SVM for fault diagnosis of blast 本文针对特定高炉选取与典型故障密切相关的特 furnace.J Iron Steel Res Int,2011,18(10):17工程科学学报,第 39 卷,第 1 期 进一步,对高炉故障训练样本采用 Fisher 线性判 别纠错输出编码法得到编码矩阵,如表 4 所示. 表 4 高炉故障编码矩阵 Table 4 Coding matrix of BF faults 类别 分类器 1 分类器 2 分类器 3 正常 + 1 0 0 悬料 - 1 - 1 + 1 崩料 - 1 + 1 0 管道行程 - 1 - 1 - 1 在测试阶段,本文将基于参数优化的纠错输出编 码多类别故障诊断方法与传统的无参数优化( c = 10, 滓 = 0郾 4)的一对一、一对多、密集随机编码和稀疏随机 编码四种方法进行对比,进行 1000 次实验后得到平均 结果如表 5 所示. 表 5 不同纠错输出编码方法结果比较 Table 5 Comparison results of different ECOC methods 编码方法 码字 长度 码元 特征压 缩率/ % 准确率/ % 纠错输出编码 3 3 37郾 1 88郾 3 一对多 4 2 100 67郾 1 一对一 6 3 100 84郾 7 密集随机编码 10 2 100 76郾 7 稀疏随机编码 14 3 100 78郾 2 由表 5 可以看出故障样本经过特征参数的筛选和 压缩之后,显著降低了样本的维数且提高了样本的质 量,减轻了最小二乘支持向量机分类器的运算负担,增 强了系统的分类性能. 与其他四种方法相比纠错输出 编码方法提供了最为紧凑的编码,码字长度代表着采 用最小二乘支持向量机分类器的个数. 通过表 5 可以 看出,通过纠错输出编码后,我们采用三个最小二乘支 持向量机的分类器就可以实现高炉故障的识别. 相比 于其他算法,分类器的个数得到了很好的抑制,降低了 故障识别时间. 利用 Fisher 判别率对类集合的重新整 合,帮助分类器得到了较高的准确率. 就系统的复杂 性而言,一对多方法与纠错输出编码法最为接近,但是 前者的准确率却是较低的,因为这种方法容易受到不 同类别训练样本数量不均衡的影响. 虽然随机编码方 法也得到了可以接受的效果. 但是,由于它们需要构 造的分类器数量过多,严重影响了系统的实时性,不利 于高炉生产现场炉况的在线监测. 相比而言,一对一 方法得到了与纠错输出编码相近的分类结果,并且其 编码构造方式固定,构造过程简单,可以作为一种备用 的高炉故障诊断系统的编码选择. 4 结论 本文针对特定高炉选取与典型故障密切相关的特 征统计参数,从数据预处理和参数优化两个方面着手, 应用变尺度离散粒子群优化方法提升了最小二乘支持 向量机二元分类器的整体性能,进而通过启发式的纠 错输出编码设计,将二元分类器推广至多元故障分类, 使用较少的分类器,在提升系统实时性的同时得到了 良好的诊断效果,为高炉故障的在线监控提出了一种 可行的方法. 参 考 文 献 [1] Liang J B. The Blast Furnace Condition Diagnosis System Design and Implementation based on the Gas Flow Rate [ Dissertation]. Changsha: Central South University, 2009 (梁剑波. 基于煤气流量的高炉炉况诊断系统设计及实现[学 位论文]. 长沙: 中南大学, 2009) [2] Li Q H. Fuzzy Identification Prediction and Control to B. F Iron鄄 making Process [ Dissertation ]. Zhejiang: Zhejiang University, 2005 (李启会. 高炉冶炼过程的模糊辨识、预测与控制[学位论 文]. 浙江: 浙江大学, 2005) [3] Gao C H, Jian L, Chen J M, et al. Data鄄driven modeling and predictive algorithm for complex blast furnace ironmaking process. Acta Autom Sin, 2009, 35(6): 725 (郜传厚, 渐令, 陈积明, 等. 复杂高炉炼铁过程的数据驱动 建模及预测算法. 自动化学报, 2009, 35(6): 725) [4] Liu L M, Wang A N, Sha M, et al. Fault diagnostics of blast fur鄄 nace based on CLS鄄鄄 SVM / / 2010 Chinese Conference on Pattern Recognition. IEEE, 2010 [5] Yang J, Xu Q, Yu C B, et. al. Study on fault diagnosis of blast furnace based on ICA鄄鄄 QNN / / Proceedings of the 29th Chinese Control Conference. Beijing, 2010: 4014 (杨佳, 许强, 余成波, 等. 基于 ICA鄄鄄 QNN 的高炉故障诊断 研究 / / 第 29 届中国控制会议. 北京, 2010: 4014) [6] Li Z. Research of Blast Furnace Fault Diagnosis based on Bayesian Networks [ Dissertation]. Wuhan: Wuhan University of Science and Technology, 2015 (李振. 基于贝叶斯网络(Bayesian Networks)方法的高炉故障 诊断研究[学位论文]. 武汉: 武汉科技大学, 2015) [7] Pujol O, Radeva P, Vitria J. Discriminant ECOC: a heuristic method for application dependent design of error correcting output codes. IEEE Trans Pattern Anal Mach Intell, 2006, 28(6): 1007 [8] Suykens J A K, Vandewalle J. Least squares support vector ma鄄 chine classifiers. Neural Process Lett, 1999, 9(3): 293 [9] Xu M, Wang S T, Gu X. TL鄄鄄 SVM: A transfer learning algo鄄 rithm. Control Decis, 2014, 29(1): 141 (许敏, 王士同, 顾鑫. TL鄄鄄SVM: 一种迁移学习新算法. 控制 与决策, 2014, 29(1): 141) [10] Gestel T V, Suykens J A K, Lanckriet G, et al. Multiclass LS鄄鄄 SVMs: moderated outputs and coding鄄decoding schemes. Neural Process Lett, 2002, 15(1): 45 [11] Liu L M, Wang A N, Sha M, et. al. Multi鄄class classification methods of cost鄄conscious LS鄄鄄 SVM for fault diagnosis of blast furnace. J Iron Steel Res Int, 2011, 18(10): 17 ·46·