張海剛^1，2) ，張森^1，2) ，尹怡欣^1，2)

1) 北京科技大學自動化學院，北京100083 2) 北京科技大學鋼鐵流程先進控制教育部重點實驗室，北京100083

摘 要  針對高爐故障診斷系統快速性和準確性的要求，提出基于全局優化最小二乘支持向量機的策略． 首先，采用變尺度離散粒子群對最小二乘支持向量機的參數和故障特征的選取進行優化; 然后，利用核主元分析法對選取的特征向量進行壓縮整理; 最后，構造了以Fisher 線性判別率為標準的啟發式糾錯輸出編碼． 仿真結果表明，通過對故障訓練樣本有意義地分割重組，用較少的最小二乘支持向量機分類器，得到較高的故障判斷準確率且增強了整個系統的實時性．

關 鍵 詞  高爐; 故障診斷; 最小二乘分析; 支持向量機; 全局優化

鋼鐵工業是我國國民經濟的基礎產業和支柱產業^［1］． 高爐煉鐵在鋼鐵工業中處于舉足輕重的地位．高爐煉鐵系統生產設備繁多，具有多耦合、大延時、非線性等特點． 盡管在高爐本體上安裝了很多自動化的檢測裝置，然而由于高爐運行爐況復雜，無法建立準確的機理模型，在高爐自動控制決策過程中，仍將其當為“黑箱”系統進行處理． 高爐生產追求穩定，穩定爐況不僅能夠保證鐵水質量，而且能夠提高煤氣利用率，達到節能減排的目的． 高爐爐況故障診斷在高爐自動化控制的研究中一直是熱點話題，準確及時的故障診斷技術能夠確定高爐的穩定生產，降低故障所帶來的經濟損失^［2］．

在高爐生產中，由于缺少準確的機理模型，往往從數據驅動角度建立高爐故障診斷模型^［3］． 基于專家系統的故障診斷方法，計算機模仿專家經驗，進行故障決策^［4］． 雖然引進國外的專家系統有一定的效果，但是其價格昂貴，并且國內大多數高爐檢測設備落后，操作管理水平低，造成重要參數的數據不完整，不準確，導致國外專家系統難以適合我國國情． 文獻^［5］基于人工神經網絡建立了高爐故障診斷模型，取得了不錯的效果． 但由于其建立在大數定理的漸近理論之上，要求學習樣本足夠多，收斂速度比較慢且容易陷入局部極值或過學習的困境，在實際應用中隱含層的層數及每層神經元數目如何確定也無規律可循． 李振^［6］將貝葉斯技術運用到高爐故障診斷中，設計了因果關系貝葉斯網絡診斷模型． 然而高爐的智能故障診斷面臨的是典型故障樣本少、特征參數呈非線性耦合且維數較高的模式識別難題，所建立的貝葉斯模型往往達不到期望的精度． 除此之外，高爐處于復雜的工業生產環境中，樣本數據往往受到噪聲干擾，這要求故障診斷算法有很強的魯棒性． 高爐故障具有不同的形式，屬于多分類問題，設計合理有效的故障檢測分類器至關重要． 同時高爐生產對于故障檢測的及時性也有一定的要求^［5］，及時準確的進行故障檢測報警，不僅能夠減少損失，而且能夠保證高爐順行，延長高爐壽命．

本文針對冶煉過程中出現的懸料、崩料和管道行程三種典型故障，提出基于全局優化支持向量機的多類別高爐故障診斷方法． 一方面，在智能故障診斷系統的構建過程中，為了降低特征空間的維數，減少存儲空間的占用，提高機器學習的效率，需要對高爐的故障特征參數進行自動的篩選． 在數據預處理階段，我們采用核主成分分析( kernel principal component analysis，KPCA) 方法對高爐故障特征數據進行降維處理，保留和高爐故障關聯性較高的特征數據，提高檢測準確率． 另外核函數的參數選擇和支持向量機的懲罰因子影響著故障診斷系統的訓練效果，為了避免人為設定參數的弊端，需要系統自發地對參數的最優值進行尋找． 本文在粒子群算法^［7］的基礎上，提出變尺度離散粒子群參數優化方法，通過加強最優粒子的影響力，增強了系統的穩定性． 另一方面，高爐故障診斷本質上是多類別分類問題，而支持向量機是針對二元分類問題的學習方法，通常的處理方式是將復雜的多元分類問題分解為多個簡單的二元分類問題． 糾錯輸出編碼是一種分解重組多元分類問題的通用方法，其中一對多、密集隨機編碼法與一對一、稀疏隨機編碼法分別是經典的二元和三元編碼方法的實例^［7］． 然而，以上方法的編碼矩陣是預先定義好的，在編碼矩陣的創建過程中，沒有考慮到訓練樣本的數據特征，使得訓練過程具有一定的盲目性． 本文采用以Fisher 線性判別率為標準的啟發式糾錯輸出編碼，該方法具有兩個方面的優勢: 首先，啟發式的編碼過程允許類集合按照最大的判別率重新組織，從而使編碼矩陣的拓撲結構同一對一和一對多方法固定的方式相比變得更加靈活． 其次，與隨機策略需要大量的分類器相比，有意義的重組顯著減少了分類器的數量，從而得到較好的性能且提高了訓練的速度．

我們首先詳細介紹本文提出的全局優化最小二乘支持向量機分類算法，其次我們建立高爐智能故障診斷模型，最后展示基于真實生產數據的故障仿真結果．

1   基于全局優化最小二乘支持向量機的多類別分類方法

1. 1 最小二乘支持向量機

支持向量機( SVM) 能較好地解決小樣本、非線性以及高維數的模式識別問題． 支持向量機通過結構風險最小化原理來提高泛化能力，可以用于解決二元分類問題，已在模式識別、信號處理和函數逼近領域得到應用^［8--9］． 最小二乘支持向量機( least-squares supportvector machine，LS-SVM) 是Suykens 和Vandewalle^［8］在Vapnik 的標準支持向量機的基礎上提出的一種改進方法． 最小二乘支持向量機在優化問題中引入誤差的平方項，用等式約束取代原先支持向量機的不等式約束條件，將耗時的二次規劃問題轉化為線性方程組的求解，大幅度地簡化了訓練過程．

給定具有N 個n 維樣本向量的訓練集T = { ( x₁，y₁) ，( x₂，y₂) ，…，( x_N，y_N) } ，其中x_k∈Ｒⁿ 是第k 個輸入向量，y_k∈Y = { 1，－ 1} 是第k 個輸入向量在二元分類問題中的類標簽． 當樣本在輸入空間不能被線性分開時，選擇一個非線性映射Φ(·) : Ｒⁿ→H，把樣本向量從輸入空間Ｒⁿ 映射到特征空間H． 當在特征空間H 構建最優超平面時，訓練算法只需要計算該空間向量間的內積，即Φ( x_i) Φ( x_j) ，通過引入核函數κ( x_i，x_j) = Φ( x_i) Φ( x_j) ，使得高維空間的內積運算轉化為原始輸入空間核函數的計算． 支持向量分類機的目標是在特征空間中構建最優線性決策函數:

其中，Φ(·) 是從輸入向量到高維特征空間的非線性映射，ω 是最優分類超平面的法向量，b 為偏移量．

假設訓練集在特征空間中是線性可分的，最優分類超平面應滿足如下條件:

當訓練集在特征空間中為線性不可分時，任何分類超平面都必然有錯誤的劃分，因此不能要求所有訓練點均滿足約束條件( 2) ． 為此，對第個訓練點( x_k，y_k) 引入松弛變量ξ_k≥0，把約束條件放寬為:

ξ = ( ξ₁，ξ₂，…，ξ_N) 體現了訓練集被錯分的情況，而由ξ可以構造出表述訓練集被錯劃的程度． 根據結構風險最小化原則，最小二乘支持向量機在目標函數中選取ξ² 作為損失函數，尋找最優超平面的問題轉化為下列二次規劃問題

其中，c 是為了均衡目標函數所引進的懲罰系數． 求解式( 4) ，需引入Lagrangian 函數L( ω，b，ξ; α_k) 即

其中α_k為Lagrangian 乘子． 根據Karush--Kuhn--Tucker( KKT) 優化條件^［10］可得

引入某個核函數κ(·) 后，最優化問題最終轉化成式( 7) 線性方程組的求解

解方程組得到最優解α^* = ( α^*₁，α^*₂，…，α^*_N) 和b^* 得到決策函數

1. 2 Fisher 線性判別糾錯輸出編碼

高爐故障形式多樣，不同故障有不同的表現形式．在本文中，我們考慮三種高爐典型故障形式: 懸料、崩料和管道行程，是一種多分類問題． 在實際的應用過程中，支持向量機被證明是強有力的二元分類方法^［11］． 然而，當需要處理多元分類問題時，支持向量機不能直接用來處理這種信息． 在支持向量機算法處理多分類問題中，往往將多元分類問題轉化為一對多的二元分類問題． 然而這種轉化往往會增加分類器的個數，增加訓練時間． 在這一小節中，我們介紹Fisher線性判別糾錯輸出編碼，并將其應用到高爐的多故障識別算法中．

1. 2. 1 糾錯輸出編碼

糾錯輸出編碼( error correcting output codes，ECOC) 是處理多元分類問題的通用框架，它能夠通過編碼減少數據樣本維數，提高樣本質量，從而可以保證采用較少的支持向量機分類器建立故障診斷模型，解決支持向量機多元分類問題^［12］． 總體來講，可以把糾錯輸出編碼方法分解為兩個不同的階段: 編碼和解碼．在編碼階段，對于一組給定類別的訓練樣本集合，為每個類別設計一套單獨的碼字( 代表每個類的編碼的比特序列) ，碼字的每個位置標示了某一類的訓練樣本在相應的二元分類器中的標簽歸屬． 在解碼階段，尋找與實驗樣本分類結果最匹配的碼字，指定輸入向量的類別標簽，從而得到最終的分類決策． 通過拆分重組原始的類別集合并且將二元分類方法嵌入以實際問題為導向的糾錯編碼設計過程，有效的解決了復雜的多分類問題．

在編碼步驟中，對于給定的待學習的N 類樣本集合，在為每個類分配一行獨一無二的長度為n 的碼字時，形成了n 個不同的二元分類問題． 碼字的每個比特位根據某類訓練樣本集在相應二元分類器的歸屬，被編碼為+ 1( 正例) 或者－ 1( 負例) ． 將碼字按照矩陣的行向量排列起來，可以得到一個二元的N × n 編碼矩陣M，其中M_ij∈{ － 1，+ 1} ． 在此基礎上，Allwein等^［13］在編碼過程中引入了0 符號，這意味著在某些分類器中某些類的樣本是不被考慮的，通過忽略這些類的樣本對分類器的影響，三元的糾錯輸出編碼結構豐富了類別劃分的多樣性，最后得到三元編碼矩陣M，其中M_ij∈{ － 1，0，+ 1} ．

在解碼步驟中，應用n 個二元分類器，可以得到每個測試樣本長度為n 的輸出編碼，根據輸出編碼與各個碼字之間的距離測度可以決定其類別的歸屬． 常用的距離測度是漢明距離，對于任意的測試樣本的分類結果可以用如下公式表示

其中，f _j( x) 表示測試樣本在第j 個分類器中的分類結果^［14］．

為了尋找碼字長度簡短并具有高分辨力的編碼矩陣，總體的算法描述如下:

第一步，創建列向量編碼二叉樹，利用以Fisher 線性判別率為標準的浮動搜索法，遞歸地尋找第k 個父節點的類集合S_k中具有最大判別率的兩個分區{ φ¹_k，φ²_k} ．

第二步，根據得到的分割結果{ φ¹_k，φ²_k} 為編碼矩陣M 的第k 列賦值．

其中，第一步創建了列向量編碼二叉樹． 表1 描述了創建列向量編碼二叉樹的算法． 每一個樹節點定義了一個類集合分割的問題，每個節點的分割必須滿足使判別率最大化的條件． 通過最大化數據x 和為分割結果所創建的類標簽d 之間的交互信息可以得到最終的列代碼． 算法中d 是一個離散的隨機變量，因此給定類集合S_k的一個分割結果{ φ¹_k，φ²_k} = BP( S_k) ，d按如下形式定義:

將二叉樹視為尋找碼字的手段，第二步是填充糾錯輸出編碼矩陣的過程． 利用除了葉節點外的每個根節點得到的列代碼，組成了編碼矩陣M． 列代碼作為矩陣M 的列向量依次排列． 為了創建每一個列代碼，可以使用父節點和子節點的關系進行描述． 對于給定的類Cr和節點k 的類集合k: { φ¹_k∪φ²_k} ，其中φ¹_k和φ²_k分別是節點k 的子節點，矩陣M 按如下方式填充:

注意到列的數量n 和內部節點的數量一致． 容易得出，在任何的二叉樹中，如果葉節點的數量是N_c，內部節點的數量是N_c － 1，因此可以確定碼字的長度是N_c － 1．

圖 1 展示了一個八元分類問題列向量編碼二叉樹構造的過程．

圖2 顯示了判別糾錯輸出編碼矩陣的結果． 其中白色的方格表示相應的位置被編碼為+ 1，黑色的方格表示－ 1，灰色的方格表示0． 因此，C6類的碼字是{ 1，0，－ 1，0－ 1，0，1} ． 編碼矩陣的第i 列定義了一個二元分類問題，將相應的二元分類器hi進行訓練． 例如，分類器h5區分{ C5，C6} 和{ C2} ．

1. 2. 2 Fisher 線性判別浮動搜索法

在本小節，我們設計了一種Fisher 線性判別率為標準的啟發式糾錯輸出編碼，并將其運用到判別糾錯輸出編碼算法中． 該算法能夠利用較少的支持向量機分類器，實現高爐故障的多分類問題．

回顧表1 中描述的算法，為了將類集合分割成兩個部分，需要一個最大化判別率的過程． 但是，最好的分割子集需要在所有可能的分割中無遺漏的尋找，由于這種方法是不切實際的，所以必須使用一種次優的策略． 浮動搜索方法是一種次優的順序搜索方法，能夠緩解窮舉搜索法在進行分割選擇時，產生的高額計算代價． 而且，這種方法允許搜索方向是變化的，從而解決了許多順序搜索方法的主要限制．

表2 中的方法為順序前向浮動搜索法( sequentialfloating forward selection，SFFS) ． 這種方法以空的類集合X₀開始并在新集合的判別率增加時被逐漸填充．在填充階段，對于類集合X_k最有意義的類被納入進來． 在條件排除步驟，如果判別率繼續增長則最差的類被移除．

為了避免高維空間龐大的計算量，選擇Fisher 線性判別率作為分割類集合的標準． 假設C₁和C₂是二分類問題的兩個類． 定義Fisher 線性判別率為

式中m₁和m₂是樣本的均值，s₁和s₂是C₁和C₂各自的方差． 定義類內散射矩陣S_ω和類間散射矩陣S_b為:

根據上面的結果，J( ω) 可以被寫成

類間散射矩陣S_ω可以被看作是一個類的密度指標．并且，類間散射矩陣S_b可以被看作是一個類的位置指標． 因此，可以定義判別率

1. 3 變尺度離散粒子群

高爐生產環境復雜，生產數據往往遭到工業噪聲的干擾，這對于故障識別算法有強魯棒性的要求． 另外，高爐運行狀態繁多，各種爐況之間相互轉化，設計穩定可靠的故障分類器至關重要． 最小二乘支持向量機分類算法中學習參數的選擇，對于故障分類精度影響嚴重． 合適的學習參數不僅能夠提高分類器的故障識別精度，而且能夠保證分類器穩定運行，滿足高爐生產的需求． 在此我們采用粒子群算法( particle swarmoptimization，PSO) 對于最小二乘支持向量機分類器的學習參數進行優化． 粒子群算法起源于對鳥群尋找食物行為的模仿［15］． 標準粒子群優化算法主要針對連續參數進行搜索運算，但高爐全局參數優化是離散的組合優化問題，為此需采用離散粒子群優化算法．

假設一個由m 個粒子組成的群體在D 維的搜索空間以一定的速度飛行，粒子i 在第t 次迭代中的狀態屬性設置如下: x_i = ( x_i1，x_i2，…，x_iD) ，x_id∈［L_d，U_d］為第i 個粒子( i = 1，2，…，m，d = 1，2，…，D) 的維位置矢量，L _d和U_d分別為搜索空間的下限和上限，根據適應度函數計算x_i當前的適應值，即可衡量粒子位置的優劣; v_i = ( v_i1，v_i2，…，v_iD) ，v_id∈［v_min，v_max］為i 粒子的的飛行速度，即粒子移動的距離，v _min和v_max分別為最小和最大速度; p_i = ( p_i1，p_i2，…，p_iD) 為粒子自身迄今為止搜索到的最優位置; p_g = ( p_g1，…，p _gD) 為整個粒子群迄今為止搜索到的最優位置． 對于離散組合優化問題，粒子在每一個維度均被限定為0 或1，更新粒子的位置意味著改變某一位的狀態為0 或1，對于速度矢量，其相應位表示的是x_id取0 或1 的概率，在每次迭代中，粒子根據以下等式更新速度和位置:

式中: t 是迭代次數; r₁、r₂和ρ 為［0，1］之間的隨機數，用于保持群體的多樣性; c₁和c₂為學習因子，使粒子具有自我總結和向群體中優秀個體學習的能力，從而向自己的歷史最優點以及群體內歷史最優點靠近，通常取c₁ = c₂ = 2; w 為慣性權重，其大小決定了粒子對當前速度繼承的多少，選擇一個合適的w 有助于粒子群算法均衡它的探索能力與開發能力; sigmoid 數是常用的一種模糊函數，其表達式為

在離散粒子群優化方法( discrete particle swarmoptimization，DSPO) 中，每個粒子平等的更新，忽視了最優粒子的優勢． 在現實世界中，大多數社會性動物都存在等級現象，最好的個體往往享受著某些特權．因此根據粒子的表現好壞，應采用不同的進化策略．

首先，運用式( 18) 計算概率向量，即probid = Sid ．然后，根據如下原則更新粒子的概率向量，位置矢量和速度矢量: ( 1) 對于獲勝的粒子，根據式( 16) 和式( 17)分別更新其概率向量，位置矢量和速度矢量; ( 2) 對于失敗粒子，速度矢量和位置矢量按如下等式更新．

式中，H_f是層次因子，η 為［0，1］之間的隨機數．

為了克服粒子過早成熟，在離散粒子群優化方法中引入突變因素． 隨著迭代次數增加時，最優的結果沒有得到改善，將執行突變操作．

式中，p_m是突變概率，ξ 是［0，1］之間的隨機數．

2   高爐智能故障診斷模型

本文依據高爐冶煉原理和在長期生產實踐中積累的故障征兆描述，結合寶鋼2500 m³高爐自身先進檢測技術的優勢，對冶煉過程中出現的懸料、崩料和管道行程三種典型故障進行診斷分析．

在進行故障分析時，為了更好地反映真實的爐況狀態，不能僅僅依賴高爐現場數據的瞬時值，而是要考慮一段時間內數據的整體特征． 寶鋼現場數據采集系統采樣間隔為1 s，依據懸料、崩料和管道行程故障出現時在一段時間內產生的異常現象，以900 個采樣點為周期，計算數據的均值、方差和變化率，最終確定爐況診斷系統的特征參數向量為F = ( GQ，CQ，HP，TP，ΔP，K) ，其中GQ 為煤氣流量，CQ 為冷風流量，HP 為熱風壓力，TP 為爐頂壓力，ΔP 為壓差，K 為透氣性指數，各參數都由樣本均值、方差和變化率組成．

先進的檢測技術為故障診斷帶來更多的信息支持，寶鋼2500 m³高爐在爐頂不同的位置安裝有六個微波雷達，用于測量當前料面上六個不同位置的料線深度，雷達數據能夠反映徑向料面和料速變化的規律．在爐喉斜橋方向開始沿圓周每隔90° 安裝一根測溫梁，其上共有17 個十字測溫點，能自動連續地測出爐喉徑向溫度，根據溫度變化，能判斷煤氣流在爐喉的徑向分布． 在應用改進的均值濾波方法去除六點雷達數據的噪聲并采用二維滑動多項式曲面擬合對徑向的十字測溫數據進行預處理^［16］，最終得到爐況診斷系統的環境信息向量為E = ( Ｒad₁，Ｒad₂，…，Ｒad₆，CT，ＲT，ΔT) ，其中Ｒad_i，i=1，2，…，6 為六點雷達各自的波動值，CT 為中心點溫度均值，ＲT 為邊沿溫度均值，ΔT 為邊沿中心溫度差． 綜合上述參數集，形成最終的高爐診斷輸入向量IN = ( F，E) ． 高爐智能故障診斷流程如圖3 所示．

由于生產環境和檢測手段的限制，采樣數據往往變得極其復雜、混亂和冗余． 未經預處理的采樣數據會導致所提取的特征參數受到不同程度的噪聲污染，從而影響診斷推理的精度． 由于特征參數選擇的隨意性且數量眾多，構成樣本向量的不同特征參數之間常常具有一定的非線性相關性，大量的數據不但占用巨大的存儲空間和計算時間，加重了診斷推理機的負擔，降低了系統的實時性，而且有用的知識往往會淹沒在大量的冗余數據中． 為了分析重要的特征，抑制無用的信息，需要進行特征提取． 本文選用核主元分析法^［17］對數據進行壓縮和信息抽取，可以有效地找出數據中最主要的元素和結構，能夠消除特征參數間的冗余以及噪聲對特征參數的干擾，將原有的復雜數據降維，把眾多指標轉化為少數幾個綜合指標，同時保留甚至強化了該數據的主要特征，揭示了隱藏在復雜數據背后的簡單結構，從而使數據更容易處理．

在整個診斷系統中，假設c = ( c₁，c₂，…，c _n) 是n 個最小二乘支持向量機二元分類器的懲罰系數，c _i被限定在{ 2⁰，2¹，…，2¹⁰ } ; σ = ( σ₁，σ₂，…，σ_n，σ_KPCA) 是n +1 個徑向基核函數的寬度參數，σ_i被限定在{ 2 ^{－ 3}，2^{－ 2}，…，2⁵ } ; f = { f₁，f₂，…，f_m} 是m 個特征參數的特征選擇集，f _i = 1 表示第i 個參數被選中，f_i = 0 表示第i 個參數未被選中． 組合上述參數集，形成一個混合向量H= ( c，σ，f) ，需運用變尺度離散粒子群優化方法對其進行優化．

適應度函數是系統總體表現的衡量標準，根據系統的訓練準確率、支持向量的數量和參數選擇的個數評判每個粒子表現的優劣． 現設定如下形式的適應度函數:

式中，f ( A_{test － n}) 表示對訓練集的數據運用n 重交叉檢驗的平均正確率，表示支持向量在所有訓練樣本中占的比例，表示選中的特征參數在所有參數中占的比例．

3   實驗仿真

為了檢驗本文提出的基于全局優化支持向量機的多類別故障診斷方法，選取寶鋼高爐生產過程中具有代表性的500 組爐況數據，其中正常爐況數據200 組，懸料、崩料和管道行程異常爐況各100 組，利用其中400 組數據作為訓練樣本，剩余100 組作為測試樣本．

在故障檢測模型中，我們提取高爐特征數據IN =( F，E) ． 該特征數據含有15 維特征，采用核主成分分析方法對其進行降維處理． 圖4 展示了核主成分分析方法的仿真結果圖． 從圖中可以看到每個主元所代表數據特征的比重． 我們提取前三個主元所代表的特征數據作為模型的輸入． 前三個主元代表了95. 5%的特征屬性，能夠滿足模型的要求．

設置變尺度離散粒子群優化方法最大迭代次數為300 次，最小二乘支持向量機分類器的懲罰因子c =( c₁，c₂，c₃) 和徑向基核函數的寬度參數σ = ( σ₁，σ₂，σ₃，σ_KPCA) 的自尋優過程分別如圖5 和圖6 所示．

由圖5 和圖6 可以看出變尺度離散粒子群優化方法在粒子尋優的初期具有極大的搜索范圍，粒子的變異性能夠有效地防止粒子陷入局部極值，在搜索的后期，該算法能夠在小范圍內對最優值進行調整，最終得到的最優參數如表3 所示．

進一步，對高爐故障訓練樣本采用Fisher 線性判別糾錯輸出編碼法得到編碼矩陣，如表4 所示．

在測試階段，本文將基于參數優化的糾錯輸出編碼多類別故障診斷方法與傳統的無參數優化( c = 10，σ = 0. 4) 的一對一、一對多、密集隨機編碼和稀疏隨機編碼四種方法進行對比，進行1000 次實驗后得到平均結果如表5 所示．

由表5 可以看出故障樣本經過特征參數的篩選和壓縮之后，顯著降低了樣本的維數且提高了樣本的質量，減輕了最小二乘支持向量機分類器的運算負擔，增強了系統的分類性能． 與其他四種方法相比糾錯輸出編碼方法提供了最為緊湊的編碼，碼字長度代表著采用最小二乘支持向量機分類器的個數． 通過表5 可以看出，通過糾錯輸出編碼后，我們采用三個最小二乘支持向量機的分類器就可以實現高爐故障的識別． 相比于其他算法，分類器的個數得到了很好的抑制，降低了故障識別時間． 利用Fisher 判別率對類集合的重新整合，幫助分類器得到了較高的準確率． 就系統的復雜性而言，一對多方法與糾錯輸出編碼法最為接近，但是前者的準確率卻是較低的，因為這種方法容易受到不同類別訓練樣本數量不均衡的影響． 雖然隨機編碼方法也得到了可以接受的效果． 但是，由于它們需要構造的分類器數量過多，嚴重影響了系統的實時性，不利于高爐生產現場爐況的在線監測． 相比而言，一對一方法得到了與糾錯輸出編碼相近的分類結果，并且其編碼構造方式固定，構造過程簡單，可以作為一種備用的高爐故障診斷系統的編碼選擇．

4   結論

本文針對特定高爐選取與典型故障密切相關的特征統計參數，從數據預處理和參數優化兩個方面著手，應用變尺度離散粒子群優化方法提升了最小二乘支持向量機二元分類器的整體性能，進而通過啟發式的糾錯輸出編碼設計，將二元分類器推廣至多元故障分類，使用較少的分類器，在提升系統實時性的同時得到了良好的診斷效果，為高爐故障的在線監控提出了一種可行的方法．

參 考 文 獻

［1］ Liang J B． The Blast Furnace Condition Diagnosis System Designand Implementation based on the Gas Flow Ｒate ［Dissertation］．Changsha: Central South University，2009

( 梁劍波． 基于煤氣流量的高爐爐況診斷系統設計及實現［學位論文］． 長沙: 中南大學，2009)

［2］ Li Q H． Fuzzy Identification Prediction and Control to B． F IronmakingProcess ［Dissertation］． Zhejiang: Zhejiang University，2005

( 李啟會． 高爐冶煉過程的模糊辨識、預測與控制［學位論文］． 浙江: 浙江大學，2005)

［3］ Gao C H，Jian L，Chen J M，et al． Data-driven modeling andpredictive algorithm for complex blast furnace ironmaking process．Acta Autom Sin，2009，35( 6) : 725

( 郜傳厚，漸令，陳積明，等． 復雜高爐煉鐵過程的數據驅動建模及預測算法． 自動化學報，2009，35( 6) : 725)

［4］ Liu L M，Wang A N，Sha M，et al． Fault diagnostics of blast furnacebased on CLS--SVM / / 2010 Chinese Conference on PatternＲecognition． IEEE，2010

［5］ Yang J，Xu Q，Yu C B，et． al． Study on fault diagnosis of blastfurnace based on ICA--QNN / / Proceedings of the 29th ChineseControl Conference． Beijing，2010: 4014

( 楊佳，許強，余成波，等． 基于ICA--QNN 的高爐故障診斷研究/ / 第29 屆中國控制會議． 北京，2010: 4014)

［6］ Li Z． Ｒesearch of Blast Furnace Fault Diagnosis based on BayesianNetworks ［Dissertation］． Wuhan: Wuhan University of Scienceand Technology，2015

( 李振． 基于貝葉斯網絡( Bayesian Networks) 方法的高爐故障診斷研究［學位論文］． 武漢: 武漢科技大學，2015)

［7］ Pujol O，Ｒadeva P，Vitria J． Discriminant ECOC: a heuristicmethod for application dependent design of error correcting outputcodes． IEEE Trans Pattern Anal Mach Intell，2006，28( 6) : 1007

［8］ Suykens J A K，Vandewalle J． Least squares support vector machineclassifiers． Neural Process Lett，1999，9( 3) : 293

［9］ Xu M，Wang S T，Gu X． TL--SVM: A transfer learning algorithm．Control Decis，2014，29( 1) : 141

( 許敏，王士同，顧鑫． TL--SVM: 一種遷移學習新算法． 控制與決策，2014，29( 1) : 141)

［10］ Gestel T V，Suykens J A K，Lanckriet G，et al． Multiclass LS--SVMs: moderated outputs and coding-decoding schemes． NeuralProcess Lett，2002，15( 1) : 45

［11］ Liu L M，Wang A N，Sha M，et． al． Multi-class classificationmethods of cost-conscious LS--SVM for fault diagnosis of blastfurnace． J Iron Steel Ｒes Int，2011，18( 10) : 17

［12］ Qiu M H，Wang Z Y，An G，et al． Diagnosis of gear fault basedon KPCA and ECOC--SVM． J Vib Shock，2009，28( 5) : 1

( 邱綿浩，王自營，安鋼，等． 基于核主元分析與糾錯輸出編碼SVM 的齒輪故障診斷． 振動與沖擊，2009，28( 5) : 1)

［13］ Allwein E，Schapire Ｒ，Singer Y． Ｒeducing multiclass to binary:a unifying approach for margin classifiers． Mach Learn Ｒes，2002，12( 1) : 113

［14］ Zhou J D，Wang X D，Cui Y H，et al． Error-correcting outputcodes based on evidence theory for multi-class classification．Control Decis，2013，28( 4) : 495

( 周進登，王曉丹，崔永花，等． 基于證據理論的糾錯輸出編碼解決多類分類問題． 控制與決策，2013，28( 4) : 495)

［15］ Ji Z，Liao H L，Wu Q H． Particle Swarm Optimization Algorithmand Its Application． Beijing: Science Press，2009

( 紀震，廖惠連，吳青華． 粒子群算法及應用． 1 版． 北京:科學出版社，2009)

［16］ Hao Y． Study on Ｒadar and Cross Temperature Data Processingin Blast Furnace ［Dissertation］． Beijing: University of Scienceand Technology Beijing，2012

( 郝宇． 高爐雷達及十字測溫數據處理算法研究［學位論文］． 北京: 北京科技大學，2012)

［17］ Cao L J，Chua K S，Chong W K，et al． A comparison of PCA，KPCA and ICA for dimensionality reduction in support vector machine．Neurocomputing，2003，55( 1-2) : 321