基于改進(jìn)DBSCAN的復(fù)雜工業(yè)過程建模數(shù)據(jù)異常點檢測研究.pdf

1、在國民經(jīng)濟(jì)和人民生活中，復(fù)雜工業(yè)過程所在的行業(yè)占有重要地位。復(fù)雜工業(yè)過程中的一些需要控制的過程變量，在現(xiàn)有技術(shù)條件下不易直接測量或者難以快速在線測量，只能通過控制其他可測變量，間接地保證質(zhì)量要求。軟測量技術(shù)很好地處理了這類問題。工業(yè)軟測量是一種基于工業(yè)過程數(shù)據(jù)的建模技術(shù)，數(shù)據(jù)的有效性直接影響到模型的精度。然而，在復(fù)雜工業(yè)過程中，由于測量者在實際測量時讀取或者記錄數(shù)據(jù)的失誤，亦或因為檢測的儀器受到了隨機(jī)干擾，這些都會使數(shù)據(jù)出現(xiàn)異常，稱這類

2、數(shù)據(jù)為異常點。判斷建模數(shù)據(jù)是否是異常點，并且將它剔除，對于復(fù)雜工業(yè)過程軟測量建模來說是很重要的。
　　在此背景下，本文在深入研究了復(fù)雜工業(yè)過程建模數(shù)據(jù)特點的基礎(chǔ)上，提出了將聚類算法與軟測量建模相結(jié)合的新方法。針對復(fù)雜工業(yè)過程中因素法建模數(shù)據(jù)異常點檢測的特殊性，本文提出了一種與軟測量建模結(jié)合的基于K-means算法的改進(jìn)DBSCAN聚類方法。首先，該方法用K-means算法對DBSCAN算法改進(jìn)，彌補(bǔ)了傳統(tǒng)DBSCAN算法對非均勻密

3、度數(shù)據(jù)聚類效果不佳的缺陷。再次，該方法將異常點檢測與軟測量建模相結(jié)合，用建模誤差對異常點檢測過程進(jìn)行指導(dǎo)，這樣既保證了異常點檢測的質(zhì)量，同時建立了精確的軟測量模型。將該方法用于寶鋼集團(tuán)300噸LF爐鋼水溫度軟測量建模數(shù)據(jù)上，實驗結(jié)果表明效果良好。
　　針對復(fù)雜工業(yè)過程中時間序列建模數(shù)據(jù)異常點檢測的特殊性，本文提出了一種異常點檢測的新方法。該方法首先把原數(shù)據(jù)集分段處理，隨后用DBSCAN算法對每段數(shù)據(jù)進(jìn)行異常點檢測，然后將剔除異常點