基于SVM-RBF的高爐爐況診斷方法研究.pdf

1、高爐煉鐵是鋼鐵行業(yè)的上游主體工序，作為國民經(jīng)濟(jì)支柱產(chǎn)業(yè)的重要組成部分，它對鋼鐵工業(yè)的發(fā)展起到了至關(guān)重要的作用。在高爐的實(shí)際生產(chǎn)中，如果出現(xiàn)故障，輕則對出鐵量有影響，重則會對鋼廠造成重大的損失，因此高爐爐況診斷對于高爐操作具有非常重要的意義。
　　常見的高爐異常爐況有懸料、崩料、爐墻結(jié)厚、向涼向熱等。高爐故障的一個(gè)明顯特點(diǎn)是故障數(shù)據(jù)小樣本問題。針對故障診斷面臨的數(shù)據(jù)小樣本問題，采用了一對多分類支持向量機(jī)和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，

2、既解決了診斷中面臨的小樣本問題，又用RBF神經(jīng)網(wǎng)絡(luò)對一對多支持向量機(jī)可能出現(xiàn)的問題進(jìn)行解決，提高整體的診斷準(zhǔn)確率。
　　在支持向量機(jī)中，懲罰因子C和核函數(shù)的參數(shù)選取對于支持向量機(jī)的分類準(zhǔn)確率有著非常大的影響，因此采用粒子群算法對這兩種參數(shù)進(jìn)行尋優(yōu)，保證了診斷的準(zhǔn)確率。在此基礎(chǔ)上，針對一對多分類器出現(xiàn)的樣本偏斜問題，利用類中心超球體的方法對正負(fù)樣本懲罰因子C的倍數(shù)進(jìn)行試湊尋優(yōu)，進(jìn)一步的提高了診斷準(zhǔn)確率。
　　為了驗(yàn)證方法的有效