数据流场景下高炉炼铁过程的实时统计建模与算法研究

In order to overcome the shortcomings of traditional blast furnace models on dealing with dynamic and time varying characteristics, this project conducts research on the real-time data stream modeling and algorithms in industrial systems using online statistical machine learning techniques. Special emphasis is paid on anomaly detection and thermal state prediction of blast furnace ironmaking process by integrating data and knowledge stream. The main research issues in this project include: 1) an efficient data stream storage method for potentially infinite data length is presented under limited memory; based on the low dimensional reconstruction of data stream, a robust statistical inference method for anomaly detection is developed using the high-frequency sampling data, so that the operators can take timely adjustment to maintain stable production of the blast furnace; 2) dynamic rule extraction method and rule transformation method under the framework of fuzzy mathematics are proposed for data stream; data and knowledge streams integrated-driven models for thermal prediction of blast furnace are further developed based on soft-margin online kernel learning algorithm and multi-source information fusion method by the aid of Sigmoid fitting; low-frequency sampling data (of tapping order) is used to predict the thermal state and future trend of blast furnace, which greatly facilitates optimization of the operation parameters, so that the blast furnace operates in the optimal state.

为克服传统高炉建模方法在处理复杂系统动态、时变特性方面的不足，本项目拟利用在线统计机器学习方法开展数据流场景下的实时统计建模与算法研究，重点关注高炉异常炉况实时预警模型和数据流、知识流协同驱动炉温预报模型的构建，以期实时追踪和精准预测高炉炼铁过程的动态变化规律。主要研究内容有：1）数据流场景下数据(潜在无限长)的有限存储方案，以实现采样数据的动态更新；异常状态的稳健统计推断新算法；构建高炉异常炉况实时预警模型，通过秒级采样数据实时监测炉况，指导高炉操作者及时采取调节措施，维持高炉的稳定、顺行；2）数据流场景下规则知识的动态提取方法；模糊数学框架下规则知识的统一表示方法；软间隔在线核学习算法；基于Sigmoid拟合的多源信息融合方法；构建数据流和知识流协同驱动的高炉炉温预报模型，通过炉级数据预测炉内热状态和炉温发展趋势，指导高炉操作者根据作业条件优化操作参数，保持高炉在最优状态下运行。

传统高炉建模方法在处理复杂系统动态、时变特性方面存在诸多不足，本项目重点关注高炉异常炉况实时预警和数据流、知识流协同驱动的高炉数据驱动建模方法，以期实时追踪和精准预测高炉生成过程的动态变化规律。本项目主要利用在线学习算法、统计机器学习方法开展数据流场景下的实时统计建模与算法研究，主要成果包括：建立了数据流场景下的高炉炉温趋势预报模型、集成学习框架下的高炉异常炉况监测预警模型、面向数据流场景的稀疏耐噪的在线学习模型、处理不平衡分类问题的代价敏感分类模型等一系列适用于数据流场景的高炉生产过程模型；算法设计和理论分析方面证明了优化Ramp损失所得分类器是Bayes分类器、构造耐噪非凸损失函数Canal Loss并在随机梯度下降算法框架下设计具有收敛性理论保障的在线学习算法、面向PU学习这样一类特殊的半监督学习问题，提出了一种基于Ramp损失的在线学习算法，并分析了算法的收敛性；将数据流中的异常点探测问题，转化为不平衡数据流分类问题，针对该问题提出了一种带预算约束的在线分类算法。将专家经验与在线采集数据融合建模，所提基于规则辅助的高炉冶炼过程数据驱动建模方法获得国家发明专利授权，基于耐噪损失函数Ramp所提一种耐噪在线多分类核学习算法均获得国家发明专利授权。上述面向数据流场景所开发的一系列数据驱动模型，可指导高炉操作者根据作业条件优化操作参数，保持高炉的安全、优化运行。