基于低质量数据的重有色金属熔池熔炼过程优化决策研究

重有色金属熔池熔炼过程在运行中产生大量数据，其中蕴含有过程运行规律、优化操作模式等对过程优化决策具有指导意义的信息。但因其往往存在可用样本不足、噪声大等问题，现有方法难以从中有效提取这些信息。本项目以生产过程节能降耗为主要目标，以铜锍转炉吹炼这一典型的熔池熔炼过程为主要对象，研究从低质量生产数据中提取信息并用于过程优化决策的方法，研究内容有：1）基于小波分析的噪声方差估算、大噪声样本识别等数据质量评估、预处理方法，据此评估和改善熔炼过程数据的质量；2）基于数据质量信息引导的智能优化建模方法，为过程优化决策提供高效的建模工具；3）数据与机理协同驱动的静态优化决策建模方法，实现过程部分静态操作参数的优化；4）基于过程仿真、预测控制、自适应控制等多种技术集成的动态优化决策方法，实现部分操作参数的动态实时优化。本研究将解决熔池熔炼过程存在的部分优化问题（如配料、送风），研究成果具有较大推广价值。

重有色金属熔池熔炼过程在运行中产生大量数据，其中蕴含有过程运行规律、优化操作模式等对过程优化决策具有指导意义的信息。本项目针对熔池熔炼数据的存在可用样本不足、噪声大等质量问题，研究从这类低质量数据中提取优化决策信息的方法，具有重要的理论意义及使用价值。项目通过工业现场调研、理论研究以及仿真实验，在数据预处理、建模方法以及工业应用等方面取得了较大的进展，主要研究成果和结论归纳如下：.（1）提出了一种基于子空间学习和高斯混合模型的离群点检测方法。作为一种数据预处理方法，该方法能够有效地从高维数据中有效地识别出离群点（大噪声数据样本），从而提高数据质量，为后续的建模任务提供更好的数据支持。.（2）提出了一种基于局部优化边界的支持向量数据描述方法。该方法既是一种数据预处理方法（可应用于离群点识别）又是一种建模方法（可用于建立分类模型），与传统支持向量机数据描述方法相比具有明显的优势，尤其对于局部分布特征不统一的多模态数据。.（3）提出了一种特征空间最小数据分布最大间隔支持向量机模型。该模型可以应用于分类，与传统的支持向量机分类模型相比，分类准确性更高（分类误差更小）、泛化能力更强（支持向量机个数更少）。.（4）提出了一种针对ε-不敏感支持向量回归机（ε-SVR）的回归值校正方法。该方法和ε-SVR合在一起可视为一种改进的支持向量回归机，与单纯ε-SVR回归相比，具有更好的回归精确和泛化性能。.（5）提出了一种基于多模型的密闭鼓风炉铅锌熔炼过程监测方法。该方法针对该熔炼过程的多模态特点，综合运用多种智能建模方法，从历史数据中学习关键监测参数在不同熔炼阶段的变化规律，从而以动态阈值监测过程，效果良好。.（6）提出了一种集成数值仿真和知识发现技术的铜锍转炉吹炼过程建模和优化方法。对熔池内多相流特征进行模拟，运用聚类等数据挖掘技术从仿真结果数据中提取两相接触面积等知识，运用此类知识并针对过程动力学特点对过程进行建模和优化。.本项目研究了一套针对低质量数据的知识发现方法（包括数据预处理和数据建模方法），并以密闭鼓风炉铅锌熔炼和铜锍PS转炉吹炼两个典型熔池熔炼过程为例说明了其使用途径。研究成果理论上可应用于其它具有类似数据特点的工业过程，具有一定的推广价值。