1.一种烧结过程中异常运行数据的校正方法,其特征在于:包括以下步骤:S1:采用箱型图法对烧结过程运行数据进行异常运行数据检测,检测出各个异常运行数据;
S2:根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分,得到若干类别;然后计算某一异常运行数据和所述若干类别的不同聚类中心的欧式距离,得到最小的欧式距离对应的类别,该类别即为所述某一异常运行数据的所属类别;同理,得到其他异常运行数据的所属类别;
S3:基于马氏距离的最近邻算法,在任一异常运行数据所属类别中获得与所述任一异常运行数据最相似的正常运行的历史数据来对所述任一异常运行数据进行校正,并将校正后的异常运行数据保存到烧结过程历史数据库中。
2.如权利要求1所述的一种烧结过程中异常运行数据的校正方法,其特征在于:步骤S1中,对烧结过程运行数据进行异常运行数据检测的具体过程如下:(1‑1):X={xi|i=1,2,…,M}表示烧结过程运行数据的集合,其中M表示烧结过程运行数据的总数量;采用箱型图法对运行数据X进行异常检测,箱型图法的计算公式如下所示:IQR=Q3‑Q1
Q4=Q1‑1.5×IQR
Q5=Q3+1.5×IQR
其中,Q1是运行数据中的下四分位数,Q3是运行数据中的上四分位数,IQR是上下四分位数之差,Q4是运行数据集的下限值,Q5是运行数据集的上限值;
(1‑2):判断运行数据xi与运行数据集的下限值Q4及运行数据集的上限值Q5的大小;若所述运行数据xi小于Q4或者xi大于Q5,则所述运行数据xi被检测为异常运行数据。
3.如权利要求2所述的一种烧结过程中异常运行数据的校正方法,其特征在于:步骤S2中,所述根据核模糊C均值聚类算法对烧结过程正常运行的历史数据进行聚类划分的过程如下:(2‑1):设定核模糊C均值聚类算法的目标函数JKFCM如下:其中,JKFCM是核模糊C均值聚类算法的目标函数,L是聚类个数,N是正常运行的历史数据的样本数目,m是模糊指数,μfj是正常运行的历史数据点相对于聚类中心的模糊隶属度,yj表示第f类中的正常运行的历史数据,cf为第f类的聚类中心,K(yj,cf)是高斯核函数,且K
2 2
(yj,cf)=exp(‑||yj‑cf||/2σ),其中,σ为核函数调节参数;
(2‑2):通过更新聚类中心cf和模糊隶属度μfj来实现JKFCM的最小,所述聚类中心cf和模糊隶属度μfj的表达式分别如下所示:(2‑3):通过以下公式分别计算异常运行数据xi与聚类中心cf的欧式距离:Sf=||xi‑cf||
其中,Sf为异常运行数据xi与聚类中心cf的欧式距离;
(2‑4):通过比较得到的所有欧式距离,找到最小的欧式距离min Sf,进而确定所述异常运行数据xi属于最小的欧式距离min Sf对应的正常运行的历史数据中的第f类,其中,f=1,
2,…,L,L是聚类个数。
4.如权利要求3所述的一种烧结过程中异常运行数据的校正方法,其特征在于:步骤S3中,所述马氏距离的计算公式为:‑1
其中,yj表示第f类中的正常运行的历史数据,T表示转置,Σ 表示所述异常运行数据xi与第f类中的正常运行的历史数据yj的协方差矩阵。
5.如权利要求4所述的一种烧结过程中异常运行数据的校正方法,其特征在于:步骤S3中,所述基于马氏距离的最近邻算法和校正后的异常运行数据进行校正和保存包括以下步骤:(3‑1):分别计算所述异常运行数据xi与第f类中的正常运行的历史数据yj之间的马氏距离,采用最近邻算法,在若干马氏距离中得到与所述异常运行数据xi最相似的某一正常运行的历史数据;
(3‑2):通过所述某一正常运行的历史数据,对所述异常运行数据进行校正,并根据时间顺序把校正后的异常运行数据保存到烧结过程历史数据库中。