基于貝葉斯網(wǎng)絡(luò)(Bayesian Networks)方法的高爐故障診斷研究.pdf

1、鋼鐵工業(yè)是國民經(jīng)濟的支柱產(chǎn)業(yè)，其非常關(guān)鍵的地方就是要做好高爐冶煉。高爐冶煉過程是一個非常復(fù)雜的過程，這其中包含了許許多多的物理及化學(xué)反應(yīng)過程。在高爐冶煉過程中，人們無法直接測量各類想要掌握的過程參數(shù)，并且由于冶煉是在封閉環(huán)境中進行的，所以人們只能通過間接方式去了解冶煉過程的進行。
　　高爐爐況的故障診斷對于高爐冶煉有著非常重要的意義，而爐況是經(jīng)常波動的，因此如果能全面了解高爐冶煉的爐況情況及異常情況并對其故障進行快速、準(zhǔn)確的隔離和

2、辨識，就可以更好的有計劃的確定高爐故障的方向，便可以從很大程度上去降低維護的成本，提高經(jīng)濟效益，并可以防止重大事故的發(fā)生。
　　本論文將主要研究在高爐故障診斷方面采用貝葉斯網(wǎng)絡(luò)（Bayesian Networks）的方法來實現(xiàn)。論文探討了貝葉斯網(wǎng)絡(luò)在高爐故障診斷中的應(yīng)用，將貝葉斯網(wǎng)絡(luò)應(yīng)用到高爐故障診斷模型的建模、學(xué)習(xí)和診斷中，提出了高爐故障診斷系統(tǒng)的設(shè)計方案，并設(shè)計了因果關(guān)系貝葉斯網(wǎng)絡(luò)診斷模型和簡單貝葉斯網(wǎng)絡(luò)診斷模型，以及應(yīng)用完備

3、樣本集對網(wǎng)絡(luò)參數(shù)進行初始化訓(xùn)練。經(jīng)過測試，對比分析了兩種診斷模型的特點和性能。此外，為了完善診斷模型的功能，應(yīng)用成熟的不完備數(shù)據(jù)處理算法來加以解決，并分析研究了應(yīng)用Monte-Carlo方法、Gaussian近似算法和EM算法三種不同方法對不完備數(shù)據(jù)進行訓(xùn)練對貝葉斯網(wǎng)絡(luò)產(chǎn)生的不同影響，并分析了產(chǎn)生差異的原因。
　　貝葉斯網(wǎng)絡(luò)是一種有向無環(huán)圖，在這個網(wǎng)絡(luò)中的各個節(jié)點的相關(guān)程度是用條件概率來表達(dá)的，貝葉斯網(wǎng)絡(luò)是一種基于概率論的數(shù)學(xué)推理