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(jì)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(jìn)行的，所以人們只能通過間接方式去了解冶煉過程的進(jìn)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(jìn)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(hù)的成本，提高經(jīng)濟(jì)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(jìn)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(jìn)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