[发明专利]一种钢铁生产过程数据的降噪方法

说明书

本发明提供一种钢铁生产过程数据的降噪方法，涉及钢铁生产过程的自动控制技术领域。首先建立EEMD‑WT降噪模型，对含有噪声的钢铁生产过程数据进行EEMD分解，然后采用连续均方误差的方法(CMSE)计算噪声能量突变点b，计算出b值后，将前面相应的高频IMF分量进行小波变换降噪处理，除去高频中的噪声，保留高频信号段的剩余信息，最后与低频其余的IMF分量重构，完成EEMD‑WT降噪模型的建立；将含噪的钢铁生产过程数据导入到EEMD‑WT降噪模型中，得到最后的降噪后数据。本发明提出的EEMD‑WT降噪方法降噪效果好，相比于SVD降噪方法和均值降噪方法能更好地还原出原始数据，可以广泛地投入到钢铁生产过程当中。

技术领域

本发明涉及钢铁生产过程的自动控制技术领域，尤其涉及一种钢铁生产过程数据的降噪方法。

背景技术

在现代钢铁生产过程中，钢铁企业每日产生并存储大量生产过程数据，这些数据蕴含了与钢铁生产设备、钢铁生产过程相关的规律性知识。以数据为核心，应用智能分析技术对钢铁生产过程中关键质量指标与工艺参数间进行关联规则挖掘，为钢铁生产过程中质量参数控制提供了新思路。数据是构建模型的基石，只有准确有效的数据才能确保算法的精度，这就要求数据本身具有良好的可用性。随着钢铁生产过程控制技术的发展以及工业大数据应用的普及，往往采用实际生产数据对钢铁生产过程中的质量参数进行分析建模，会使结果更加符合实际情况，避免了传统方法的局限性。但是钢铁生产现场采集到的数据中往往混杂着大量噪声，噪声会很大程度地影响算法的计算效果，对控制量的求解以及质量参数的预测过程造成了困难。因此，结合数据降噪技术，对钢铁生产过程数据进行降噪处理，对提升钢铁生产过程关键质量参数的控制水平具有重要意义。

Fourier变换是数据降噪中常用的一种频域处理方法，它可以将给定的信号进行展开，分解为多个不同频率的正弦信号的和。19世纪70年代，Beltrami提出了一种针对于实正方矩阵的奇异值分解(SVD)理论，该理论通过正交变换的手段将信号分解为众多线性分量，以SVD 理论为基础的众多分析方法在特征提取和信号降噪领域得到了广泛的应用。1998年，Huang 等人以瞬时频率为基础提出了一种经验模态分解(EMD)方法，并以此为基础，提出了希尔伯特-黄变换(HHT)。同时，为改善EMD方法中存在的模态混叠问题，Wu等人利用高斯白噪声频率均匀的特点，向原始信号中人为增添了高斯白噪声，提出了集成经验模态分解法 EEMD。

近些年，各类数据降噪方法也在不断发展，有的方法会针对自身算法缺陷进行改进，也有的方法会对于整体的计算过程进行优化。对于一些实际生产过程而言，现场状况更加复杂多变，数据呈现复杂的非线性，单一的降噪手段不能达到预期效果，因此多种降噪手段联合的方法也逐渐兴起。为了提高钢铁生产过程中质量参数控制水平，解决噪声对控制模型建立的干扰，需要提出一种针对钢铁生产过程的合理、有效的数据降噪手段。

发明内容

针对现有技术的不足，本发明提出了一种钢铁生产过程数据的降噪方法。

一种钢铁生产过程数据的降噪方法，具体为以下步骤：

步骤1：采集含噪声的钢铁生产过程原始数据，建立EEMD-WT降噪模型；

步骤1.1：对含噪声的钢铁生产过程原始数据进行集成经验模态分解EEMD，得到频率从高至低的若干组噪声主导和信号主导的各本征模态函数IMF分量；

式中w_i(t)为第i次分解选取的高斯白噪声，x_i(t)为第i次加入高斯白噪声后的数据，x(t)为含噪声的钢铁生产过程原始数据，r_i为余项，N为EEMD分解的IMF数目，IMF_ij为第i次加入高斯白噪声时分解出的第j个IMF分量；

步骤1.1.1：向钢铁生产过程原始数据中加入正态分布的高斯白噪声；