基于PCA相似度和谱聚类相结合的高炉历史数据聚类

• 作者: 叶昊 庞人铭 张海峰 李明亮 王波
• 来源期刊: 山东大学学报（工学版）
• 学科: 工学
• 关键词: PCA 相似度 谱聚类 高炉 数据挖掘 多工况 工作点漂移
• 年，卷（期）: 2017,（5）
• 页码范围: 143-149
• 页数: 7页
• 分类号: TP277
• 语种: 中文
• DOI: 10.6040/j.issn.1672-3961.0.2017.172

摘要

将主元分析(principal component analysis,PCA) 模型相似度(以下简称PCA 相似度) 和谱聚类(spectral clustering)算法相结合,并用于基于高炉历史数据挖掘的炉况工作点变化的分析.利用PCA 相似度与距离相似度的加权来衡量滑窗数据集之间的相似度,进一步将数据集的聚类问题转化为图的最优划分问题,通过谱聚类得到聚类结果.该方法降低了高炉工作点漂移的影响,能够有效稳定的实现高炉炉况工作点的聚类.基于现场历史数据的离线测试表明: 与已有的基于PCA 相似度和k-means 聚类的算法对比,本研究可以更加有效区分炉况工作点的跳变.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王波	清华大学自动化系	59	547	13.0	21.0
2	叶昊	清华大学自动化系	40	814	13.0	28.0
3	庞人铭	清华大学自动化系	2	3	1.0	1.0