论文部分内容阅读
针对高炉冶炼行程炉况故障分类边界的模糊性和故障模式之间存在交叉数据的诊断不确定性问题,提出了一种应用独立分量分析(ICA)和量子神经网络(QNN)相结合进行高炉炉况故障诊断的方法。首先,应用独立分量快速算法(FastICA)分离高炉故障时的状态信号以提取其状态特征向量。然后,利用量子神经网络对具有不确定性、模式之间存在交叉数据的故障有较好的模式识别功能来完成对高炉炉况故障的识别。试验结果表明,基于ICA-QNN的学习算法可以有效、准确地识别高炉炉况的故障模式,同时也为高炉炉况故障诊断提供了一种新型的方法。