基于图像与电流特征的电熔镁炉欠烧工况半监督分类方法

摘要

针对电熔镁炉异常工况识别任务,在半监督学习框架下提出一种将电流与图像两类特征融合的解决方案.主要贡献为:使用多元图像分析(Multivariate image analysis,MIA)技术代替人眼,更为准确客观地对镁炉火焰进行特征提取;利用基于熵正则化(Entropy regularization,ER)的半监督学习框架,同时使用具有强互补性的生产图像与电流数据进行工况分类,从而弥补了基于单一特征分类的某些缺点;采用交叉熵方法(Cross-entropy method,CEM)优化分类器目标函数,较传统优化方法显著地提升了训练速度.通过仿真数据与公开数据集测试并讨论了本文算法的优势,并通过工业数据验证了所提方法的有效性、应用价值与良好的鲁棒性.