魯 杰，閆炳基，趙 偉，李 鵬，陳 棟，國宏偉

蘇州大學(xué)沙鋼鋼鐵學(xué)院，蘇州 215137

高爐操作爐型是高爐投入生產(chǎn)后，經(jīng)爐襯侵蝕、渣皮生成，由設(shè)計爐型逐漸演變而來的表征高爐狀態(tài)的高爐內(nèi)型.在高爐冶煉過程中，高爐操作人員大多通過冷卻壁參數(shù)、操作參數(shù)，結(jié)合生產(chǎn)經(jīng)驗間接分析高爐操作爐型的變化情況，以此判斷爐況的好壞[1-2].為保證高爐生產(chǎn)的優(yōu)質(zhì)、低耗、高產(chǎn)、長壽，就需要一個合理的高爐操作爐型.通過高爐冶煉過程參數(shù)，有效合理地表征高爐操作爐型的狀況及其變化過程，并分析造成變化的原因，有利于高爐操作者及時調(diào)節(jié)高爐操作制度，優(yōu)化生產(chǎn)過程.

大數(shù)據(jù)分析平臺改善了傳統(tǒng)工業(yè)的生產(chǎn)模式，對高爐煉鐵生產(chǎn)具有重要指導(dǎo)意義.聚類分析是大數(shù)據(jù)中重要一環(huán)，借助大數(shù)據(jù)平臺，國內(nèi)外學(xué)者探索了高爐料面控制、煤氣調(diào)度優(yōu)化、中心煤氣流分布情況監(jiān)測、高爐操作爐型監(jiān)控、鐵水溫度預(yù)測及鐵水硅含量預(yù)測等技術(shù)[3-12]，有效優(yōu)化了高爐冶煉過程，是冶金工業(yè)向智能制造轉(zhuǎn)型的有力支撐.

K-Means、TwoStep 是現(xiàn)階段常用的高爐操作爐型聚類算法[13-16]，但是對于不同聚類算法，應(yīng)用效果的對照關(guān)系不甚明確.本文以高爐冶煉過程的冷卻壁熱電偶溫度為表征參數(shù)，利用K-Means和 TwoStep 聚類算法進(jìn)行聚類分析，結(jié)合算法原理及聚類結(jié)果研究不同聚類算法的效果差異，以期為高爐煉鐵大數(shù)據(jù)分析中的聚類算法選擇提供有利參考.

1 聚類算法

1.1 聚類算法的選擇

聚類分析是數(shù)據(jù)挖掘技術(shù)中的一項重要技術(shù)，通過將數(shù)據(jù)集合劃分成多個類，基于數(shù)據(jù)的特征將相似的樣本歸為一類，而相異的樣本分置于不同的類中，以此確保類內(nèi)樣本的同質(zhì)性及類間樣本的異質(zhì)性.隨著數(shù)據(jù)挖掘技術(shù)應(yīng)用方面愈發(fā)廣泛，國內(nèi)外學(xué)者將聚類分析引入高爐操作爐型的管理中，通過采用不同聚類算法對高爐冶煉數(shù)據(jù)進(jìn)行分析，有效合理地表征高爐操作爐型的變化，對高爐生產(chǎn)有著重要的指導(dǎo)意義.

武森等[17]選擇了K-Means 算法與層次聚類算法分別對高爐冶煉數(shù)據(jù)進(jìn)行分析，實現(xiàn)了對高爐操作爐型波動與變化的實時監(jiān)控，有利于操作人員及時準(zhǔn)確地調(diào)整高爐操作.García 等[18]和Saxena等[19]在K-Means 算法的基礎(chǔ)上引入了自組織特征映射（SOM），利用SOM 訓(xùn)練數(shù)據(jù)集，根據(jù)訓(xùn)練集的輸出結(jié)果采用K-Means 進(jìn)行聚類以獲得更好的聚類結(jié)果，在可視化、解釋模型方面取得了較好的效果.而在武鋼5 號高爐操作爐型管理系統(tǒng)的開發(fā)過程中，陳令坤和李佳[16]針對K-means 算法對初始中心敏感、樣本分布有要求的特點，對K-Means算法進(jìn)行了一定的改進(jìn)，聚類結(jié)果準(zhǔn)確表征了高爐銅冷卻壁的溫度變化，并借助爐型變化與高爐利用系數(shù)的對應(yīng)關(guān)系，初步獲得了武鋼5 號高爐的爐型變化規(guī)律.

曹英杰等[15]選用了TwoStep 聚類算法研究國豐1 號高爐操作爐型，對高爐冷卻壁熱電偶溫度值進(jìn)行聚類分析，確定了高爐透氣性指數(shù)與爐型變化的規(guī)律，并通過實踐證明聚類分析的結(jié)果能夠有效監(jiān)控爐型變化，指導(dǎo)高爐生產(chǎn)現(xiàn)場.而閆炳基等[14]考慮到評價爐型的指標(biāo)多且重疊性大的問題，曾在TwoStep 算法的基礎(chǔ)上引入主成分分析方法（Principal component analysis，PCA），從傳統(tǒng)評價爐型的指標(biāo)中生成3 個新的核指標(biāo)以評價聚類結(jié)果，實踐結(jié)果表明生成的核指標(biāo)有效解決了指標(biāo)多且重復(fù)性大的問題，優(yōu)化了高爐操作爐型的管理.

上述研究進(jìn)展中涉及的聚類算法特點如表1所示[20-25].K-Means 聚類算法是經(jīng)典的基于劃分的聚類算法，時間復(fù)雜度低，聚類效率高，聚類質(zhì)量好，在高爐操作爐型聚類分析中應(yīng)用較多，同時KMeans 算法也存在對初始中心敏感、對數(shù)據(jù)分布有要求的缺點，但陳令坤提出的改進(jìn)方法是行之有效的，在對高爐操作爐型的管理中獲得了優(yōu)異效果[16].層次聚類算法的時間復(fù)雜度普遍較高，且ROCK、Chameleon 等典型算法并不支持大規(guī)模數(shù)據(jù)集[25]，層次聚類算法在高爐操作爐型的研究中應(yīng)用較少，武森等也僅在研究中提到該方法的可行性.SOM 是一種基于模型的聚類算法，該算法存在時間復(fù)雜度高、不支持大規(guī)模數(shù)據(jù)集、聚類結(jié)果對模型參數(shù)敏感的缺點，其優(yōu)勢在于模型能夠提供充分描述數(shù)據(jù)的方法，Saxena 等[19]雖然結(jié)合了K-Means 與SOM 充分發(fā)揮了其在可視化、解釋模型方面的優(yōu)點，但隨著聚類算法的深入研究，判別分析、主成分分析等方法被用于聚類結(jié)果的解釋中，Mckim 等[26]利用判別分析中的圖形技術(shù)幫助使用者理解和解釋集群，閆炳基等[14]則借助主成分分析解決了指標(biāo)重復(fù)性大的問題，研究結(jié)果也表明判別分析與主成分分析方法在解釋聚類結(jié)果時取得了良好的效果.TwoStep 算法是改進(jìn)的BRICH 算法（層次聚類算法），降低了算法的時間復(fù)雜度，并能夠自動確定最佳聚類簇數(shù)，具有較好的擴展性，在高爐操作爐型監(jiān)控管理的應(yīng)用中也表現(xiàn)出較好的效果.

表1 聚類算法分類及特點Table 1 Classification and characteristics of clustering algorithms

基于以上討論，本文結(jié)合所研究數(shù)據(jù)對象的特征，選擇了兩種現(xiàn)階段高爐操作爐型研究中常用的聚類算法— —K-Means 和TwoStep 算法，對高爐爐身冷卻壁熱電偶數(shù)據(jù)進(jìn)行聚類分析，并借助合適的聚類有效性評價指標(biāo)，研究不同算法的聚類效果差異，以期為高爐煉鐵大數(shù)據(jù)分析中的聚類算法選擇提供有力參考.

1.2 K-Means 算法、TwoStep 算法原理

（1）K-Means 聚類的算法思想[27-28]是按照樣本之間距離，將n個樣本點劃分為k個類，使得相似的樣本盡量被分到同一個類，其衡量相似度的計算方法為歐氏距離.

K-Means 算法的具體步驟為：

①對全部n個對象，隨機選擇k個對象作為一個類的中心，代表將生成的k個類；

②計算其他對象到聚類中心的距離，分派對象至距離最近的簇內(nèi)；

③針對每個類計算其所有對象的平均值，作為所有對象的新中心值；

④根據(jù)距離最近原則，重新分配數(shù)據(jù)；

⑤返回③直至無變化，結(jié)束聚類.

（2）TwoStep 兩步聚類算法是BIRCH 層次聚類算法的改良方法，加入了自動確定最佳簇數(shù)量的機制，使得TwoStep 算法更加實用[26].

該聚類算法可分為預(yù)聚類階段和聚類階段.在預(yù)聚類階段，采用了BIRCH 算法中聚類特征樹生長的思想，先遍歷一遍數(shù)據(jù)，生成聚類特征樹的同時，預(yù)先聚類較為密集的數(shù)據(jù)點，形成諸多子簇.在聚類階段，以預(yù)聚類階段的子簇為對象，利用凝聚法逐個合并子簇，通過AIC 準(zhǔn)則（Akaike information criterion）、BIC 準(zhǔn)則（Bayesian information criterion）以及類別間最短距離確定最優(yōu)類別數(shù)作為聚類終止的條件.

1.3 聚類有效性評價指標(biāo)

聚類有效性評價指標(biāo)分為內(nèi)部指標(biāo)和外部指標(biāo)兩類，兩者的區(qū)別在于是否將外部信息用于聚類評價[29].在不考慮外部信息時，內(nèi)部指標(biāo)是利用數(shù)據(jù)集的空間幾何結(jié)構(gòu)信息評估聚類結(jié)構(gòu)的優(yōu)劣.在許多場景中常有缺少外部標(biāo)簽可用的情況，內(nèi)部指標(biāo)是聚類評價的唯一選擇.聚類有效性評價的內(nèi)部指標(biāo)主要包括Compactness、Separation、Davies-Bouldin indicator、Dunn indicator 和Silhouette coefficient，這些評價指標(biāo)的計算公式或方法如表2所示[25,30-32].

表2 聚類評價指標(biāo)Table 2 Cluster evaluation index

Compactness 計算了每一類的類內(nèi)各點到聚類中心的平均距離，但并沒有考慮類間距離；Separation 計算了各聚類中心之間的平均距離，但沒有考慮類內(nèi)效果；Davies-Bouldin indicator 和Dunn indicator 考慮了類內(nèi)效果與類間效果兩方面，對聚類效果的評價更為全面；Silhouette coefficient 適用于數(shù)據(jù)結(jié)構(gòu)清楚、各簇樣本數(shù)目相差不大的情況[33]，而本文所選兩種算法的聚類結(jié)果中各簇樣本數(shù)目有明顯差異，故而Silhouette coefficient 并不適用.基于五種聚類評價指標(biāo)的特點，本文選用Davies-Bouldin indicator（DBI）和Dunn indicator（DI）作為評價依據(jù).

2 基于不同聚類算法的高爐操作爐型聚類

2.1 數(shù)據(jù)處理

K-Means 和TwoStep 聚類算法在聚類過程中常會受到數(shù)據(jù)集中樣本或是相似性度量函數(shù)的影響，難以達(dá)到最佳的聚類效果.因此，在聚類分析前對數(shù)據(jù)集進(jìn)行處理能夠使聚類結(jié)果更為理想，本文在借鑒張鴻雁等[27]與劉葉等[28]研究思路的基礎(chǔ)上，在聚類前對數(shù)據(jù)集作如下處理：

（1）對于聚凸數(shù)據(jù)集以及中心點的問題，在數(shù)據(jù)集中確定一個端點，對所有個案到端點的歐氏距離排序，從而可以根據(jù)新的有序樣本確定各個初始中心；

（2）對于異常點敏感的問題，聚類分析前已經(jīng)去掉了缺失數(shù)據(jù)以及異常點數(shù)據(jù)；

（3）對于相似性度量函數(shù)，由于在第（1）步中采用歐式距離對數(shù)據(jù)集重新排序，因此確定采用歐式距離作為相似性度量函數(shù)，可以減少相似性度量函數(shù)對聚類結(jié)果的影響.

本文采用的數(shù)據(jù)是國內(nèi)某鋼鐵廠高爐爐身熱電偶的31986 條歷史冶煉數(shù)據(jù)（考慮數(shù)據(jù)缺失、中途休風(fēng)等影響已去掉無效數(shù)據(jù)），通過高爐爐身不同高度的冷卻壁及耐火材料處安裝的測量電偶，可以獲得高爐爐身沿縱向8 層熱電偶（第6、7、8、9、10、11、12、14 段冷卻壁，第13 段無熱電偶）測得的溫度變化，以冷卻壁溫度為原始數(shù)據(jù)集對高爐操作爐型進(jìn)行聚類分析.高爐各段冷卻壁位置如圖1 所示.

圖1 高爐各段冷卻壁位置示意圖Fig.1 Position of a cooling stave in each section of a blast furnace

2.2 聚類簇數(shù)的確定

本文利用DBI 和DI 指標(biāo)評價聚類效果，選擇聚類結(jié)果最佳時的聚類簇數(shù)為最優(yōu)方案.

在用聚類算法對高爐操作爐型聚類分析時，考慮到爐型分類的具體情況，即聚類簇數(shù)過少時評價爐型的精度不夠，聚類簇數(shù)過多時會有部分類數(shù)據(jù)過少不具備代表性，因此將聚類簇數(shù)的范圍限制在5 至12 類，DBI 和DI 評價指標(biāo)的結(jié)果如圖2 所示.

圖2 不同聚類簇數(shù)的DBI 和DI 指標(biāo)結(jié)果.(a) DBI 評價指標(biāo)；(b) DI 評價指標(biāo)Fig.2 Result calculation of a cluster evaluation index for various numbers of clusters: (a) Davies-Bouldin index；(b) Dunn validity index

根據(jù)表2 中DBI 和DI 指標(biāo)的計算方法可以看出，DBI 評價指標(biāo)結(jié)果越小，DI 評價指標(biāo)越大，意味著更小的簇間相似性以及更大的簇內(nèi)相似性，代表了聚類效果較優(yōu)的情況.從圖2（a）可以看出，TwoStep 算法的DBI 評價指標(biāo)在聚類簇數(shù)為6 時最低，聚類結(jié)果在此處最優(yōu)，而K-Means 算法的聚類結(jié)果整體優(yōu)于TwoStep 算法的聚類結(jié)果，當(dāng)聚類簇數(shù)在5 至7 時，聚類效果相差不大，聚類簇數(shù)＞7 時，DBI 評價指標(biāo)呈現(xiàn)上升的趨勢.于圖2（b）中，DI 指標(biāo)的評價結(jié)果也呈現(xiàn)K-Means 算法聚類結(jié)果整體優(yōu)于TwoStep 算法聚類結(jié)果的趨勢，Two-Step 算法的DI 評價指標(biāo)在聚類簇數(shù)為6 時最大，聚類結(jié)果此處最優(yōu)，K-Means 算法的DI 評價指標(biāo)在聚類簇數(shù)在5 和6 時較大，明顯優(yōu)于聚類簇數(shù)＞6 時的聚類結(jié)果.

綜合TwoStep 和K-Menas 算 法的DBI 和DI 評價指標(biāo)結(jié)果，可以得到結(jié)論，在本文所選的樣本數(shù)據(jù)及數(shù)據(jù)特征基礎(chǔ)上，聚類簇數(shù)為6 時，兩種算法的聚類結(jié)果普遍更優(yōu).

2.3 聚類結(jié)果

關(guān)于高爐操作爐型的監(jiān)控研究，由于對象高爐的不同，聚類簇數(shù)的差異是一定的.本文根據(jù)DBI 和DI 指標(biāo)運算結(jié)果，確定目標(biāo)高爐操作爐型的最佳聚類簇數(shù)為6 類.K-Means 與TwoStep 算法的聚類簇數(shù)為6 類時，6 類爐型冷卻壁各段溫度分布如圖3 和圖4 所示.

圖3 K-Means 聚類結(jié)果中6 類爐型冷卻壁各段溫度分布Fig.3 Temperature distribution of each cooling stave of six furnace profiles by K-Means clustering algorithm

圖4 TwoStep 聚類結(jié)果中6 類爐型冷卻壁各段溫度分布Fig.4 Temperature distribution of each cooling stave of six furnace profiles by TwoStep clustering algorithm

從圖3 和圖4 可以看到，利用K-Means 與Two-Step 算法分別對高爐冷卻壁測溫?zé)犭娕紨?shù)據(jù)進(jìn)行聚類分析，聚類結(jié)果中各類間區(qū)分明顯，均有效表征了高爐不同時期的操作爐型狀態(tài).K-Means 與TwoStep 的聚類結(jié)果中高爐冷卻壁溫度有如下特點：冷卻壁溫度于第11～12 段相對較高，第12 段冷卻壁溫度最高（K-Means 聚類結(jié)果中第12 段溫度最大值為130.7 ℃，TwoStep 聚類結(jié)果中第12 段溫度最大值為127.1 ℃）；兩種聚類結(jié)果中均存在一類高爐特殊時期的爐型（K-Means 聚類結(jié)果中Cluster 4 與TwoStep 聚類結(jié)果中Cluster 1）；K-Means聚類結(jié)果中Cluster 3 與TwoStep 聚類結(jié)果中各類的相差最為明顯.對于這些特點，只依賴聚類結(jié)果難以分析，因此進(jìn)一步分別從聚類簇內(nèi)數(shù)據(jù)分布、聚類算法原理以及爐型物理含義的角度，分析KMeans 與TwoStep 的聚類結(jié)果有何不同，并判斷當(dāng)聚類簇數(shù)為6 時，K-Means 與TwoStep 的聚類效果哪種更好，更適用于高爐操作爐型的管理.

3 聚類結(jié)果分析

3.1 聚類簇內(nèi)數(shù)據(jù)分布

TwoStep 聚類效果在簇數(shù)為6 與7 時表現(xiàn)出很大差別，通過匯總簇內(nèi)數(shù)據(jù)的分布情況，分析簇數(shù)由7 減少至6 時減少的一簇中數(shù)據(jù)流向.簇數(shù)為6、7 時數(shù)據(jù)分布如圖5 所示.

圖5 TwoStep 聚類結(jié)果中簇數(shù)為6、7 時數(shù)據(jù)分布Fig.5 Data distribution when the numbers of clusters are six and seven by TwoStep clustering algorithm

從圖5 可以看到，簇數(shù)為6 時的第4 類數(shù)據(jù)量占比為24.64%，與簇數(shù)為7 時的第4 類和第7 類的數(shù)據(jù)量占比之和（26.79%）基本接近，前者和后者的兩類之間的數(shù)據(jù)對應(yīng)匹配情況超過90%，而其他各類從數(shù)據(jù)量占比上也具有較好的對應(yīng)性.根據(jù)DBI 和DI 評價指標(biāo)的計算公式，可以認(rèn)為簇數(shù)為7 時聚類效果更差的原因在于其第4 類與第7 類的簇間距離較小.當(dāng)縮減聚類簇數(shù)時，相似的兩類被合并為了一類，使得簇數(shù)為6 時的聚類結(jié)果明顯優(yōu)于簇數(shù)為7 時的結(jié)果.

K-Means 算法在聚類簇數(shù)為6 時的數(shù)據(jù)分布如圖6 所示.

圖6 K-Means 聚類結(jié)果中簇數(shù)為6 時數(shù)據(jù)分布Fig.6 Data distribution when the number of clusters is six by K-Means clustering algorithm

比較圖5 與圖6 可以發(fā)現(xiàn)，當(dāng)聚類簇數(shù)均為6 時，K-Means 與TwoStep 聚類算法的數(shù)據(jù)分布差別很大.K-Means 聚類結(jié)果的數(shù)據(jù)分布更為集中，占比最多的一類達(dá)到了37.426%，而TwoStep 聚類結(jié)果占比最多的一類占比只有24.636%.同時，KMeans 聚類結(jié)果中存在兩類占比極少，數(shù)據(jù)的分布情況體現(xiàn)了K-Means 聚類結(jié)果的簇內(nèi)數(shù)據(jù)更為集中，簇間差別較大，驗證了DBI 和DI 評價指標(biāo)對聚類簇數(shù)為6 時的評價結(jié)果，可以得到結(jié)論：在本文所選的樣本數(shù)據(jù)及數(shù)據(jù)特征基礎(chǔ)上，K-Means 算法的聚類結(jié)果優(yōu)于TwoStep 算法的聚類結(jié)果.

3.2 聚類算法原理比較

從聚類結(jié)果的數(shù)據(jù)分布以及DBI、DI 評價指標(biāo)的比較，可以得到K-Means 聚類結(jié)果更優(yōu)的結(jié)論.本節(jié)從聚類算法原理角度，討論K-Means 算法與TwoStep 算法之間的優(yōu)劣[34].

K-Means 算法根據(jù)事先確定的類別數(shù)選取不同對象作為聚類中心點，以歐式距離為相似度標(biāo)準(zhǔn)分派數(shù)據(jù)，再重新確定聚類中心，直至聚類結(jié)果收斂，這樣的聚類過程與TwoStep 算法構(gòu)造CF 樹后采用凝聚法合并數(shù)據(jù)簇相比，有效地簡化了算法，減少了K-Means 算法的時間復(fù)雜度.同時，Two-Step 算法采用凝聚法合并數(shù)據(jù)簇也決定了其在大數(shù)據(jù)樣本處理能力上遜色于K-Means 算法，且由于算法在構(gòu)造CF 樹后采用凝聚法合并相似簇，這種合并子簇方法的不可逆性導(dǎo)致聚類算法無法重新合并或分離簇優(yōu)化聚類結(jié)果.

在衡量相似度的標(biāo)準(zhǔn)上，K-Means 采用了歐氏距離，而TwoStep 使用了對數(shù)似然距離，這是統(tǒng)計理論中衡量簇與簇相異度的方法.不同的相似度衡量標(biāo)準(zhǔn)對聚類結(jié)果的影響很大，需要選用合理的衡量指標(biāo)進(jìn)行聚類分析.

能夠自動確定類別數(shù)是TwoStep 算法的最大特點，TwoStep 算法可以通過AIC、BIC 以及類別間最短距離自動確定類別數(shù).而K-Means 算法需要事先給定聚類數(shù)K值，K值的確定也會影響算法的最終聚類結(jié)果.

對于數(shù)據(jù)中的異常點，TwoStep 可以自動將其歸類至最近簇中，但K-Means 對異常點沒有有效的解決方法，異常點的存在會對聚類結(jié)果產(chǎn)生嚴(yán)重影響.本文在聚類分析前剔除了數(shù)據(jù)集中的異常點，因此K-Means 算法才得到了較好的聚類結(jié)果.

從聚類算法原理來看，K-Means 和TwoStep 算法均有其優(yōu)點，但算法本身也存在其不足之處.兩種算法本身并沒有優(yōu)劣之分，只是針對不同特性的數(shù)據(jù)集和特定應(yīng)用場景，兩種聚類算法對數(shù)據(jù)集的處理能力與處理結(jié)果存在差異.

3.3 爐型分類的物理含義

簇數(shù)為6 時，K-Means 與TwoStep 算法的聚類結(jié)果如圖7 所示.

圖7 K-Means、TwoStep 聚類結(jié)果（簇數(shù)為6）Fig.7 K-Means,TwoStep clustering results (number of clusters is 6)

從圖7 可以看出，高爐爐型第6～9 段冷卻壁溫度相對10～14 段（除13 段無熱電偶）溫度較低.溫度差異明顯主要在于其冷卻制度的不同，6～9 段為軋制銅與鑄銅冷卻壁，冷卻效果較好，10、11 段為鑄鋼冷卻壁，12、14 段為鑄鐵冷卻壁，鑄鋼、鑄鐵冷卻壁的冷卻效果不如鑄銅冷卻壁[35-36].

對比每段各自冷卻壁溫度，當(dāng)溫度變化，基于爐型聚類結(jié)果可以判定操作爐型的變化狀態(tài)，當(dāng)操作爐型發(fā)生變化時，可能是由以下原因造成的：

（1）該段渣皮脫落較多，脫落頻率較高，因此爐壁內(nèi)襯相對較薄，熱電偶溫度上升；

（2）此段邊緣氣流有發(fā)展趨勢，溫度上升，此時可以根據(jù)現(xiàn)場需要對上部布料角度進(jìn)行調(diào)整或加大邊緣負(fù)荷等操作抑制邊緣氣流發(fā)展；

（3）如果出現(xiàn)溫度長時間持續(xù)上升，則需要現(xiàn)場及時采取相應(yīng)措施，對高爐下部風(fēng)口進(jìn)行調(diào)整，避免爐溫繼續(xù)升高.

因此，現(xiàn)場人員可以通過對高爐操作爐型的觀察和監(jiān)控，根據(jù)爐型整體變化情況采取相應(yīng)的調(diào)控措施.

4 結(jié)論

本文以國內(nèi)某鋼鐵廠高爐爐身熱電偶溫度值的31986 條歷史冶煉記錄為數(shù)據(jù)集，分別選擇KMeans、TwoStep 算法對高爐操作爐型進(jìn)行聚類.結(jié)合算法原理以及DBI、DI 評價指標(biāo)對兩種聚類算法進(jìn)行比較，結(jié)果顯示：

（1）通過DBI 和DI 評價指標(biāo)比較兩種算法在聚類簇數(shù)不同時的聚類效果，確定了最佳聚類簇數(shù)為6，此時K-Means 和TwoStep 算法都能得到更好的聚類結(jié)果.

（2）從聚類原理來看，K-Means 與TwoStep 算法并沒有優(yōu)劣之分.從聚類結(jié)果上來看，在本文所選的樣本數(shù)據(jù)及數(shù)據(jù)特征基礎(chǔ)上，K-Means 算法的聚類結(jié)果明顯優(yōu)于TwoStep 算法的聚類結(jié)果.

（3）分析爐身冷卻壁熱電偶溫度變化尤其是操作爐型發(fā)生變化時的原因，主要包括：渣皮脫落導(dǎo)致的爐壁內(nèi)襯變薄，邊緣氣流呈發(fā)展趨勢，高爐下部風(fēng)口影響等；高爐操作爐型聚類結(jié)果是對影響爐型狀態(tài)的各個原因的綜合顯現(xiàn)，對其類別變化的跟蹤，可為上下部調(diào)劑提供關(guān)鍵的指導(dǎo)信息，對于生產(chǎn)過程的及時調(diào)控具有重要的意義.