关键词：质量诊断;钢铁冶炼;质量评估;Spark
摘 要：随着钢铁冶炼技术的发展,钢铁产品的质量已经逐渐成为人们关注的重中之重,如何提高钢铁产品的质量,降低产品的不合格率,减少不必要的能源耗费和资源浪费,已经成为钢铁企业在激烈的竞争环境中提升自已核心竞争力的重要手段之一,成为企业长期生存和发展的基础。实际生产过程中,不合格产品的出现是不可避免的,而通过对不合格产品的生产过程进行分析,找到生产出不合格产品的原因并对其进行调整,避免问题的再次出现,这个过程便是质量诊断。传统的质量诊断大多是对生产过程数据构建SPC控制图,并对控制图进行模式识别,但钢铁冶炼是一个多阶段、多参数、工艺流程复杂的生产过程,难以通过生产数据构建控制图。所以本文使用数据挖掘的方法,将钢铁冶炼过程质量诊断与数据挖掘相结合,研究并实现一种针对钢铁冶炼过程数据的质量诊断方法。本文通过对钢铁冶炼过程数据特征的分析,提出了两种钢铁冶炼过程数据质量诊断算法,对钢铁冶炼过程中出现的异常数据进行分析,算法旨在找到钢铁冶炼过程中出现的异常数据出现问题的阶段和参数并对其进行修正。为了适应实际生产中钢铁冶炼过程庞大的数据量,本文使用Spark并行计算框架对两种质量诊断算法进行了并行化,以提高算法效率,适应更复杂的应用场景。为了验证论文所提出的质量诊断算法的有效性,本文基于分类算法,使用BP神经网络对已有钢铁冶炼过程数据进行训练,构建出一个分类模型,对未知数据进行质量评估,评判其能否生产出合格的产品。在研究并实现质量诊断算法和质量评估方法的基础上设计并实现了一个质量诊断系统,该系统集成了本文研究出来的几种算法,能够对钢铁冶炼过程数据进行分析和诊断,对未知数据进行质量评估,为用户提供友好的交互界面,并以可视化的方式对诊断和评估结果进行展示。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取