一种应用于工业预警系统的数据模型构建方法与流程

本发明属于高炉炼铁工艺优化技术领域，具体地说涉及一种应用于工业预警系统的数据模型构建方法。

背景技术：

高炉炼铁是现如今炼铁的主要方式，主要的操作流程为：首先在将铁矿石、焦炭、石灰石等原材料放入炼炉内，然后通过炼炉底部的风口加入一定的富氧高温空气，炉内高温空气会与原材料发生反应，通过一定的反应生成一氧化碳和氢气，一氧化碳和氢气在炉内上升过程中会把铁矿石中的氧去除，从而还原得到铁，炼出的铁水从铁口放出，炉渣则从渣口排出；产生的煤气经过一定的加工处理，可以当做燃料使用。现有的高炉炼铁工艺主要依靠经验，并且存在生产质量不稳定的现象，生产的安全性无法得到保障，其中很重要的原因在于无法实时监控生产过程，并在异常事件之前进行预警，提醒相关人员及时处理，降低事故带来的损失，提升生产经济效益。

因此，现有技术还有待于进一步发展和改进。

技术实现要素：

针对现有技术的种种不足，为了解决上述问题，现提出一种应用于工业预警系统的数据模型构建方法。本发明提供如下技术方案：

一种应用于工业预警系统的数据模型构建方法，包括：

基于获取的监测信号及对应的异常结果构建预警系统映射数据库；

建立监测信号与异常结果对映关系的数据模型，并进行深度学习完善映射数据库；

获取实时监测信号并基于数据模型完善后的映射数据库输出预警结果。

进一步的，所述深度学习包括数据模型深度学习和模型选择深度学习。

进一步的，所述数据模型深度学习包括支持向量机、决策树、聚类算法、主成分分析和独立成分分析、神经网络、最小二乘法、svd矩阵分解中的至少一种数据模型。

进一步的，所述数据模型深度学习包括基于输入的监测信号，同时触发多个数据模型，进行同步运算。

进一步的，所述模型选择深度学习包括通过神经网络进行选择学习训练来缩小遍历的数据模型个数。

进一步的，所述模型选择深度学习包括对不同的数据模型深度学习方法进行输出结果比较，使每个监测信号对应不多于两个数据模型，从而输出两个数据模型中的最优数据模型对应的预警结果。

进一步的，输出结果比较包括将不同数据模型深度学习得到的预警结果与实际异常结果进行偏离度分析，保留最接近实际异常结果的数据模型。

进一步的，所述预警系统映射数据库包括基于经验值预先输入的基础预警映射数据库，所述基础预警映射数据库包括基础监测信号及其对应的基础异常结果。

进一步的，所述监测信号为稳定监测信号，即去除异常值后的相邻两数据获取频次的均值。

进一步的，所述数据获取频次基于不同监测部位的异常概率，异常概率高的数据获取频次高，异常概率低的数据获取频次低。

有益效果：

1.通过构建数据模型，并通过深度学习优化数据模型使其成为能够针对特定设备进行准确预警，实现高炉设备的高效产出，并且延长高炉设备的使用寿命，降低事故风险。

2.通过构建两个不同维度的数据模型，第一维度保证数据模型适用性良好，第二维度保证数据模型选择的快速和准确。

3.通过神经网络训练出针对每一监测信号最优的计算数据模型，从而快速计算出可能的预警结果，尽早提醒工作人员进行参数修改或设备查看，极大的节省系统资源，降低系统运算负担，同时保证预警结果的可信度。

4.通过神经网络后台模拟计算与预先输入的对映关系结果进行偏离度分析，从而不断纠正神经网络的运算规律，使其接近真实的数据模型，从而增加预警结果的可信值。

5.基于不同部位的监测信号与异常信息之间的对映关系动态调整不同部位监测信号的获取频率，有利于针对性的关注高异常状态频发点，提高异常结果预警的及时性，同时降低系统的数据运算量，节约系统运行资源。

附图说明

图1是本发明具体实施例中一种应用于工业预警系统的数据模型构建方法结构示意图。

具体实施方式

为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。此外，以下实施例中提到的方向用词，例如“上”“下”“左”“右”等仅是参考附图的方向，因此，使用的方向用词是用来说明而非限制本发明创造。

如图1所示，一种应用于工业预警系统的数据模型构建方法，包括：

s100、基于获取的监测信号及对应的异常结果构建预警系统映射数据库；

s200、建立监测信号与异常结果对映关系的数据模型，并进行深度学习完善映射数据库；

s300、获取实时监测信号并基于数据模型完善后的映射数据库输出预警结果。

将该预警系统的数据模型应用于高炉炼铁的工艺中，其关键监测环节包括高炉本体、供料系统、送风系统、渣铁系统以及煤气系统，并通过温度、压力、气流量等监测信号指导高炉生产过程中的参数调整，参数调整越早，其产品品质越好，并且对炉体设备的损伤越低，安全隐患越少。其中，温度监测包括炉体温度监测、炉顶十字测温监测、焦炉煤气温度检测；压力监测包括焦炉煤气压力、氧气压力、蒸汽压力；流量监测包括炉体冷却水流量、压缩空气流量、焦炉煤气流量、氧气流量。

科学合理的维护管理可以确保高炉炼铁设备生产效率的最大化，提高企业的整体经济效益。高炉的主要故障状态主要有五类形态，包括炉墙结厚结瘤、悬料、崩料、管道以及炉缸堆积。

炉墙结厚的征兆包括：冷却水温差变小；炉身上部或炉身下部温度变动呈现下降趋势等。

悬料征兆包括：料速急剧下降以致停滞超过一段时间，透气性下降，风压上升，风量下降，顶压下降，炉温向过热方向发展等。

形成管道的征兆包括：风压下降，风量增加，高炉压差下降，透气性升高，炉顶温度升高，炉喉十字测温曲线异常和煤气二氧化碳曲线异常等方面。发生管道将导致硅、硫含量的剧烈波动。

崩料的征兆包括：炉顶温度或者炉喉十字测温的剧烈波动，出现顶尖冒压，同时硅含量剧降而硫含量剧升。

炉缸中心堆积的征兆包括：炉喉煤气曲线呈“馒头状"，煤气利用率下降，容易发生烧渣口、风口情况。炉缸边沿堆积的征兆包括：炉喉煤气曲线呈"v”形，容易发生烧风口、渣口情况。发生炉缸堆积初期温度变化并不明显，这也是炉缸堆积难以及时发现的原因，应当结合其他手段，综合判断炉缸堆积程度。例如铁水成分呈现高硅含量、高硫含量形态。

由此可见，高炉主要故障及生产品质的把控均与多个物理参数相关，而目前我们还没有现有技术研究透彻其具体的关联因素，因而无法直接通过设置参数构建有效的预警系统，因此，需要通过构建数据模型，并通过深度学习优化数据模型使其成为能够针对特定设备进行准确预警，实现设备的高效产出，并且延长设备的使用寿命，降低事故风险。

进一步的，所述深度学习包括数据模型深度学习和模型选择深度学习。深度学习包括两个维度的学习。第一维度为数据模型深度学习，目的是构建针对每一监测信号与异常结果之间的对映关系数据库，方便遍历数据时有据可依；第二维度为模型选择深度学习，目的是缩小数据遍历范围，降低系统数据计算量，从而减小系统资源的浪费。

进一步的，所述数据模型深度学习包括支持向量机、决策树、聚类算法、主成分分析和独立成分分析、神经网络、最小二乘法、svd矩阵分解中的至少一种数据模型。针对不同的监测信号物理量选取对应适合的数据模型算法，尽可能的实现与实际结果的一致性，同时兼顾降低运算的复杂程度，降低系统运算负担。数据模型深度学习能够从体量巨大、结构繁多的数据中挖掘出潜藏在数据中的规律和知识，从而使数据发挥最大化的价值。

进一步的，所述数据模型深度学习包括基于输入的监测信号，同时触发多个数据模型，进行同步运算。将监测信号分别输入到不同的数据模型内，通过不同数据模型分别计算得到多种可能的影响结果，同时触发运算有利于对检测信号进行快速响应，从而实现预警信号的快速输出。

进一步的，所述模型选择深度学习包括通过神经网络进行选择学习训练来缩小遍历的数据模型个数。每一监测信号分别通过不同的计算数据模型进行计算，并输出相应的计算结果，不同的计算数据模型结果会有所差异，且计算用时也不相同，记录计算数据模型结果及计算用时，反复迭代扩大数据计算范围，从而构建不同数据模型对应的数据库，通过比较器删选出数据库中用时短且结果误差小的计算数据模型为最优计算数据模型，通过神经网络训练出针对每一监测信号最优的计算数据模型，从而快速计算出可能的预警结果，尽早提醒工作人员进行参数修改或设备查看，极大的节省系统资源，降低系统运算负担，同时保证预警结果的可信度。

进一步的，所述模型选择深度学习包括对不同的数据模型深度学习方法进行输出结果比较，使每个监测信号对应不多于两个数据模型，从而输出两个数据模型中的最优数据模型对应的预警结果。优选的，每个监测信号对应两个数据模型，通过两个数据模型进行分析比对，若两个模型的计算结果差异较大，则表明某一数据模型在特定数据输入条件下会存在较大的计算误差，通过人工干预选择可信结果的数据模型进行结果输出，确保计算结果的准确性。

进一步的，输出结果比较包括将不同数据模型深度学习得到的预警结果与实际异常结果进行偏离度分析，保留最接近实际异常结果的数据模型。通过神经网络后台模拟计算与预先输入的对映关系结果进行偏离度分析，从而不断纠正神经网络的运算规律，使其接近真实的数据模型，从而增加预警结果的可信值。

进一步的，所述预警系统映射数据库包括基于经验值预先输入的基础预警映射数据库，所述基础预警映射数据库包括基础监测信号及其对应的基础异常结果。数据模型基于基础预警映射数据库进行后台运算，并在基础预警映射数据库基础上构建完整的预警映射数据库，从而实现在输入监测信号后，通过遍历预警映射数据库找到对应的异常结果，针对该异常结果输出预警结果供用户提前参考应对。

进一步的，所述监测信号为稳定监测信号，即去除异常值后的相邻两数据获取频次的均值。由于生产过程的不稳定性，监测信号通常是带有波动的数值，为了方便计算，通常采用两次数据获取时间间隔的均值，但这些波动的数值中可能会出现异常值。异常值为保持时间很短的数值，具体判断方法为：针对每段监测信号取最高值和最低值，分别截取最高值或最低值前后在预设波动误差范围内的保持时间，通过比较器与预设异常阈值进行比较，若最高值或最低值的保持时间小于预设异常阈值，即该异常值不具备反映真实监测情况的能力，因此需要去除该异常值，剩下的均值足以反映出该时间间隔内的真实信号情况，利用均值，方便降低数据计算量，节约系统运行资源。

进一步的，所述数据获取频次基于不同监测部位的异常概率，异常概率高的数据获取频次高，异常概率低的数据获取频次低。随着设备数据的不断监测运行，每次监测均通过记录模块进行记录保存，因此不同部位的监测信号与异常信息之间在一定时间后会形成动态的对映关系表，系统基于该对映关系表动态调整异常信息集中部位的监测信号的获取频率，从而有利于针对性的关注高异常状态频发点，提高异常结果预警的及时性，同时降低系统的数据运算量，节约系统运行资源。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

以上已将本发明做一详细说明，以上所述，仅为本发明之较佳实施例而已，当不能限定本发明实施范围，即凡依本申请范围所作均等变化与修饰，皆应仍属本发明涵盖范围内。