一种高炉故障诊断系统及方法
【专利摘要】本发明提供一种高炉故障诊断系统及方法，该系统包括：历史数据采集模块、实际数据采集模块、特征权重矩阵构造模块、模型建立模块、高炉故障诊断模块。该方法包括：采集高炉生产状况实际属性数据、历史属性数据及其对应的高炉运行故障状态类型；根据各属性对于故障诊断的重要程度确定各属性的特征权重，构造特征权重矩阵；建立用于高炉故障诊断的特征加权孪生超球支持向量机模型；将高炉生产状况实际属性数据带入建立的各特征加权孪生超球支持向量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完成高炉故障诊断。本发明将高炉故障各特征重要性量化，并将各特征重要性融入学习机的构建过程中，以提高故障诊断的精度。
【专利说明】
一种高炉故障诊断系统及方法
技术领域
[0001] 本发明属于高炉故障诊断技术领域，具体涉及一种高炉故障诊断系统及方法。
【背景技术】
[0002] 高炉故障故障诊断对于减少事故和经济损失具有重要的意义。高炉冶炼是把生铁 矿石还原成铁，是一个连续且工艺复杂的生产过程;为防止异常情况出现，需要生产过程中 的大量参数进行监测，例如，热风风温、热风风量、热风风压、炉顶压力、全压差、上部压力、 下部压力、富氧量、透气性指数、十字测温、料速、物理热、含[Si]量等；因此故障状态的特征 是高维度多特征的信号的综合体现；因此，传统的故障诊断方法应用于高炉故障诊断效果 不是太理想。基于机器学习和人工智能的故障诊断方法由于不依赖于精确的数学模型，成 为高炉故障诊断的有效方法。目前，高炉故障诊断的人工智能方法主要是基于神经网络和 支持向量机。支持向量机由于其良好的泛华性能，尤其是小样本识别问题的良好表现，成为 高炉故障诊断技术向智能化发展提供了新的途径。
[0003] 孪生支持向量机与传统支持向量机不同，它通过求解两个小规模二次规划问题， 构造一对非平行平面，而非像支持向量机中的平行平面，实验结果表明，在保证精度的前提 下，学习效率提高4倍。孪生超球支持向量机是孪生支持向量机的最新改进，该模型通过求 解两个小规模二次规划问题，在特性空间中构造两个非同心超球，每个超球尽可能包含一 类样本，而远离另一类样本，与孪生支持向量机类似，由于该模型求解两个小规模二次规划 问题，而非一个大规模二次规划问题，因此具有更高的学习效率;相较于孪生支持向量机， 孪生超球支持向量机避免了孪生支持向量机中的两个大规模矩阵求逆的运算，这使得孪生 超球支持向量机具有更高效的学习效率；由于孪生超球支持向量机使用一对超球，而非一 对不平行超平面，来描述两类样本特征，在实际应用中，该策略更加合理。实验结果表明，与 支持向量机和孪生支持向量机相比，孪生超球支持向量机具有更加快速的学习效率和分类 精度，为高炉故障诊断技术提供了新的思路。
[0004] 在高炉故障诊断中，故障样本的各维特征对于分类的作用往往是不同的，有时差 异还很大。传统的分类模型，包括支持向量机、孪生支持向量机、孪生超球支持向量机，在构 建分类模型时都忽略了各特征重要性的差异对于分类的影响。
【发明内容】
[0005] 针对现有技术存在的问题，本发明提供一种高炉故障诊断系统及方法。
[0006] 本发明的技术方案是：
[0007] -种高炉故障诊断系统，包括：
[0008] 历史数据采集模块:采集高炉生产状况历史属性数据及其对应的高炉运行故障状 态类型；
[0009]实际数据采集模块:采集高炉生产状况实际属性数据；
[0010]特征权重矩阵构造模块:根据各属性对于故障诊断的重要程度确定各属性的权 重，构造特征权重矩阵；
[0011] 模型建立模块:利用特征权重矩阵，对任意两个高炉运行故障状态类型及其对应 高炉生产状况历史属性数据训练，建立特征加权孪生超球支持向量机模型，该模型的输入 为高炉生产状况历史属性数据，输出为该两个高炉运行故障状态类型之一，该模型中的一 对特征加权超球分别表示该两个高炉运行故障状态类型，待分类高炉生产状况历史属性数 据离特征加权超球越近，发生对应高炉运行故障状态的概率越高；
[0012] 高炉故障诊断模块:将高炉生产状况实际属性数据带入建立的各特征加权孪生超 球支持向量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完成 高炉故障诊断。
[0013] 所述的高炉故障诊断系统，还包括归一化处理模块，对历史数据采集模块采集的 高炉生产状况历史属性数据及其对应的高炉运行故障状态类型、实际数据采集模块采集的 高炉生产状况实际属性数据进行归一化处理。
[0014] 所述属性，包括:风量、风压、顶压、压差、透气性、顶温、十字测温、料速、Si含量、物 理热;所述故障状态类型，包括:向凉、向热、悬料、崩料。
[0015] 所述属性的特征权重为故障状态类型的信息熵与该属性发生故障状态的信息熵 之差。
[0016] 利用所述的系统进行高炉故障诊断的方法，包括：
[0017] 采集高炉生产状况实际属性数据、历史属性数据及其对应的高炉运行故障状态类 型；
[0018] 根据各属性对于故障诊断的重要程度确定各属性的特征权重，构造特征权重矩 阵；
[0019] 建立用于高炉故障诊断的特征加权孪生超球支持向量机模型：利用特征权重矩 阵，对任意两个高炉运行故障状态类型及其对应高炉生产状况历史属性数据训练，建立特 征加权孪生超球支持向量机模型，该模型的输入为高炉生产状况历史属性数据，输出为该 两个高炉运行故障状态类型之一，该模型中的一对特征加权超球分别表示该两个高炉运行 故障状态类型，待分类高炉生产状况历史属性数据离特征加权超球越近，发生对应高炉运 行故障状态的概率越高；
[0020] 高炉故障诊断:将高炉生产状况实际属性数据带入建立的各特征加权孪生超球支 持向量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完成高炉 故障诊断。
[0021] 所述获得高炉生产状况实际属性数据所属高炉运行故障状态类型是:将高炉生产 状况实际属性数据代入各特征加权孪生超球支持向量机模型中，统计各特征加权孪生超球 支持向量机模型输出的高炉运行故障状态类型，出现次数最多的高炉运行故障状态类型即 为高炉生产状况实际属性数据所属高炉运行故障状态类型。
[0022] 有益效果：
[0023]本发明将高炉故障各特征重要性量化，并将各特征重要性融入学习机的构建过程 中，以提高故障诊断的精度。本发明在孪生超球支持向量机基础上，将各特征重要性即特征 加权矩阵引入到孪生超球支持向量机中，并使用信息增益的方法计算特征权重，在保证故 障诊断训练时间的基础上，避免了故障诊断过程被一些弱相关或不相关的特征所影响，具 有更加优秀的故障诊断性能。
【附图说明】
[0024] 图1是本发明【具体实施方式】高炉故障诊断系统框图；
[0025] 图2是本发明【具体实施方式】高炉故障诊断方法流程图。
【具体实施方式】
[0026] 下面结合附图对本发明的【具体实施方式】做详细说明。
[0027] 本实施方式中，属性数据包括:风量(m3/min)、风压(Pa)、顶压(MPa)、压差、透气 性、顶温(包含四点温度）、十字测温(包含中心和边缘，单位是°0、料速(单位是批/小时）、 Si含量、物理热(单位是°C)。故障状态类型，包括:向凉、向热、悬料、崩料。
[0028] -种高炉故障诊断系统，如图1所示，包括：
[0029] 历史数据采集模块:采集高炉生产状况历史属性数据及其对应的高炉运行故障状 态类型。
[0030] 实际数据采集模块:采集高炉生产状况实际属性数据。
[0031] 特征权重矩阵构造模块:根据各属性对于故障诊断的重要程度确定各属性的特征 权重，构造特征权重矩阵。
[0032] 模型建立模块:利用特征权重矩阵，对任意两个高炉运行故障状态类型及其对应 高炉生产状况历史属性数据训练，建立特征加权孪生超球支持向量机模型，该模型的输入 为高炉生产状况历史属性数据，输出为该两个高炉运行故障状态类型之一，该模型中的一 对特征加权超球分别表示该两个高炉运行故障状态类型，待分类高炉生产状况历史属性数 据距离特征加权超球越近，发生对应高炉运行故障状态的概率越高。
[0033] 高炉故障诊断模块:将高炉生产状况实际属性数据带入建立的各特征加权孪生超 球支持向量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完成 高炉故障诊断。
[0034] 归一化处理模块:对历史数据采集模块采集的高炉生产状况历史属性数据及其对 应的高炉运行故障状态类型、实际数据采集模块采集的高炉生产状况实际属性数据进行归 一化处理。
[0035] 利用上述系统进行高炉故障诊断的方法，如图2所示，包括：
[0036] 步骤1、采集高炉生产状况实际属性数据、历史属性数据及其对应的高炉运行故障 状态类型；
[0037]本实施方式中采用均值-方差标准化方法对采集的数据进行归一化处理，并人工 标记样本，将采集的高炉生产状况历史属性数据及对应的高炉运行故障状态类型作为训练 样本集T= {(xi，yi)，（X2，y2)，…，（xn，ym)}，其中XiEX = Rd表示第i个历史属性数据，g卩第i 个训练样本的数据向量，本实施例中η取值为14;7^￥={1，2，...，!11}表示第1个训练样本 对应的故障状态类型，m表示故障种类，取值为整数，m=4;R d表示样本空间，d表示样本的特 征维数；
[0038]本实施方式的故障状态类型共四类，分别是向凉、向热、悬料、崩料；
[0039]向凉故障状态类型共计800个训练样本，由高斯分布Ν(μ!，C1)生成，其中，期望
办方差矩阵
[0040] 向热故障状态类型共计1000个训练烊太，其中500个由高斯分布Ν(μ21，C21)生成， 其中，期望」
，协方差矩阵
，其余由N(y22，c22)生成，其中，期望
?协方差矩阵
[0041 ]悬料故障状态类型共计500个训练样本，由高斯分布Ν(μ3，C3)生成，其中，期望
，协方差矩阵
[0042]崩料故障状态类型共计400个训练样本，由高斯分布N(y4，c4)生成，其中，期望
，协方差矩阵。
[0043] 步骤2、根据各属性对于故障诊断的重要程度确定各属性的特征权重，构造特征权 重矩阵；
[0044] 特征权重越大，属性对于故障诊断越重要，根据各属性的特征权重构造特征权重 矩阵；
[0045] 属性的特征权重为故障状态类型的信息熵与该属性发生故障状态的信息熵之差。
[0046] 特征权重矩阵
[0047] 其中，G"'"(疋）= MO-A (O ?牛对应的故障状态类型的信息熵
[0048]
勺故障状态类型，P(C1)为故障状态类 型Ci出现的概率
为特征Ap的值为ai的样本集 合。
[0049] 步骤3、建立用于高炉故障诊断的特征加权孪生超球支持向量机模型:利用特征权 重矩阵，对任意两个高炉运行故障状态类型及其对应高炉生产状况历史属性数据训练，建 立特征加权孪生超球支持向量机模型，该模型的输入为高炉生产状况历史属性数据，输出 为该两个高炉运行故障状态类型之一，该模型中的一对特征加权超球分别表示该两个高炉 运行故障状态类型，待分类高炉生产状况历史属性数据离特征加权超球越近，发生对应高 炉运行故障状态的概率越高；
[0050] 采用特征加权孪生超球支持向量机构建的第i个类高炉故障状态和第j类高炉故 障状态间的分类面，该分类面由一对特征加权超球确定，为了解决在原空间中超球不可分 问题，将训练样本通过某一变换巧>)映射到高维特征空间Z中，使得训练样本在特征空间中 超球可分。高维特征空间中，引入特征权重矩阵，定义第i类故障状态的特征加权超球和第j 类故障状态的特征加权超球，分别如下：
[0051]
[0052] 其中
特征权重矩阵，Cl(1MPRlW)分别为高维特征空间中第 i类故障状态的球心和半径，和分别为高维特征空间中第j类故障状态的球心和 半径。
[0053]高维特征空间中两个特征加权超球的球心和半径通过求解如下二次规划问题确 定：
(1> (2)
[0057]其中，和为松弛因子，分别用于约束正负类奇异点，IiS正负类样本的 个数，(^、(32、^、^为惩罚因子，使用交叉验证方法确定。
[0058] Iw= {k|yk=i}，Ιω = {k|yk= j}分别表示第i类故障状态对应的属性数据的下标 和第j类故障状态对应的属性数据的下标。
[0059] 从公式（1)和（2)可以看出，所求特征加权超球尽可能包围第i类故障状态对应的 属性数据，而远离第j类故障状态对应的属性数据，其中，特征权重越大的属性对于距离的 计算越重要，而特征权重越小的属性对于距离计算的贡献越小；同时要求所求特征加权超 球的半径尽可能小，使得特征加权超球尽可能紧。
[0060] 为了方便，不直接求解公式（1)和(2)的最优值，而是通过求解（1)和(2)的对偶问 题，进而获得公式(1)和(2)的最优值。公式(1)和(2)的对偶问题如下：
[0063] 其中，《 = (?1,?2,..'，《/,))和# =(爲，爲，..'，>^1)分别为1^8『&叫6乘子，1(1^；1，叉；1)称 为特征加权核函数，= P〇,.}''%>(') "
[0064] 求解对偶问题(3)和(4)可得
[0065] 高维特征空间中，第i类故障状态的特征加权超球的球心
通，
[0074]对于任意历史属性数据X，决策函数D11(X)即特征加权孪生超球支持向量机模型定 义如下：
[0075]
5)
[0076] 该决策函数表明：待分类的历史属性数据离哪个球心越近，同时相应特征加权超 球的半径越大，则该历史属性数据就属于哪种故障状态类型。
[0077] (糾>)-Ci07,)1'B7(供(X)-?⑷)为实际属性数据X到第i故障状态的特征加权球的球心 Ci(ij)的特征加权距离：
[0081] 通过在任意两类故障状态中使用上述方法构建特征加权孪生超球支持向量机模 型，可以得到个特征加权孪生超球支持向量机模型D 1」(X)。
[0082] 步骤4、高炉故障诊断:将高炉生产状况实际属性数据带入建立的各特征加权孪生 超球支持向量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完 成高炉故障诊断。
[0083]将高炉生产状况实际属性数据代入各特征加权孪生超球支持向量机模型中，统计 各特征加权孪生超球支持向量机模型输出的高炉运行故障状态类型，出现次数最多的高炉 运行故障状态类型即为高炉生产状况实际属性数据所属高炉运行故障状态类型。
[0084] 步骤4-1、初始化投票数组Vote[m] = {0};
[0085] 步骤4-2、将高炉生产状况实际数据代入各特征加权孪生超球支持向量机模型Dij (X)中。
[0086] 步骤4-3、如果Dij(x) = i，Vote[i]自增;否则，Vote[j]自增；
[0087] 步骤4-4、高炉生产状况实际属性数据X最终所属故障状态类型为票数最高的故障 状态类型，即实际属性数据X所属故障状态类型class (.Y) =
【主权项】
1. 一种高炉故障诊断系统，其特征在于，包括： 历史数据采集模块:采集高炉生产状况历史属性数据及其对应的高炉运行故障状态类 型； 实际数据采集模块:采集高炉生产状况实际属性数据； 特征权重矩阵构造模块：根据各属性对于故障诊断的重要程度确定各属性的特征权 重，构造特征权重矩阵； 模型建立模块:利用特征权重矩阵，对任意两个高炉运行故障状态类型及其对应高炉 生产状况历史属性数据训练，建立特征加权孪生超球支持向量机模型，该模型的输入为高 炉生产状况历史属性数据，输出为该两个高炉运行故障状态类型之一，该模型中的一对特 征加权超球分别表示该两个高炉运行故障状态类型，待分类高炉生产状况历史属性数据离 特征加权超球越近，发生对应高炉运行故障状态的概率越高； 高炉故障诊断模块:将高炉生产状况实际属性数据带入建立的各特征加权孪生超球支 持向量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完成高炉 故障诊断。2. 根据权利要求1所述的高炉故障诊断系统，其特征在于，还包括归一化处理模块，对 历史数据采集模块采集的高炉生产状况历史属性数据及其对应的高炉运行故障状态类型、 实际数据采集模块采集的高炉生产状况实际属性数据进行归一化处理。3. 根据权利要求1所述的高炉故障诊断系统，其特征在于，所述属性，包括:风量、风压、 顶压、压差、透气性、顶温、十字测温、料速、Si含量、物理热;所述故障状态类型，包括:向凉、 向热、悬料、崩料。4. 根据权利要求1所述的高炉故障诊断系统，其特征在于，所述属性的特征权重为故障 状态类型的信息熵与该属性发生故障状态的信息熵之差。5. 利用权利要求1所述的系统进行高炉故障诊断的方法，其特征在于，包括： 采集高炉生产状况实际属性数据、历史属性数据及其对应的高炉运行故障状态类型； 根据各属性对于故障诊断的重要程度确定各属性的特征权重，构造特征权重矩阵； 建立用于高炉故障诊断的特征加权孪生超球支持向量机模型：利用特征权重矩阵，对 任意两个高炉运行故障状态类型及其对应高炉生产状况历史属性数据训练，建立特征加权 孪生超球支持向量机模型，该模型的输入为高炉生产状况历史属性数据，输出为该两个高 炉运行故障状态类型之一，该模型中的一对特征加权超球分别表示该两个高炉运行故障状 态类型，待分类高炉生产状况历史属性数据离特征加权超球越近，发生对应高炉运行故障 状态的概率越高； 高炉故障诊断:将高炉生产状况实际属性数据带入建立的各特征加权孪生超球支持向 量机模型中，获得高炉生产状况实际属性数据所属高炉运行故障状态类型，完成高炉故障 诊断。6. 根据权利要求5所述的方法，其特征在于，所述获得高炉生产状况实际属性数据所属 高炉运行故障状态类型是:将高炉生产状况实际属性数据代入各特征加权孪生超球支持向 量机模型中，统计各特征加权孪生超球支持向量机模型输出的高炉运行故障状态类型，出 现次数最多的高炉运行故障状态类型即为高炉生产状况实际属性数据所属高炉运行故障 状态类型。
【文档编号】G05B23/02GK105843212SQ201610187770
【公开日】2016年8月10日
【申请日】2016年3月29日
【发明人】王安娜, 艾青
【申请人】东北大学