CN113219942A - 基于加权联合分布适配神经网络的高炉故障诊断方法 - Google Patents
基于加权联合分布适配神经网络的高炉故障诊断方法 Download PDFInfo
- Publication number
- CN113219942A CN113219942A CN202110441962.0A CN202110441962A CN113219942A CN 113219942 A CN113219942 A CN 113219942A CN 202110441962 A CN202110441962 A CN 202110441962A CN 113219942 A CN113219942 A CN 113219942A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- data
- historical data
- fault
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000006978 adaptation Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 10
- 239000004576 sand Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- -1 pipelines Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000005465 channeling Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Manufacture Of Iron (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于加权联合分布适配神经网络的高炉故障诊断方法。首先,使用深度神经网络对高炉的历史数据与待测数据进行第一次特征提取并生成待测数据的标签。基于此标签值,计算高炉的待测数据与历史数据中相应故障类别的样本数之比,将所得比值作为高炉各类故障相应权重与联合分布适配法结合。通过加权联合分布适配完成第二次特征的提取并得到新的标签值。最后,对加权联合分布适配中生成标签,计算权重及更新参数这一过程进行迭代求解得到故障诊断结果。本发明不仅利用深度神经网络提高了诊断精度,还通过联合分布与先验分布适配解决了由于高炉故障样本少,数据分布随工况改变波动较大而造成的传统故障诊断方法准确率低的问题。
Description
技术领域
本发明属于工业过程监控、建模和仿真领域,特别涉及一种基于加权联合分布适配神经网络的高炉故障诊断方法。
背景技术
高炉炼铁是铁素物质流转换的核心单元,是钢铁制造过程中能耗最大和生产成本最高的环节。随着高炉炼铁过程中工艺与技术的不断进步,仪表与自动化技术的持续性发展,现代高炉炼铁呈现出规模大、结构复杂、生产单元之间耦合强及投资巨大等特点。高炉炼铁过程中的异常波动(或事故)不及时发现,往往导致产品质量严重下降,或者延误生产计划的正常执行,造成巨大的经济损失,甚至人员伤亡。因此高炉故障诊断对保证高炉实现安全高效生产具有重要意义。
在高炉炼铁的实际生产过程中,为了避免出现严重后果,在高炉***运行出现一定故障预兆时,操作人员会对送风制度、布料制度或炉热制度进行调整,以避免故障的发生。因此,在现有的操作制度与运行情况下,构建高炉的故障诊断***面临故障样本少、数据不平衡、标记缺失,以及标注样本代价昂贵且费时等问题。此外,由于原料产地不固定,国内钢厂的高炉炼铁进料多数采用“百家矿”的形式。在不同的时间,进料的种类及其配比会发生明显变化;其次,高炉的生产运行过程存在多种工况切换。这些因素都造成了高炉数据随时间变化而发生改变,数据分布波动较大,训练数据与待测数据存在分布差异,影响故障诊断的可靠性与准确率。
目前应用于高炉的故障诊断方法可大致分为两种,即专家***与基于数据驱动的智能故障诊断方法,专家***对于相关知识与规则等先验知识有较高要求,而高炉涉及到的物理与化学反应极其复杂,内部实际反应的准确情况难以获知。而且随着分布式控制***各种智能化仪表以及控制设备在现代工业过程中的广泛使用,大量的过程数据被采集并存储下来。但是这些包含过程运行状态信息的数据在专家***中往往没有被有效地利用。
另一方面,传统的基于数据驱动的智能故障诊断方法的成功应用有两个前提条件:1)大量有标签数据,2)训练与测试数据来自同一数据分布。但在高炉生产过程中,有标签的故障样本极少,也很难获得,而且由于矿石原料的品位与生产工况的不同,数据会发生较大的波动,导致训练数据与测试数据往往不能满足同一分布的条件。因此,现有的异常炉况诊断方法距离理想的实际应用尚有较大差距。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于加权联合分布适配神经网络的高炉故障诊断方法。该方法首先使用神经网络对高炉的历史数据与待测数据进行第一次特征提取并生成待测数据的初始标签。基于此标签值,计算高炉的待测数据与历史数据中相应故障类别的样本数之比,将所得比值作为高炉各类故障相应权重与联合分布适配法结合。通过加权联合分布适配完成第二次特征的提取并得到新的标签值。最后,对加权联合分布适配中生成标签,计算权重及更新参数这一过程进行迭代求解得到故障诊断结果。能够广泛应用于对于故障诊断有高可信度和准确度要求的工业***。
一种基于加权联合分布适配神经网络的高炉故障诊断方法,步骤如下:
步骤一:利用高炉历史数据与高炉待测数据对深度神经网络进行权值训练,该神经网络中最后一层全连接层所得数据值即为所提取的特征,将高炉历史数据的故障诊断误差与两组数据所提取特征之间距离的总和作为损失函数,在训练达到预设的迭代次数或损失函数低于预设值之后将权值固定;
步骤二:采用步骤一中固定的神经网络对高炉的历史数据与待测数据进行第一次特征提取并对高炉待测数据生成初始标签值,即在将高炉历史数据与待测数据进行特征迁移的基础上,利用从高炉的历史数据与待测数据中学习到的高炉故障诊断知识,初步形成一个从高炉过程变量到高炉故障类别的非线性映射;
步骤三:基于待测数据的标签值,分别计算高炉的待测数据与历史数据中各故障类别所占比例,将高炉的待测数据与历史数据中相应类别的比例相比,将得到的比值作为高炉待测数据的类别先验分布权重与步骤二中所提取的相应高炉历史数据特征相乘,并与步骤二中所提取的高炉待测数据的特征共同组成特征变量矩阵,经过加权以后,高炉历史数据的故障类别分布与高炉待测数据的故障类别分布趋于一致,实现两者的先验类别分布适配;
步骤四:引入核方法,对特征变量进行映射,得到新的特征变量,并对核空间内的特征变量进行变换,使得从高炉历史数据与待测数据各自提取出的特征向量在边缘分布与条件分布上的距离之和最小,由此,通过核方法与变换矩阵的方法实现了高炉历史数据与待测数据的联合分布适配;
步骤五:最后,将变换之后的特征变量作为分类器的输入,特征变量到分类器之间的连接权重需要以分类正确率为目标函数进行训练,收敛之后将分类器对待测数据的分类结果即高炉故障类别作为新的标签值分配给待测数据;
步骤六:对步骤三到步骤五进行循环迭代,直到高炉历史数据与待测数据的特征向量在联合分布上的距离与分类正确率均趋于稳定后,将模型参数进行固定,对待测数据进行判别处理,产生故障诊断结果。
步骤一所述的深度神经网络的结构如下:深度神经网络包含输入层、隐含层以及输出层三部分,输入层是高炉过程变量参数输入层,包括透气性指数、冷风流量、热风流量、顶压、冷风压力、热风压力等表征高炉生产状态的工业过程参数,输出层是高炉故障类别层,包括难行、悬料、管道、崩料、炉热、炉凉等与高炉生产过程相关的高炉故障,隐含层的作用是建立一个从高炉过程变量到高炉故障类别的非线性映射,因而可以从高炉历史故障数据中学习高炉故障诊断知识,建立高炉故障诊断模型。同一层的神经元没有连接,层与层之间的神经元是全连接的,每个连接都有一个权值,表征神经元之间联系程度的强弱。对于不同工业应用领域而言,对深度神经网络隐含层的层数要求是不同的,定义隐藏层大于等于2的神经网络即为深度神经网络,深度神经网络的数学模型为:
其中,为神经网络第i层第j个隐藏层单元的输出,记hi为神经网络第i层,则h0为神经网络输入层,hk+1为神经网络输出层;j的取值根据网络第i层的神经元的个数决定,记第i层的神经元个数为zi,则每层j的取值为1到zi;W(i,j)为第i层第j个神经元对应的权值矩阵;为第i层第j个神经元对应的偏置项,bk+1为输出层单元对应的偏置项;y代表神经网络的输出,M为高炉历史数据的样本总数,记N为高炉待测数据的样本总数,f(·)和g(·)分别是隐层单元和输出单元的激活函数,代表第i个样本在输出层神经元中的最大值,sj代表输出层中第j个神经元的数值,将全连接层的数据作为特征向量进行提取,将高炉历史数据与待测数据提取出特征向量分别记为xs与xt,将高炉历史数据的故障诊断误差与两组数据所提取特征之间距离的总和作为损失函数,即为下式:
步骤三所述的加权的步骤如下:记高炉故障共C类,c表示高炉故障类型,当c取1至C的实数时,代表相应的具体故障类型,如:管道、下行、难行、悬料等,M为高炉历史数据的样本总数,其中属于c类故障类型的样本数目为MC,相应地,记N为高炉待测数据的样本总数,其中属于c类故障类型的样本数目为NC,历史数据的标签值记为ys,待测数据的标签值记为yt,高炉历史数据与待测数据的分布分别记为ps(·)与pt(·),高炉历史数据与待测数据中各类故障样本所占比值分别为:
则高炉历史数据中各类故障数据的相应权重为
将权重与高炉历史数据相乘之后,高炉历史数据的先验分布化为:
由此,高炉历史数据的故障类别分布与高炉待测数据的类别先验分布趋于一致,实现两者的先验类别分布适配。经加权以后,高炉历史数据特征矩阵Xs与待测数据特征矩阵Xt组成特征矩阵X。
步骤四所述的核映射与联合分布适配的步骤如下:选取核函数如高斯核函数,对特征进行非线性映射,即:
引入核矩阵K:
其中:
设使所求变换矩阵为W,则高炉历史数据与待测数据联合分布距离为:
结合核矩阵,可将上式的最小化问题转化为:
s.t WTKHKTW=I
其中:H=IM+N-1/(M+N)11T
通过特征值分解可得此方程的解即变换矩阵W。
步骤六所述的迭代更新的步骤如下:对步骤三到步骤五进行迭代求解,即对加权联合分布适配中生成标签,计算权重及更新参数这一过程进行迭代得到故障诊断结果。
本发明的有益效果:
针对高炉炼铁过程中数据波动大,标签缺失,数据不平衡等特点与困题,构建了基于加权联合分布适配神经网络的高炉故障诊断方法,对高炉数据进行先验分布与联合分布的适配,充分挖掘数据中蕴含的知识,解决了高炉历史数据多,但难以直接训练模型用于待测数据的问题,同时具有高可靠性与高准确率的优势,提高了炼铁过程的自动化、智能化水平。
附图说明
图1所示为本发明方法的流程框图。
图2所示为待测数据原始分布经t-sne可视化结果显示。
图3所示为本发明方法对待测数据进行高炉故障分类后经t-sne可视化结果显示。
具体实施方式
以下结合附图对本发明做进一步的阐述。
本发明的目的在于提供一种基于加权联合分布适配神经网络的高炉故障诊断方法,流程框图如图1所示,考虑到高炉生产信息的非线性与非高斯性质,利用深度神经网络可以无限逼近于非线性函数的优势进行第一次特征提取,并将高炉历史数据与待测数据之间边缘分布距离通过最大平均距离(MMD)进行度量,将分类正确率与距离之和作为损失函数进行网络训练与权值固定,深度神经网络的全连接层作为神经网络所提取出的特征向量,并将神经网络的分类结果作为其初始标签值,将高炉历史数据与待测数据相应故障类别样本数目之比作为类别先验分布权重进行加权,然后通过引入核函数的方式,将特征向量在核空间中进行映射,对高炉历史数据与待测数据的特征向量在联合分布的距离通过加权联合最大平均距离(WJMMD)进行度量,通过求取变换矩阵使此距离最小,再通过分类器(softmax)获得新的分类结果。最后,对加权联合分布适配中生成标签,计算权重及更新参数这一过程进行迭代求解得到故障诊断结果。本方法有助于实现高炉故障诊断中的知识与决策增强,保证高炉故障诊断的可信度与精确度。
下面利用某钢铁厂2号高炉采集的高炉故障数据来验证本发明方法的有效性。高炉从上到下分为炉喉、炉身、炉腰、炉腹、炉缸五部分,焦炭、矿石和熔剂在下降的过程中会炉内不同部位经历不同变化,直到到达炉缸底部完全转化为铁水和炉渣。由于高炉体积庞大且炉内发生复杂的化学反应,保证其安全平稳运行是极其重要的。高炉故障主要分为4类:难行(difficult)、悬料(hanging)、管道(channeling)、崩料(collapsing)。在生产过程中采集到的数据包括透气性指数、冷风流量、热风流量、顶压、冷风压力、热风压力等29个参数。在实际生产中,采用三班倒制度来组织工人对高炉炼铁过程进行监控与操作管理,这耗费了很大的人力成本,而且控制方式比较粗放,主要凭借几个参数来进行炉况判断,难以及时诊断出高炉运行过程中存在的问题并及时进行精确控制。本发明方法可以一定程度上解决这个问题,具有实际应用价值。
接下来结合该具体过程对本发明的实施步骤进行详细阐述。
一、构建深度神经网络进行第一次特征提取并产生初始标签值
(1)利用高炉历史数据与无标签的待测数据构建深度神经网络,结构如图1中神经网络特征提取部分所示,包含输入层、隐含层以及输出层三部分,输入层是高炉过程变量参数输入层,包括透气性指数、冷风流量、热风流量、顶压、冷风压力、热风压力等表征高炉生产状态的工业过程参数,输出层是高炉故障类别层,包括难行、悬料、管道、崩料、炉热、炉凉等与高炉生产过程相关的高炉故障,隐含层的作用是建立一个从高炉过程变量到高炉故障类别的非线性映射,因而可以从高炉历史故障数据中学习高炉故障诊断知识,建立高炉故障诊断模型。同一层的神经元没有连接,层与层之间的神经元是全连接的,每个连接都有一个权值,表征神经元之间联系程度的强弱。
对于不同工业应用领域而言,对深度神经网络隐含层的层数要求是不同的,定义隐藏层大于等于2的神经网络即为深度神经网络,深度神经网络的数学模型为:
其中,为神经网络第i层第j个隐藏层单元的输出,记hi为神经网络第i层,则h0为神经网络输入层,hk+1为神经网络输出层;j的取值根据网络第i层的神经元的个数决定,记第i层的神经元个数为zi,则每层j的取值为1到zi;W(i,j)为第i层第j个神经元对应的权值矩阵;为第i层第j个神经元对应的偏置项,bk+1为输出层单元对应的偏置项;y代表神经网络的输出,M为高炉历史数据的样本总数,记N为高炉待测数据的样本总数,f(·)和g(·)分别是隐层单元和输出单元的激活函数,代表第i个样本在输出层神经元中的最大值,sj代表输出层中第j个神经元的数值,将全连接层的数据作为特征向量进行提取,将高炉历史数据与待测数据提取出特征向量分别记为xs与xt,将高炉历史数据的故障诊断误差与两组数据所提取特征之间距离的总和作为损失函数,即为下式:
(2)采用(1)中固定的神经网络对高炉的历史数据与待测数据进行第一次特征提取并对高炉待测数据生成初始标签值,即在将高炉历史数据与待测数据进行特征迁移的基础上,利用从高炉的历史数据与待测数据中学习到的高炉故障诊断知识,初步形成一个从高炉过程变量到高炉故障类别的非线性映射。
二、对所提取的特征向量加权完成类别先验分布适配
对高炉历史数据所提取出的特征向量进行加权的步骤如下:记高炉故障共C类,c表示高炉故障类型,当c取1至C的实数时,代表相应的具体故障类型,如:管道、下行、难行、悬料等,M为高炉历史数据的样本总数,其中属于c类故障类型的样本数目为MC,相应地,记N为高炉待测数据的样本总数,其中属于c类故障类型的样本数目为NC,历史数据的标签值记为ys,待测数据的标签值记为yt,高炉历史数据与待测数据的分布分别记为ps(·)与pt(·),高炉历史数据与待测数据中各类故障样本所占比值分别为:
则高炉历史数据中各类故障数据的相应权重为
将权重与高炉历史数据相乘之后,高炉历史数据的先验分布化为:
由此,高炉历史数据的故障类别分布与高炉待测数据的类别先验分布趋于一致,实现两者的先验类别分布适配。经加权以后,高炉历史数据特征矩阵Xs与待测数据特征矩阵Xt组成特征矩阵X。
三、对特征向量进行核映射与联合分布适配
(1)选取核函数如高斯核函数,对特征进行非线性映射,即:
引入核矩阵K:
其中:
设使所求变换矩阵为W,则高炉历史数据与待测数据联合分布距离为:
结合核矩阵,可将上式的最小化问题转化为:
s.t WTKHKTW=I
其中:H=IM+N-1/(M+N)11T
通过特征值分解可得此方程的解即变换矩阵W。
(2)将变换之后的特征变量作为分类器的输入,特征变量到分类器之间的连接权重需要以分类正确率为目标函数进行训练,收敛之后将分类器对待测数据的分类结果即高炉故障类别作为新的标签值分配给待测数据。
四、进行迭代求解
对步骤二与三进行循环迭代,即对加权联合分布适配中生成标签,计算权重及更新参数这一过程进行迭代得到故障诊断结果。
五、代入工业实际数据进行验证
我们取某炼铁厂容积为2650m3的2号高炉在2020年10月的生产数据作为高炉历史数据即源域数据,将12月份的高炉生产数据作为待测数据即目标域数据,其中包含'富氧率'、'透气性指数'、'CO'、'H2'、'CO2'、'标准风速'、'富氧流量'、'冷风流量'、'鼓风动能'、'炉腹煤气量'、'炉腹煤气指数'、'理论燃烧温度'、'顶压'、'富氧压力'、'冷风压力'、'全压差'、'热风压力'、'实际风速'、'冷风温度'、'热风温度'、'顶温东北'、'顶温西南'、'顶温西北'、'顶温东南'、'顶温下降管'、'阻力系数'、'鼓风湿度'、'本小时实际喷煤量'、'上小时实际喷煤量'共计29个参数,采样率一致。将训练所得到的模型在待测数据即12月份的高炉生产数据进行有效性验证。
图2、3所示分别为12月份高炉待测数据的原始分布以及本发明方法对高炉待测数据进行高炉故障分类后经t-sne可视化结果显示。从故障诊断结果可以看出模型效果很好。分类效果明显,能够准确地对高炉故障样本进行分类,因此可以运用于实际工业生产中。
Claims (5)
1.一种基于加权联合分布适配神经网络的高炉故障诊断方法,其特征在于,步骤如下:
步骤一:利用高炉历史数据与高炉待测数据对深度神经网络进行权值训练,该深度神经网络中最后一层全连接层所得数据值即为所提取的特征,将高炉历史数据的故障诊断误差与所提取的特征之间距离的总和作为损失函数,在训练达到预设的迭代次数或损失函数低于预设值之后将权值固定;
步骤二:采用步骤一中固定的深度神经网络对高炉的历史数据与待测数据进行第一次特征提取并对高炉待测数据生成标签值,即在将高炉历史数据与待测数据进行特征迁移的基础上,利用从高炉的历史数据与待测数据中学习到的高炉故障诊断知识,初步形成一个从高炉过程变量到高炉故障类别的非线性映射;
步骤三:基于待测数据的标签值,分别计算高炉的待测数据与历史数据中各故障类别所占比例,将高炉的待测数据与历史数据中相应类别的比例相比,将得到的比值作为高炉待测数据的类别先验分布权重与步骤二中所提取的相应高炉历史数据特征相乘,并与步骤二中所提取的高炉待测数据的特征共同组成特征变量矩阵,经过加权以后,高炉历史数据的故障类别分布与高炉待测数据的故障类别分布趋于一致,实现两者的先验类别分布适配;
步骤四:引入核方法,对特征变量进行映射,得到新的特征变量,并对核空间内的特征变量进行变换,使得从高炉历史数据与待测数据各自提取出的特征向量在边缘分布与条件分布上的距离之和最小,由此,通过核方法与变换矩阵的方法实现了高炉历史数据与待测数据的联合分布适配;
步骤五:将变换之后的特征变量作为分类器的输入,特征变量到分类器之间的连接权重以分类正确率为目标函数进行训练,收敛之后将分类器对待测数据的分类结果即高炉故障类别作为新的标签值分配给待测数据;
步骤六:对步骤三到步骤五进行循环迭代,直到高炉历史数据与待测数据的特征向量在联合分布上的距离与分类正确率均趋于稳定后,将模型参数进行固定,对待测数据进行判别处理,产生故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,步骤一所述的深度神经网络的结构如下:深度神经网络包含输入层、隐含层以及输出层三部分,输入层是高炉过程变量参数输入层,包括透气性指数、冷风流量、热风流量、顶压、冷风压力、热风压力表征高炉生产状态的工业过程参数,输出层是高炉故障类别层,包括难行、悬料、管道、崩料、炉热、炉凉与高炉生产过程相关的高炉故障,隐含层用于建立一个从高炉过程变量到高炉故障类别的非线性映射,从高炉历史故障数据中学习高炉故障诊断知识,建立高炉故障诊断模型;同一层的神经元没有连接,层与层之间的神经元全连接,每个连接都有一个权值,表征神经元之间联系程度的强弱;定义隐藏层大于等于2的神经网络即为深度神经网络,深度神经网络的数学模型为:
其中,为神经网络第i层第j个隐藏层单元的输出,记hi为神经网络第i层,则h0为神经网络输入层,hk+1为神经网络输出层;j的取值根据网络第i层的神经元的个数决定,记第i层的神经元个数为zi,则每层j的取值为1到zi;W(i,j)为第i层第j个神经元对应的权值矩阵;为第i层第j个神经元对应的偏置项,bk+1为输出层单元对应的偏置项;y代表神经网络的输出,M为高炉历史数据的样本总数,记N为高炉待测数据的样本总数,f(·)和g(·)分别是隐层单元和输出单元的激活函数,代表第i个样本在输出层神经元中的最大值,sj代表输出层中第j个神经元的数值,将全连接层的数据作为特征向量进行提取,将高炉历史数据与待测数据提取出特征向量分别记为xs与xt,将高炉历史数据的故障诊断误差与两组数据所提取特征之间距离的总和作为损失函数,即为下式(3):
3.根据权利要求1所述的方法,其特征在于,步骤三所述的加权的步骤如下:记高炉故障共C类,c表示高炉故障类型,当c取1至C的实数时,代表相应的具体故障类型,包括管道、下行、难行、悬料,M为高炉历史数据的样本总数,其中属于c类故障类型的样本数目为MC,相应地,记N为高炉待测数据的样本总数,其中属于c类故障类型的样本数目为NC,历史数据的标签值记为ys,待测数据的标签值记为yt,高炉历史数据与待测数据的分布分别记为ps(·)与pt(·),高炉历史数据与待测数据中各类故障样本所占比值分别为:
则高炉历史数据中各类故障数据的相应权重为
将权重与高炉历史数据相乘之后,高炉历史数据的先验分布化为:
由此,高炉历史数据的故障类别分布与高炉待测数据的类别先验分布趋于一致,实现两者的先验类别分布适配,经加权以后,高炉历史数据特征矩阵Xs与待测数据特征矩阵Xt组成特征矩阵X。
5.根据权利要求1所述的方法,其特征在于,步骤六所述的迭代更新的步骤如下:对步骤三到步骤五进行迭代求解,即对加权联合分布适配中生成标签,计算权重及更新参数这一过程进行迭代得到故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441962.0A CN113219942B (zh) | 2021-04-23 | 2021-04-23 | 基于加权联合分布适配神经网络的高炉故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441962.0A CN113219942B (zh) | 2021-04-23 | 2021-04-23 | 基于加权联合分布适配神经网络的高炉故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219942A true CN113219942A (zh) | 2021-08-06 |
CN113219942B CN113219942B (zh) | 2022-10-25 |
Family
ID=77088950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110441962.0A Active CN113219942B (zh) | 2021-04-23 | 2021-04-23 | 基于加权联合分布适配神经网络的高炉故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219942B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203929B (zh) * | 2023-03-01 | 2024-01-05 | 中国矿业大学 | 一种面向长尾分布数据的工业过程故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445861A (zh) * | 2018-02-05 | 2018-08-24 | 华南理工大学 | 一种基于卷积神经网络算法的转辙机故障检测方法及*** |
CN108921230A (zh) * | 2018-07-25 | 2018-11-30 | 浙江浙能嘉华发电有限公司 | 基于类均值核主元分析和bp神经网络的故障诊断方法 |
CN109325417A (zh) * | 2018-08-23 | 2019-02-12 | 东北大学 | 一种基于深度神经网络的工业过程故障工况诊断方法 |
CN110222830A (zh) * | 2019-06-13 | 2019-09-10 | 中国人民解放军空军工程大学 | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 |
KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
CN111381584A (zh) * | 2020-03-25 | 2020-07-07 | 北京航空航天大学 | 一种基于双级门控循环网络关联记忆的飞机座舱异常故障检测方法 |
CN111651931A (zh) * | 2020-05-19 | 2020-09-11 | 浙江大学 | 基于深度神经网络的高炉故障诊断规则导出方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
-
2021
- 2021-04-23 CN CN202110441962.0A patent/CN113219942B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445861A (zh) * | 2018-02-05 | 2018-08-24 | 华南理工大学 | 一种基于卷积神经网络算法的转辙机故障检测方法及*** |
CN108921230A (zh) * | 2018-07-25 | 2018-11-30 | 浙江浙能嘉华发电有限公司 | 基于类均值核主元分析和bp神经网络的故障诊断方法 |
CN109325417A (zh) * | 2018-08-23 | 2019-02-12 | 东北大学 | 一种基于深度神经网络的工业过程故障工况诊断方法 |
KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
CN110222830A (zh) * | 2019-06-13 | 2019-09-10 | 中国人民解放军空军工程大学 | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 |
CN111381584A (zh) * | 2020-03-25 | 2020-07-07 | 北京航空航天大学 | 一种基于双级门控循环网络关联记忆的飞机座舱异常故障检测方法 |
CN111651931A (zh) * | 2020-05-19 | 2020-09-11 | 浙江大学 | 基于深度神经网络的高炉故障诊断规则导出方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Non-Patent Citations (1)
Title |
---|
王碧瑶: "基于迁移学习与深度卷积的动车组滚动轴承故障诊断方法与研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203929B (zh) * | 2023-03-01 | 2024-01-05 | 中国矿业大学 | 一种面向长尾分布数据的工业过程故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113219942B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及*** | |
CN104777830B (zh) | 一种基于kpca混合模型的多工况过程监控方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测***及方法 | |
CN105886680B (zh) | 一种高炉炼铁过程铁水硅含量动态软测量***及方法 | |
CN105177199B (zh) | 高炉煤气发生量软测量方法 | |
CN104793606B (zh) | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 | |
CN111652355B (zh) | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 | |
CN103440368A (zh) | 一种多模型动态软测量建模方法 | |
Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及*** | |
CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
Jiang et al. | Classification of silicon content variation trend based on fusion of multilevel features in blast furnace ironmaking | |
CN102925602B (zh) | 高炉操作炉型维护方法 | |
CN113219942B (zh) | 基于加权联合分布适配神经网络的高炉故障诊断方法 | |
CN109359320B (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
CN104750902A (zh) | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
Li et al. | A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression | |
CN115496124A (zh) | 一种基于极小极大熵协同训练的高炉故障诊断方法 | |
CN111983140B (zh) | 一种用于干熄焦生产的一氧化碳测量***及测量方法 | |
CN114525372B (zh) | 基于多模态融合的高炉状态监测方法及装置 | |
Ding et al. | Dynamic prediction of the silicon content in the blast furnace using lstm-rnn-based models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |