一种高炉故障诊断系统及方法技术方案

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
【专利摘要】本专利技术提供，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。本专利技术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】
本专利技术属于高炉故障诊断
，具体涉及。
技术介绍
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。 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。 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。
技术实现思路
针对现有技术存在的问题，本专利技术提供。 本专利技术的技术方案是： -种高炉故障诊断系统，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。 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。 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。 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。 利用所述的系统进行高炉故障诊断的方法，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：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。 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。 有益效果：本专利技术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。本专利技术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】 图1是本专利技术【具体实施方式】高炉故障诊断系统框图； 图2是本专利技术【具体实施方式】高炉故障诊断方法流程图。【具体实施方式】 下面结合附图对本专利技术的【具体实施方式】做详细说明。 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。 -种高炉故障诊断系统，如图1所示，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，输出本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】

【专利技术属性】
技术研发人员：王安娜，艾青，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21