一种高炉异常炉况检测方法技术

本发明专利技术提供一种高炉异常炉况检测方法，属于高炉冶炼技术领域。所述方法包括：S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。采用本发明专利技术，能够降低炉况异常误报率。能够降低炉况异常误报率。能够降低炉况异常误报率。

【技术实现步骤摘要】
一种高炉异常炉况检测方法


[0001]本专利技术涉及高炉冶炼
，特别是指一种高炉异常炉况检测方法。

技术介绍

[0002]钢铁工业是我国现代工业和国民经济的重要支柱产业，而高炉炼铁是整个钢铁工业的核心环节，它的能耗占钢铁生产总能耗的比例高达70％。实现高炉炼铁过程安全运行是钢铁工业节能减排的重中之重。在高炉炼铁过程中，由于人员误操作、设备故障等，高炉炉况时常发生异常情况。高炉炉况一旦发生故障，不仅会造成资源和设备的重大损失，甚至有可能造成人员伤亡。因此，减少高炉事故和异常炉况的发生频率有着十分重要的意义。如果能够尽早地发现高炉故障并对其进行控制调整，就能有效避免由故障带来的损失。高炉异常炉况的监测对于高炉的安全和稳定进行十分重要。
[0003]近年来，随着数据测量和存储技术的不断发展，积累了丰富的高炉炼铁过程数据，数据驱动的过程监测方法引起了人们的广泛关注。而一些传统的数据驱动方法，如主成分分析法(PCA)等都假设数据服从多元高斯分布，另一个假设是被监控的过程是静止的。然而由于热风炉切换，高炉过程数据往往呈现出非高斯性、非平稳性和时变特性的趋势。这些特性可以由季节变化、人工干预，操作条件开关等因素引起。
[0004]传统的非平稳过程监测算法是在静态框架中开发出来的，而高炉过程数据具有动态性，如果使用静态的监测算法，则会失去动态信息导致监测效果不佳，Wu等人提出了动态平稳子空间分析(DSSA)算法，引入了时移技术，虽然该算法的监测效果比传统的平稳子空间分析(SSA)算法效果好，但两种算法都假设数据服从多元高斯分布，而实际高炉过程数据却是非高斯的，会导致误报率较高，因此上述两种算法都不适用于实际的工业数据。

技术实现思路

[0005]本专利技术实施例提供了高炉异常炉况检测方法，能够降低炉况异常误报率。
[0006]本专利技术实施例提供的高炉异常炉况检测方法，包括：
[0007]S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；
[0008]S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；
[0009]S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。
[0010]进一步地，建立的平稳投影矩阵求取模型表示为：
[0011][0012]其中，F表示惩罚函数，表示平稳投影矩阵，表示为一个行m列
的实数矩阵，表示平稳分量数目，m为样本维数；n为历史过程数据构成的增广数据划分的时段数，划分得到的每一段数据都是高斯混合数据，q表示GMM的高斯组分数，表示第i段数据估计出的第k个高斯组分的混合比例，表示第i段数据估计出的第k'个高斯组分的混合比例，表示第j段数据估计出的第k”个高斯组分的混合比例，表示高斯组分和之间的K
‑
L散度近似值，表示高斯组分和之间的K
‑
L散度近似值，ρ为惩罚因子，上标T表示矩阵转置，为维的单位矩阵，||
·
||
F
表示求F范数。
[0013]进一步地，高斯组分和之间的K
‑
L散度计算公式表示为：
[0014][0015]其中，和分别表示第i段数据估计出的第k个高斯组分的协方差矩阵和均值向量，和分别表示第i段数据估计出的第k'个高斯组分的协方差矩阵和均值向量，Tr(
·
)表示求括号里矩阵的迹。
[0016]进一步地，所述获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包包括：
[0017]B1，获取非平稳高炉正常的历史过程数据作为训练集其中，N为训练样本个数，m为样本维数，表示N行m列的实数矩阵；
[0018]B2，构建长度为w的滑动时间窗口，采用单步滑动构成增广数据矩阵Y，并做归一化处理；其中，增广数据矩阵Y表示为：
[0019][0020]其中，是观测到的样本，p＝1,2,...,N，由x
p
构成训练集，表示N
‑
w行mw列的实数矩阵；
[0021]B3，将归一化后的增广数据划分为n个时段，给定高斯组分数q，采用最大期望算法估计出每段数据的高斯分量参数和其中，表示第i段数据估计出的第k个高斯组分的混合比例，和分别表示第i段数据估计出的第k个高斯组分的协方差矩阵和均值向量；
[0022]B4，确定平稳分量数目
[0023]B5，基于得到的高斯分量参数和以及平稳分量数目对平稳投影矩阵求取模型进行求解，得到最优的平稳投影矩阵
[0024]B6，计算平稳分量
[0025]B7，构造的凸包。
[0026]进一步地，划分的时段数n满足：
[0027][0028]其中，表示平稳分量的数目。
[0029]进一步地，所述对平稳投影矩阵求取模型进行求解，得到最优的平稳投影矩阵包括：
[0030]采用梯度下降法对平稳投影矩阵求取模型进行求解，得到最优的平稳投影矩阵
[0031]进一步地，所述根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常包括：
[0032]C1，加载的凸包和平稳投影矩阵
[0033]C2，对于测试样本x
h
，构造增广数据矩阵并做归一化处理；其中，x
h
表示第h个测试样本；
[0034]C3，计算测试样本x
h
的平稳分量
[0035]C4，根据计算得到的平稳分量利用凸包检测原理计算L
h
，若L
h
>0，则判定炉况异常；其中，L
h
表示平稳分量与凸包的位置关系。
[0036]进一步地，所述根据计算得到的平稳分量利用凸包检测原理计算L
h
，若L
h
>0，则认为发生故障包括：
[0037]将的凸包表示为
[0038][0039]其中，代表第p'个训练样本的平稳分量，β
p'
表示平稳分量的混合比例；
[0040]在所有包围平稳分量的凸集合中，取凸包内部任一点p0，再取凸包边界超平面上的任一点p1，构造向量p＝p0‑
p1，求取凸包每一个超平面的一个单位长度的法向量法向量应满足：
[0041][0042]测试样本x
h
的平稳分量与p1构成向量向量t应满足：
[0043][0044]其中，L1表示一个测试样本的平稳分量与凸包的一个超平面之间的位置关系；
[0045]若向量t满足则该测试样本的平稳分量位于超平面之上，如果该测试样本的平稳分量位于凸包所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高炉异常炉况检测方法，其特征在于，包括：S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。2.根据权利要求1所述的高炉异常炉况检测方法，其特征在于，建立的平稳投影矩阵求取模型表示为：其中，F表示惩罚函数，表示平稳投影矩阵，表示为一个行m列的实数矩阵，表示平稳分量数目，m为样本维数；n为历史过程数据构成的增广数据划分的时段数，划分得到的每一段数据都是高斯混合数据，q表示GMM的高斯组分数，表示第i段数据估计出的第k个高斯组分的混合比例，表示第i段数据估计出的第k'个高斯组分的混合比例，表示第j段数据估计出的第k”个高斯组分的混合比例，表示高斯组分和之间的K
‑
L散度近似值，表示高斯组分和之间的K
‑
L散度近似值，ρ为惩罚因子，上标T表示矩阵转置，为维的单位矩阵，||
·
||
F
表示求F范数。3.根据权利要求2所述的高炉异常炉况检测方法，其特征在于，高斯组分和之间的K
‑
L散度计算公式表示为：其中，和分别表示第i段数据估计出的第k个高斯组分的协方差矩阵和均值向量，和分别表示第i段数据估计出的第k'个高斯组分的协方差矩阵和均值向量，Tr(
·
)表示求括号里矩阵的迹。4.根据权利要求1所述的高炉异常炉况检测方法，其特征在于，所述获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包包括：
B1，获取非平稳高炉正常的历史过程数据作为训练集其中，N为训练样本个数，m为样本维数，表示N行m列的实数矩阵；B2，构建长度为w的滑动时间窗口，采用单步滑动构成增广数据矩阵Y，并做归一化处理；其中，增广数据矩阵Y表示为：其中，是观测到的样本，p＝1,2,...,N，由x
p
构成训练集，表示N
‑
w行mw列的实数矩阵；B3，将归一化后的增广数据划分为n个时段，给定高斯组分数q，采用最大期望算法估计出每段数据的高斯分量参数和其中，表示第i段数据估计出的第k个高斯组分的混合比例，和分别表示第i段数据估计出的第k个高斯组分的协方差矩阵和均值向量；B4，确定平稳分量数目B5，基于得到的高斯...

【专利技术属性】
技术研发人员：张瀚文，樊薇薇，董洁，彭开香，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：