一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法技术

本发明专利技术公开了一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，属于数据处理技术领域，包括：采集高炉炼铁时的样本数据集；对数据样本进行归一化处理；采用随机傅里叶特征映射将归一化处理后的数据进行非线性映射；构建局部Fisher判别分析模型；通过局部Fisher判别分析模型获取样本数据的数据特征；构建基于贝叶斯推理的分类器；根据数据特征，通过分类器对数据样本进行分类；通过样本数据集完成对于分类器的训练；获取高炉炼铁时的实时数据；根据高炉炼铁时的实时数据，通过分类器对高炉进行故障诊断。在本发明专利技术中，通过随机特征映射取代核函数，可以处理过程变量之间的非线性关系，使得Fisher判别分析能够运用到非线性映射的关系的高炉故障监测中。映射的关系的高炉故障监测中。映射的关系的高炉故障监测中。

【技术实现步骤摘要】
一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法


[0001]本专利技术属于数据处理
，具体涉及一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法。

技术介绍

[0002]高炉炼铁作为钢铁制造生产线的重要一环，其产出的生铁质量会极大的影响后续的炼钢和轧钢等工序，因此保持高炉稳定高效运行，是决定整体钢铁工业生产的关键。在对高炉运行状况的的监测过程中，为保证高炉正常运行，需要获取多个传感器采集大量的高炉运行数据，这些从现场采集回来的信号往往都含有原始环境的噪声信号、非电量信号。此外，由于诊断对象运行工况复杂，影响因素众多，同一特征可能表现出多种故障，同一故障往往有多个保险特征，检测量与实际故障之间是一种非线性映射的关系。
[0003]作为数据驱动方法之一的Fisher判别分析(Fisher Discriminant Analysis)，在工业系统中过程数据进行过程监控和诊断得到了广泛的运用，该方法处理时将高维数据空间中的过程数据利用多元投影理论投影到低维特征空间，在低维空间的特征变量消除了冗余信息保留了原始数据的特征信息。国外学者Russell等人给出了基于Fisher判别分析的故障识别法，这种理论方法相较于主成分分析判别方法能更好的分析出故障分类性能，因为该方法能同时处理正常和异常的数据，但Fisher判别分析的应用限制于线性分类的问题中，难以运用到非线性映射的关系的高炉故障监测中。

技术实现思路

[0004]为了解决现有技术的Fisher判别分析限制于线性分类的问题中，难以运用到非线性映射的关系的高炉故障监测中的技术问题，本专利技术提供一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法。
[0005]本专利技术提供一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，包括：
[0006]S101：采集高炉炼铁时的样本数据集，样本数据集包括多个数据样本，
[0007]每个数据样本包括多个过程变量；
[0008]S102：对数据样本进行归一化处理；
[0009]S103：采用随机傅里叶特征映射将归一化处理后的数据进行非线性映射；
[0010]S104：构建局部Fisher判别分析模型；
[0011]S105：通过局部Fisher判别分析模型获取样本数据的数据特征；
[0012]S106：构建基于贝叶斯推理的分类器；
[0013]S107：根据数据特征，通过分类器对数据样本进行分类；
[0014]S108：通过样本数据集完成对于分类器的训练；
[0015]S109：获取高炉炼铁时的实时数据；
[0016]S110：根据高炉炼铁时的实时数据，通过分类器对高炉进行故障诊断。
[0017]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0018]在本专利技术中，在局部Fisher判别分析模型中通过随机特征映射取代核函数，可以处理过程变量之间的非线性关系，使得Fisher判别分析能够运用到非线性映射的关系的高炉故障监测中，并且在保证故障诊断精度的前提下大大提高了诊断效率。进一步地，采用局部随机Fisher判别分析，在样本特征提取过程中能够保留数据的局部结构和全局特性，通过监督学习把样本最大程度分离，提高了故障诊断的精度。
附图说明
[0019]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0020]图1是本专利技术提供的一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法的流程示意图。
具体实施方式
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0022]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0023]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0024]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0025]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0026]实施例一
[0027]参考图1，图1示出了本专利技术提供的一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法的流程示意图。
[0028]本专利技术提供的一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，包括：
[0029]S101：采集高炉炼铁时的样本数据集。
[0030]其中，样本数据集包括多个数据样本，每个数据样本包括多个过程变量。
[0031]其中，过程变量包括：富氧率、透气性指数、CO体积、H2体积、CO2体积、标准风速、富氧流量、阻力系数和四个不同顶部位置的温度。
[0032]其中，难行是指锅炉在运行时出现的阻力增大、流量减小、水位异常升高等现象，导致锅炉的正常运行受到影响。可能的原因包括锅炉管道堵塞、燃料供应不足、燃烧不完全等。悬料是指在锅炉燃烧过程中，部分燃料未能完全燃烧，而是以悬浮状态存在于燃烧区内。这种情况可能导致燃烧效率降低、锅炉产生黑烟、污染物排放超标等问题。悬料可能是由于燃料供应不均匀、燃烧条件不合适或燃烧器故障引起的。小套是指锅炉管道中的水流出现异常，即水流变细、变小，甚至中断。这可能是由于管道内部结垢、水泵故障、阀门故障等原因引起的。小套会导致锅炉供水不足，热交换效果下降，甚至可能引起锅炉爆管等严重问题。
[0033]其中，样本数据集中的80％为训练集，20％为测试集。
[0034]S102：对数据样本进行归一化处理。
[0035]在一种可能的实施方式中，S102具体包括：
[0036]通过以下公式对数据样本进行归一化处理：
[0037][0038]其中，H表示原始输入数据，为处理后的数据，X
std
表示正常数据的标准差，X
mean
表示正常数据的均值。
[0039]需要说明的是，数据样本的归一化处理有助于消除量纲影响、提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，包括：S101：采集高炉炼铁时的样本数据集，所述样本数据集包括多个数据样本，每个所述数据样本包括多个过程变量；S102：对所述数据样本进行归一化处理；S103：采用随机傅里叶特征映射将归一化处理后的数据进行非线性映射；S104：构建局部Fisher判别分析模型；S105：通过所述局部Fisher判别分析模型获取样本数据的数据特征；S106：构建基于贝叶斯推理的分类器；S107：根据所述数据特征，通过所述分类器对所述数据样本进行分类；S108：通过所述样本数据集完成对于所述分类器的训练；S109：获取高炉炼铁时的实时数据；S110：根据高炉炼铁时的实时数据，通过所述分类器对高炉进行故障诊断。2.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述过程变量包括：富氧率、透气性指数、CO体积、H2体积、CO2体积、标准风速、富氧流量、阻力系数和四个不同顶部位置的温度。3.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述数据样本的采集频率为10s。4.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述样本数据集中的80％为训练集，20％为测试集。5.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S102具体包括：通过以下公式对所述数据样本进行归一化处理：其中，H表示原始输入数据，为处理后的数据，X
std
表示正常数据的标准差，X
mean
表示正常数据的均值。6.根据权利要求1所述的基于随机局部Fisher判别技术的高炉炼铁故障诊断方法，其特征在于，所述S103具体包括：S1031：将高斯函数进行傅里叶变换，得到p(ω)：其中，ε表示核宽度；S1032：将p(ω)进行傅里叶逆变换，得到核函数K(x
i
,x
j
)：其中，z
ω
(x
j
)从p(ω)分布中抽样得到，E[.]表示数学期望，是z
ω
(x
j
)的共轭复数；S1033：计算所述核函数的无偏估计为：
其中，其中，ω
k
＝[ω...

【专利技术属性】
技术研发人员：吴平，周嘉伟，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：