一种高炉故障诊断方法及系统技术方案

本发明专利技术涉及一种高炉故障诊断方法，所述方法包括：获取高炉过程实时数据；通过变分模态分解方法提取所述高炉过程实时数据的第一变量特征，并生成拓扑数据；通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，形成分类结果；根据所述分类结果识别高炉设备当前状态

【技术实现步骤摘要】
一种高炉故障诊断方法及系统


[0001]本专利技术涉及高炉故障诊断
，尤其涉及一种高炉故障诊断方法
、
一种高炉故障诊断系统
、
一种计算机可读存储介质和一种控制装置
。

技术介绍

[0002]高炉是钢铁冶炼的重要设备，其故障诊断对于提高冶炼效率
、
保障生产安全
、
降低生产成本具有至关重要的意义
。
随着钢铁工业的快速发展，高炉的规模不断扩大，生产效率不断提高，对高炉的故障诊断要求也越来越高
。
传统的高炉故障诊断主要依赖于经验和人工分析
。
专家凭借多年的实践经验和深厚的理论基础，通过观察高炉运行状态
、
分析传感器采集的数据等手段进行故障诊断
。
然而，诊断结果依赖于专家的经验和水平，存在主观性和不确定性，不同的专家可能会对同一个故障提出不同的诊断结果，影响了诊断结果的准确性和稳定性；同时，人工诊断成本高
、
效率低，难以满足高炉快速反应的要求，高炉生产线运转时效快，人工诊断可能需要耗费较长时间，而在此期间，高炉可能会继续出现故障，导致生产线停滞或产生质量问题
。

技术实现思路

[0003](
一
)
要解决的技术问题
[0004]鉴于现有技术的上述缺点
、
不足，本专利技术提供一种高炉故障诊断方法，其解决了诊断结果依赖于专家的经验和水平，存在主观性和不确定性，不同的专家可能会对同一个故障提出不同的诊断结果，影响了诊断结果的准确性和稳定性；同时，人工诊断成本高
、
效率低，难以满足高炉快速反应的要求，高炉生产线运转时效快，人工诊断可能需要耗费较长时间，而在此期间，高炉可能会继续出现故障，导致生产线停滞或产生质量问题的技术问题
。
[0005](
二
)
技术方案
[0006]为了达到上述目的，本专利技术的第一方面提供了一种高炉故障诊断方法
。
[0007]本专利技术的第二方面提供了一种高炉故障诊断系统
。
[0008]本专利技术的第三方面提供了一种计算机可读存储介质
。
[0009]本专利技术的第四方面提供了一种控制装置
。
[0010]有鉴于此，根据本申请实施例的第一方面提出了一种高炉故障诊断方法，所述方法包括：
[0011]获取高炉过程实时数据；
[0012]通过变分模态分解方法提取所述高炉过程实时数据的第一变量特征，并生成拓扑数据；
[0013]通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，形成分类结果；
[0014]根据所述分类结果识别高炉设备当前状态
。
[0015]可选地，获取所述高炉过程实时数据，包括：
[0016]获取初始高炉过程实时数据；
[0017]通过聚类法对所述初始高炉过程实时数据中的异常值替换为缺失值，并通过线性插值法对所述缺失值进行填补，以得到所述高炉过程实时数据
。
[0018]可选地，获取所述高炉过程实时数据，还包括：
[0019]通过最大最小归一化方法将所述高炉过程实时数据转化到预设范围内
。
[0020]可选地，通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，还包括：
[0021]通过
soft
‑
max
分类器对所述第二变量特征进行分类
。
[0022]可选地，根据所述分类结果识别高炉设备当前状态，还包括：
[0023]将所述分类结果进行编码，生成编码结果；
[0024]若所述编码结果为0，所述高炉设备当前状态为正常状态
。
[0025]可选地，将所述分类结果进行编码，生成编码结果，还包括：
[0026]若所述编码结果不为0，所述高炉设备当前状态为异常状态
。
[0027]根据本申请实施例的第二方面提出了一种高炉故障诊断系统，包括：数据采集模块
、
数据提取模块和数据分类模块：
[0028]所述数据采集模块被配置为：获取高炉过程实时数据；
[0029]所述数据提取模块被配置为：通过变分模态分解方法提取所述高炉过程实时数据的第一变量特征，并生成拓扑数据；通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，形成分类结果；
[0030]所述数据分类模块被配置为：根据所述分类结果识别高炉设备当前状态
。
[0031]根据本申请实施例的第三方面提出了一种计算机可读存储介质，
[0032]所述计算机可读存储介质存储有计算机程序，实现如上述任一技术方案所述的高炉故障诊断方法
。
[0033]根据本申请实施例的第四方面提出了一种控制装置，包括：
[0034]存储器，存储有计算机程序；
[0035]处理器，执行所述计算机程序；
[0036]其中，所述处理器在执行所述计算机程序时，实现如上述任一技术方案所述的高炉故障诊断方法
。
[0037](
三
)
有益效果
[0038]本专利技术的有益效果是：本专利技术的一种高炉故障诊断方法，该方案采用变分模态分解，提取变量不同时间尺度的特征，从而减少噪声对故障诊断模型的干扰；采用多个注意力机制，将传统的故障诊断问题，转变为图分类问题，并利用图卷积网络作为基准网络进行特征提取，考虑到生成最终的高炉设备状态前，应尽量减少无关冗余变量，增强故障特征表示，以便实现对高炉故障的精确性诊断；通过本方案，可以实现高炉故障自动诊断，提高冶炼效率和质量，降低生产成本，保障生产安全，促进钢铁工业的可持续发展
。
附图说明
[0039]图1为本申请提供的一种实施例的高炉故障诊断方法的流程图；
[0040]图2为本申请提供的一种实施例的获取高炉过程实时数据的流程图；
[0041]图3为本申请提供的一种实施例的高炉故障诊断系统的模块图；
[0042]图4为本申请提供的一种实施例的计算机可读存储介质的结构框图；
[0043]图5为本申请提供的一种实施例控制装置的结构框图
。
具体实施方式
[0044]为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请实施例的技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请实施例技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合
。
[0045]第一方面，如图1所示，本申请提供了一种高炉故障诊断方法，所述方法包括：
[0046]S100
，获取高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高炉故障诊断方法，其特征在于，所述方法包括：获取高炉过程实时数据；通过变分模态分解方法提取所述高炉过程实时数据的第一变量特征，并生成拓扑数据；通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，形成分类结果；根据所述分类结果识别高炉设备当前状态
。2.
如权利要求1所述的高炉故障诊断方法，其特征在于：获取所述高炉过程实时数据，包括：获取初始高炉过程实时数据；通过聚类法对所述初始高炉过程实时数据中的异常值替换为缺失值，并通过线性插值法对所述缺失值进行填补，以得到所述高炉过程实时数据
。3.
如权利要求2所述的高炉故障诊断方法，其特征在于：获取所述高炉过程实时数据，还包括：通过最大最小归一化方法将所述高炉过程实时数据转化到预设范围内
。4.
如权利要求1所述的高炉故障诊断方法，其特征在于：通过多个并行的图卷积神经网络提取所述拓扑数据的第二变量特征，并对所述第二变量特征进行分类，还包括：通过
soft
‑
max
分类器对所述第二变量特征进行分类
。5.
如权利要求1所述的基于图剪枝网络和注意力机制的高炉故障诊断方法，其特征在于：根据所述分类结果识别高...

【专利技术属性】
技术研发人员：赵强，陈利彬，韩英华，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：