一种高炉过程监测方法及系统技术方案

本发明专利技术涉及一种高炉过程监测方法，根据时滞矩阵构建目标监测模型进行训练，监测模型包括图注意力神经网络和门控循环神经网络；将时滞矩阵输入至目标监测模型，生成时空特征向量和残差向量，其中时空特征向量生成特征空间

【技术实现步骤摘要】
一种高炉过程监测方法及系统


[0001]本专利技术涉及高炉监测
，尤其涉及一种高炉过程监测方法
、
一种高炉过程监测系统
、
一种计算机可读存储介质
、
一种控制装置
。

技术介绍

[0002]钢铁工业是中国现代工业和国民经济中的重要支柱，它的发展关系到国家经济的稳定和人民生活的改善
。
然而，随着能源紧缺和环境污染等问题的不断加剧，实现钢铁工业可持续发展变得越来越重要
。
作为整个钢铁工业的核心环节，高炉炼铁是钢铁制造过程中质流转换的关键工序，其能耗占钢铁生产总能耗的比例高达
70
％，因此，实现高炉炼铁过程安全运行是钢铁工业深度节能减排和提质增效的重中之重
。
[0003]在高炉生产过程中，积累了大量的历史数据，这些数据记录了高炉运行的各种参数和指标，反映了高炉的运行状况
。
为了提高高炉的生产效率和保证其运行的稳定和安全，需要从这些历史数据中挖掘出变量之间的潜在关系，并建立精确的监测诊断模型，对高炉进行精准监测，精准判断高炉过程中是否出现故障
。

技术实现思路

[0004](
一
)
技术方案
[0005]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过程监测方法
。
[0006]本专利技术的第二方面提供了一种高炉过程监测系统
。
[0007]本专利技术的第三方面提供了一种计算机可读存储介质
。
[0008]本专利技术的第四方面提供了一种控制装置
。
[0009]本专利技术实施例提出的一种高炉过程监测方法，所述方法包括：
[0010]根据时滞矩阵构建目标监测模型，所述目标监测模型包括图注意力神经网络
、
门控循环神经网络和解码器，所述目标监测模型为离线过程训练后的模型；
[0011]将所述时滞矩阵输入至所述目标监测模型，得到时空特征向量和残差向量，以根据所述时空特征向量生成特征空间
、
根据所述残差向量生成残差空间；
[0012]根据
KNN
算法和所述特征空间获取
HD
分数，并根据
KNN
算法和所述残差空间获取
RD
分数；
[0013]根据
KNN
算法和所述
HD
分数生成第一监测阈值，且根据
KNN
算法和所述
RD
分数生成第二监测阈值；将所述
HD
分数与所述第一监测阈值进行比较生成第一比较结果，且将所述
RD
分数与所述第二监测阈值进行比较生成第二比较结果，根据所述第一比较结果和第二比较结果生成监测结果
。
[0014]可选地，所述时滞矩阵和所述待测数据为数据预处理之后得到的，所述预处理步骤包括：
[0015]对所述初始高炉历史数据进行数据清洗获取异常值，将所述异常值替换为缺失值，并通过局部均值法对所述缺失值进行填补，以得到高炉历史数据；
[0016]通过所述高炉历史数据得到时滞矩阵
。
[0017]可选地，根据所述时滞矩阵构建目标监测模型，还包括：
[0018]将所述时滞矩阵输入编码器
‑
解码器模型进行重构，以训练所述目标监测模型，减少所述目标监测模型的重构误差来训练所述目标监测模型
。
[0019]可选地，根据所述第一比较结果和第二比较结果生成监测结果的步骤包括：
[0020]若所述
HD
分数大于所述第一监测阈值，且所述
RD
分数大于所述第二监测阈值，则监测结果为正常
。
[0021]可选地，根据所述第一比较结果和第二比较结果生成监测结果的步骤还包括：
[0022]若所述
HD
分数小于所述第一监测阈值，且所述
RD
分数大于所述第二监测阈值，或若所述
HD
分数大于所述第一监测阈值，且所述
RD
分数小于所述第二监测阈值，则监测结果为异常
。
[0023]根据本申请实施例的第二方面提出了一种高炉过程监测系统，训练模块
、
数据处理模块和数据比较模块：
[0024]所述训练模块被配置为：根据时滞矩阵构建目标监测模型，所述目标监测模型包括图注意力神经网络和门控循环神经网络，所述目标监测模型为训练后的模型；
[0025]所述数据处理模块被配置为：将所述时滞矩阵输入至所述目标监测模型，生成时空特征向量和残差向量，以根据所述空间特征向量生成特征空间
、
根据所述残差向量生成残差空间；
[0026]所述数据比较模块被配置为：根据
KNN
算法和所述特征空间获取
HD
分数，并根据
KNN
算法和所述残差空间获取
RD
分数；根据
KNN
算法和所述
HD
分数生成第一监测阈值，且根据
KNN
算法和所述
RD
分数生成第二监测阈值；将所述
HD
分数与所述第一监测阈值进行比较生成第一比较结果，且将所述
RD
分数与所述第二监测阈值进行比较生成第二比较结果，根据所述第一比较结果和第二比较结果生成监测结果
。
[0027]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，
[0028]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
。
[0029]根据本申请实施例的第四方面提出了一种控制装置，包括：
[0030]存储器，存储有计算机程序；
[0031]处理器，执行所述计算机程序；
[0032]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
。
[0033](
二
)
有益效果
[0034]本专利技术的有益效果是：本专利技术的高炉过程监测方法，本方案采用图注意力神经网络和门控循环神经网络对正常样本的时滞数据进行时空建模，在特征空间和残差空间分别构建监测统计量，提高了检测的性能
。
输入训练好的模型
、
两个空间的向量和对应的监测阈值到下游的实时监测任务中，对高炉过程进行程监测诊断
。
附图说明
[0035]图1为本申请提供的一种实施例的高炉过程监测方法的流程图；
[0036]图2为本申请提供的一种实施例的高炉过程监测系统的模块图；
[0037]图3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；
[0038]图4为本申请提供的一种实施例控制装置的结构框图
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高炉过程监测方法，其特征在于，所述方法包括：根据时滞矩阵构建目标监测模型，所述目标监测模型包括图注意力神经网络
、
门控循环神经网络和解码器，所述目标监测模型为离线过程训练后的模型；将所述时滞矩阵输入至所述目标监测模型，得到时空特征向量和残差向量，以根据所述时空特征向量生成特征空间
、
根据所述残差向量生成残差空间；根据
KNN
算法和所述特征空间获取
HD
分数，并根据
KNN
算法和所述残差空间获取
RD
分数；根据
KNN
算法和所述
HD
分数生成第一监测阈值，且根据
KNN
算法和所述
RD
分数生成第二监测阈值；将所述
HD
分数与所述第一监测阈值进行比较生成第一比较结果，且将所述
RD
分数与所述第二监测阈值进行比较生成第二比较结果，根据所述第一比较结果和第二比较结果生成监测结果
。2.
如权利要求1所述的高炉过程监测方法，其特征在于：所述时滞矩阵和所述待测数据为数据预处理之后得到的，所述预处理步骤包括：对所述初始高炉历史数据进行数据清洗获取异常值，将所述异常值替换为缺失值，并通过局部均值法对所述缺失值进行填补，以得到高炉历史数据；通过所述高炉历史数据得到时滞矩阵
。3.
如权利要求1所述的高炉过程监测方法，其特征在于：根据所述时滞矩阵构建目标监测模型，还包括：将所述时滞矩阵输入编码器
‑
解码器模型进行重构，以训练所述目标监测模型
。4.
如权利要求1所述的高炉过程监测方法，其特征在于：根据所述第一比较结果和第二比较结果生成监测结果的步骤包括：若所述
HD
分数小于所述第一监测阈值，且所述
RD
分数小于所述第二监测阈值，则监测结果为正常
。5.
如权利要求1所述的高炉过程监测方法，其特征在于：根据所述第一比较结果和第二比较结果生成监测结果的步骤还包括：若所述
HD
分数大于所述第一监测阈值，且所述...

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