基于时空协同的顶吹炉系统传感器故障检测和数据重构方法技术方案

本发明专利技术提供了一种基于时空协同的传感器故障检测和数据重构方法，借助空间相关关系检测传感器故障，并利用时间相关关系进行故障传感器数据重构，使得系统在一定时间范围内保障了充足的容错能力，通过提出一种基于

【技术实现步骤摘要】
基于时空协同的顶吹炉系统传感器故障检测和数据重构方法


[0001]本专利技术属于工业过程诊断方法
，涉及一种基于时空协同的顶吹炉系统传感器故障检测和数据重构方法
。

技术介绍

[0002]顶吹炉系统具有大规模
、
长流程和强耦合等特征，为了保障冶炼过程的高效运行，要实时检测多个传感器的运行状况
。
然而传感器在长期使用过程中由于元件老化
、
外部干扰等因素的影响，不可避免的会造成精度下降甚至引发故障的情况
。
通常的做法是定期对其进行校准，能一定程度上延长了传感器的使用寿命，增加了系统的安全性，但由于顶吹炉系统配备的传感器数量巨大，这一工作将耗费大量资源，且传感器的突发故障会随着闭环系统传播，给系统的可靠运行带来安全隐患
。
随着现代工业信息化和智能化水平的提升，对顶吹炉传感器的自主故障检测能力和故障数据重构能力提出了更为迫切的需求
。

技术实现思路

[0003]本专利技术的目的在于针对现有技术存在的问题，提供一种基于时空协同的顶吹炉系统传感器故障检测和数据重构方法
。
[0004]为此，本专利技术采取如下技术方案：基于时空协同的顶吹炉系统传感器故障检测和数据重构方法，包括以下步骤：（1）根据顶吹炉系统传感器的历史检测数据，建立
MIC
‑
GCN
模型并采用传感器的历史检测数据进行训练；（2）将采集的传感器检测数据输入训练后的
MIC
‑
GCN
模型内剔除冗余特征并构建传感器网络知识图谱
G
b
，
G
b
=
（
V,E
b
,W
b
）
Bb=1
，然后提取多尺度空间特征；（3）建立
STG
‑
Transformer
时间序列预测模型，对顶吹炉传感器检测数据进行时空协同的图级序列预测，具体是给定顶吹炉传感器多尺度空间特征
P
个时间间隔的历史状态，通过
STG
‑
Transformer
时间序列预测模型对顶吹炉传感器网络知识图谱
G
b
进行时空协同的
T
步图级预测，逐步生成顶吹炉中关键测点传感器的预测值；（4）利用
z
‑
score
数据标准化模型计算标准化预测值与真实值间的残差，所述
z
‑
score
数据标准化模型为：
式中：
u
表示均值，
x
i
标准化数据，
s2表示方差，
x
表示原始数据，
s
表示标准差，然后设定残差阈值
δ
，若残小于残差阈值
δ
，表示传感器无故障，若残差大于残差阈值
δ
表示传感器出现故障；（5）当顶吹炉检测到故障时，以残差最小为目标，对传感器故障数据进行重构，传感器故障数据重构模型为：式中：
w
i
表示不同传感器之间的关联强度，
e
i
表示标准化残差
。
[0005]进一步地，所述步骤（1）中
MIC
‑
GCN
模型的训练方法为：
a.
顶吹炉传感器的历史检测数据设定为训练集，训练集包含正常数据和故障数据；
b.
计算训练集的正常数据中不同变量之间的
MIC
值，并通过
MIC
值得出领接矩阵
A
，然后将领接矩阵
A
输入至
MIC
‑
GCN
模型中进行训练，获得训练好的
MIC
‑
GCN
模型
。
[0006]进一步地，所述领接矩阵
A
的获取过程为：
a.
将顶吹炉传感器原始数据定义为：
S=
（
s1，
s2，
s3，
…
s
n
）
∈R
n*m
，
n
为样本数，依次选取
S
中的传感器时序数据
S
i
，
S
j
，计算两数据之间的最大互信息值，由以下公式表示：式中，
B
为网格上限，取
B=n
0.6
，
M
和
N
为
S
i
、S
j
构成的散点图划分为
M
列
N
行的网格图；
b. 获得传感器网络知识拓扑图
G
，
G=
（
S
，
E
，
A
），
S={s1
，
s2
，
L
，
sn} ，
n
表示传感器节点个数，
E
为传感器间存在边连接，邻接矩阵
A
为：式中：
ξ
表示最大互信息的阈值
。
[0007]进一步地，所述残差阈值
δ
通过分析顶吹炉传感器无故障时的标准化残差序列分布进行残差阈值
δ
的设定
。
[0008]本专利技术的有益效果在于：（1）基于“先提取顶吹炉传感器的空间特征，后捕获时间相关性”的思路，通过训练
MIC
‑
GCN
和
STG
‑
Transformer
，进行空间相关性获取和时间相关预测，分析预测值与真实值之间的标准化残差，达到传感器故障检测和数据重构的目的
。
该方法利用时空协同可对多传感器进行长期预测，本方法具有较高预测精度
。
[0009]（2）基于较高精度下的故障检测提升了顶吹炉系统的可靠运行，实现了故障传感器的数据重构，使故障传感器具备了一定的容错能力，有效避免了传感器故障引发的安全事故
。
附图说明
[0010]图1为时空协同
T
步图级预测；
图2为
STG
‑
Transformer
模型结构图3顶吹炉传感器时空图级嵌入图4为镍顶吹炉系统中传感器间的最大互信息系数图；图5为传感器无故障下残差图；图6为炉底
1#
热电偶发生漂移故障表现图；图7为炉底
1#
热电偶发生漂移故障下残差图；图8为时空协同下的数据重构效果图；图9为数据重构后的残差分析图
。
具体实施方式
[0011]下面结合附图以及实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于时空协同的顶吹炉系统传感器故障检测和数据重构方法，其特征在于，包括以下步骤：（1）根据顶吹炉系统传感器的历史检测数据，建立
MIC
‑
GCN
模型并采用传感器的历史检测数据进行训练；（2）将采集的传感器检测数据输入训练后的
MIC
‑
GCN
模型内剔除冗余特征并构建传感器网络知识图谱
G
b
，
G
b
=
（
V,E
b
,W
b
）
Bb=1
，然后提取多尺度空间特征；（3）建立
STG
‑
Transformer
时间序列预测模型，对顶吹炉传感器检测数据进行时空协同的图级序列预测，具体是给定顶吹炉传感器多尺度空间特征
P
个时间间隔的历史状态，通过
STG
‑
Transformer
时间序列预测模型对顶吹炉传感器网络知识图谱
G
b
进行时空协同的
T
步图级预测，逐步生成顶吹炉中关键测点传感器的预测值；（4）利用
z
‑
score
数据标准化模型计算标准化预测值与真实值间的残差，所述
z
‑
score
数据标准化模型为：式中：
u
表示均值，
x
i
标准化数据，
s2表示方差，
x
表示原始数据，
s
表示标准差，然后设定残差阈值
δ
，若残小于残差阈值
δ
，表示传感器无故障，若残差大于残差阈值
δ
表示传感器出现故障；（5）当顶吹炉检测到故障时，以残差最小为目标，对传感器故障数据进行重构，传感器故障数据重构模型为：式中：
w
i
表示不同传感器之间的关联强度，
e
i
表示标准化残差
。2.
根据权利要求1所述的基于时空协同的顶吹炉系统传感器故障检测和数据重构方法，其特征在于，所述步骤（1）中
MIC
‑
GCN
模型的训练方法为：
a.
顶吹炉传感器的历史检测...

【专利技术属性】
技术研发人员：蒋栋年，赵锦江，张伟栋，何琛贤，申富媛，曹慧超，李亚洁，王仁杰，罗晓敏，高玉鑫，冉欢欢，章贯文，王志宣，褚天锐，王洁莹，李俊宽，张帅，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：