【技术实现步骤摘要】
本专利技术涉及数据分类领域，特别是涉及一种基于混合结构模型的电熔镁炉工况诊断方法。
技术介绍
1、电熔镁炉这类重大耗能工业设备，主要工艺流程是在加料、排气、熔炼期间，通过调整电弧电流来控制熔炼过程的温度，将原料菱镁矿石加热冶炼，得到电熔镁砂产品。理想运行工况是在产品质量满足工艺要求的前提下处于优工况，而实际生产中原料波动大，易发生非优工况。比如，电熔镁炉生产过程中，由物料特性波动异常导致的欠烧工况不仅会造成过程变量异常波动，而且炉温分布会随之发生异常。熔液温度分布直接关乎电熔镁炉运行炉况，但超高温熔液温度（近3000℃）难以直接测，目前，操作人员可定期人眼观察炉内及炉璧图像等异构数据来间接监测与调控，以进行优工况和非优工况的诊断。然而，人工决策的结果参差不齐、不及时、准确率低。
2、基于上述问题可采用梯度提升决策树（gradient boosting decision trees，gbdt）对电熔镁炉异构数据工况进行诊断，在计算机视觉领域，梯度提升决策树是一种强大的机器学习模型，在处理结构化数据和非线性特征方面表现出色。gbdt被广泛应用于故障诊断和图像处理等领域。它能够处理多目标回归或分类任务，并且擅长处理各种数据类型。gbdt具有以下特点：（i）它们是非参数模型，不对数据分布做任何假设。（ii）gbdt通过结合多个弱分类器迭代训练得到最终梯度提升决策树。基于决策树模型，gbdt可以用if-then结构描述，使其具有较高的可解释性。（iii）它们具有适应性，可以处理连续、离散和混合数据等各种数据类型。（iv）它们通
技术实现思路
1、本专利技术的目的是提供一种基于混合结构模型的电熔镁炉工况诊断方法，可提高电熔镁炉的工况诊断精度。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术提供一种基于混合结构模型的电熔镁炉工况诊断方法，包括：
4、获取异构数据集；所述异构数据集包括若干帧样本多视角图像集以及每一所述多视角图像集对应的样本真实工况；每一所述样本多视角图像集包括同一时刻采集到的若干不同样本视角图像；所述样本视角图像为电熔镁炉工作过程中的炉内图像或炉璧图像；所述样本真实工况包括优工况和非优工况；
5、对于每一所述样本多视角图像集，对所述样本多视角图像集中每一样本视角图像进行特征提取，得到所述样本多视角图像集中每一所述样本视角图像对应的样本初始特征；
6、对于每一所述样本多视角图像集，根据所述样本多视角图像集中所有所述样本视角图像对应的样本初始特征生成所述样本多视角图像集对应的图结构，并根据所述图结构生成所述样本多视角图像集对应的超图结构；所述图结构中的图节点与所述所述样本多视角图像集中所有所述样本视角图像对应的样本初始特征一一对应；所述图结构中的边表示其连接的两个图节点对应的样本初始特征之间的距离小于第一设定阈值；所述超图结构中的超图节点与所述所述样本多视角图像集中所有所述样本视角图像对应的样本初始特征一一对应；所述超图结构中的超边表示其连接的若干超图节点对应的样本初始特征之间的距离小于第二设定阈值；
7、将当前迭代轮次对应的分类器组的工况预测结果、所述样本多视角图像集对应的图结构和超图结构输入至混合结构模型中，得到当前迭代轮次对应的混合图特征；当当前迭代轮次为1时，当前迭代轮次对应的分类器组的工况预测结果为所述样本多视角图像集中所有所述样本视角图像对应的样本初始特征；所述混合结构模型由图神经网络和超图神经网络构成；当前迭代轮次对应的分类器组包括至少一个分类器；
8、根据当前迭代轮次对应的混合图特征和当前迭代轮次对应的分类器组的工况预测结果计算当前迭代轮次对应的残差；判断是否达到迭代停止条件，若是，则停止迭代，将当前迭代轮次对应的分类器组作为训练好的梯度提升决策树；若否，则将当前迭代轮次对应的残差作为下一迭代轮次的标签，将下一迭代轮次对应的分类器组替换当前迭代轮次对应的分类器组，并返回“将当前迭代轮次对应的分类器组的工况预测结果、所述样本多视角图像集对应的图结构和超图结构输入至混合结构模型中”步骤，直至达到迭代停止条件，得到训练好的的梯度提升决策树；所述训练好的的梯度提升决策树为达到迭代停止条件时对应的迭代轮次的分类器组；下一迭代轮次的分类器组比当前迭代轮次对应的分类器组多一个分类器；
9、采用所述训练好的梯度提升决策树对电熔镁炉的工况进行诊断，得到目标工况诊断结果；所述目标工况诊断结果为优工况或非优工况。
10、可选的，所述训练好的的梯度提升决策树包括若干个分类器；
11、采用所述训练好的梯度提升决策树对电熔镁炉的工况进行诊断，得到目标工况诊断结果，具体包括：
12、对于每一所述分类器，采用所述分类器对电熔镁炉的工况进行诊断，得到所述分类器对应的目标预测概率；
13、根据所有所述分类器对应的目标预测概率确定目标工况诊断结果。
14、可选的，根据所有所述分类器对应的目标预测概率确定目标工况诊断结果，具体包括：
15、将所有所述分类器对应的目标预测概率相加，得到最终目标预测概率；
16、根据所述最终目标预测概率和设定概率阈值确定目标工况诊断结果。
17、可选的，将当前迭代轮次对应的分类器组的工况预测结果、所述样本多视角图像集对应的图结构和超图结构输入至混合结构模型中，得到当前迭代轮次对应的混合图特征，具体包括：
18、根据当前迭代轮次对应的分类器组的工况预测结果和第一权重，得到第一输入特征；
19、根据当前迭代轮次对应的分类器组的工况预测结果和第二权重，得到第二输入特征；
20、将第一输入特征和所述样本多视角图像集对应的图结构输入至图神经网络中，得到图特征；
21、将第二输入特征和所述样本多视角图像集对应的超图结构输入至图神经网络中，得到超图特征；
22、将所述图特征和所述超图特征进行融合，得到当前迭代轮次对应的混合图特征。
23、可选的，根据当前迭代轮次对应的分类器组的工况预测结果和第一权重，得到第一输入特征，具体包括：
24、将当前迭代轮次对应的分类器组的工况预测结果和第一权重进行相乘，得到第一输入特征。
25、可选的，根据所述图结构生成所述样本多视角图像集对应的超图结构，具体包括：
26、利用k近邻方法，根据所述图结构生成所述样本多视角图像集对应的超图结构。
27、可选的，对所述样本多视角图像集中每一样本视角图像进行特征提取，得到所述样本多视角图像集中每一所述样本视角图像对应的样本初本文档来自技高网...
【技术保护点】
1.一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，所述训练好的的梯度提升决策树包括若干个分类器；
3.根据权利要求2所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，根据所有所述分类器对应的目标预测概率确定目标工况诊断结果，具体包括：
4.根据权利要求1所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，将当前迭代轮次对应的分类器组的工况预测结果、所述样本多视角图像集对应的图结构和超图结构输入至混合结构模型中，得到当前迭代轮次对应的混合图特征，具体包括：
5.根据权利要求4所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，根据当前迭代轮次对应的分类器组的工况预测结果和第一权重，得到第一输入特征，具体包括：
6.根据权利要求1所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，根据所述图结构生成所述样本多视角图像集对应的超图结构，具体包括：
7.根据权利要求1所述的一种基
8.根据权利要求7所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，所述特征提取模型为CNN模型或RNN模型。
...【技术特征摘要】
1.一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，所述训练好的的梯度提升决策树包括若干个分类器；
3.根据权利要求2所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，根据所有所述分类器对应的目标预测概率确定目标工况诊断结果，具体包括：
4.根据权利要求1所述的一种基于混合结构模型的电熔镁炉工况诊断方法，其特征在于，将当前迭代轮次对应的分类器组的工况预测结果、所述样本多视角图像集对应的图结构和超图结构输入至混合结构模型中，得到当前迭代轮次对应的混合图特征，具体包括：
5.根据权利要求4所述的一种...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。