[发明专利]基于加权联合分布适配神经网络的高炉故障诊断方法

权利要求书

1.一种基于加权联合分布适配神经网络的高炉故障诊断方法，其特征在于，步骤如下：

步骤一：利用高炉历史数据与高炉待测数据对深度神经网络进行权值训练，该深度神经网络中最后一层全连接层所得数据值即为所提取的特征，将高炉历史数据的故障诊断误差与所提取的特征之间距离的总和作为损失函数，在训练达到预设的迭代次数或损失函数低于预设值之后将权值固定；

步骤二：采用步骤一中固定的深度神经网络对高炉的历史数据与待测数据进行第一次特征提取并对高炉待测数据生成标签值，即在将高炉历史数据与待测数据进行特征迁移的基础上，利用从高炉的历史数据与待测数据中学习到的高炉故障诊断知识，初步形成一个从高炉过程变量到高炉故障类别的非线性映射；

步骤三：基于待测数据的标签值，分别计算高炉的待测数据与历史数据中各故障类别所占比例，将高炉的待测数据与历史数据中相应类别的比例相比，将得到的比值作为高炉待测数据的类别先验分布权重与步骤二中所提取的相应高炉历史数据特征相乘，并与步骤二中所提取的高炉待测数据的特征共同组成特征变量矩阵，经过加权以后，高炉历史数据的故障类别分布与高炉待测数据的故障类别分布趋于一致，实现两者的先验类别分布适配；

步骤四：引入核方法，对特征变量进行映射，得到新的特征变量，并对核空间内的特征变量进行变换，使得从高炉历史数据与待测数据各自提取出的特征向量在边缘分布与条件分布上的距离之和最小，由此，通过核方法与变换矩阵的方法实现了高炉历史数据与待测数据的联合分布适配；

步骤五：将变换之后的特征变量作为分类器的输入，特征变量到分类器之间的连接权重以分类正确率为目标函数进行训练，收敛之后将分类器对待测数据的分类结果即高炉故障类别作为新的标签值分配给待测数据；

步骤六：对步骤三到步骤五进行循环迭代，直到高炉历史数据与待测数据的特征向量在联合分布上的距离与分类正确率均趋于稳定后，将模型参数进行固定，对待测数据进行判别处理，产生故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，步骤一所述的深度神经网络的结构如下：深度神经网络包含输入层、隐含层以及输出层三部分，输入层是高炉过程变量参数输入层，包括透气性指数、冷风流量、热风流量、顶压、冷风压力、热风压力表征高炉生产状态的工业过程参数，输出层是高炉故障类别层，包括难行、悬料、管道、崩料、炉热、炉凉与高炉生产过程相关的高炉故障，隐含层用于建立一个从高炉过程变量到高炉故障类别的非线性映射，从高炉历史故障数据中学习高炉故障诊断知识，建立高炉故障诊断模型；同一层的神经元没有连接，层与层之间的神经元全连接，每个连接都有一个权值，表征神经元之间联系程度的强弱；定义隐藏层大于等于2的神经网络即为深度神经网络，深度神经网络的数学模型为：

其中，为神经网络第i层第j个隐藏层单元的输出，记h_i为神经网络第i层，则h₀为神经网络输入层，h_k+1为神经网络输出层；j的取值根据网络第i层的神经元的个数决定，记第i层的神经元个数为z_i，则每层j的取值为1到z_i；W(i,j)为第i层第j个神经元对应的权值矩阵；为第i层第j个神经元对应的偏置项，b_k+1为输出层单元对应的偏置项；y代表神经网络的输出,M为高炉历史数据的样本总数，记N为高炉待测数据的样本总数，f(·)和g(·)分别是隐层单元和输出单元的激活函数，代表第i个样本在输出层神经元中的最大值，s_j代表输出层中第j个神经元的数值，将全连接层的数据作为特征向量进行提取，将高炉历史数据与待测数据提取出特征向量分别记为x^s与x^t，将高炉历史数据的故障诊断误差与两组数据所提取特征之间距离的总和作为损失函数，即为下式(3)：