[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

说明书

本发明公开了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。首先，使用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生成待测数据的标签。基于此标签值，计算高炉的待测数据与历史数据中相应故障类别的样本数之比，将所得比值作为高炉各类故障相应权重与联合分布适配法结合。通过加权联合分布适配完成第二次特征的提取并得到新的标签值。最后，对加权联合分布适配中生成标签，计算权重及更新参数这一过程进行迭代求解得到故障诊断结果。本发明不仅利用深度神经网络提高了诊断精度，还通过联合分布与先验分布适配解决了由于高炉故障样本少，数据分布随工况改变波动较大而造成的传统故障诊断方法准确率低的问题。

技术领域

本发明属于工业过程监控、建模和仿真领域，特别涉及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。

背景技术

高炉炼铁是铁素物质流转换的核心单元，是钢铁制造过程中能耗最大和生产成本最高的环节。随着高炉炼铁过程中工艺与技术的不断进步，仪表与自动化技术的持续性发展，现代高炉炼铁呈现出规模大、结构复杂、生产单元之间耦合强及投资巨大等特点。高炉炼铁过程中的异常波动(或事故)不及时发现，往往导致产品质量严重下降，或者延误生产计划的正常执行，造成巨大的经济损失，甚至人员伤亡。因此高炉故障诊断对保证高炉实现安全高效生产具有重要意义。

在高炉炼铁的实际生产过程中，为了避免出现严重后果，在高炉系统运行出现一定故障预兆时，操作人员会对送风制度、布料制度或炉热制度进行调整，以避免故障的发生。因此，在现有的操作制度与运行情况下，构建高炉的故障诊断系统面临故障样本少、数据不平衡、标记缺失，以及标注样本代价昂贵且费时等问题。此外，由于原料产地不固定，国内钢厂的高炉炼铁进料多数采用“百家矿”的形式。在不同的时间，进料的种类及其配比会发生明显变化；其次，高炉的生产运行过程存在多种工况切换。这些因素都造成了高炉数据随时间变化而发生改变，数据分布波动较大，训练数据与待测数据存在分布差异，影响故障诊断的可靠性与准确率。

目前应用于高炉的故障诊断方法可大致分为两种，即专家系统与基于数据驱动的智能故障诊断方法，专家系统对于相关知识与规则等先验知识有较高要求，而高炉涉及到的物理与化学反应极其复杂，内部实际反应的准确情况难以获知。而且随着分布式控制系统各种智能化仪表以及控制设备在现代工业过程中的广泛使用，大量的过程数据被采集并存储下来。但是这些包含过程运行状态信息的数据在专家系统中往往没有被有效地利用。

另一方面，传统的基于数据驱动的智能故障诊断方法的成功应用有两个前提条件：1)大量有标签数据，2)训练与测试数据来自同一数据分布。但在高炉生产过程中，有标签的故障样本极少，也很难获得，而且由于矿石原料的品位与生产工况的不同，数据会发生较大的波动，导致训练数据与测试数据往往不能满足同一分布的条件。因此，现有的异常炉况诊断方法距离理想的实际应用尚有较大差距。

发明内容

为了克服现有技术的不足，本发明的目的在于提供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。该方法首先使用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生成待测数据的初始标签。基于此标签值，计算高炉的待测数据与历史数据中相应故障类别的样本数之比，将所得比值作为高炉各类故障相应权重与联合分布适配法结合。通过加权联合分布适配完成第二次特征的提取并得到新的标签值。最后，对加权联合分布适配中生成标签，计算权重及更新参数这一过程进行迭代求解得到故障诊断结果。能够广泛应用于对于故障诊断有高可信度和准确度要求的工业系统。

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，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两组数据所提取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；