[發(fā)明專利]一種基于改進案例推理的豎爐爐況故障預(yù)報方法

有效

• 申請?zhí)枺?/td>: 201310067826.5
• 申請日: 2013-03-04
• 公開（公告）號: CN103246801A
• 公開（公告）日: 2013-08-14
• 發(fā)明（設(shè)計）人: 嚴(yán)愛軍;郭振;邵宏贍
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 張慧

技術(shù)領(lǐng)域

本發(fā)明屬于自動化技術(shù)領(lǐng)域，特別涉及一種冶金行業(yè)豎爐焙燒生產(chǎn)過程的爐況故障的智能預(yù)報方法。?

技術(shù)背景

在豎爐焙燒過程中，豎爐爐況比較復(fù)雜，故障點甚多，一旦發(fā)生故障，就會影響生產(chǎn)的進行，并威脅到人員和設(shè)備的安全，因此，需要及時發(fā)現(xiàn)早期的故障征兆并進行相應(yīng)的處理，以避免故障惡化以及帶來不必要的經(jīng)濟損失。然而，豎爐焙燒過程的干擾眾多且機理模型難以獲得，使得常規(guī)的故障預(yù)報方法難以發(fā)揮作用，故尋找一種合適的方法建立豎爐爐況的變化趨勢預(yù)報模型變得必要而迫切。?

自上世紀(jì)70年代研究故障預(yù)報以來，故障預(yù)報的方法很多，主要可歸為兩類，即模型驅(qū)動法和數(shù)據(jù)驅(qū)動法。其中，模型驅(qū)動法的共同做法就是通過估計模型參數(shù)得到未來的故障特征。由于復(fù)雜對象往往具有慢時變、分布參數(shù)、非線性和強耦合特性，難以用精確的數(shù)學(xué)模型來描述，使得這種方法難以在實際中使用。于是，不需要建立對象精確機理模型的數(shù)據(jù)驅(qū)動法應(yīng)運而生,這些方法雖取得了一定成效，但由于方法本身還存在一些問題，比如神經(jīng)網(wǎng)絡(luò)的收斂問題、規(guī)則的難以獲取等，所以在通用性上很難分出孰優(yōu)孰劣，故障預(yù)報的準(zhǔn)確性不高。人工智能領(lǐng)域的案例推理(case-based?reasoning,CBR)是一種新的問題求解與機器學(xué)習(xí)方法，求解過程可用經(jīng)典的4R認(rèn)知模型進行描述，即案例的檢索(Retrieve)、重用(Reuse)、修正(Revise)和存儲(Retain)。CBR在故障診斷及故障預(yù)報領(lǐng)域的應(yīng)用得到了廣泛關(guān)注，顯示出CBR方法的發(fā)展?jié)摿Α５珎鹘y(tǒng)的CBR方法給出的結(jié)果是否合理取決于經(jīng)驗的豐富程度及其學(xué)習(xí)能力，在CBR推理求解的過程中，還有一些問題尚未完全解決，比如案例屬性的權(quán)重分配、案例解的校正等問題，這些問題不解決，同樣使得故障預(yù)報的準(zhǔn)確率不高。?

基于上述分析，亟待開發(fā)出一種改進的CBR方法研究豎爐焙燒過程的爐況預(yù)報問題，側(cè)重于CBR方法的改進，以提高其推理精度，保證故障預(yù)報的準(zhǔn)確性。?

發(fā)明內(nèi)容

本發(fā)明的目的在于，通過提供一種基于改進案例推理的豎爐爐況故障預(yù)報方法，針對難以建立精確數(shù)學(xué)模型的豎爐焙燒過程，將注水原理(water-filling?theory,WFT)和群決策思想(group?decision-making,GDM)引入到案例推理過程，采用數(shù)據(jù)驅(qū)動法建立爐況的預(yù)報模型。依據(jù)注水原理構(gòu)造了拉格朗日函數(shù)計算案例特征的權(quán)重；更進一步，通過定義歷史故障預(yù)報結(jié)果的可信度對目標(biāo)案例進行群決策校正，從而給出當(dāng)前爐況的預(yù)報結(jié)果。從而達(dá)到降低漏報率、誤報率以及故障發(fā)生率的目標(biāo)。?

本發(fā)明是采用以下技術(shù)手段實現(xiàn)的：?

結(jié)合WFT原理與GDM思想，設(shè)計了一種新的案例推理系統(tǒng)，提出了如圖2所示的改進型CBR故障預(yù)報的模型結(jié)構(gòu)。在傳統(tǒng)4R認(rèn)知模型的基礎(chǔ)上，增加了屬性權(quán)重的分配模型，并運用GDM理論改進案例校正模型。包括以下步驟：?

步驟1、變量初始化；將當(dāng)前變量進行歸一化處理，使其數(shù)值處在0～1之間。?

步驟2、對案例進行表示，建立案例庫；?

設(shè)每條源案例用C_k(k=1,2,…p)表示，可表示為如下的二元組形式：?

C_k:〈X_k;Y_k〉,k=1,2,…,p??????????????????????????(1)其中，p是案例總數(shù)；X_k和Y_k分別是源案例的問題描述(這里稱過程參量集)和源案例的解答(這里稱5種故障的發(fā)生概率)，可分別表示為：?

X_k=(x_1,k,x_2,k,…,x_13,k)??????????????????????????????(2)?

Y_k=(y_1,k,y_2,k,…,y_5,k)??????????????????????????????????(3)?

其中，故障預(yù)報結(jié)果y_1,k-y_5,k的取值均位于區(qū)間[0,1]中，表示5種故障各自發(fā)生的概率。?

步驟3、計算基于注水法分配權(quán)重算法（water-filling?theory-based?weight?allocation，WFA）的相關(guān)系數(shù)；?

案例屬性權(quán)重分配的描述式子為：?