[發(fā)明專利]基于深度神經網絡的高爐故障診斷規(guī)則導出方法

有效

• 申請?zhí)枺?/td>: 202010422427.6
• 申請日: 2020-05-19
• 公開（公告）號: CN111651931B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設計）人: 黃曉珂;楊春節(jié)
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N5/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林松海

1.一種基于深度神經網絡的高爐故障診斷規(guī)則導出方法，其特征在于，步驟如下：

步驟一：利用歷史高爐故障數(shù)據(jù)對深度神經網絡進行權值訓練，建立深度神經網絡高爐故障診斷模型，即從高爐歷史故障數(shù)據(jù)中學習高爐故障診斷知識，表達成一個從高爐過程變量到高爐故障類別的抽象非線性映射；

步驟二：針對每種故障，從深度神經網絡的隱藏層最后一層出發(fā)，提取當前層與后一層節(jié)點所形成的規(guī)則子集合中if-then規(guī)則的規(guī)則前件并去除重復項形成規(guī)則前件集合；

步驟三：針對規(guī)則前件集合中每一個元素，所述的元素是當前層節(jié)點條件的組合，利用決策樹建立前一層節(jié)點和該元素的輸入輸出子模型，由此形成的決策樹是將深度神經網絡模型表征的從高爐過程變量到高爐故障類別的非線性映射轉化為直觀的故障診斷模式，實現(xiàn)人機交互；

步驟四：利用決策樹子模型導出以前一層節(jié)點條件為規(guī)則前件，以當前層節(jié)點為規(guī)則后件的if-then規(guī)則，并加入前一層與當前層節(jié)點的規(guī)則子集合中；

步驟五：重復步驟三、步驟四直到規(guī)則前件集合中所有元素被遍歷，并形成了前一層與當前層節(jié)點的規(guī)則子集合；

步驟六：將步驟五中的前一層設置為當前層，步驟五中的當前層設置為后一層，再次重復步驟二、步驟三、步驟四、步驟五，如此一直前推直到到達深度神經網絡的輸入層，即高爐過程變量參數(shù)輸入層；

步驟七：按照每個規(guī)則子集合形成時的先后順序，依次尋找相鄰子集合中規(guī)則前件與規(guī)則后件匹配的規(guī)則，將其不斷鏈接形成新的規(guī)則，因而最后得到以高爐過程變量為規(guī)則前件，以故障類別為規(guī)則后件的if-then規(guī)則并最終得到高爐故障診斷規(guī)則集合。

2.根據(jù)權利要求1所述的方法，其特征在于，步驟一所述的深度神經網絡的結構如下：深度神經網絡包含輸入層、隱含層以及輸出層三部分，輸入層是高爐過程變量參數(shù)輸入層，所述的高爐過程變量參數(shù)為表征高爐生產狀態(tài)的工業(yè)過程參數(shù)，包括透氣性指數(shù)、冷風流量、熱風流量、頂壓、冷風壓力、熱風壓力，輸出層是高爐故障類別層，所述的高爐故障為與高爐生產過程相關的高爐故障，包括難行、懸料、管道、崩料、爐熱、爐涼，隱含層的作用是建立一個從高爐過程變量到高爐故障類別的非線性映射，從高爐歷史故障數(shù)據(jù)中學習高爐故障診斷知識，建立高爐故障診斷模型；同一層的神經元沒有連接，層與層之間的神經元是全連接的，每個連接都有一個權值，表征神經元之間聯(lián)系程度的強弱；深度神經網絡的數(shù)學模型為：

其中，為神經網絡第i層第j個隱藏層單元的輸出，記h_i為神經網絡第i層，則h₀為神經網絡輸入層，h_k+1為神經網絡輸出層；j的取值根據(jù)網絡第i層的神經元的個數(shù)決定，記第i層的神經元個數(shù)為z_i，則每層j的取值為1到z_i；W(i,j)為第i層第j個神經元對應的權值矩陣；為第i層第j個神經元對應的偏置項，b_k+1為輸出層單元對應的偏置項；y代表神經網絡的輸出；f(·)和g(·)分別是隱層單元和輸出單元的激活函數(shù)。