[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的高爐故障診斷規(guī)則導(dǎo)出方法

有效

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

本發(fā)明公開(kāi)了一種基于深度神經(jīng)網(wǎng)絡(luò)的高爐故障診斷規(guī)則導(dǎo)出方法，屬于工業(yè)過(guò)程監(jiān)控、建模和仿真領(lǐng)域。首先，采用深度神經(jīng)網(wǎng)絡(luò)對(duì)歷史高爐故障數(shù)據(jù)進(jìn)行建模；然后，針對(duì)每種故障，從網(wǎng)絡(luò)的輸出層出發(fā)依次利用決策樹(shù)建立深度神經(jīng)網(wǎng)絡(luò)相鄰層節(jié)點(diǎn)的子模型，并導(dǎo)出if?then規(guī)則；最后，將if?then規(guī)則進(jìn)行逐層合并，最終獲得以高爐過(guò)程變量為規(guī)則前件，以故障類別為規(guī)則后件的高爐故障診斷規(guī)則。本發(fā)明方法，不僅利用深度神經(jīng)網(wǎng)絡(luò)高診斷精度的優(yōu)勢(shì)，從高爐歷史數(shù)據(jù)中獲取故障診斷知識(shí)，還將知識(shí)轉(zhuǎn)化成易被高爐操作人員理解的規(guī)則，實(shí)現(xiàn)人機(jī)協(xié)同的知識(shí)與決策融合，能夠廣泛應(yīng)用于對(duì)于故障診斷有高可信度和準(zhǔn)確度要求的工業(yè)系統(tǒng)。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)過(guò)程監(jiān)控、建模和仿真領(lǐng)域，特別涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的高爐故障診斷規(guī)則導(dǎo)出方法。

背景技術(shù)

鋼鐵制造流程中，以大型高爐為主的大型煉鐵系統(tǒng)是鐵素物質(zhì)流轉(zhuǎn)換的關(guān)鍵工序。大型高爐是鋼鐵制造過(guò)程的核心裝備，是世界上最大的化學(xué)反應(yīng)容器。在大型高爐運(yùn)行過(guò)程中，異常爐況若不能得到及時(shí)監(jiān)測(cè)、診斷與控制，不僅會(huì)造成資源和設(shè)備的重大損失降低高爐爐齡，甚至還會(huì)引發(fā)事故導(dǎo)致人員傷亡與財(cái)產(chǎn)損失。因此，確保高爐的安全運(yùn)行，是鋼鐵制造過(guò)程中的重中之重。

我國(guó)多數(shù)大型煉鐵系統(tǒng)的原燃料稟賦差且成分多變，運(yùn)行工況頻繁波動(dòng)且規(guī)律難以把握。此外，大型煉鐵系統(tǒng)的場(chǎng)相耦合與非線性多參數(shù)耦合異常復(fù)雜，表征運(yùn)行性能的關(guān)鍵參數(shù)難以在線檢測(cè)，高爐具有的動(dòng)態(tài)性、脆弱性、不確定性以及信息不完備性等特性使得高爐系統(tǒng)故障診斷成為極具挑戰(zhàn)性的課題，而在實(shí)際生產(chǎn)中，維護(hù)高爐運(yùn)行的操作仍是以人工經(jīng)驗(yàn)知識(shí)為主的操作調(diào)控，目前成功應(yīng)用于高爐故障診斷的專家系統(tǒng)也由于開(kāi)發(fā)與維護(hù)成本過(guò)高，性能退化嚴(yán)重等因素并沒(méi)有得到重視。因此，亟需在現(xiàn)有煉鐵生產(chǎn)自動(dòng)化與信息化的基礎(chǔ)上，深度融合煉鐵專家知識(shí)、操作經(jīng)驗(yàn)與智能技術(shù)，實(shí)現(xiàn)信息深度感知、智慧優(yōu)化決策和精準(zhǔn)協(xié)調(diào)控制，以提高我國(guó)大型煉鐵系統(tǒng)生產(chǎn)過(guò)程的智能化水平。

現(xiàn)有的高爐故障診斷方法，主要有專家系統(tǒng)和數(shù)據(jù)驅(qū)動(dòng)方法，其中數(shù)據(jù)驅(qū)動(dòng)方法可分為多元統(tǒng)計(jì)與機(jī)器學(xué)習(xí)兩大類?；趯＜蚁到y(tǒng)的方法，主要通過(guò)煉鐵工藝知識(shí)與高爐操作者經(jīng)驗(yàn)建立規(guī)則庫(kù)，進(jìn)而通過(guò)設(shè)計(jì)一套推斷與決策方法對(duì)高爐異常爐況進(jìn)行診斷。這種方法建立規(guī)則庫(kù)的成本高昂，且隨著高爐爐齡增長(zhǎng)或爐況的劇烈改變，專家系統(tǒng)會(huì)失效，缺乏增強(qiáng)進(jìn)化的能力。基于機(jī)器學(xué)習(xí)的方法，傳統(tǒng)的決策樹(shù)、SVM等白箱模型需要很多訓(xùn)練樣本，而實(shí)際中故障樣本數(shù)往往是很少的，因此并不能取得很好的效果；目前得到迅速發(fā)展的深度神經(jīng)網(wǎng)絡(luò)方法雖然在精度上取得了很大的突破，但由于是黑箱模型，因此并不被高爐操作者信任，其可信度與診斷穩(wěn)定度收到質(zhì)疑，很難在實(shí)際中推廣使用；基于多元統(tǒng)計(jì)的方法對(duì)于原材料品質(zhì)波動(dòng)且操作環(huán)境復(fù)雜多變的大型高爐來(lái)說(shuō)誤判率非常高。因此，現(xiàn)有的異常爐況診斷方法距離實(shí)際應(yīng)用還有很大差距，需要探索新路徑新方法。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于深度神經(jīng)網(wǎng)絡(luò)的高爐故障診斷規(guī)則導(dǎo)出方法。該方法首先采用深度神經(jīng)網(wǎng)絡(luò)對(duì)歷史高爐故障數(shù)據(jù)進(jìn)行建模，確保模型的高診斷精度；然后，針對(duì)每種故障，從深度神經(jīng)網(wǎng)絡(luò)的隱藏層利用決策樹(shù)獲得高爐故障診斷專家規(guī)則，為高爐操作人員提供可以理解、修改、借鑒的高爐故障診斷規(guī)則。本發(fā)明方法，不僅利用深度神經(jīng)網(wǎng)絡(luò)高診斷精度的優(yōu)勢(shì)，從高爐歷史數(shù)據(jù)中獲取故障診斷知識(shí)，還將知識(shí)轉(zhuǎn)化成易被高爐操作人員理解的規(guī)則，大大降低了維護(hù)系統(tǒng)的成本并提高了系統(tǒng)的動(dòng)態(tài)性，實(shí)現(xiàn)人機(jī)協(xié)同的知識(shí)與決策融合，能夠廣泛應(yīng)用于對(duì)于故障診斷有高可信度和準(zhǔn)確度要求的工業(yè)系統(tǒng)。

一種基于深度神經(jīng)網(wǎng)絡(luò)的高爐故障診斷規(guī)則導(dǎo)出方法，步驟如下：

步驟一：利用歷史高爐故障數(shù)據(jù)對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)值訓(xùn)練，建立深度神經(jīng)網(wǎng)絡(luò)高爐故障診斷模型，即從高爐歷史故障數(shù)據(jù)中學(xué)習(xí)高爐故障診斷知識(shí)，表達(dá)成一個(gè)從高爐變量參數(shù)到高爐故障類別的抽象非線性映射；

步驟二：針對(duì)每種故障，從深度神經(jīng)網(wǎng)絡(luò)的隱藏層最后一層出發(fā)，提取當(dāng)前層與后一層節(jié)點(diǎn)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(fù)項(xiàng)形成規(guī)則前件集合；