[發(fā)明專利]基于多模態(tài)融合的高爐狀態(tài)監(jiān)測方法及裝置

有效

• 申請?zhí)枺?/td>: 202210006087.8
• 申請日: 2022-01-05
• 公開（公告）號: CN114525372B
• 公開（公告）日: 2022-10-28
• 發(fā)明（設(shè)計）人: 唐曉宇;王鑫;楊春節(jié);王文海
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: C21B7/24
• 分類號: C21B7/24;C21B5/00;G06K9/62;G06V10/762;G06V10/80
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 劉靜

1.一種基于多模態(tài)融合的高爐狀態(tài)監(jiān)測方法，其特征在于，包括以下步驟：

(1)高爐子模態(tài)預(yù)獲取，具體包括以下子步驟：

(1.1)獲取高爐歷史參數(shù)數(shù)據(jù)，構(gòu)建數(shù)據(jù)集；

(1.2)采用移動平均方法進(jìn)行數(shù)據(jù)集中缺失值的填補(bǔ)，計算公式如下：

其中，t為缺失值所處的時刻，k為移動平均的時刻個數(shù)，x(t)為t時刻的參數(shù)值；

(1.3)采用箱型圖方法進(jìn)行數(shù)據(jù)集中異常值的檢測并直接剔除檢測出的異常值，箱型圖方法計算數(shù)據(jù)分布內(nèi)極限L₁、L₂與數(shù)據(jù)分布外極限L₃、L₄的公式如下：

L₁＝Q₃+1.5(Q₃-Q₁)

L₂＝Q₃-1.5(Q₃-Q₁)

L₃＝Q₃+3(Q₃-Q₁)

L₄＝Q₃-3(Q₃-Q₁)

其中，Q₁為數(shù)據(jù)分布的下四分位數(shù)，Q₃為數(shù)據(jù)分布的上四分位數(shù)；

(1.4)獲取高爐狀態(tài)指征變量數(shù)據(jù)并進(jìn)行預(yù)處理，包括缺失值填補(bǔ)及異常值剔除；

(1.5)計算每一種高爐參數(shù)數(shù)據(jù)與高爐狀態(tài)指征變量數(shù)據(jù)之間的灰色關(guān)聯(lián)度值，選取關(guān)聯(lián)度最大的前N種高爐參數(shù)作為特征變量；灰色關(guān)聯(lián)度γ的計算公式如下：

其中：

其中，x₀為n個樣本的高爐狀態(tài)指征變量數(shù)據(jù)，x_i為n個樣本的各高爐參數(shù)，i＝1,2,…,m，m為高爐參數(shù)的總數(shù)量，ξ為兩個變量之間的灰色關(guān)聯(lián)系數(shù)，t_p為第p個時刻，p＝1,2,…,n，n為每種參數(shù)所包含的樣本總數(shù)量，ρ為分辨系數(shù)，Δ_min為兩級最小差，Δ_max為兩級最大差，x₀(t_p)為t_p時刻的高爐狀態(tài)指征變量值，x_i(t_p)為t_p時刻的高爐參數(shù)值；

(1.6)從高爐歷史參數(shù)數(shù)據(jù)集中挑選出步驟(1.5)計算得到的特征變量數(shù)據(jù)來組成特征變量歷史數(shù)據(jù)集；

(1.7)在特征變量歷史數(shù)據(jù)集中應(yīng)用均值漂移聚類算法，得到若干個聚類中心，步驟如下：

①在高爐特征變量歷史數(shù)據(jù)集中隨機(jī)選取一樣本作為中心點c，構(gòu)建半徑為r的滑動窗口，半徑r根據(jù)樣本的分布情況確定；

②計算滑動窗口內(nèi)其他樣本點到中心點的平均距離，取該平均距離作為偏移量M，計算公式如下：

其中，w為滑動窗口中樣本點的個數(shù)，y為高爐特征變量歷史數(shù)據(jù)，S_h為滑動窗口中所有樣本點的集合；

③根據(jù)偏移量M更新中心點的位置，計算公式如下：

c^l+1＝M^l+c^l

其中，l為迭代的次數(shù)；

④重復(fù)步驟①～③，直到中心點位置不再變化；

⑤如果當(dāng)前類中心點與另一類中心點之間的距離小于設(shè)定的閾值，則兩類將合并為一類，否則，中心點的數(shù)量加1；

⑥重復(fù)步驟①～⑤，直到遍歷所有樣本點，得到高爐特征變量歷史數(shù)據(jù)集的聚類中心集；

(1.8)計算特征變量歷史數(shù)據(jù)集中的樣本與每個聚類中心之間的歐氏距離，分別選擇與各個聚類中心之間歐氏距離最小的樣本點作為高爐的子模態(tài)，所有被選擇的樣本點數(shù)據(jù)構(gòu)建子模態(tài)特征變量數(shù)據(jù)集；同時將每種子模態(tài)對應(yīng)時刻的高爐狀態(tài)指征變量數(shù)據(jù)保存，構(gòu)建子模態(tài)指征變量數(shù)據(jù)集；

(2)高爐子模態(tài)融合，具體包括以下子步驟：

(2.1)獲取高爐實時參數(shù)數(shù)據(jù)，從中挑選出步驟(1.5)計算得到的N種特征變量對應(yīng)的數(shù)據(jù)作為輸入變量；

(2.2)計算輸入變量數(shù)據(jù)與每一種子模態(tài)特征變量數(shù)據(jù)間的歐氏距離，構(gòu)建歐氏距離矩陣D＝(d₁,d₂,...,d_u,...,d_q)，其中d_u為輸入變量數(shù)據(jù)與第u種子模態(tài)特征變量數(shù)據(jù)間的歐氏距離，u＝1,2,…,q，q為步驟(1.8)中獲得的子模態(tài)的種類數(shù)量；

(2.3)基于指數(shù)函數(shù)及模態(tài)貢獻(xiàn)率計算權(quán)重，步驟如下：

①采用指數(shù)函數(shù)對步驟(2.2)計算得到的歐氏距離進(jìn)行放縮變換并取倒數(shù)，計算公式如下：

其中，d_{u_t}為輸入變量數(shù)據(jù)與第u種子模態(tài)特征變量數(shù)據(jù)間變換后的歐氏距離，r為放縮系數(shù)；

②將子模態(tài)按照對應(yīng)的d_{u_t}從大到小的順序排列，選擇貢獻(xiàn)率總和大于設(shè)定閾值的前L種子模態(tài)，每一種子模態(tài)的貢獻(xiàn)率con_u計算公式如下：

③將被選擇子模態(tài)的d_{u_t}歸一化得到對應(yīng)的權(quán)重w_u，未被選擇的子模態(tài)對應(yīng)的權(quán)重為0，由此得到子模態(tài)的權(quán)重矩陣W；歸一化計算公式如下：

其中，U_L為被選擇的L種子模態(tài)組成的集合；

(3)高爐狀態(tài)監(jiān)測，包括：

當(dāng)高爐實時參數(shù)數(shù)據(jù)輸入后，按照步驟(2)計算得到權(quán)重矩陣，從子模態(tài)指征變量數(shù)據(jù)集中讀取每種子模態(tài)對應(yīng)的指征變量數(shù)據(jù)，對其進(jìn)行加權(quán)求和，計算公式如下：

其中，為第z種高爐狀態(tài)指征變量的估計值，z＝1,2,…,v，v為高爐狀態(tài)指征變量的種類數(shù)量，為第u種子模態(tài)對應(yīng)的第z種高爐狀態(tài)指征變量值；

由此得到子模態(tài)融合后對應(yīng)的高爐實時狀態(tài)指征變量的估計值，即實現(xiàn)了高爐的實時狀態(tài)監(jiān)測。