一种高炉异常炉况检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905974A(43)申请公布日2023.04.04(21)申请号202211377826.0(22)申请日2022.11.04(71)申请人北京科技大学地址100083北京市海淀区学院路30号(72)发明人张瀚文樊薇薇董洁彭开香(74)专利代理机构北京市广友专利事务所有限责任公司11237专利代理师张仲波(51)Int.Cl.G06F18/2415(2023.01)G06F18/214(2023.01)G06F17/18(2006.01)G06F17/16(2006.01)权利要求书3页说明书10页附图5页(54)发明名称一种高炉异常炉况检测方法(57)摘要本发明提供一种高炉异常炉况检测方法，属于高炉冶炼技术领域。所述方法包括：S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。采用本发明，能够降低炉况异常误报率。CN115905974ACN115905974A权利要求书1/3页1.一种高炉异常炉况检测方法，其特征在于，包括：S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。2.根据权利要求1所述的高炉异常炉况检测方法，其特征在于，建立的平稳投影矩阵求取模型表示为：其中，F表示惩罚函数，表示平稳投影矩阵，表示为一个行m列的实数矩阵，表示平稳分量数目，m为样本维数；n为历史过程数据构成的增广数据划分的时段数，划分得到的每一段数据都是高斯混合数据，q表示GMM的高斯组分数，表示第i段数据估计出的第k个高斯组分的混合比例，表示第i段数据估计出的第k'个高斯组分的混合比例，表示第j段数据估计出的第k”个高斯组分的混合比例，表示高斯组分和之间的K‑L散度近似值，表示高斯组分和之间的K‑L散度近似值，ρ为惩罚因子，上标T表示矩阵转置，为维的单位矩阵，||·||F表示求F范数。3.根据权利要求2所述的高炉异常炉况检测方法，其特征在于，高斯组分和之间的K‑L散度计算公式表示为：其中，和分别表示第i段数据估计出的第k个高斯组分的协方差矩阵和均值向量，和分别表示第i段数据估计出的第k'个高斯组分的协方差矩阵和均值向量，Tr(·)表示求括号里矩阵的迹。4.根据权利要求1所述的高炉异常炉况检测方法，其特征在于，所述获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包包括：2CN115905974A权利要求书2/3页B1，获取非平稳高炉正常的历史过程数据作为训练集其中，N为训练样本个数，m为样本维数，表示N行m列的实数矩阵；B2，构建长度为w的滑动时间窗口，采用单步滑动构成增广数据矩阵Y，并做归一化处理；其中，增广数据矩阵Y表示为：其中，是观测到的样本，p＝1,2,...,N，由xp构成训练集，表示N‑w行mw列的实数矩阵；B3，将归一化后的增广数据划分为n个时段，给定高斯组分数q，采用最大期望算法估计出每段数据的高斯分量参数和其中，表示第i段数据估计出的第k个高斯组分的混合比例，和分别表示第i段数据估计出的第k个高斯组分的协方差矩阵和均值向量；B4，确定平稳分量数目B5，基于得到的高斯分量参数和以及平稳分量数目对平稳投影矩阵求取模型进行求解，得到最优的平稳投影矩阵B6，计算平稳分量B7，构造的凸包。5.根据权利要求4所述的高炉异常炉况检测方法，其特征在于，划分的时段数n满足：其中，表示平稳分量的数目。6.根据权利要求4所述的高炉异常炉况检测方法，其特征在于，所述对平稳投影矩阵求取模型进行求解，得到最优的平稳投影矩阵包括：采用梯度下降法对平稳投影矩阵求取模型进行求解，得到最优的平稳投影矩阵7.根据权利要求4所述的高炉异常炉况检测方法，其特征在于，所述根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常包括：C1，加载的凸包和平稳投影矩阵C2，对于测试样本xh，构造增广数据矩阵并做归一化处理；其中，xh表示第h个测试样本；C3，计算