CN110245850A - 一种考虑时序的烧结过程工况识别方法及系统 - Google Patents

Abstract

本发明提供了一种考虑时序的烧结过程工况识别方法及系统，本发明以烧结过程的过程参数的时间序列数据为输入，以烧结过程工况为输出。首先，利用Spearman秩相关分析方法和信息熵分析方法进行参数选择与合并，获得组合决策参数。然后，利用基于动态时间扭曲距离的模糊C均值聚类算法对时间序列数据聚类，获得组合决策参数的聚类结果。最后，利用朴素贝叶斯分类器进行工况识别，获得识别的烧结过程工况。本发明所述的工况识别方法实现了烧结过程工况的有效识别，具有重要的经济价值和应用价值。

Description

一种考虑时序的烧结过程工况识别方法及系统

技术领域

本发明涉及铁矿石烧结生产过程模式识别与智能控制领域，具体涉及一种考虑时序的烧结过程工况识别方法及系统。

背景技术

烧结是人工富矿的主要途径，其生产的烧结矿是高炉炼铁的主要原料。随着钢铁需求量的增加，天然富矿越来越难以满足钢铁行业的发展需求。因此，铁矿石烧结变得尤为重要。烧结过程是一个热聚合过程，它的主要原料有铁矿石，返矿，助熔剂和焦炭。烧结过程能耗高、污染严重，一直都是受到钢铁企业的重要关注。工况是指动力设备在一定条件下工业过程的运行状态，即是一种过程参数之间的相互关系。在烧结过程中，操作人员根据不同的工况，会做出不同的控制决策，这对提高烧结矿的质量和产量、降低生产能耗有着重要的意义。因此，识别烧结过程工况有着重要的经济价值。

烧结过程具有强非线性、强耦合性和大时滞性，这使得很难建立精确的烧结过程数学模型。烧结过程耗时长，期间有着复杂的固相和液相反应，这使得操作人员很难把控烧结过程的进度，也很难凭借人工经验判断烧结过程的工况。此外，目前对于工业过程工况识别的研究，大都从数据点的判断的出发。此类方法对生产过程的时间关联度考虑较少，工况识别的可信度较低。

虽然工况识别的研究已经在某些特定的工业生过程得到了应用，但是对于烧结过程的工况识别研究尚浅。基于数据点聚类的工况识别方法几乎不考虑数据间的时序相关性，导致了工况识别结果的可靠性不高。同时基于图像特征提取的工况识别方法很难应用到烧结过程，因为众多的过程图像难以获取。因此，研究一种考虑时序的烧结过程工况识别方法是有必要的。

发明内容

本发明要解决的技术问题在于，针对上述目前现有的工况识别方法几乎不考虑数据间的时序相关性、导致了工况识别结果的可靠性不高的技术问题，提供一种考虑时序的烧结过程工况识别方法及系统解决上述技术缺陷。

一种考虑时序的烧结过程工况识别方法，包括：

步骤一：由烧结机传感器获得烧结过程检测参数，并对烧结过程检测参数进行数据预处理；

步骤二：利用Spearman秩相关分析方法和信息熵分析方法对预处理后的烧结过程检测参数进行参数选择与合并，获得的组合决策参数；

步骤三：利用基于动态时间扭曲距离的模糊C均值聚类算法对组合决策参数的时间序列数据进行聚类，获得组合决策参数的聚类结果；

步骤四：根据组合决策参数的聚类结果，利用朴素贝叶斯分类器进行工况识别，获得识别的烧结过程工况。

进一步的，步骤一具体包括：

利用中值滤波对烧结过程检测参数进行处理，减少检测的随机误差；剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；选择每个时间子序列的长度为5分钟，每个过程参数包含10个数据点。

进一步的，步骤二具体包括：

S21、计算各个过程参数间的Spearman秩相关系数，对于两个原始变量A＝[a₁,a₂,…,a_n]和B＝[b₁,b₂,…,b_n]，秩次分别为x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，Spearman秩相关系数ρ为，

S22、计算各个检测参数的信息熵：

其中X表示随机变量，其取值为x₁,x₂,…,x_n，p(x_i)表示x_i出现的概率,i＝1,2,...,n，且有信息熵的单位为bit；

S23、考虑具有强相关性的参数被认为是相互可以替代的，将具有强相关性的参数组合中的信息熵最大的参数，选择为工况识别的决策参数；

S24、对于步骤S23中得到决策参数，再次计算各个决策参数间的Spearman秩相关系数，将ρ≥0.5的两个检测参数进行组合，得到最终的组合决策参数。

进一步的，步骤三具体包括：

S31、计算动态时间扭曲距离：

对于时间序列，A＝{A₁,A₂,...,A_i,...,A_n}和B＝{B₁,B₂,...,B_j,...,B_n}，其中A和B均有m个特征，即A_i＝{a_i1,a_i2,...,a_im}，B_i＝{b_i1,b_i2,...,b_im}，i＝1,2,...,n；动态时间扭曲距离对齐两个时间序列，以最小化它们的差异；首先，通过计算欧式距离得到一个n×n的矩阵，其中矩阵的(i,j)元素为两个向量A_i和B_j之间的距离：

动态时间扭曲距离就是寻找一条翘曲路径W使A和B的距离最小；累积距离d_DTW (i,j)为当前格点距离d(A_i,B_j)与可以到达该点的最小的邻近元素的累积距离之和，累积距离d_DTW (i,j)表示为，

d_DTW(i,j)＝d(A_i,B_j)+min{d_DTW(i-1,j-1),d_DTW(i-1,j),d_DTW(i,j-1)}

按此方法进行递归计算，求得最终的累计距离d_DTW(n,n)即为动态时间扭曲距离；

S32、利用基于动态时间扭曲距离的模糊C均值聚类方法进行聚类：

模糊C均值聚类把n个时间序列X_i(i＝1,2,...,n)分为c个类，就是求每类的聚类中心C和隶属矩阵U，使得非相似性指标的价值函数达到最小；隶属矩阵U允许有取值在0到1间的元素，一个时间序列的隶属度的和总等于1，

那么，模糊C均值聚类或目标函数为，

其中，u_ij是U中的第(i,j)个元素；C_i为第i个聚类中心，d_DTW(C_i,X_j)为第i个聚类中心与第j个时间序列的动态时间扭曲距离；m是一个加权指数；对所有输入参量求导，使目标函数达到最小的必要条件为：

和

模糊C均值聚类算法以上述必要条件进行迭代计算过程，确定聚类中心C_i和隶属矩阵U；

S33、聚类结果的类别选择：

通过S31和S32得到组合决策参数的聚类结果，即为属于每一类的隶属度，选择隶属度最大的类为当前组合决策参数时间序列所属的类别。

进一步的，步骤四具体包括：

S41、设X＝{X₁,X₂,...,X_m}为一个待分类的烧结过程组合决策参数聚类结果，具有m个特征；

S42、设烧结过程工况集合为C＝{C₁,C₂,...,C_n}；

S43、通过计算P(C₁|X),P(C₂|X),...,P(C_n|X)；

S44、如果P(C_k|X)＝max{P(C₁|X),P(C₂|X),...,P(C_n|X)}，则X∈C_k。

一种考虑时序的烧结过程工况识别系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现任意一种考虑时序的烧结过程工况识别方法。

与现有技术相比，本发明的有益效果在于：

(1)本发明的一种考虑时序的烧结过程工况识别方法，利用利用Spearman秩相关分析方法和信息熵分析方法进行参数选择与合并，该有效的得到用于工况识别的组合决策参数。

(2)本发明的一种考虑时序的烧结过程工况识别方法，利用基于动态时间扭曲距离的模糊C均值聚类算法对时间序列数据聚类，该方法充分考虑了烧结过程中的时序相关性，将时序特性融合到聚类结果中。

(3)本发明的一种考虑时序的烧结过程工况识别方法，利用朴素贝叶斯分类器进行工况识别，该方法充分考虑实际生产过程中工况的发生概率，能有效识别工况。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明一种考虑时序的烧结过程工况识别方法流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

一种考虑时序的烧结过程工况识别方法，如图1所示，包括：

步骤一：由烧结机传感器获得烧结过程检测参数，并对烧结过程检测参数进行数据预处理，具体包括：

利用中值滤波对烧结过程检测参数进行处理，减少检测的随机误差；剔除传感器故障和停机等情况引起的零检测数据；数据的采样间隔设置为30秒，以减少数据的冗杂；选择每个时间子序列的长度为5分钟，每个过程参数包含10个数据点。

步骤二：利用Spearman秩相关分析方法和信息熵分析方法对预处理后的烧结过程检测参数进行参数选择与合并，获得的组合决策参数，具体包括：

S21、计算各个过程参数间的Spearman秩相关系数。对于两个原始变量A＝[a₁,a₂,…,a_n]和B＝[b₁,b₂,…,b_n]，它们的秩次分别为x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，那么它们的Spearman秩相关系数(SRCC)，ρ为，

S22、计算各个参数的信息熵。信息熵可表示为，

其中X表示随机变量，其取值为x₁,x₂,…,x_n。p(x_i)表示x_i出现的概率,i＝1,2,...,n，且有信息熵的单位为bit。

S23、考虑具有强相关性的参数被认为是相互可以替代的。将具有强相关性的参数组合中的信息熵最大的参数，选择为工况识别的决策参数。

S24、由于朴素贝叶斯分类器的分类效果是基于类条件独立性假设的，即特征值之间相互独立，所以为了提高朴素贝叶斯分类器的分类效果，需要尽可能的让分类器的决策参数相互独立。对于步骤S23中得到决策参数，再次计算各个决策参数间的Spearman秩相关系数，假设两个检测参数间的相关性系数ρ＜0.5，那么就认为这两个检测参数基本相互独立。也就是说需要将ρ≥0.5的两个检测参数进行组合，得到最终的组合决策参数。

步骤三：利用基于动态时间扭曲距离的模糊C均值聚类算法对组合决策参数的时间序列数据进行聚类，获得组合决策参数的聚类结果，具体包括：

S31、计算动态时间扭曲距离：

对于时间序列，A＝{A₁,A₂,...,A_i,...,A_n}和B＝{B₁,B₂,...,B_j,...,B_n}，其中A和B均有m个特征，即A_i＝{a_i1,a_i2,...,a_im}，B_i＝{b_i1,b_i2,...,b_im}，i＝1,2,...,n。动态时间扭曲距离对齐两个时间序列，以便最小化它们的差异。首先，通过计算欧式距离得到一个n×n的矩阵，其中矩阵的(i,j)元素为两个向量A_i和B_j之间的距离d(A_i,B_j)为：

动态时间扭曲距离就是寻找一条翘曲路径W使A和B的距离最小。累积距离d_DTW (i,j)为当前格点距离d(A_i,B_j)与可以到达该点的最小的邻近元素的累积距离之和，累积距离d_DTW (i,j)表示为，

d_DTW(i,j)＝d(A_i,B_j)+min{d_DTW(i-1,j-1),d_DTW(i-1,j),d_DTW(i,j-1)}，

按此方法进行递归计算，即可求得最终的累计距离d_DTW(n,n)即为动态时间扭曲距离。

S32、利用基于动态时间扭曲距离的模糊C均值聚类方法进行聚类：

模糊C均值聚类把n个时间序列X_i(i＝1,2,...,n)分为c个类，就是求每类的聚类中心C和隶属矩阵U，使得非相似性指标的价值函数达到最小。隶属矩阵U允许有取值在0到1间的元素，一个时间序列的隶属度的和总等于1，

那么，模糊C均值聚类或目标函数为，

其中，u_ij是U中的第(i,j)个元素；C_i为第i个聚类中心，d_DTW(C_i,X_j)为第i个聚类中心与第j个时间序列的动态时间扭曲距离；m是一个加权指数。对所有输入参量求导，使目标函数达到最小的必要条件为：

和

模糊C均值聚类算法以上述公式进行迭代计算过程，确定聚类中心C_i和隶属矩阵U。

S33、聚类结果的类别选择：

通过S31和S32可得到组合决策参数的聚类结果，即为属于每一类的隶属度，选择隶属度最大的类为当前组合决策参数时间序列所属的类别。

步骤四：根据组合决策参数的聚类结果，利用朴素贝叶斯分类器进行工况识别，获得识别的烧结过程工况，具体包括：

构建朴素贝叶斯分类：

设烧结过程组合决策参数的聚类结果X＝{X₁,X₂,...,X_m}，具有m个特征，有一个烧结过程工况集合C＝{C₁,C₂,...,C_n}，X属于每个工况C_i(i＝1,2,...,n)的概率为P(X|C_i)P(C_i)，根据朴素贝叶斯独立性假设，有：

当给定训练样本集的时候，通过计算，可以得到条件概率

P(X₁|C_i),P(X₂|C_i),P(X₃|C_i),...,P(X_n|C_i)，

使用贝叶斯定理，条件概率可以分解为，

利用上述朴素贝叶斯分类进行工况识别，主要包括：

S41、设X＝{X₁,X₂,...,X_m}为一个待分类的烧结过程组合决策参数聚类结果，具有m个特征；

S42、设烧结过程工况集合为C＝{C₁,C₂,...,C_n}；

S43、通过计算P(C₁|X),P(C₂|X),...,P(C_n|X)；

S44、如果P(C_k|X)＝max{P(C₁|X),P(C₂|X),...,P(C_n|X)}，则X∈C_k。

还提供了一种考虑时序的烧结过程工况识别系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现任意一种考虑时序的烧结过程工况识别方法。

本发明实施例的具体步骤如下：

(1)收集烧结生产历史数据获得原始样本数据

烧结生产历史数据以日报表的形式保存在操作室工控机的本地数据库中，根据日报表的数据，收集第i个风箱的废气温度(i＝1,2,3,5,7,9,11,13,15,17,18,19,20,21,22,23,24)、主烟道风箱负压、料层厚度、料槽料位、台车速度等一个月的历史数据，组成原始样本数据；

(2)数据预处理并构建样本数据库

根据专利要求2所述的步骤，对收集原始样本数据进行预处理，数据的采样间隔被扩展到30秒，每个时间子序列的长度为5分钟，以这些样本数据建立样本数据库；

(3)选择决策参数并获得组合决策参数

根据专利要求3所述的步骤，利用Spearman秩相关分析方法和信息熵分析方法进行分析。得到了9个决策参数：第2个风箱的废气温度、第7个风箱的废气温度、第13个风箱的废气温度、第19个风箱的废气温度、第22个风箱的废气温度、第23个风箱的废气温度、主烟道风箱负压、料层厚度、台车速度。并获得了5个组合决策参数：

组合决策参数1：第2个风箱的废气温度及第7个风箱的废气温度

组合决策参数2：第13个风箱的废气温度

组合决策参数3：第19个风箱的废气温度、第22个风箱的废气温度、第23个风箱的废气温度及主烟道风箱负压

组合决策参数4：料层厚度

组合决策参数5：台车速度

(4)本例考虑以烧结终点来划分工况。在工业现场中，操作人员往往通过监视烧结终点来判断当前的生产是否稳定。烧结终点是烧结过程热状态的最重要参数，这是烧结机上混合原料完全烧结的第一个位置，可表示为，

如果烧结终点在目标位置前面，则烧结机有效面积未充分利用，利用率下降；如果烧结终点在目标位置后面，那么烧结材料层在卸载时没有燃烧，返回的烧结量增加，并且产量降低。因此，可以通过烧结终点来衡量烧结生产的稳定性。工况定义如下：

工况1：生产不稳定,L_BTP＜L_BTPL

工况2：生产稳定,L_BTPL≤L_BTP≤L_BTPU

工况3：生产不稳定,L_BTP＞L_BTPU

其中，L_BTPL是烧结终点的期望下限，L_BTPU是烧结终点的期望上限。设置为L_BTPL＝22.0，L_BTPU＝23.0。

(5)构建朴素贝叶斯分类器

根据专利要求4所述方法，利用基于动态时间扭曲距离的模糊C均值聚类算法对时间序列数据聚类，获得组合决策参数的聚类结果。5个组合决策参数选择的聚类数目设置为2、5、3、4、5。然后再根据专利要求5-1所述方法，利用3600组时间子序列的聚类结果，和它们的工况分类结果训练朴素贝叶斯分类器，得到用于工况识别的朴素贝叶斯分类器。

(6)工况识别实验

根据专利要求5-2所述方法，对另外的400组时间子序列进行了工况识别，获得了如表1所示的混淆矩阵，并计算了识别的查全率和查准率。可见平均识别率可达76.32％，实现了烧结过程工况的有效识别。

表1烧结过程工况识别结果

本实施例的结果表明本发明能实现烧结过程工况的有效识别，具有重要的经济价值和应用价值。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种考虑时序的烧结过程工况识别方法，其特征在于，包括：

步骤一：由烧结机传感器获得烧结过程检测参数，并对烧结过程检测参数进行数据预处理；

步骤二：利用Spearman秩相关分析方法和信息熵分析方法对预处理后的烧结过程检测参数进行参数选择与合并，获得的组合决策参数；

步骤三：利用基于动态时间扭曲距离的模糊C均值聚类算法对组合决策参数的时间序列数据进行聚类，获得组合决策参数的聚类结果；

步骤四：根据组合决策参数的聚类结果，利用朴素贝叶斯分类器进行工况识别，获得识别的烧结过程工况。

2.根据权利要求1所述的一种考虑时序的烧结过程工况识别方法，其特征在于，步骤一具体包括：

利用中值滤波对烧结过程检测参数进行处理，减少检测的随机误差；剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；选择每个时间子序列的长度为5分钟，每个过程参数包含10个数据点。

3.根据权利要求1所述的一种考虑时序的烧结过程工况识别方法，其特征在于，步骤二具体包括：

S21、计算各个过程参数间的Spearman秩相关系数，对于两个原始变量A＝[a₁,a₂,…,a_n]和B＝[b₁,b₂,…,b_n]，秩次分别为x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，Spearman秩相关系数ρ为，

S22、计算各个检测参数的信息熵：

其中X表示随机变量，其取值为x₁,x₂,…,x_n，p(x_i)表示x_i出现的概率,i＝1,2,...,n，且有信息熵的单位为bit；

S23、考虑具有强相关性的参数被认为是相互可以替代的，将具有强相关性的参数组合中的信息熵最大的参数，选择为工况识别的决策参数；

S24、对于步骤S23中得到决策参数，再次计算各个决策参数间的Spearman秩相关系数，将ρ≥0.5的两个检测参数进行组合，得到最终的组合决策参数。

4.根据权利要求1所述的一种考虑时序的烧结过程工况识别方法，其特征在于，步骤三具体包括：

S31、计算动态时间扭曲距离：

对于时间序列，A＝{A₁,A₂,...,A_i,...,A_n}和B＝{B₁,B₂,...,B_j,...,B_n}，其中A和B均有m个特征，即A_i＝{a_i1,a_i2,...,a_im}，B_i＝{b_i1,b_i2,...,b_im}，i＝1,2,...,n；动态时间扭曲距离对齐两个时间序列，以最小化它们的差异；首先，通过计算欧式距离得到一个n×n的矩阵，其中矩阵的(i,j)元素为两个向量A_i和B_j之间的距离：

动态时间扭曲距离就是寻找一条翘曲路径W使A和B的距离最小；累积距离d_DTW (i,j)为当前格点距离d(A_i,B_j)与可以到达该点的最小的邻近元素的累积距离之和，累积距离d_DTW (i,j)表示为，

d_DTW(i,j)＝d(A_i,B_j)+min{d_DTW(i-1,j-1),d_DTW(i-1,j),d_DTW(i,j-1)}

按此方法进行递归计算，求得最终的累计距离d_DTW(n,n)即为动态时间扭曲距离；

S32、利用基于动态时间扭曲距离的模糊C均值聚类方法进行聚类：

模糊C均值聚类把n个时间序列X_i(i＝1,2,...,n)分为c个类，就是求每类的聚类中心C和隶属矩阵U，使得非相似性指标的价值函数达到最小；隶属矩阵U允许有取值在0到1间的元素，一个时间序列的隶属度的和总等于1，

那么，模糊C均值聚类或目标函数为，

其中，u_ij是U中的第(i,j)个元素；C_i为第i个聚类中心，d_DTW(C_i,X_j)为第i个聚类中心与第j个时间序列的动态时间扭曲距离；m是一个加权指数；对所有输入参量求导，使目标函数达到最小的必要条件为：

和

模糊C均值聚类算法以上述必要条件进行迭代计算过程，确定聚类中心C_i和隶属矩阵U；

S33、聚类结果的类别选择：

通过S31和S32得到组合决策参数的聚类结果，即为属于每一类的隶属度，选择隶属度最大的类为当前组合决策参数时间序列所属的类别。

5.根据权利要求1所述的一种考虑时序的烧结过程工况识别方法，其特征在于，步骤四具体包括：

S41、设X＝{X₁,X₂,...,X_m}为一个待分类的烧结过程组合决策参数聚类结果，具有m个特征；

S42、设烧结过程工况集合为C＝{C₁,C₂,...,C_n}；

S43、通过计算P(C₁|X),P(C₂|X),...,P(C_n|X)；

S44、如果P(C_k|X)＝max{P(C₁|X),P(C₂|X),...,P(C_n|X)}，则X∈C_k。

6.一种考虑时序的烧结过程工况识别系统，其特征在于，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～5所述的任意一种考虑时序的烧结过程工况识别方法。