CN112182854A

CN112182854A - 一种高炉异常炉况智能监测方法及系统

Info

Publication number: CN112182854A
Application number: CN202010940303.7A
Authority: CN
Inventors: 蒋朝辉; 蒋珂; 谢永芳; 潘冬; 桂卫华
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2020-09-09
Filing date: 2020-09-09
Publication date: 2021-01-05
Anticipated expiration: 2040-09-09
Also published as: CN112182854B

Abstract

本发明公开了一种高炉异常炉况智能监测方法及系统，通过获取高炉炉况现场的样本数据，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子，基于动态因子，建立基于目标驱动的去噪自编码机，堆叠多个基于目标驱动的去噪自编码机，获得堆叠目标驱动的去噪自编码机，基于堆叠目标驱动的去噪自编码机，提取高炉炉况目标特征变量，以及基于高炉炉况目标特征变量，对堆叠目标驱动的去噪自编码机进行训练，从而实现对高炉炉况的在线监测，解决了现有高炉异常炉况监测精度低的技术问题，且通过堆叠多个基于动态因子建立的基于目标驱动的去噪自编码机能逐层提取与高炉炉况目标相关的目标特征变量，进而提高监测模型的准确性和鲁棒性。

Description

一种高炉异常炉况智能监测方法及系统

技术领域

本发明主要涉及高炉冶炼技术领域，特指一种高炉异常炉况智能监测方法及系统。

背景技术

高炉冶炼是钢铁行业的上游主体工序，其稳定顺行是保证后续工序顺利开展的基础。高炉冶炼过程的运行状态不仅影响铁水的质量，严重时还会引起重大的安全事故，因此实现对高炉冶炼过程的异常监控和异常变量识别对监测铁水质量、保障高炉顺行和实现高炉炉温的精细化调控具有重要的意义。

高炉炼铁是一个连续鼓风、周期性加料和周期性出铁、具有大惯性和强耦合的生产过程。其冶炼的复杂性使得建立精准的机理模型来描述高炉冶炼过程和监测高炉异常极具有挑战性，而基于专家经验的异常炉况监测方法可移植性较差。随着工业互联网技术和先进传感器技术的飞速发展，高炉上下安装了大量传感器，并积累了冶炼过程中海量的历史数据，这些数据中蕴含有丰富的生产过程信息和知识，为基于数据驱动的高炉冶炼过程异常监测奠定了坚实的基础。深度学习网络模型擅长于从海量的数据中自学习到由低层具体特征到高层抽象特征表示来实现高炉冶炼过程的异常监控，但现有的深度网络在无监督的预训练过程中只考虑过程数据中的本身特征，忽略了与目标相关的特征的提取，不能确保所提取的特征能提高模型的精度和鲁棒性，从而无法达到满意的高炉异常炉况监测结果，且无法定位到异常炉况发生时的责任变量，因此实现基于目标驱动的深度网络在线高炉异常监测和异常变量识别对提高冶炼过程的安全性和降低生产损失至关重要。

CN 108595380 A一种高炉异常炉况检测方法

该发明公开了一种高炉异常炉况检测方法,利用热风压力的增量数据判断扰动起始时刻并根据长度变量确定具体的扰动区间,并利用历史数据库中的离线数据计算参考统计量并确定控制限,利用扰动区间辨识算法计算过程变量的统计值并与控制限进行比较,当检测指标超过阈值时,认为炉况异常。与基于专家系统的高炉异常检测方法相比,该方法不需要历史异常信息,并且避免了冗杂的规则训练过程,其更易于实现且更为高效。

但该发明仅利用了热风压力相关的传感器数据，通过计算变量统计值是否超过控制限来判断异常炉况是否发生，导致高炉生产过程中海量的除热风压力有关的数据没有被充分利用，且无法提供异常炉况的具体信息，为现场操作者提供炉况和参数调控信息有限。

CN 105392904 A异常检测方法以及高炉操作方法

该发明公开了一种高炉异常检测方法以及操作方法,提取在高炉多个风口附近的风口照相机拍摄的图像的亮度矢量特征的主成分矢量，并与评价值和规定的阈值相比较，当主成分矢量超过阈值时,认为炉况异常。该方法仅需利用高炉风口处的图像信息，易于实现且实时性较高。

但该发明需要在在高炉风口附近安装照相机拍摄图像，许多高炉并没有安装此装置，因此实现起来有一定的局限性，且该专利也只能判断炉况是否发生了异常，并不能提供异常炉况的具体信息，为现场操作者提供炉况和参数调控信息有限。

CN 104899463 A高炉铁水硅含量四分类趋势预报模型的建立方法及应用

该发明提出了一种高炉铁水硅含量四分类趋势预报方法，通过依据模糊均值聚类的方法对铁水硅含量样本有效的聚类,获取模型输出变量四类趋势变化区间的划分标准，利用极限学习机建立四分类趋势预报模型，当硅含量变化趋势出现大幅度波动时则认为高炉炉况发生异常。

但该发明只能提供硅含量趋势的变化信息，且无法把硅含量变化趋势直接与具体的异常炉况信息直接一一对应，不能为现场操作者直接提供具体的炉况变化信息，只能从侧面间接反应相应的炉况变化趋势，所提供的参考信息有一定的局限性。

综上所述，现有的高炉异常炉况检测大都是聚焦在检测炉况异常是否发生，没有提供具体的异常炉况信息，且没有在异常炉况发生后快速定位到导致炉况异常的过程责任变量。

发明内容

本发明提供的高炉异常炉况智能监测方法及装置，解决了现有高炉异常炉况监测精度低的技术问题。

为解决上述技术问题，本发明提出的高炉异常炉况智能监测方法包括：

获取高炉炉况现场的样本数据；

基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子；

基于动态因子，建立基于目标驱动的去噪自编码机；

堆叠多个基于目标驱动的去噪自编码机，获得堆叠目标驱动的去噪自编码机；

基于堆叠目标驱动的去噪自编码机，提取高炉炉况目标特征变量；

基于高炉炉况目标特征变量，对堆叠目标驱动的去噪自编码机进行训练，并利用训练好的堆叠目标驱动的去噪自编码机实现对高炉炉况的在线监测。

进一步地，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子包括：

计算样本与对应聚类中心之间的距离；

根据距离，计算用于表征样本数据与高炉炉况目标的动态因子，且动态因子的计算公式具体为：

其中，λ_(d)表示动态因子，d_d表示样本与对应聚类中心之间的距离，σ表示调整参数，用于控制动态因子随距离的单调关系。

进一步地，基于动态因子，建立基于目标驱动的去噪自编码机包括：

基于动态因子，构建基于目标驱动的重构损失函数；

基于目标驱动的重构损失函数，建立基于目标驱动的去噪自编码机。

进一步地，基于目标驱动的重构损失函数的计算公式具体为：

其中，L_λ(W,b)表示基于目标驱动的重构损失函数，W表示网络的权重矩阵，b表示网络的偏置矩阵，N_h表示样本数量，x_n表示第n个样本，

表示第n个样本重构值，

表示

的转置，△表示对角元素λ_(d),d＝1,2,...,d_x的一个d_x×d_x维度的对角矩阵。

进一步地，基于高炉炉况目标特征变量，对堆叠目标驱动的去噪自编码机进行训练包括：

将堆叠目标驱动的去噪自编码机的隐层输出输入到softmax分类器；

基于高炉炉况目标特征变量和softmax分类器，采用带炉况标签的样本数据对堆叠目标驱动的去噪自编码机进行有监督训练。

进一步地，利用训练好的堆叠目标驱动的去噪自编码机实现对高炉炉况的在线监测之后还包括：

计算发生异常炉况时每个高炉过程变量的相对贡献度；

根据相对贡献度确定造成异常炉况的异常变量。

进一步地，计算发生异常炉况时每个高炉过程变量的相对贡献度的计算公式为：

其中，RC_ab(j)表示异常工况发生的一定周期内第j个过程变量的相对贡献度，C_ab(j)表示异常样本第j个变量的贡献度，C_n(j)表示正常样本第j个变量的贡献度，M表示异常样本的个数，d_x表示样本的特征维度，C_ab(i,j)表示异常样本的第i个和j个变量的协方差矩阵，N表示正常样本的个数，C_n(i,j)表示正常样本的第i个和j个变量的协方差矩阵。

进一步地，获取高炉炉况现场的样本数据之后，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子之前还包括：

对高炉炉况现场的样本数据进行预处理。

本发明提出的高炉异常炉况智能监测系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明的高炉异常炉况智能监测方法的步骤。

与现有技术相比，本发明的优点在于：

本发明提供的高炉异常炉况智能监测方法及系统，通过获取高炉炉况现场的样本数据，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子，基于动态因子，建立基于目标驱动的去噪自编码机，堆叠多个基于目标驱动的去噪自编码机，获得堆叠去噪自编码机，基于堆叠去噪自编码机，提取高炉炉况目标特征变量以及基于高炉炉况目标特征变量，对堆叠去噪自编码机进行训练，并利用训练好的堆叠去噪自编码机实现对高炉炉况的在线监测，解决了现有高炉异常炉况监测精度低的技术问题，且通过堆叠多个基于动态因子建立的基于目标驱动的去噪自编码机能逐层提取与目标相关的目标特征变量，进而提高监测模型的准确性和鲁棒性，且识别到的异常变量与现场专家经验高度一致，能为现场操作者实现高炉精细化调控提供合理的操作指导与决策支持，保障高炉的顺行和稳定铁水的质量。

附图说明

图1为本发明实施例一的高炉异常炉况智能监测方法的流程图；

图2为本发明实施例二的高炉异常炉况智能监测方法的流程图；

图3为本发明实施例二的去噪自动编码机结构示意图；

图4为本发明实施例二的目标驱动的去噪自编码机堆叠示意图；

图5为本发明实施例三的高炉异常炉况智能监测方法的流程图；

图6为本发明实施例三的悬料工况下的变量相对贡献度示意图；

图7为本发明实施例三的管道工况下的变量相对贡献度示意图；

图8为本发明实施例的高炉异常炉况智能监测系统的结构框图。

附图标记说明：

10、存储器；20、处理器。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例一

参照图1，本发明实施例一提供的高炉异常炉况智能监测方法，包括：

步骤S101，获取高炉炉况现场的样本数据；

步骤S102，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子；

步骤S103，基于动态因子，建立基于目标驱动的去噪自编码机；

步骤S104，堆叠多个基于目标驱动的去噪自编码机，获得堆叠目标驱动的去噪自编码机；

步骤S105，基于堆叠目标驱动的去噪自编码机，提取高炉炉况目标特征变量；

步骤S106，基于高炉炉况目标特征变量，对堆叠目标驱动的去噪自编码机进行训练，并利用训练好的堆叠目标驱动的去噪自编码机实现对高炉炉况的在线监测。

本发明实施例提供的高炉异常炉况智能监测方法，通过获取高炉炉况现场的样本数据，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子，基于动态因子，建立基于目标驱动的去噪自编码机，堆叠多个基于目标驱动的去噪自编码机，获得堆叠目标驱动的去噪自编码机，基于堆叠目标驱动的去噪自编码机，提取高炉炉况目标特征变量，以及基于高炉炉况目标特征变量，对堆叠目标驱动的去噪自编码机进行训练，并利用训练好的堆叠目标驱动的去噪自编码机实现对高炉炉况的在线监测，解决了现有高炉异常炉况监测精度低的技术问题，且通过堆叠多个基于动态因子建立的基于目标驱动的去噪自编码机能逐层提取与高炉炉况目标相关的目标特征变量，进而提高监测模型的准确性和鲁棒性，且识别到的异常变量与现场专家经验高度一致，能为现场操作者实现高炉精细化调控提供合理的操作指导与决策支持，保障高炉的顺行和稳定铁水的质量。

实施例二

参照图2，本发明实施例二提供的高炉异常炉况智能监测系统包括：

步骤S201，获取高炉炉况现场的样本数据，并对样本数据进行预处理。

具体地，高炉的历史数据库中保存了大量的历史数据，但在采集的过程中由于设备故障或者人工操作失误等多种原因造成数据不能真实准确的反应炉况，因此需要对数据进行预处理来消除上述问题和提高数据的质量以构建优质的数据集。具体步骤如下：

步骤S2011，异常值处理；

当高炉出现受高温高压、故障等以及高炉减风、休风等非正常生产的影响时，采集到的数据可能会偏离正常范围，另外，一些需要手工录入计算机中的数据也会由于人为失误造成数据异常，使用箱线图对异常值进行剔除。

步骤1)删除的异常值，人工失误、休风以及设备故障等原因都会造成数据的缺失，若直接删除缺失值会丢失部分关键信息，进而对模型的精度造成影响，因此应对缺失值进行相应的填补。假设第l时刻的数据缺失，利用该数据前一时刻x_iq和后一时刻的数据x_ip进行估算：

其中，x_il表示填补的第l时刻的数据，x_iq表示第q时刻的数据，l表示第l时刻，p表示第p时刻，q表示第q时刻，x_ip表示第p时刻的数据。

步骤S2012，标准化处理；

由于现场采集的数据量纲相差较大，为消除量纲大的数据对模型产生的较大的影响，需要对过程数据进行标准化处理，假设数据样本记为{X}＝{x(1),x(2),...,x(N)}，其中N是样本的个数，x(n)＝[x(1),x(2),...,x(d_x)]^T，d_x是样本的维度，通过如下公式标准化：

其中，x_n表示样本标准化后的结果，

表示样本均值，σ_xn,j表示样本的标准差。

步骤S2013，相关特征选择；

由于高炉历史数据库中记录的过程变量之间会存在一定的冗余，且部分变量与高炉炉况信息之间的相关性较弱，为减少模型训练过程的负担和过拟合现象，需要对模型的输入特征进行筛选以找到合适的特征输入子集，去除原始数据中的杂质与冗余，设计更高效的特征来刻画出求解问题与预报模型之间的关系。极限梯度树模型是集成的树模型，在模型训练好之后可以直接得到每个属性的重要性得分，其值衡量了对应在模型构建中的价值，一个属性越多的被用来在模型中构建决策树，它的重要性就越高。通过计算特征变量在模型训练过程中的重要性得分来反应特征与高炉炉况之间的相关性，并基于测试集上不同特征子集的表现性能来选取最终的特征子集。

步骤S202，基于样本数据，获取用于表征样本数据与高炉炉况目标的动态因子。

步骤S203，基于动态因子，构建基于目标驱动的重构损失函数。

步骤S204，基于目标驱动的重构损失函数，建立基于目标驱动的去噪自编码机。

深度网络通过从低层到高层将数据逐层抽象，进而学习到原始数据的本质特征进而适应于各种复杂的任务。深度网络的训练分为无监督的预训练和有监督的微调两个步骤，无监督的网络预训练可以充分学习到过程数据中隐藏的本质特征。去噪自编码机是一种堆叠深度网络的基本模型，其在输入样本中加入了随机噪声，为了使输出复现无噪声污染的输入，训练好的去噪自编码机必须学习到数据中更加鲁棒的抽象特征表示，进而达到模型的训练要求，去噪自编码机的基本结构图如图3所示。

去噪自编码机是典型的3层神经网络模型，由输入层、隐含层和输出层组成，假设模型的输入为

其中d_x是样本的维度，随机的噪声加入到输入样本中得到污染后的输入

对每个污染后的输入向量

进行编码可以得到隐含的特征表示

编码过程如下：

其中，θ(ω,b)是参数集合，s是隐含层的激活函数，隐层特征h通过解码函数映射到重构特征

解码过程如下：

其中W′和W互为转置矩阵，去噪自动编码机的学习过程就是通过误差反向传播原理不断最小化误差函数来反复调整参数组θ＝(W,W′,b,b′)，其目标函数为：

从目标函数中可以看出去噪自编码机需要不断减少重构向量

和原始向量x之间的差异，这意味这去噪自编码机需要对所有的样本都最小化重构误差

将其在输入样本的所有维度展开可以得到：

可以看出去噪自编码机对每个样本都赋予一样的权值，这意味着在模型训练的过程中，不会有侧重的去学习与目标相关的样本，也不会对导致异常炉况发生的关键样本给予更高的关注度。但在高炉异常检测中，往往是几个样本的连续变化从而导致异常的发生，一个合理的去噪自编码机应该对这些样本赋予更高的权值，为体现样本与监测目标之间的重要性关系，本实施例提出了使用动态因子来描述这种相关关系，为了在模型训练的时候体现这种关系，每个样本的动态因子在训练的时候都在误差损失函数中进行考虑，并随之一起优化去噪自编码机模型的结构参数，使训练好的模型能够提取出与目标相关的特征表示用来提高监测模型的精度。基于此，本实施例提出了一种基于目标相关的去噪自编码机去提取于高炉异常炉况相关的关键特征并实现在线异常监控。

本实施例的动态因子反应了样本与监测目标之间的重要性关系，考虑到监测目标是不同的炉况种类，因此很难用传统的线性或者非线性相关系数来描述这种相关关系。受到无监督K均值聚类算法簇内样本距离最小，簇间样本距离最大的原理启发，若能完全正确的把不同炉况聚类出来，那么样本跟不同簇间聚类中心的关系必须满足上述条件。样本与不同簇间聚类中心的距离是聚类算法迭代更新的基础，因此距离聚类中心越近的样本对聚类效果的贡献度越，样本与相对应聚类中心的距离就可以用来表征这种重要的关系。考虑到训练样本都是带炉况标签的数据，可以直接计算出完全正确的K均值聚类情况下不同炉况的聚类中心，通过计算不同炉况下样本与对应炉况聚类中心之间的欧式距离来大致表征样本与目标之间的相关关系。假设在高炉操作过程中有N_h种不同的炉况，那么数据库的样本可以记为

其中

因为样本都是带炉况标签的数据，所以不同炉况的聚类中心直接按K均值聚类原理通过离线计算获得，记为

q＝1,2,...,N_h，那么样本x_d与对应聚类中心x_q之间的距离可通过下面公式计算：

然后通过距离来设计基于目标驱动的去噪自编码机训练样本的动态因子，其值通过如下公式计算：

其中σ是一个调整参数，用于控制动态因子随距离的单调关系。

计算所有样本的动态因子，并把动态因子的值在去噪自编码机训练的重构损失函数进行考虑：

其值△是对角元素λ_(d),d＝1,2,...,d_x的一个d_x×d_x维度的对角矩阵，可以看出基于目标驱动的去噪自编码机在训练的时候考虑了每个样本与目标之间的动态关系，对引起异常炉况发生的样本给予了更大的权重，模型能提取与目标相关的特征表示，对引起异常发生的关键样本具有很好的动态捕捉能力。基于目标驱动的去噪自编码机通过传统的梯度下降法最小化损失函数来预训练网络。

步骤S205，堆叠多个基于目标驱动的去噪自编码机，获得堆叠目标驱动的去噪自编码机。

步骤S206，基于堆叠目标驱动的去噪自编码机，提取高炉炉况目标特征变量。

步骤S207，基于高炉炉况目标特征变量，对堆叠目标驱动的去噪自编码机进行训练，并利用训练好的堆叠目标驱动的去噪自编码机实现对高炉炉况的在线监测。

需要说明的是，本实施例中的高炉炉况目标特征变量具体是指高炉炉况过程变量中与目标相关的抽象特征。

本实施例基于高炉炉况目标相关的特征变量，对堆叠去噪自编码机进行训练包括将堆叠去噪自编码机的隐层输出输入到softmax分类器以及基于高炉炉况目标特征变量和softmax分类器，采用带炉况标签的样本数据对堆叠去噪自编码机进行有监督训练。

具体地，考虑到单个目标驱动的去噪自动编码机只能提取到原始数据的浅层目标相关的特征，为了得到更加抽象的特征表示，通过堆叠多个目标驱动的去噪自动编码机的形式来构建深度网络，其结构如图4所示。当第一个基于目标驱动的去噪自编码训练完成后，把第一个基于目标驱动的去噪自编码机隐含层的输出作为第二个基于目标驱动的去噪自编码机的输入，以同样的方式训练第二个基于目标驱动的去噪自编码机。通过一步一步的逐层预训练，最后一个堆叠的基于目标驱动的去噪自编码机的输出就是深度网络自学习到的抽象的、鲁棒的、与目标相关的深层特征表示。

通过无监督的堆叠多个目标驱动的去噪自编码机的预训练过程可以学习到过程数据中与目标相关的深度特征表示，为了实现对高炉异常炉况的在线监控还需要对深度网络进行有监督的微调。把堆叠的目标驱动的去噪自编码机的隐层输出输入到一个softmax分类器中，并是用带标签的样本对整个深度模型进行微调，有监督的微调后的深度网络就可以直接用于高炉异常炉况在线监控。

由此可见，本实施例通过把过程样本与监测目标之间的关系用以欧式距离为基础的动态因子进行表示，并在每个去噪自编码机的重构损失函数中考虑了每个样本与目标之间的动态关系，解决了现有的深度网络在无监督的预训练过程中只考虑过程数据中的本身特征，忽略了与目标相关的特征的提取，不能确保所提取的特征能提高模型的精度和鲁棒性，从而无法达到满意的高炉异常炉况监测结果的技术问题，实现了对高炉异常炉况的高精度在线监测。

步骤S208，计算发生异常炉况时每个高炉过程变量的相对贡献度，以及根据相对贡献度确定造成异常炉况的异常变量。

当识别出异常炉况之后，炉长需要采取有效的调控措施来稳定炉况。因此，识别出异常变量对于炉长有针对性地调控高炉至关重要。贡献度图方法的核心思想是计算每个变量对最终监控量的贡献度，根据贡献度来确定造成最终炉况异常的变量。对于高炉异常炉况监测来说，可以计算每个运行变量对高炉异常炉况的贡献度，根据贡献度值的大小来确定造成异常炉况的运行变量。在传统贡献度图中，贡献度较大的变量将被识别为异常变量。但是，即使在高炉正常状态下，不同变量的贡献度大小本身也可能有较大的差异。因此，采用相对贡献度的方法来确定异常变量。

将历史数据库中的正常工况样本{X_nor}＝{x_nor(1),x_nor(2),...,x_nor(N)}，按照公式(2)-(4)对其进行标准化处理，则标准化后的正常工况样本数据矩阵为：

其中每一行代表一个样本，每一列代表一个变量。

同样道理，异常工况样本数据{X_abn}＝{x_abn(1),x_abn(2),...,x_abn(M)}也按照公式(2)-(4)标准化处理，则标准化后的异常工况样本数据矩阵为：

构建正常样本矩阵的协方差矩阵

并记为C_n，定义正常样本的第j个变量的贡献度为其与每个变量的协方差之和的平均值，具体为：

其中，C_n(j)表示正常样本的第j个变量的贡献度，N表示正常样本的个数，d_x表示样本的特征维度，C_n(i,j)表示正常样本的第i个和j个变量的协方差矩阵。

同理，构建异常样本矩阵的协方差矩阵

并记为C_ab，且异常工况下的样本数据的第j个变量的贡献度可以表示为：

其中，C_ab(j)表示异常样本的第j个变量的贡献度，M表示异常样本的个数，d_x表示样本的特征维度，C_ab(i,j)表示异常样本的第i个和j个变量的协方差矩阵。

当识别出某一样本数据属于异常工况时，则可以利用式(15)计算出在该异常工况发生的一定周期内第j个过程变量的贡献度，进而计算出第j个过程变量的相对贡献度为：

其中，RC_ab(j)表示异常工况发生的一定周期内第j个过程变量的相对贡献度，C_ab(j)表示异常样本的第j个变量的贡献度，C_n(j)表示正常样本的第j个变量的贡献度。

根据式(16)，可以计算出发生异常炉况时每个高炉过程变量的相对贡献度。变量的相对贡献度越大，则意味着该变量对异常炉况的贡献越大，表明该变量越有可能是异常变量。因此，通过计算所有高炉过程变量的相对贡献度并排序，则可以确定出高炉过程变量最可能导致异常炉况的异常变量。

具体地，本发明实施例以高炉冶炼过程为研究对象，提出了一种基于堆叠目标驱动的去噪自编码机的高炉异常炉况在线智能监测方法。为克服传统深度学习算法在逐层提取抽象特征只考虑过程数据本身的特征而不关注与目标相关的特征提取的问题，提出了一种基于目标驱动的去噪自编码机模型逐层提取与目标相关的抽象特征。把过程样本与监测目标之间的关系用以欧式距离为基础的动态因子进行表示，并在每个去噪自编码机的重构损失函数中考虑了每个样本与目标之间的动态关系，实现了堆叠的目标驱动的去噪自编码机在预训练的过程中更侧重于提取于监测目标相关的特征表示。在训练好的深度网络输出层加上一个softmax分类器，用带标签的样本对网络进行微调，用训练后的网络实现对高炉异常炉况的在线智能监测。在监测到异常炉况后，采用变量相对贡献度来识别异常变量，计算并排序所有变量的相对贡献，把相对贡献度排在前面的变量定义为最有可能发生异常的变量。

本发明的关键点如下：

(1)提出了基于堆叠目标驱动的去噪自编码机的高炉异常炉况在线智能监测方法，能实现对高炉炉况的在线实时监测，为高炉操作者及时提供炉况的参考信息，保障炉况的顺行和铁水的质量；

(2)提出了使用动态因子来描述数据样本与监测目标之间的相关关系，并在去噪自编码机的重构损失函数中考虑了每个样本与监测目标之间的动态关系，增强了模型对样本的动态处理能力；

(3)使用堆叠目标驱动的去噪自编码机逐层自动学习过程样本中的抽象特征表示，提取的特征能更侧重于描述与炉况相关的信息，解决了传统深度网络只考虑过程数据本身的特征而不关注与目标相关的特征提取的问题；

(4)采用带标签数据对堆叠的目标驱动的去噪自编码机进行有监督微调，用训练好的网络实现对高炉炉况的在线监测，并在成功监测到异常炉况后，采用变量相对贡献度识别相应的责任变量；

(5)通过发明的高炉炉况异常监测方法和异常变量识别方法，实现了对高炉异常的在线实时监测，并能及时定位到导致异常炉况发生的异常变量。

实施例三

参照图5，本发明实施例三以某炼铁厂中的2650m³大型高炉进行验证，且本发明实施例三提供的高炉异常炉况智能监测系统包括：

1)数据预处理。将高炉检测装置上的采集来的数据进行相关处理提高数据的质量，本案例获取了高炉历史数据库中2019年9月29日到2019年10月5日共12150条数据样本，具体包括异常值剔除、缺失值填补和标准化处理和基于极限梯度树模型的特征选择。

2)基于目标驱动的动态因子的计算。为了使得去噪自编码机能侧重对目标相关特征的提取，计算出每个样本与对应的高炉监控目标之间的动态因子。建模数据中总共包括三种炉况：正常，悬料和管道，首先分别计算出三种不同炉况下数据的聚类中心，再分别计算每个样本与对应的聚类中心的欧式距离，基于距离的大小的单调函数计算动态因子的值。

3)基于目标驱动的去噪自编码机抽象特征提取。在去噪自编码模型训练的过程中，在重构损失函数中加入每个样本与目标之间的动态因子，使得基于目标驱动的去噪自编码机能提取出与目标相关的抽象特征。经过步骤1)的特征选择选取了重要性得分前24的过程变量作为模型的输入特征，为提取抽象的目标相关的特征表示堆叠了4个目标驱动的去噪自编码机(24-20-16-12-8)，其结构为24-20-24,20-16-20,16-12-16和12-8-12，因此堆叠的基于目标驱动的去噪自编码机输出层有8个神经元，模型自提取了8种与目标相关的抽象特征表示。

4)基于堆叠的目标驱动的去噪自编码机的高炉异常炉况监控。在预训练好的堆叠的目标相关驱动的去噪自编码机输出层加上一个softmax分类器，用带标签的样本对网络进行有监督的微调，12150条数据样本按照4：1的比例随机划分，其中9720条数据用来训练模型，2430条数据用来测试训练好的模型的性能。用训练好的堆叠目标驱动的去噪自编码机(SD-DAE)对高炉炉况进行智能监测，其监测结果如表1所示。从表1中可以看出本专利提出的基于堆叠目标驱动的去噪自编码机在正常炉况下的监测成功率是89.59％，在悬料和管道两种异常炉况下监测成功率分别是93.77％和92.32％，模型的总体监测成功率为90.15％，模型在高炉炉况监测的高准确率验证了本发明所提方法的有效性。

表1不同炉况下监控性能指标

5)基于变量相对贡献度的异常变量识别。当异常炉况发生之后需要对导致异常发生的过程变量进行快速定位识别，为高炉操作者提供参考信息避免盲目调整。当悬料这种异常工况发生时，计算所以变量的相对贡献度，如图6所示，并把变量的相对贡献度进行排序，排在前4的确定为导致悬料发生的过程变量，分别是顶温下降管、顶温西南、顶温东北和富氧压力。同样的计算管道这种异常工况发生时，计算所以变量的相对贡献度，如图7所示，并把变量的相对贡献度进行排序，排在前4的确定为导致悬料发生的过程变量，分别是顶温下降管、顶温西南、顶温东北和标准风速。通过在高炉现场的调研获悉，炉长也是主要通过炉顶温度、炉顶压力、风量、风速等参数来依据经验判断高炉是否发生异常炉况，基于变量相对贡献度确定的异常变量与炉长的经验较为吻合，能为现场操作者对高炉的调控提供一定的参考信息和决策支持。

本发明以高炉冶炼过程为研究对象，提出了一种基于堆叠目标驱动的去噪自编码机的高炉异常炉况在线智能监测方法。为克服传统深度学习算法在逐层提取抽象特征只考虑过程数据本身的特征而不关注与目标相关的特征提取的问题，提出了一种基于目标驱动的去噪自编码机模型逐层提取与目标相关的抽象特征。把过程样本与监测目标之间的关系用以欧式距离为基础的动态因子进行表示，并在每个去噪自编码机的重构损失函数中考虑了每个样本与目标之间的动态关系，实现了堆叠的目标驱动的去噪自编码机在预训练的过程中更侧重于提取于监测目标相关的特征表示。在训练好的深度网络输出层加上一个softmax分类器，用带标签的样本对网络进行微调，用训练后的网络实现对高炉异常炉况的在线智能监测。在监测到异常炉况后，采用变量相对贡献度来识别异常变量，计算并排序所有变量的相对贡献，把相对贡献度排在前面的变量定义为最有可能发生异常的变量。

参照图8，本发明实施例提出的高炉异常炉况智能监测系统，包括：

存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序，其中，处理器20执行计算机程序时实现本实施例提出的高炉异常炉况智能监测方法的步骤。

本实施例的高炉异常炉况智能监测系统的具体工作过程和工作原理可参照本实施例中的高炉异常炉况智能监测方法的工作过程和工作原理。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。