CN114525372A - 基于多模态融合的高炉状态监测方法及装置 - Google Patents

Abstract

本发明公开了一种基于多模态融合的高炉状态监测方法及装置。在高炉状态监测过程中引入子模态的概念，提出应用子模态预获取并进行多模态加权融合的方法来进行高炉状态监测。该方法认为高炉稳定运行过程中存在多个稳定工作点，每一个稳定工作点对应的工况即为稳定状态的子模态，高炉的实时状态则处于某一子模态或不同子模态间的过渡态。依据高炉主要参数，经数据预处理，利用均值漂移聚类算法，获得高炉的若干种子模态及其对应的高炉状态指征变量数据；将高炉实时参数数据作为输入，计算高炉实时参数数据与每一种子模态之间的欧氏距离，按照距离远近对子模态进行加权融合，融合结果即为高炉实时的状态，从而实现对高炉顺行情况下的实时状态监测。

Description

基于多模态融合的高炉状态监测方法及装置

技术领域

本发明涉及高炉冶炼过程监测技术领域，特别涉及一种基于多模态融合的高炉状态监测方法及装置。

背景技术

作为国民经济的支柱产业，钢铁工业在国民经济体系中有着举足轻重的地位。随着国家现代化进程加快，各个国家对钢铁的需求量逐年增加，钢铁的产量与质量已成为衡量一个国家综合国力的重要标准。

高炉炼铁工艺是钢铁工业的重要组成部分之一，主要是在高温条件下利用还原性气体将铁元素从铁矿石中还原出来，其能耗占整个生产链条的70％。若高炉运行出现波动甚至故障，轻则造成能源的不必要浪费与出铁质量的降低，重则导致安全事故的发生。因此，对于高炉控制系统，保持高炉在稳定平稳的条件下运行，是保障节能、安全和高效的炼铁过程的必要条件。而可靠且实时的高炉状态监测系统是高炉控制的首要组成部分。

然而，高炉是最复杂的工业化学反应容器之一。高炉运行时，其内部一直处于高温高压的状态。由于高炉内部恶劣且极端的环境，直接采用检测技术进行测量非常困难。同时，在高炉运行过程中，固相、液相、气相三相并存，热量转换与动量传递时刻发生。因此，建立一个准确的高炉机理模型同样十分困难。目前，对于高炉炼铁控制过程，学术界与工业界都没有明确的解决方法。

随着智能传感器在高炉中的广泛应用，大量的参数数据被记录并保存下来，研究者提出了越来越多的基于数据驱动的高炉状态监测方法。这类方法一方面弱化了监测过程对高炉内部机理知识的依赖性，另一方面通过数据挖掘的方法找到高炉状态指征变量与参数之间的联系，在一定程度上克服了机理模型建模复杂的难题。然而，目前研究者提出的数据驱动方法主要用于解决高炉故障状态的监测问题，很少用于解决高炉顺行情况下的实时状态监测问题。但是，炼铁工艺的发展对高炉的状态监测提出了更高的要求。为了使高炉操作人员时刻掌握高炉内部状态，在高炉顺行情况下进行状态监测是十分必要的。在此基础上，高炉操作人员可以根据掌握的信息对高炉参数做出及时的调整、控制及优化，以此实现高炉更稳定、高效、安全和节能的运行。

因此，本发明提出基于多模态融合的高炉状态监测方法及装置，实现对顺行情况下的高炉实时状态监测。

发明内容

本发明的目的在于针对现有高炉实时状态监测方法中的不足，提供一种基于多模态融合的高炉状态监测方法及装置。本发明在高炉状态监测过程中引入子模态的概念。高炉在稳定运行时，其各个参数数据与状态指征变量数据都在各自的一定范围内波动。随着高炉内部化学物理反应的进行以及高炉操作人员的参数调整，高炉内部状态将偏离原有的稳定状态，并最终达到一种新的稳定状态，高炉的各个参数数据与状态指征变量数据将在各自新的一定范围内波动。该方法将这些不同的稳定状态称作高炉稳定状态的子模态，高炉内部的状态在这些不同的子模态间切换。但只有这些子模态并不能反应高炉从一种子模态达到另外一种子模态的过渡状态，因此，本发明在子模态的基础上进一步引入子模态的加权融合策略，以多模态加权融合得到的结果作为高炉从一种子模态达到另外一种子模态的过渡状态，最终实现高炉的实时状态监测。

本发明首先在大量的高炉特征变量数据中应用均值漂移聚类算法(Mean ShiftClustering Algorithm)，寻找出高炉特征变量数据的密度分布规律，并据此获得高炉稳定状态的子模态及其对应的高炉状态指征数据。随后在获得高炉实时的参数数据后，将实时参数数据与子模态数据共同作为输入，计算它们之间的欧氏距离。按照欧式距离远近对子模态进行加权融合，融合结果即为高炉实时的状态，从而实现对高炉顺行情况下的实时状态监测，以此来保证高炉稳定、高效、安全和节能的运行。

为实现上述目的，本发明采用如下技术方案：一种基于多模态融合的高炉状态监测方法，该方法包括以下步骤：

(1)高炉子模态预获取，包括：

数据预处理：获取高炉历史参数数据和高炉状态指征变量数据，进行缺失值填补及异常值剔除预处理；高炉状态指征变量包括但不限于以下几种能够反映高炉状态的数据：铁水中硅含量、铁水中硫含量、煤气利用率；

基于灰色关联度的特征变量挑选：计算每一种高炉参数数据与高炉状态指征变量数据之间的灰色关联度值，选取关联度最大的前N种高炉参数作为特征变量；

基于均值漂移聚类算法的子模态获取：从高炉历史参数数据集中挑选出特征变量数据组成特征变量历史数据集，在特征变量历史数据集中应用均值漂移聚类算法，得到若干个聚类中心；计算特征变量历史数据集中的样本与每个聚类中心之间的欧氏距离，分别选择与各个聚类中心之间欧氏距离最小的样本点作为高炉的子模态，所有被选择的样本点数据构建子模态特征变量数据集；同时根据每种子模态对应时刻的高炉状态指征变量数据构建子模态指征变量数据集；

(2)高炉子模态融合，包括：

获取高炉实时参数数据，从中挑选出特征变量对应的数据作为输入变量；

计算输入变量数据与每一种子模态特征变量数据间的欧氏距离；

采用指数函数对欧氏距离进行放缩变换并取倒数，得到变换后的欧氏距离；

将子模态按照对应的变换后的欧氏距离的大小进行顺序排列，选择贡献率总和大于设定阈值的前L种子模态；

将被选择子模态的变换后的欧氏距离进行归一化得到对应的权重，未被选择的子模态对应的权重为0，得到子模态的权重矩阵；

(3)高炉状态监测，包括：

从子模态指征变量数据集中读取每种子模态对应的指征变量数据，根据权重矩阵对其进行加权求和，得到每种高炉状态指征变量的估计值，实现高炉的实时状态监测。

进一步地，所述步骤(1)具体包括以下子步骤：

(1.1)获取高炉历史参数数据，构建数据集；

(1.2)采用移动平均方法进行数据集中缺失值的填补，计算公式如下：

其中，t为缺失值所处的时刻，k为移动平均的时刻个数，x(t)为t时刻的参数值；

(1.3)采用箱型图方法进行数据集中异常值的检测并直接剔除检测出的异常值，箱型图方法计算数据分布内极限L₁、L₂与数据分布外极限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为数据分布的下四分位数，Q₃为数据分布的上四分位数；

(1.4)获取高炉状态指征变量数据并进行预处理，包括缺失值填补及异常值剔除；

(1.5)计算每一种高炉参数数据与高炉状态指征变量数据之间的灰色关联度值，选取关联度最大的前N种高炉参数作为特征变量；灰色关联度γ的计算公式如下：

其中：

其中，x₀为n个样本的高炉状态指征变量数据，x_i为n个样本的各高炉参数，i＝1,2,…,m，m为高炉参数的总数量，ξ为两个变量之间的灰色关联系数，t_p为第p个时刻，p＝1,2,…,n，n为每种参数所包含的样本总数量，ρ为分辨系数，Δ_min为两级最小差，Δ_max为两级最大差，x₀(t_p)为t_p时刻的高炉状态指征变量值，x_i(t_p)为t_p时刻的高炉参数值；

(1.6)从高炉历史参数数据集中挑选出步骤(1.5)计算得到的特征变量数据来组成特征变量历史数据集；

(1.7)在特征变量历史数据集中应用均值漂移聚类算法，得到若干个聚类中心，步骤如下：

①在高炉特征变量历史数据集中随机选取一样本作为中心点c，构建半径为r的滑动窗口，半径r根据样本的分布情况确定；

②计算滑动窗口内其他样本点到中心点的平均距离，取该平均距离作为偏移量M，计算公式如下：

其中，w为滑动窗口中样本点的个数，y为高炉特征变量历史数据，S_h为滑动窗口中所有样本点的集合；

③根据偏移量M更新中心点的位置，计算公式如下：

c^l+1＝M^l+c^l

其中，l为迭代的次数；

④重复步骤①～③，直到中心点位置不再变化；

⑤如果当前类中心点与另一类中心点之间的距离小于设定的阈值，则两类将合并为一类，否则，中心点的数量加1；

⑥重复步骤①～⑤，直到遍历所有样本点，得到高炉特征变量历史数据集的聚类中心集；

(1.8)计算特征变量历史数据集中的样本与每个聚类中心之间的欧氏距离，分别选择与各个聚类中心之间欧氏距离最小的样本点作为高炉的子模态，所有被选择的样本点数据构建子模态特征变量数据集；同时将每种子模态对应时刻的高炉状态指征变量数据保存，构建子模态指征变量数据集。

进一步地，所述步骤(2)具体包括以下子步骤：

(2.1)获取高炉实时参数数据，从中挑选出步骤(1.5)计算得到的N种特征变量对应的数据作为输入变量；

(2.2)计算输入变量数据与每一种子模态特征变量数据间的欧氏距离，构建欧氏距离矩阵D＝(d₁,d₂,...,d_u,...,d_q)，其中d_u为输入变量数据与第u种子模态特征变量数据间的欧氏距离，u＝1,2,…,q，q为步骤(1.8)中获得的子模态的种类数量；

(2.3)考虑到输入变量数据与一种子模态特征变量数据间的欧氏距离越小，输入变量数据对应的高炉状态属于该子模态的概率越大，且欧式距离越大，增大相同的距离时输入变量数据对应的高炉状态属于该子模态的概率降低的越多，以及当欧氏距离过大时，该子模态不应被融合，否则会造成多模态融合准确度的下降，提出一种基于指数函数及模态贡献率的权重计算方法，步骤如下：

①采用指数函数对步骤(2.2)计算得到的欧氏距离进行放缩变换并取倒数，计算公式如下：

其中，du_{_t}为输入变量数据与第u种子模态特征变量数据间变换后的欧氏距离，r为放缩系数；

②将子模态按照对应的d_{u_t}从大到小的顺序排列，选择贡献率总和大于设定阈值的前L种子模态，每一种子模态的贡献率con_u计算公式如下：

③将被选择子模态的d_{u_t}归一化得到对应的权重w_u，归一化计算公式如下，未被选择的子模态对应的权重为0，由此得到子模态的权重矩阵W；

其中，U_L为被选择的L种子模态组成的集合。

进一步地，所述步骤(3)包括：

当高炉实时参数数据输入后，按照步骤(2)计算得到权重矩阵，从子模态指征变量数据集中读取每种子模态对应的指征变量数据，对其进行加权求和，计算公式如下：

其中，

为第z种高炉状态指征变量的估计值，z＝1,2,…,v，v为高炉状态指征变量的种类数量，

为第u种子模态对应的第z种高炉状态指征变量值；

由此得到子模态融合后对应的高炉实时状态指征变量的估计值，即实现了高炉的实时状态监测。

本发明还提供一种基于多模态融合的高炉状态监测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述基于多模态融合的高炉状态监测方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述基于多模态融合的高炉状态监测方法的步骤。

本发明的有益效果：高炉顺行情况下的实时状态监测对保证高炉稳定、高效、安全和节能的运行具有重要意义。本发明在高炉顺行情况下的实时状态监测中引入子模态概念以及子模态加权融合策略，利用均值漂移聚类算法，寻找高炉特征变量数据的密度分布规律，以此获得高炉顺行情况下的若干种子模态。当读取到高炉实时参数数据后，按照实时参数数据与各个子模态间的欧氏距离远近进行子模态加权融合，子模态加权融合结果即为高炉的实时状态，从而实现高炉顺行情况下的实时状态监测。本发明能够帮助高炉操作人员时刻的掌握高炉内部的状态，并根据掌握的信息对高炉参数做出及时的调整，以此实现高炉更稳定、高效、安全和节能的运行。

附图说明

图1为本发明实施例中基于多模态融合的的高炉状态监测方法流程图。

图2为本发明实施例中均值漂移聚类方法说明图。

图3为本发明实施例中方法在某高炉数据中应用的铁水中硅含量估计结果图；

图4是本发明实施例中基于多模态融合的的高炉状态监测装置的结构图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明。

图1给出了本发明实施例基于多模态融合的高炉状态监测方法整体流程。高炉的状态指征变量有很多，包括铁水中硅含量、铁水中硫含量、煤气利用率等，本发明以铁水中硅含量为例进行进一步的说明。对高炉历史参数数据集进行数据预处理，包括数据集中缺失值填补以及异常值剔除；以高炉状态指征变量铁水中硅含量作为监测目标，对获取的各类参数进行特征变量的挑选组成特征变量历史数据集；在特征变量历史数据集中应用均值漂移聚类算法得到高炉稳定状态的子模态；按照实时参数数据与各个子模态间的欧氏距离远近进行子模态加权融合以此得到高炉的实时状态。

本发明实施例基于多模态融合的高炉状态监测方法，各步骤具体阐述如下：

(1)在高炉状态监测过程中引入子模态的概念并获取高炉子模态，具体步骤包括：

(1.1)获取高炉历史状态参数数据与高炉历史操作参数数据，此处选取了中国某2650m³高炉数据库中某年一个月间的共720组高炉参数数据，具体地：

所述高炉历史参数数据包括炉顶压力(kPa)、全压差(kPa)、透气性指数(m气性(min·kPa))、炉顶温度东南(℃)、炉顶温度西南(℃)、炉顶温度东北(℃)、炉顶温度西北(℃)、实际风速(m/s)、炉腹煤气指数(m炉腹(min·m²))、阻力系数、冷风流量(万m风流量)、富氧流量(m、富氧)、富氧率(％)、鼓风动能(kg·m/s)、冷风压力(Pa)、鼓风湿度(g/m³)、喷煤量(ton)、理论燃烧温度(℃)。

(1.2)对高炉历史参数数据进行数据缺失值的填补。在工业高炉运行过程中，由于传感器的故障或维护，数据库中时常会出现数据缺失的情况，高炉的实时信息不完整，从而导致其状态监测的准确性降低，因此有必要对缺失的数据进行填补处理。采用移动平均的方法来填补数据集中的缺失值，在时刻t的缺失值x用如下公式进行计算：

其中k为移动平均的时刻个数，此处将其设置为3。

(1.3)对高炉历史参数数据进行数据异常值的剔除。在工业高炉运行过程中，由于高炉内部的剧烈波动或高炉故障，数据库中会出现一些变量的观测值明显偏离该变量数据正常范围的情况，对此类不能代表高炉顺行情况下状态的数据，对其进行直接删除处理。采用箱型图方法检测高炉数据中的异常值。箱型图方法采用数据的5个统计值来描述数据分布，包括最大值、最小值、中值、上四分位数Q₃和下四分位数Q₁，根据这些统计值计算数据分布的两个内极限L₁、L₂和两个外极限L₃、L₄，它们的计算公式如下：

L₁＝Q₃+1.5(Q₃-Q₁)

L₂＝Q₃-1.5(Q₃-Q₁)

L₃＝Q₃+3(Q₃-Q₁)

L₄＝Q₃-3(Q₃-Q₁)

当一个数据处于内极限与外极限之间时，它被称为温和异常值；当一个数据处于外极限之外时，它被称为极端异常值。此处，对两种异常值都进行删除处理。

(1.4)将高炉直接状态指征变量铁水中硅含量(％)作为高炉状态监测目标。读取对应的数据并对其进行预处理，包括数据集中缺失值的填补以及异常值的剔除，具体操作方法与步骤(1.2)、(1.3)所述步骤相同。

(1.5)采用灰色关联度方法计算步骤(1.1)中读取的各高炉参数与铁水中硅含量之间的关联程度。高炉的状态指征变量铁水中硅含量为参考变量，高炉的各个参数为对比变量，则包含n个样本的参考变量x₀与包含n个样本的对比变量x_i之间的灰色关联系数ξ计算公式如下：

其中i＝1,2,…,m，m为高炉参数的总数量；p＝1,2,…,n，n为每种参数所包含的样本总数量；ρ为分辨系数，此处取0.5；Δ_min为两级最小差，Δ_max为两级最大差，它们的计算公式如下所示：

两个变量灰色关联系数的均值即为它们之间的灰色关联度γ，计算公式如下：

将m种高炉参数按照其对应的灰色关联度数值从大到小的顺序重新排列，挑选出与高炉状态指征变量铁水中硅含量关联程度最大的前N种高炉参数作为最终的特征变量，此处将N设置为7。本实例中计算得到的部分结果如下表所示：

高炉参数	灰色关联度
		顶温东北	0.7569
顶温西北	0.7539
		顶温东南	0.7486
阻力系数	0.7428
		顶温西南	0.7416
透气性指数	0.7260
		富氧率	0.7236
冷风压力	0.7209
		富氧流量	0.7190
喷煤量	0.7186
		……	……

由此，最终挑选出的7种特征变量分别为：顶温东北、顶温西北、顶温东南、阻力系数、顶温西南、透气性指数、富氧率。

(1.6)在特征变量历史数据集中，应用均值漂移聚类算法获得高炉顺行状态的若干种子模态，具体步骤包括：

如图2为本发明实施例中均值漂移聚类方法说明图。

①在高炉特征变量历史数据集中随机选取一样本作为中心点c，构建半径为r的滑动窗口，半径r根据样本的分布情况确定。

②计算滑动窗口内其他样本点到中心点的平均距离，将该平均距离作为偏移量M，其计算公式如下：

其中w是滑动窗口中样本点的个数，y为高炉特征变量历史数据，S_h是滑动窗口中所有样本点的集合。

③根据偏移量M更新中心点的位置，其计算公式如下：

c^l+1＝M^l+c^l

其中l为迭代的次数。

④重复步骤①～③，直到中心点位置不再变化。

⑤如果当前类中心点与另一类中心点之间的距离小于设定的阈值，则两类将合并为一类；否则，中心点的数量加1。

⑥重复步骤①～⑤，直到遍历所有样本点，得到高炉特征变量历史数据集的聚类中心集。

(1.7)此实施例中共获得24种子模态，计算特征变量历史数据集中的样本与每个聚类中心之间的欧氏距离，分别选择与各个聚类中心之间欧氏距离最小的样本点作为高炉的子模态，所有被选择的样本点数据构建子模态特征变量数据集；同时将每种子模态对应时刻的高炉状态指征变量数据保存，构建子模态指征变量数据集。

(2)在高炉状态监测过程中引入子模态加权融合策略并计算子模态的权重，具体步骤包括：

(2.1)读取高炉实时的参数数据，从中选择出步骤(1.5)挑选出的7种特征变量，包括：顶温东北、顶温西北、顶温东南、阻力系数、顶温西南、透气性指数、富氧率，组成模型的输入变量数据y_c。

(2.2)计算输入变量数据与每一种子模态特征变量数据间的欧氏距离，构建欧氏距离矩阵D＝(d₁,d₂,...,d_u,...,d_q)，其中d_u为输入变量数据与第u种子模态特征变量数据间的欧氏距离，u＝1,2,…,q，q为步骤(1.7)中获得的子模态的种类数量，此实施例中q为24；

(2.3)基于输入变量数据与各个子模态间的欧氏距离计算各个子模态对应的权重，具体步骤如下：

①采用指数函数对步骤(2.2)计算得到的欧氏距离进行放缩变换并取倒数，计算公式如下：

其中du_{_t}为输入变量数据与第u种子模态特征变量数据间变换后的欧氏距离，r为放缩系数，此处取5。

②将子模态按照对应的d_{u_t}从大到小的顺序排列，选择贡献率总和大于设定阈值的前L种子模态，此处设定阈值取0.8，每一种子模态的贡献率con_u计算公式如下：

③将被选择子模态的d_{u_t}归一化得到对应的权重w_u，未被选择的子模态对应的权重为0，由此得到子模态的权重矩阵W；归一化计算公式如下：

其中U_L为被选择的L种子模态组成的集合。

本实施例中计算得到的子模态权重部分结果如下表所示：

(3)基于子模态权重计算结果实现高炉的状态监测，具体步骤包括：

当高炉实时参数数据输入后，按照步骤(2)计算得到权重矩阵，从子模态铁水硅含量数据集中读取每种子模态对应的铁水硅含量数据，对其进行加权求和，计算公式如下：

其中

为铁水中硅含量的估计值，

为第u种子模态对应的铁水中硅含量的值。由此得到子模态融合后对应的高炉铁水中硅含量的估计值。

本实施方式中，选取了该高炉数据库中同一年另一个月间的720组高炉参数数据来进行模型的测试。

采用平均绝对百分比误差MAPE(Mean Absolute Percentage Error)与均方根误差RMSE(Root Mean Square Error)这两个统计指标对模型的估计效果进行评价，它们的计算公式如下所示：

其中，s(t_p)与

分别为数据的真实值与估计值。

结果如图3所示，由于数据样本过多，故只选取前200个样本测试结果进行展示。虚线所示为基于多模态融合的铁水中硅含量估计值，实线所示为铁水中硅含量的真实值。如图所示，实线与虚线变化趋势大致相同，拟合效果理想，证明了本发明提出的方法的有效性与适用性。另外，基于多模态融合的硅含量估计值的RMSE与MAPE分别为0.0803、14.99％，更直观的证明了本发明提出的方法的有效性与适用性。

与前述基于多模态融合的高炉状态监测方法的实施例相对应，本发明还提供了基于多模态融合的高炉状态监测装置的实施例。

参见图4，本发明实施例提供的一种基于多模态融合的高炉状态监测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的基于多模态融合的高炉状态监测方法。

本发明基于多模态融合的高炉状态监测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本发明基于多模态融合的高炉状态监测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于多模态融合的高炉状态监测。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于多模态融合的高炉状态监测方法，其特征在于，包括以下步骤：

(1)高炉子模态预获取，包括：

获取高炉历史参数数据和高炉状态指征变量数据，进行缺失值填补及异常值剔除预处理；

计算每一种高炉参数数据与高炉状态指征变量数据之间的灰色关联度值，选取关联度最大的前N种高炉参数作为特征变量；

从高炉历史参数数据集中挑选出特征变量数据组成特征变量历史数据集，在特征变量历史数据集中应用均值漂移聚类算法，得到若干个聚类中心；

计算特征变量历史数据集中的样本与每个聚类中心之间的欧氏距离，分别选择与各个聚类中心之间欧氏距离最小的样本点作为高炉的子模态，所有被选择的样本点数据构建子模态特征变量数据集；同时根据每种子模态对应时刻的高炉状态指征变量数据构建子模态指征变量数据集；

(2)高炉子模态融合，包括：

获取高炉实时参数数据，从中挑选出特征变量对应的数据作为输入变量；

计算输入变量数据与每一种子模态特征变量数据间的欧氏距离；

采用指数函数对欧氏距离进行放缩变换并取倒数，得到变换后的欧氏距离；

将子模态按照对应的变换后的欧氏距离的大小进行顺序排列，选择贡献率总和大于设定阈值的前L种子模态；

将被选择子模态的变换后的欧氏距离进行归一化得到对应的权重，未被选择的子模态对应的权重为0，得到子模态的权重矩阵；

(3)高炉状态监测，包括：

从子模态指征变量数据集中读取每种子模态对应的指征变量数据，根据权重矩阵对其进行加权求和，得到每种高炉状态指征变量的估计值，实现高炉的实时状态监测。

2.根据权利要求1所述的基于多模态融合的高炉状态监测方法，其特征在于，所述步骤(1)具体包括以下子步骤：

(1.1)获取高炉历史参数数据，构建数据集；

(1.2)采用移动平均方法进行数据集中缺失值的填补，计算公式如下：

其中，t为缺失值所处的时刻，k为移动平均的时刻个数，x(t)为t时刻的参数值；

(1.3)采用箱型图方法进行数据集中异常值的检测并直接剔除检测出的异常值，箱型图方法计算数据分布内极限L₁、L₂与数据分布外极限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为数据分布的下四分位数，Q₃为数据分布的上四分位数；

(1.4)获取高炉状态指征变量数据并进行预处理，包括缺失值填补及异常值剔除；

(1.5)计算每一种高炉参数数据与高炉状态指征变量数据之间的灰色关联度值，选取关联度最大的前N种高炉参数作为特征变量；灰色关联度γ的计算公式如下：

其中：

其中，x₀为n个样本的高炉状态指征变量数据，x_i为n个样本的各高炉参数，i＝1,2,…,m，m为高炉参数的总数量，ξ为两个变量之间的灰色关联系数，t_p为第p个时刻，p＝1,2,…,n，n为每种参数所包含的样本总数量，ρ为分辨系数，Δ_min为两级最小差，Δ_max为两级最大差，x₀(t_p)为t_p时刻的高炉状态指征变量值，x_i(t_p)为t_p时刻的高炉参数值；

(1.6)从高炉历史参数数据集中挑选出步骤(1.5)计算得到的特征变量数据来组成特征变量历史数据集；

(1.7)在特征变量历史数据集中应用均值漂移聚类算法，得到若干个聚类中心，步骤如下：

①在高炉特征变量历史数据集中随机选取一样本作为中心点c，构建半径为r的滑动窗口，半径r根据样本的分布情况确定；

②计算滑动窗口内其他样本点到中心点的平均距离，取该平均距离作为偏移量M，计算公式如下：

其中，w为滑动窗口中样本点的个数，y为高炉特征变量历史数据，S_h为滑动窗口中所有样本点的集合；

③根据偏移量M更新中心点的位置，计算公式如下：

c^l+1＝M^l+c^l

其中，l为迭代的次数；

④重复步骤①～③，直到中心点位置不再变化；

⑤如果当前类中心点与另一类中心点之间的距离小于设定的阈值，则两类将合并为一类，否则，中心点的数量加1；

⑥重复步骤①～⑤，直到遍历所有样本点，得到高炉特征变量历史数据集的聚类中心集；

(1.8)计算特征变量历史数据集中的样本与每个聚类中心之间的欧氏距离，分别选择与各个聚类中心之间欧氏距离最小的样本点作为高炉的子模态，所有被选择的样本点数据构建子模态特征变量数据集；同时将每种子模态对应时刻的高炉状态指征变量数据保存，构建子模态指征变量数据集。

3.根据权利要求1所述的基于多模态融合的高炉状态监测方法，其特征在于，所述步骤(2)具体包括以下子步骤：

(2.1)获取高炉实时参数数据，从中挑选出步骤(1.5)计算得到的N种特征变量对应的数据作为输入变量；

(2.2)计算输入变量数据与每一种子模态特征变量数据间的欧氏距离，构建欧氏距离矩阵D＝(d₁,d₂,...,d_u,...,d_q)，其中d_u为输入变量数据与第u种子模态特征变量数据间的欧氏距离，u＝1,2,…,q，q为步骤(1.8)中获得的子模态的种类数量；

(2.3)基于指数函数及模态贡献率计算权重，步骤如下：

①采用指数函数对步骤(2.2)计算得到的欧氏距离进行放缩变换并取倒数，计算公式如下：

其中，d_{u_t}为输入变量数据与第u种子模态特征变量数据间变换后的欧氏距离，r为放缩系数；

②将子模态按照对应的d_{u_t}从大到小的顺序排列，选择贡献率总和大于设定阈值的前L种子模态，每一种子模态的贡献率con_u计算公式如下：

③将被选择子模态的d_{u_t}归一化得到对应的权重w_u，未被选择的子模态对应的权重为0，由此得到子模态的权重矩阵W；归一化计算公式如下：

其中，U_L为被选择的L种子模态组成的集合。

4.根据权利要求1所述的基于多模态融合的高炉状态监测方法，其特征在于，所述步骤(3)包括：

当高炉实时参数数据输入后，按照步骤(2)计算得到权重矩阵，从子模态指征变量数据集中读取每种子模态对应的指征变量数据，对其进行加权求和，计算公式如下：

其中，

为第z种高炉状态指征变量的估计值，z＝1,2,…,v，v为高炉状态指征变量的种类数量，

为第u种子模态对应的第z种高炉状态指征变量值；

由此得到子模态融合后对应的高炉实时状态指征变量的估计值，即实现了高炉的实时状态监测。

5.一种基于多模态融合的高炉状态监测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，用于实现如权利要求1-4中任一项所述的基于多模态融合的高炉状态监测方法的步骤。

6.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现如权利要求1-4中任一项所述的基于多模态融合的高炉状态监测方法的步骤。

Images