CN116702030B - 一种基于传感器可靠性分析的高炉状态监测方法及装置 - Google Patents
一种基于传感器可靠性分析的高炉状态监测方法及装置 Download PDFInfo
- Publication number
- CN116702030B CN116702030B CN202310627456.XA CN202310627456A CN116702030B CN 116702030 B CN116702030 B CN 116702030B CN 202310627456 A CN202310627456 A CN 202310627456A CN 116702030 B CN116702030 B CN 116702030B
- Authority
- CN
- China
- Prior art keywords
- fault
- blast furnace
- sensor
- state monitoring
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 2
- 230000005856 abnormality Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000003723 Smelting Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于传感器可靠性分析的高炉状态监测方法及装置，涉及高炉冶炼过程监测技术领域。由于目前高炉状态监测方法很少关注作为状态监测方法数据来源的传感器本身，此时若传感器发生故障导致数据异常，正常运行的高炉可能被误判为故障状态。针对上述问题，本发明提出了一种基于传感器可靠性分析的高炉状态监测方法。包括基于高炉历史参数数据集的特征变量挑选；基于特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型与传感器故障状态监测模型，应用支持向量机建立故障传感器定位模型，针对传感器精度下降故障，建立精度下降故障状态监测模型；联合分析所述三种模型构建高炉状态监测模型，进而实现高炉的状态监测。
Description
技术领域
本申请涉及高炉冶炼过程监测技术领域，尤其涉及一种基于传感器可靠性分析的高炉状态监测方法及装置。
背景技术
在高炉运行过程中，由于操作人员操作不当或原材料和燃料质量下降，高炉时常发生各种故障。如果不能够及时地处理这些故障，轻则导致产品质量的下降，重则发生安全事故，造成人员伤亡。为了确保生产过程的高效、安全和稳定运行，可靠的高炉故障状态监测系统是必不可少的，但高炉炼铁过程中的不确定性、不规则性、强相关性和高度主观性制约着这一传统行业的数字化转型进程。
目前，在工业故障诊断领域已经建立了较为完整的理论体系，并积累了一定的实践经验。故障诊断技术主要分为几个部分：故障建模、故障监测、故障的分离与估计、故障的分类、评价与决策。目前，主流的高炉故障诊断算法分为两类，一类是基于实际生产经验总结的专家系统，如宝钢高炉专家系统。另一种是基于数据驱动的定量分析。近年来，随着机器学习、统计分析、信号处理等技术的发展，小波变换、稀疏矩阵等方法也开始发挥作用，数据驱动方法逐渐显示出其快速性、准确性和低依赖性等优点。
尽管相关技术在高炉故障监测中得到了广泛应用，但大多数方法都没有考虑数据来源的准确性，即很少关注作为高炉数据来源的传感器本身。在这种情况下，当一个或多个传感器发生故障并且数据呈现异常值时，正常运行的高炉可能被诊断为处于故障状态，这将为高炉操作人员提供不正确的指导，引导操作人员做出错误决策，导致高炉运行效率的降低以及能源不必要的浪费，甚至是安全事故的发生。
发明内容
本申请实施例的目的是提供一种基于传感器可靠性分析的高炉状态监测方法及装置，降低因传感器故障导致的数据异常对高炉状态监测带来的影响，使高炉状态监测结果更加可靠。
根据本申请实施例的第一方面，提供一种基于传感器可靠性分析的高炉状态监测方法，其特征在于，包括：
分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；
对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集；
针对挑选的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集；
基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
基于所述正常状态特征变量数据集与故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型；
根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型；
基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型；
将高炉实时参数数据输入所述高炉状态监测模型中，得到高炉运行状态。
可选的，针对挑选出的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集，包括：
针对挑选出的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集，所述传感器故障数据集包括传感器失效故障数据、传感器固定偏差故障数据、传感器漂移偏差故障数据、传感器精度下降故障数据。
可选的，基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型，包括：
对所述正常状态特征变量数据集与故障状态特征变量数据集中的样本分别添加第一标签与第二标签；
将所述正常状态特征变量数据集与故障状态特征变量数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立初始高炉故障状态监测模型，其中当模型输出为第一标签时，代表高炉运行正常，当模型输出为第二标签时，代表高炉出现故障。
可选的，基于所述故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型，包括：
采用独热编码方式，按照传感器故障类型对所述正常状态特征变量数据集与传感器故障数据集中的样本添加标签，其中所述正常状态特征变量数据集中的样本添加标签0001，失效故障数据集中的样本添加标签0010，固定偏差数据集中的样本添加标签0100，漂移偏差故障数据集中的样本添加标签1000；
将所述正常状态特征变量数据集与传感器故障数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立传感器故障状态监测模型，其中当模型输出为0001时，代表高炉传感器全部正常，当模型输出为0010时，代表高炉中有传感器出现失效故障，当模型输出为0100时，代表高炉中有传感器出现固定偏差故障，当模型输出为1000时，代表高炉中有传感器出现漂移偏差故障。
可选的，根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
按照发生故障的传感器位置，即哪一种特征变量为故障数据，对传感器故障数据集中的样本添加标签；
将传感器故障数据集与标签分别作为模型输入与模型输出，应用支持向量机建立故障传感器定位模型，其中模型的输出结果为发生故障的传感器对应的标签。
可选的，针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型，包括：
计算正常状态特征变量数据集中每种特征变量对应数据的方差vari，确定每种传感器正常工作时对应的方差阈值∈，其计算公式如下：
∈i＝q×vari
其中q为放缩系数；
确定时间长度为w的时间窗口，以该窗口内的样本数据作为精度下降故障状态监测模型的输入，计算样本数据的每种特征变量对应数据的方差，窗口内样本数据方差计算公式如下：
若vi(t)>∈i，则所述精度下降故障状态监测模型输出结果为该传感器被识别为出现精度下降故障，否则所述模型输出结果为该传感器被识别为正常。
可选的，基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型：
计算正常状态特征变量数据集中每种特征变量对应数据的平均值meani，当某一传感器发生故障时，以此结果作为该传感器数据的修复值；
获取高炉实时参数数据，从中选择出所述特征变量对应的数据作为高炉状态监测模型的输入，该数据首先被输入至所述初始高炉故障状态监测模型中；当初始高炉故障状态监测模型输出结果为高炉出现故障时，需要进一步判断传感器是否发生故障；当初始高炉故障状态监测模型输出结果为高炉正常时，认为传感器无故障状态；高炉状态监测模型通过联合分析初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，会得到以下三种情况：
(1)初始高炉故障状态监测模型输出结果为高炉正常，该情况下高炉状态监测模型输出结果为高炉正常；
(2)初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型与精度下降故障监测模型输出结果为传感器全部正常，该情况下高炉状态监测模型输出结果为高炉故障，高炉操作人员需要及时做出调整来使高炉恢复正常运行；
(3)初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型或精度下降故障监测模型输出结果为传感器发生故障，该情况下需要将实时参数数据输入故障传感器定位模型中，判断哪一个或哪些传感器出现故障，对故障数据按照所述修复方法进行修复，将修复后的实时参数数据再次输入初始高炉故障状态监测模型中，此时初始高炉故障状态监测模型的输出结果为高炉状态监测模型的输出结果。
根据本申请实施例的第二方面，提供一种基于传感器可靠性分析的高炉状态监测装置，包括：
获取模块，用于分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；
挑选模块，用于对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集；
数据集构造模块，用于针对挑选的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集；
第一模型建立模块，用于基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
第二模块建立模块，用于基于所述正常状态特征变量数据集与故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型；
第三模型建立模块，用于根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
第四模型建立模块，用于针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型；
第五模型建立模块，用于基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型；
监测输出模块，用于将高炉实时参数数据输入所述高炉状态监测模型中，得到高炉运行状态。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请基于传感器可靠性分析的高炉状态监测方法对保证高炉稳定、高效、安全和节能的运行具有重要意义。本发明在高炉状态监测过程中引入传感器可靠性概念，建立初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型，提出高炉状态监测模型与传感器状态监测模型的联合分析方法，建立在线高炉状态监测模型，从而实现高炉的实时状态监测。本发明能够有效降低故障传感器造成的数据异常对高炉故障监测模型带来的影响，提高高炉故障状态监测结果的可靠性，帮助高炉操作人员做出正确的决策，进而实现高炉更稳定、高效、安全和节能的运行。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于传感器可靠性分析的高炉状态监测方法的流程图。
图2是根据一示例性实施例示出的一种基于传感器可靠性分析的高炉状态监测方法的流程图。
图3是根据一示例性实施例示出的对透气性指数传感器的精度下降故障监测结果图。
图4是根据一示例性实施例示出的在线高炉状态监测模型流程图。
图5是根据一示例性实施例示出的在某高炉数据中应用在线状态监测模型的结果图。
图6是根据一示例性实施例示出的一种基于传感器可靠性分析的高炉状态监测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1和图2所示，本发明实施例提供的一种基于传感器可靠性分析的高炉状态监测方法可以包括以下步骤：
S1：分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；
S2：对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集；
S3：针对挑选的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集；
S4：基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
S5：基于所述正常状态特征变量数据集与故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型；
S6：根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
S7：针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型；
S8：基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型；
S9：将高炉实时参数数据输入所述高炉状态监测模型中，得到高炉运行状态。
由上述实施例可知，本申请基于传感器可靠性分析的高炉状态监测方法对保证高炉稳定、高效、安全和节能的运行具有重要意义。本发明在高炉状态监测过程中引入传感器可靠性概念，建立初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型，提出高炉状态监测模型与传感器状态监测模型的联合分析方法，建立在线高炉状态监测模型，从而实现高炉的实时状态监测。本发明能够有效降低故障传感器造成的数据异常对高炉故障监测模型带来的影响，提高高炉故障状态监测结果的可靠性，帮助高炉操作人员做出正确的决策，进而实现高炉更稳定、高效、安全和节能的运行。
在S1的具体实施中，分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；可以包括以下子步骤：
S10：读取历史高炉正常状态下的参数数据，构建高炉正常参数数据集；
具体地，从中国某2650m3高炉数据库中读取高炉正常运行状态时的1367组参数数据，包括炉顶压力、透气性指数、炉顶温度等29种参数，构建高炉正常参数数据集，以供后续特征变量挑选时使用。
S11：读取历史高炉故障状态下的参数数据，构建高炉故障参数数据集。
具体地，从所述高炉数据库中读取高炉运行出现故障时的114组参数数据，包括炉顶压力、透气性指数、炉顶温度等29种参数，构建高炉故障参数数据集，以供后续特征变量挑选时使用。
进一步地，分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集之后，还包括：
对所述高炉正常参数数据集和高炉故障参数数据集进行数据预处理。
具体地，对所述高炉正常参数数据集和高炉故障参数数据集进行数据预处理，包括：
A、采用移动平均方法分别对所述高炉正常参数数据集和高炉故障参数数据集中缺失值的填补；
B、采用箱型图方法分别对所述高炉正常参数数据集和高炉故障参数数据集中异常值的检测并直接剔除检测出的异常值。
在S2的具体实施中，对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集，包括：
S21：在所述高炉正常参数数据集中计算任意两种参数间的相关系数，若两种参数的相关系数高于阈值，则选取这两种参数中与其它参数相关系数更高的参数作为被挑选出的特征变量。
具体地，此处阈值取0.7，两种参数间的相关系数计算公式如下：
其中cov(xi,xj)为参数xi与参数xj的协方差，与/>分别为参数xi与参数xj的标准差；
本实例最终挑选出包含透气性指数、CO含量、H2含量、CO2含量等15种参数作为特征变量，通过特征变量挑选操作，可以去除数据中包含的冗余部分，减少不必要的计算，降低后续模型的复杂度。
S22：从所述高炉正常参数数据集和高炉故障参数数据集中获得挑选出的特征变量的数据来分别组成正常状态特征变量数据集与故障状态特征变量数据集。
具体地，从高炉正常参数数据集和高炉故障参数数据集中选择出所述特征变量挑选操作挑选出的15种参数分别组成正常状态特征变量数据集与故障状态特征变量数据集，以供后续模型建立时使用。
在S3的具体实施中，针对挑选出的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集，包括：
S31：针对挑选出的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集，所述传感器故障数据集包括传感器失效故障数据、传感器固定偏差故障数据、传感器漂移偏差故障数据、传感器精度下降故障数据。
具体地，针对所述特征变量挑选操作挑选出的15种参数对应的15种传感器，从高炉数据库中读取这些传感器的故障数据，包括传感器失效故障数据、传感器固定偏差故障数据、传感器漂移偏差故障数据、传感器精度下降故障数据，构成传感器故障数据集，以供后续模型建立时使用。
在S4的具体实施中，基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
S41：对所述正常状态特征变量数据集与故障状态特征变量数据集中的样本分别添加第一标签与第二标签。
具体地，对所述特征变量数据集与故障状态特征变量数据集中的样本分别添加标签0与1，以供后续模型建立时使用。
S42：将所述正常状态特征变量数据集与故障状态特征变量数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立初始高炉故障状态监测模型，其中当模型输出为第一标签时，代表高炉运行正常，当模型输出为第二标签时，代表高炉出现故障。
具体地，将特征变量数据集与故障状态特征变量数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立初始高炉故障状态监测模型。当模型输出为0时，代表高炉运行正常，当模型输出为1时，代表高炉出现故障。此处反向传播神经网络模型中输入层神经元个数为15，隐藏层层数为两层，包含的神经元数分别为32、64，神经元激活函数采用ReLU函数，输出层神经元个数为1，神经元激活函数采用sigmoid函数。下表为本实例中初始高炉故障状态监测模型的混淆矩阵结果；
其中正例表示高炉状态正常，反例表示高炉出现故障，结果可分为四种情况：真实正例-监测正例(TP)、真实反例-监测正例(FP)、真实反例-监测反例(TN)和真实正例-监测反例(FN)。每种情况下的值表示该状态下的样本数。查准率P、查全率R和准确度Acc被用来定量分析该模型的好坏，它们的计算公式如下：
本实例中初始高炉故障状态监测模型的P为99.34％，R为99.41％，Acc为98.85％，表明了模型的有效性。
在S5的具体实施中，基于所述故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型，包括：
S51：采用独热编码方式，按照传感器故障类型对所述正常状态特征变量数据集与传感器故障数据集中的样本添加标签，其中所述正常状态特征变量数据集中的样本添加标签0001，失效故障数据集中的样本添加标签0010，固定偏差数据集中的样本添加标签0100，漂移偏差故障数据集中的样本添加标签1000；
具体地，采用独热编码式为样本添加标签，标签的二进制数值每一位的取值1或0对应了不同故障的发生与未发生，当后续应用反向传播神经网络模型时，以该标签作为输出可以降低模型复杂度。
S52：将所述正常状态特征变量数据集与传感器故障数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立传感器故障状态监测模型，其中当模型输出为0001时，代表高炉传感器全部正常，当模型输出为0010时，代表高炉中有传感器出现失效故障，当模型输出为0100时，代表高炉中有传感器出现固定偏差故障，当模型输出为1000时，代表高炉中有传感器出现漂移偏差故障。
具体地，此处反向传播神经网络模型中输入层神经元个数为15，隐藏层层数为一层，包含的神经元数分别为32，神经元激活函数采用ReLU函数，输出层神经元个数为4，神经元激活函数采用sigmoid函数，损失函数中加入L2正则化。下表为本实例中传感器故障状态监测模型的混淆矩阵结果；
其中正例表示传感器状态正常，反例表示传感器发生故障，本实例中传感器故障状态监测模型的P为99.85％，R为98.69％，Acc为99.04％，表明了模型的有效性。
在S6的具体实施中，根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
S61：按照发生故障的传感器位置，即哪一种特征变量为故障数据，对传感器故障数据集中的样本添加标签；
具体地，按照发生故障的传感器位置，即哪一种特征变量为故障数据，对所述传感器故障数据集中的样本添加标签1～15，以供后续模型建立时使用。
S62：将传感器故障数据集与标签分别作为模型输入与模型输出，应用支持向量机建立故障传感器定位模型，其中模型的输出结果为发生故障的传感器对应的标签。
具体地，此处故障传感器定位模型的分类准确度为83.5％，对传感器位置的判别基本准确，满足工业现场需求。
在S7的具体实施中，针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型，包括：
S71：计算正常状态特征变量数据集中每种特征变量对应数据的方差vari，确定每种传感器正常工作时对应的方差阈值∈，其计算公式如下：
∈i＝q×vari
其中q为放缩系数，此处取1.5。
S72：确定时间长度为w的时间窗口，以该窗口内的样本数据作为精度下降故障状态监测模型的输入，计算样本数据的每种特征变量对应数据的方差，窗口内样本数据方差计算公式如下：
若vi(t)>∈i，则所述精度下降故障状态监测模型输出结果为该传感器被识别为出现精度下降故障，否则所述模型输出结果为该传感器被识别为正常。
具体地，由于所述传感器故障状态监测模型对传感器精度下降故障监测效果较差，因此需要对该故障单独建立一个模型进行监测。通过分析传感器精度下降故障的机理发现该故障会导致监测数据的方差变大，因此提出一种基于窗口内数据方差的精度下降故障状态监测模型。考虑到高炉内部的波动也会导致数据方差变大，因此此处确定时间长度w为50，可以有效降低由于高炉内部波动导致的方差变化对模型准确度带来的影响。图3为本实例中对透气性指数传感器的精度下降故障监测结果图，虚线为方差阈值，可以看出该方法对精度下降故障具有很好地监测效果。
在S8的具体实施中，基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型：
S81：计算正常状态特征变量数据集中每种特征变量对应数据的平均值meani，当某一传感器发生故障时，以此结果作为该传感器数据的修复值；
具体地，当高炉内部发生传感器故障时，此时由故障传感器监测得到的参数数据将偏离正常值，以该数据作为初始高炉状态监测模型的输入时，其输出结果有可能为高炉故障，而实际高炉运行状态为正常运行。此时为了得到真实的高炉运行状态，需要对此异常数据进行修复，并将修复后的数据重新输入初始高炉状态监测模型中来得到高炉真实运行状态。所述方法可以实现故障传感器数据的快速修复并满足后续模型应用时的准确度要求。
S82：获取高炉实时参数数据，从中选择出所述特征变量对应的数据作为高炉状态监测模型的输入，该数据首先被输入至所述初始高炉故障状态监测模型中；当初始高炉故障状态监测模型输出结果为高炉出现故障时，需要进一步判断传感器是否发生故障；当初始高炉故障状态监测模型输出结果为高炉正常时，认为传感器无故障状态；高炉状态监测模型通过联合分析初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，会得到以下三种情况(参考图4)：
(1)初始高炉故障状态监测模型输出结果为高炉正常，该情况下高炉状态监测模型输出结果为高炉正常；
(2)初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型与精度下降故障监测模型输出结果为传感器全部正常，该情况下高炉状态监测模型输出结果为高炉故障，高炉操作人员需要及时做出调整来使高炉恢复正常运行；
(3)初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型或精度下降故障监测模型输出结果为传感器发生故障，该情况下需要将实时参数数据输入故障传感器定位模型中，判断哪一个或哪些传感器出现故障，对故障数据按照所述修复方法进行修复，将修复后的实时参数数据再次输入初始高炉故障状态监测模型中，此时初始高炉故障状态监测模型的输出结果为高炉状态监测模型的输出结果。
具体地，由于目前主流的高炉状态监测算法大都没有考虑数据来源的准确性，即当高炉内部传感器出现故障导致其测量得到的数据出现异常时，目前的高炉状态监测算法并不会判断这些异常数据出现的原因，而是认为这些异常数据都是由于高炉本身运行出现故障导致的。将这些异常数据直接作为高炉状态监测算法的输入会导致监测算法的误判，对维持高炉稳定高效的运行起到负面影响。所述高炉状态监测模型通过联合分析所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，能够在高炉传感器出现故障时对故障传感器及时识别，并通过传感器数据修复方法将异常数据修复为正常数据，最终基于修复后的数据进行高炉状态监测。所述高炉状态监测模型考虑了数据来源的准确性，大幅降低传感器故障对高炉状态监测结果的影响。
本实例从数据集中抽取400个样本，这400个样本中共包含4种状态，分别为高炉与传感器都正常、高炉正常传感器故障、高炉故障传感器正常以及高炉与传感器都故障，每种状态各100个样本并将每种状态添加1～4的标签。将样本数据作为测试样本输入在线高炉状态监测模型中，图5为在线模型监测结果图，其中正方形代表每个样本的真实状态，三角形代表每个样本被模型监测得到的状态，可以看出前两种状态的监测结果与真实状态完全一致，后两种状态的监测结果与真实状态有轻微差别，下表为该实例中对每个样本的具体监测结果。
模型的监测结果准确率Re计算公式如下：
其中，N是样本数量，ui是第i个样本监测结果的准确标志，当监测结果与真实状态yi一致时，其值为1，否则为0。本实例中在线高炉状态监测模型最终准确率为96.91％，表明了该模型的有效性。
由上述实施例可知，本申请针对传统高炉状态监测方法很少考虑数据来源的可靠性这一问题，提出一种基于传感器可靠性分析的高炉状态监测方法。所述方法应用反向传播神经网络分别建立初始高炉状态监测模型与传感器故障状态监测模型，应用支持向量机建立故障传感器定位模型，针对传感器故障中的传感器精度下降故障建立精度下降故障状态监测模型，联合分析所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型。基于中国某2650m3高炉的真实高炉数据中对所述模型的准确度进行验证，得到所述高炉状态监测模型的最终准确率为96.91％，表明了本申请提出的方法的有效性，满足工业现场要求。
具体地，目前主流的高炉状态监测算法大都没有考虑数据来源的准确性，即当高炉内部传感器出现故障导致其测量得到的数据出现异常时，目前的高炉状态监测算法并不会判断这些异常数据出现的原因，而是认为这些异常数据都是由于高炉本身运行出现故障导致的。将这些异常数据直接作为高炉状态监测算法的输入会导致监测算法的误判，对维持高炉稳定高效的运行起到负面影响。所述高炉状态监测模型通过联合分析所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，能够在高炉传感器出现故障时对故障传感器及时识别，并通过传感器数据修复方法将异常数据修复为正常数据，最终基于修复后的数据进行高炉状态监测。所述高炉状态监测模型考虑了数据来源的准确性，大幅降低传感器故障对高炉状态监测结果的影响。
与前述的一种基于传感器可靠性分析的高炉状态监测方法的实施例相对应，本申请还提供了一种基于传感器可靠性分析的高炉状态监测装置的实施例。
图6是根据一示例性实施例示出的一种基于传感器可靠性分析的高炉状态监测装置框图。参照图6，该装置包括：
获取模块1，用于分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；
挑选模块2，用于对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集；
数据集构造模块3，用于针对挑选的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集；
第一模型建立模块4，用于基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
第二模块建立模块5，用于基于所述正常状态特征变量数据集与故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型；
第三模型建立模块6，用于根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
第四模型建立模块7，用于针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型；
第五模型建立模块8，用于基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型；
监测输出模块9，用于将高炉实时参数数据输入所述高炉状态监测模型中，得到高炉运行状态。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
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申请方案的目的。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。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于传感器可靠性分析的高炉状态监测方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的基于传感器可靠性分析的高炉状态监测方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于传感器可靠性分析的高炉状态监测方法，其特征在于，包括：
分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；
对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集；
针对挑选的正常状态特征变量数据集与故障状态特征变量数据集中特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集；
基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
基于所述正常状态特征变量数据集与故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型；
根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型；
基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型；
将高炉实时参数数据输入所述高炉状态监测模型中，得到高炉运行状态；
其中，基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型，包括：
对所述正常状态特征变量数据集与故障状态特征变量数据集中的样本分别添加第一标签与第二标签；
将所述正常状态特征变量数据集与故障状态特征变量数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立初始高炉故障状态监测模型，其中当模型输出为第一标签时，代表高炉运行正常，当模型输出为第二标签时，代表高炉出现故障；
其中，基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型，包括：
计算正常状态特征变量数据集中每种特征变量对应数据的平均值，当某一传感器发生故障时，以此结果作为该传感器的故障数据的修复值；
获取高炉实时参数数据，从中选择出所述特征变量对应的数据作为高炉状态监测模型的输入，该数据首先被输入至所述初始高炉故障状态监测模型中；当初始高炉故障状态监测模型输出结果为高炉出现故障时，需要进一步判断传感器是否发生故障；当初始高炉故障状态监测模型输出结果为高炉正常时，认为传感器无故障状态；高炉状态监测模型通过联合分析初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，会得到以下三种情况：
（1）初始高炉故障状态监测模型输出结果为高炉正常，该情况下高炉状态监测模型输出结果为高炉正常；
（2）初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型与精度下降故障监测模型输出结果为传感器全部正常，该情况下高炉状态监测模型输出结果为高炉故障，高炉操作人员需要及时做出调整来使高炉恢复正常运行；
（3）初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型或精度下降故障监测模型输出结果为传感器发生故障，该情况下需要将实时参数数据输入故障传感器定位模型中，判断哪一个或哪些传感器出现故障，对故障数据按照修复方法进行修复，将修复后的实时参数数据再次输入初始高炉故障状态监测模型中，此时初始高炉故障状态监测模型的输出结果为高炉状态监测模型的输出结果，所述修复方法为计算正常状态特征变量数据集中每种特征变量对应数据的平均值，当某一传感器发生故障时，以此结果作为该传感器的故障数据的修复值。
2.根据权利要求1所述的方法，其特征在于，针对挑选出的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集，包括：
针对挑选出的特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集，所述传感器故障数据集包括传感器失效故障数据、传感器固定偏差故障数据、传感器漂移偏差故障数据、传感器精度下降故障数据。
3.根据权利要求1所述的方法，其特征在于，基于所述故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型，包括：
采用独热编码方式，按照传感器故障类型对所述正常状态特征变量数据集与传感器故障数据集中的样本添加标签，其中所述正常状态特征变量数据集中的样本添加标签0001，失效故障数据集中的样本添加标签0010，固定偏差数据集中的样本添加标签0100，漂移偏差故障数据集中的样本添加标签1000；
将所述正常状态特征变量数据集与传感器故障数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立传感器故障状态监测模型，其中当模型输出为0001时，代表高炉传感器全部正常，当模型输出为0010时，代表高炉中有传感器出现失效故障，当模型输出为0100时，代表高炉中有传感器出现固定偏差故障，当模型输出为1000时，代表高炉中有传感器出现漂移偏差故障。
4.根据权利要求1所述的方法，其特征在于，根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型，包括：
按照发生故障的传感器位置，即哪一种特征变量为故障数据，对传感器故障数据集中的样本添加标签；
将传感器故障数据集与标签分别作为模型输入与模型输出，应用支持向量机建立故障传感器定位模型，其中模型的输出结果为发生故障的传感器对应的标签。
5.根据权利要求1所述的方法，其特征在于，针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型，包括：
计算正常状态特征变量数据集中每种特征变量对应数据的方差，确定每种传感器正常工作时对应的方差阈值/>，其计算公式如下：
；
其中q为放缩系数；
确定时间长度为w的时间窗口，以该窗口内的样本数据作为精度下降故障状态监测模型的输入，计算样本数据的每种特征变量对应数据的方差，窗口内样本数据方差计算公式如下：
；
若，则所述精度下降故障状态监测模型输出结果为该传感器被识别为出现精度下降故障，否则所述模型输出结果为该传感器被识别为正常。
6.一种基于传感器可靠性分析的高炉状态监测装置，其特征在于，包括：
获取模块，用于分别获取正常状态下和故障状态下的高炉正常参数数据集和高炉故障参数数据集；
挑选模块，用于对所述高炉正常参数数据集和高炉故障参数数据集进行特征变量挑选，得到正常状态特征变量数据集与故障状态特征变量数据集；
数据集构造模块，用于针对挑选的正常状态特征变量数据集与故障状态特征变量数据集中特征变量对应的传感器，读取这些传感器的故障数据，构成传感器故障数据集；
第一模型建立模块，用于基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型；
第二模块建立模块，用于基于所述正常状态特征变量数据集与故障状态特征变量数据集和传感器故障数据集，应用反向传播神经网络建立传感器故障状态监测模型；
第三模型建立模块，用于根据发生故障的传感器位置，基于传感器故障数据集，应用支持向量机建立故障传感器定位模型；
第四模型建立模块，用于针对传感器故障中的传感器精度下降故障，基于所述正常状态特征变量数据集，建立精度下降故障状态监测模型；
第五模型建立模块，用于基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型；
监测输出模块，用于将高炉实时参数数据输入所述高炉状态监测模型中，得到高炉运行状态；
其中，基于所述正常状态特征变量数据集与故障状态特征变量数据集，应用反向传播神经网络建立初始高炉故障状态监测模型，包括：
对所述正常状态特征变量数据集与故障状态特征变量数据集中的样本分别添加第一标签与第二标签；
将所述正常状态特征变量数据集与故障状态特征变量数据集中的样本数据与标签分别作为模型输入与模型输出，应用反向传播神经网络建立初始高炉故障状态监测模型，其中当模型输出为第一标签时，代表高炉运行正常，当模型输出为第二标签时，代表高炉出现故障；
其中，基于所述初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，构建高炉状态监测模型，包括：
计算正常状态特征变量数据集中每种特征变量对应数据的平均值，当某一传感器发生故障时，以此结果作为该传感器的故障数据的修复值；
获取高炉实时参数数据，从中选择出所述特征变量对应的数据作为高炉状态监测模型的输入，该数据首先被输入至所述初始高炉故障状态监测模型中；当初始高炉故障状态监测模型输出结果为高炉出现故障时，需要进一步判断传感器是否发生故障；当初始高炉故障状态监测模型输出结果为高炉正常时，认为传感器无故障状态；高炉状态监测模型通过联合分析初始高炉故障状态监测模型、传感器故障状态监测模型、故障传感器定位模型和精度下降故障状态监测模型，会得到以下三种情况：
（1）初始高炉故障状态监测模型输出结果为高炉正常，该情况下高炉状态监测模型输出结果为高炉正常；
（2）初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型与精度下降故障监测模型输出结果为传感器全部正常，该情况下高炉状态监测模型输出结果为高炉故障，高炉操作人员需要及时做出调整来使高炉恢复正常运行；
（3）初始高炉故障状态监测模型输出结果为高炉故障，传感器故障状态监测模型或精度下降故障监测模型输出结果为传感器发生故障，该情况下需要将实时参数数据输入故障传感器定位模型中，判断哪一个或哪些传感器出现故障，对故障数据按照修复方法进行修复，将修复后的实时参数数据再次输入初始高炉故障状态监测模型中，此时初始高炉故障状态监测模型的输出结果为高炉状态监测模型的输出结果，所述修复方法为计算正常状态特征变量数据集中每种特征变量对应数据的平均值，当某一传感器发生故障时，以此结果作为该传感器的故障数据的修复值。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627456.XA CN116702030B (zh) | 2023-05-31 | 2023-05-31 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627456.XA CN116702030B (zh) | 2023-05-31 | 2023-05-31 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116702030A CN116702030A (zh) | 2023-09-05 |
| CN116702030B true CN116702030B (zh) | 2024-01-23 |
Family
ID=87828618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627456.XA Active CN116702030B (zh) | 2023-05-31 | 2023-05-31 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702030B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080097911A (ko) * | 2007-05-03 | 2008-11-06 | 중앙대학교 산학협력단 | 센서의 고장 검출 및 분리 방법 그리고 이를 이용한 센서의고장 적응 방법 |
| US8706357B1 (en) * | 2013-03-14 | 2014-04-22 | Drs C3 & Aviation Company | Flight recorder deployment system and method |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN109657373A (zh) * | 2018-12-25 | 2019-04-19 | 佛山科学技术学院 | 一种多Agent的故障检测方法及装置 |
| CN111368428A (zh) * | 2020-03-04 | 2020-07-03 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
| CN113234874A (zh) * | 2021-05-14 | 2021-08-10 | 浙江大学 | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
| CN113762329A (zh) * | 2021-07-06 | 2021-12-07 | 山东钢铁股份有限公司 | 一种大型轧机状态预测模型的构建方法及构建系统 |
| CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
| CN114065636A (zh) * | 2021-11-23 | 2022-02-18 | 江苏科技大学 | 一种基于数据驱动的船用绞机刹车机构故障诊断方法 |
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN114330517A (zh) * | 2021-12-15 | 2022-04-12 | 南京航空航天大学 | 一种基于神经网络的航空发动机传感器故障自诊断方法 |
| CN115146703A (zh) * | 2022-05-26 | 2022-10-04 | 江苏方天电力技术有限公司 | 基于多模型的燃煤机组宽负荷下炉膛壁温在线监测方法 |
| CN115327286A (zh) * | 2022-10-17 | 2022-11-11 | 国能大渡河检修安装有限公司 | 一种应用于发电站的变压器监测方法及系统 |
| CN115544748A (zh) * | 2022-09-24 | 2022-12-30 | 重庆中电自能科技有限公司 | 一种光伏组串健康状态监测、评价方法及系统 |
| CN115567562A (zh) * | 2022-10-28 | 2023-01-03 | 东北大学 | 一种矿山多元传感器数据采集、清洗及故障判别系统 |
| CN115982663A (zh) * | 2023-02-24 | 2023-04-18 | 吉电(滁州)章广风力发电有限公司 | 一种新能源风机设备的故障预警系统 |
| CN116127842A (zh) * | 2023-01-17 | 2023-05-16 | 南京航空航天大学 | 基于径向基-反向传播神经网络的故障后飞行包线在线预测方法 |
| CN116166983A (zh) * | 2022-12-23 | 2023-05-26 | 易思维（杭州）科技有限公司 | 一种基于机器学习的列车弓网故障检测方法 |
-
2023
- 2023-05-31 CN CN202310627456.XA patent/CN116702030B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080097911A (ko) * | 2007-05-03 | 2008-11-06 | 중앙대학교 산학협력단 | 센서의 고장 검출 및 분리 방법 그리고 이를 이용한 센서의고장 적응 방법 |
| US8706357B1 (en) * | 2013-03-14 | 2014-04-22 | Drs C3 & Aviation Company | Flight recorder deployment system and method |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN109657373A (zh) * | 2018-12-25 | 2019-04-19 | 佛山科学技术学院 | 一种多Agent的故障检测方法及装置 |
| CN111368428A (zh) * | 2020-03-04 | 2020-07-03 | 山东科技大学 | 一种基于监控二阶统计量的传感器精度下降故障检测方法 |
| CN113234874A (zh) * | 2021-05-14 | 2021-08-10 | 浙江大学 | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
| CN113762329A (zh) * | 2021-07-06 | 2021-12-07 | 山东钢铁股份有限公司 | 一种大型轧机状态预测模型的构建方法及构建系统 |
| CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN114065636A (zh) * | 2021-11-23 | 2022-02-18 | 江苏科技大学 | 一种基于数据驱动的船用绞机刹车机构故障诊断方法 |
| CN114330517A (zh) * | 2021-12-15 | 2022-04-12 | 南京航空航天大学 | 一种基于神经网络的航空发动机传感器故障自诊断方法 |
| CN115146703A (zh) * | 2022-05-26 | 2022-10-04 | 江苏方天电力技术有限公司 | 基于多模型的燃煤机组宽负荷下炉膛壁温在线监测方法 |
| CN115544748A (zh) * | 2022-09-24 | 2022-12-30 | 重庆中电自能科技有限公司 | 一种光伏组串健康状态监测、评价方法及系统 |
| CN115327286A (zh) * | 2022-10-17 | 2022-11-11 | 国能大渡河检修安装有限公司 | 一种应用于发电站的变压器监测方法及系统 |
| CN115567562A (zh) * | 2022-10-28 | 2023-01-03 | 东北大学 | 一种矿山多元传感器数据采集、清洗及故障判别系统 |
| CN116166983A (zh) * | 2022-12-23 | 2023-05-26 | 易思维（杭州）科技有限公司 | 一种基于机器学习的列车弓网故障检测方法 |
| CN116127842A (zh) * | 2023-01-17 | 2023-05-16 | 南京航空航天大学 | 基于径向基-反向传播神经网络的故障后飞行包线在线预测方法 |
| CN115982663A (zh) * | 2023-02-24 | 2023-04-18 | 吉电(滁州)章广风力发电有限公司 | 一种新能源风机设备的故障预警系统 |
Non-Patent Citations (2)
| Title |
|---|
| Sensor fault detection and isolation for a wireless sensor network-based remote wind turbine condition monitoring system;Yayu Peng;《IEEE Access》;全文 * |
| 提高煤矿安全监控系统智能化水平技术探讨;陈强;《煤矿机械》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116702030A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| WO2019238890A1 (en) | Quality monitoring of industrial processes | |
| CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
| CN113920053A (zh) | 基于深度学习的瑕疵检测方法、计算设备和存储介质 | |
| CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
| CN113687972A (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
| CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
| CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN115526515A (zh) | 一种水利水电用闸门的安全监测系统 | |
| CN117422935B (zh) | 摩托车故障非接触式诊断方法及系统 | |
| CN116702030B (zh) | 一种基于传感器可靠性分析的高炉状态监测方法及装置 | |
| JP2020042668A (ja) | 検査装置及び機械学習方法 | |
| KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
| CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
| CN116502134A (zh) | 一种自诊断预警功能异常状态识别系统 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| US20220171982A1 (en) | System and method for processing facility image data | |
| CN114818116A (zh) | 基于联合学习的飞机发动机失效模式识别和寿命预测方法 | |
| CN114576236A (zh) | 一种液压系统的状态监测与故障诊断方法及装置 | |
| CN117984024B (zh) | 基于船闸人字门自动化生产的焊接数据管理方法及系统 | |
| CN110895719A (zh) | 验证装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |