本發(fā)明涉及高爐煉鐵的過程監(jiān)測及故障診斷領(lǐng)域，尤其涉及一種基于mdgcn的高爐煉鐵過程故障診斷方法。

背景技術(shù)：

1、高爐煉鐵過程是目前最復(fù)雜的工業(yè)工藝之一，主要包括高爐、進(jìn)料、熱風(fēng)、煤粉噴射、煤氣處理生成熔鐵五個(gè)主要子系統(tǒng)。在高爐煉鐵過程中，原料和燃料、熱空氣、煤粉分別從爐頂和風(fēng)口送入高爐，在高溫和高壓下發(fā)生復(fù)雜的物理和化學(xué)反應(yīng)。由于工作條件惡劣，高爐煉鐵過程經(jīng)常出現(xiàn)爐況難行、崩料、懸料、爐溫向熱/向涼等各種異常情況。如果不能及時(shí)準(zhǔn)確地發(fā)現(xiàn)和診斷，不僅會(huì)導(dǎo)致鐵水質(zhì)量下降，甚至可能威脅到設(shè)備和人員的安全。因此，故障診斷對(duì)于保證高爐煉鐵工藝的運(yùn)行安全至關(guān)重要。

2、近年來，隨著對(duì)鋼鐵產(chǎn)品質(zhì)量要求的提高，研發(fā)人員針對(duì)高爐煉鐵過程的故障診斷、提出了多種解決方案試圖通過故障監(jiān)測與診斷能及時(shí)發(fā)現(xiàn)相關(guān)異常情況，從而及時(shí)調(diào)整，保證鐵水質(zhì)量與設(shè)備安全。例如，業(yè)內(nèi)常用的有支持向量機(jī)(svm)、隨機(jī)森林(rf)、深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)、知識(shí)圖譜卷積網(wǎng)絡(luò)(k-gcn)、并行時(shí)間卷積網(wǎng)絡(luò)(ptcn)等故障診斷方法，但都因各自缺陷導(dǎo)致的準(zhǔn)確率低的問題。

3、有研究者提出，將圖卷積神經(jīng)網(wǎng)絡(luò)(graph?convolutional?networks,gcn)用于故障診斷研究。例如公開文獻(xiàn)“基于知識(shí)的時(shí)序圖卷積神經(jīng)網(wǎng)絡(luò)高爐故障診斷方法”(cn118245937a)、“基于知識(shí)的時(shí)序圖卷積神經(jīng)網(wǎng)絡(luò)高爐故障診斷方法”(cn118245937a)等，均有涉及。但這些技術(shù)方案中對(duì)圖卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)用，忽視了系統(tǒng)結(jié)構(gòu)和過程知識(shí)，這使得gcn仍是黑盒模型且沒有解釋性。其次，gcn具有低通濾波的效果，不適當(dāng)?shù)脑黾觛cn的層數(shù)會(huì)加劇網(wǎng)絡(luò)對(duì)輸入的平滑作用。而較淺的網(wǎng)絡(luò)結(jié)構(gòu)又不能學(xué)習(xí)到深層的特征表征。最后，常規(guī)gcn方法雖然聚合了時(shí)間維度上的信息。但從動(dòng)態(tài)性考慮上，不同時(shí)間節(jié)點(diǎn)上的特征權(quán)重一樣顯然是不合理的。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是，克服現(xiàn)有技術(shù)中的不足，提供一種基于mdgcn的高爐煉鐵過程故障診斷方法。

2、為解決技術(shù)問題，本發(fā)明的解決方案是：

3、提供一種基于mdgcn的高爐煉鐵過程新型故障診斷方法，由離線訓(xùn)練階段和在線監(jiān)測階段組成；其中，

4、離線訓(xùn)練階段包括：

5、(1.1)針對(duì)正常運(yùn)行和故障狀態(tài)下的高爐煉鐵系統(tǒng)，分別采集主要過程變量的足量樣本數(shù)據(jù)；

6、(1.2)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，構(gòu)建樣本矩陣x，其中將時(shí)刻t的樣本矩陣表示為xt；根據(jù)高爐煉鐵生產(chǎn)過程的動(dòng)態(tài)特性，為不同樣本矩陣xt賦予各自的動(dòng)態(tài)權(quán)重，得到數(shù)據(jù)矩陣xt，d；考慮到存在沒有實(shí)際觀察值的抽象節(jié)點(diǎn)，重新構(gòu)造數(shù)據(jù)矩陣xt，d并對(duì)其標(biāo)記真實(shí)標(biāo)簽，得到用作輸入的特征矩陣xf，t；

7、(1.3)根據(jù)高爐煉鐵生產(chǎn)過程的拓?fù)浣Y(jié)構(gòu)構(gòu)造圖，計(jì)算各圖的鄰接矩陣；

8、(1.4)將步驟(1.2)中的特征矩陣xf，t和(1.3)中構(gòu)造的圖輸入mdgcn模型，使用adam優(yōu)化器和dropout策略進(jìn)行訓(xùn)練；mdgcn模型具有多個(gè)同構(gòu)圖通道，從各圖中學(xué)習(xí)不同層次的特征；

9、在線監(jiān)測階段包括：

10、(2.1)實(shí)時(shí)采集高爐煉鐵系統(tǒng)在運(yùn)行過程中的樣本數(shù)據(jù)，然后參照離線訓(xùn)練階段中步驟(1.2)中的操作對(duì)樣本數(shù)據(jù)進(jìn)行處理，重建新的數(shù)據(jù)矩陣；

11、(2.2)利用步驟(1.3)中的圖和鄰接矩陣更新步驟(2.1)中的數(shù)據(jù)矩陣，得到特征矩陣

12、(2.3)將步驟(2.2)中得到的特征矩陣輸入mdgcn模型進(jìn)行預(yù)測，在此過程中采用多層感知機(jī)分類器mlp進(jìn)行處理并將結(jié)果輸入至sofimax層，最后根據(jù)softmax層輸出的結(jié)果確定高爐煉鐵生產(chǎn)過程是否存在故障以及故障類型。

13、作為本發(fā)明的優(yōu)選方案，在步驟(1.2)中，基于歐幾里得的距離計(jì)算得到不同樣本矩陣xt的動(dòng)態(tài)權(quán)重，具體如下：

14、(a)假設(shè)樣本矩陣x＝[x1，x2…xn]t采集自n個(gè)時(shí)間點(diǎn)，對(duì)其進(jìn)行歸一化處理；歸一化公式如下所示：

15、

16、式中，xnormalized是指經(jīng)歸一化處理的數(shù)據(jù)矩陣；xhealthy是高爐煉鐵系統(tǒng)正常運(yùn)行時(shí)采集樣本的數(shù)據(jù)矩陣；和shealthy分別是xhealthy的均值和方差矩陣；

17、(b)假設(shè)每一組x觀測值由m個(gè)過程變量組成，使用滑窗采樣的方式將t時(shí)刻的樣本矩陣表示為則：

18、xt＝[xt-s+1，xt-s+2…xt]t

19、其中，s是時(shí)間遲滯量；t表示轉(zhuǎn)置；

20、(c)為保持通用性，利用softmax函數(shù)對(duì)計(jì)算所得的歐幾里的距離進(jìn)行歸一化處理；在樣本矩陣xt中，xi和xj之間的歐氏距離定義為：

21、dij＝||xi-xj||2

22、式中，xi和xj指xt中的第i和第j個(gè)向量，i和j分別代表不同時(shí)間滯后；

23、則，權(quán)重矩陣被定義為：

24、

25、式中，是dij的平均值；表示一種基于平均值歸一化的距離度量。

26、作為本發(fā)明的優(yōu)選方案，在步驟(1.2)中，不同樣本矩陣xt之間的動(dòng)態(tài)關(guān)系通過權(quán)重矩陣m確定，在此基礎(chǔ)上提取過程數(shù)據(jù)的局部動(dòng)態(tài)特征；在針對(duì)各組采樣數(shù)據(jù)計(jì)算權(quán)重矩陣m后，原有的樣本矩陣xt被更新為數(shù)據(jù)矩陣xt，d，

27、xt，d＝mxt

28、式中，xt表示對(duì)采樣數(shù)據(jù)進(jìn)行初步預(yù)處理后得到的樣本矩陣；m表示權(quán)重矩陣；xt，d表示計(jì)算動(dòng)態(tài)權(quán)重之后獲得的數(shù)據(jù)矩陣。

29、作為本發(fā)明的優(yōu)選方案，在步驟(1.2)中，高爐煉鐵生產(chǎn)過程的拓?fù)浣Y(jié)構(gòu)中存在著沒有實(shí)際觀察值的抽象節(jié)點(diǎn)，在構(gòu)造圖后會(huì)也會(huì)在圖中產(chǎn)生單元節(jié)點(diǎn)；定義零矩陣作為所有抽象節(jié)點(diǎn)的數(shù)據(jù)矩陣，將所有抽象節(jié)點(diǎn)的觀察值初始化為零，其中p表示抽象節(jié)點(diǎn)的數(shù)量；然后將包含動(dòng)態(tài)特征的數(shù)據(jù)矩陣xt，d和代表抽象節(jié)點(diǎn)的特征矩陣o進(jìn)行水平拼接，得到特征矩陣xf，t；具體如下式所示：

30、xt，f＝[xt，d|o]t

31、式中，t表示轉(zhuǎn)置。

32、作為本發(fā)明的優(yōu)選方案，在步驟(1.2)中，mdgcn模型的故障診斷是通過圖級(jí)多分類任務(wù)實(shí)現(xiàn)的，為滿足有監(jiān)督學(xué)習(xí)的要求，為每個(gè)特征矩陣xf，t在t時(shí)刻分配對(duì)應(yīng)的真實(shí)標(biāo)簽yt的值為從0到c的整數(shù)，用于表示高爐煉鐵系統(tǒng)的不同運(yùn)行狀態(tài)。

33、作為本發(fā)明的優(yōu)選方案，在步驟(1.3)中構(gòu)造圖時(shí)，基于工藝流程內(nèi)容確定圖中各節(jié)點(diǎn)之間的邊，用于表示變量之間的關(guān)系；每個(gè)樣本矩陣對(duì)應(yīng)一張圖，所有的圖將在mdgcn模型運(yùn)行過程中用于圖級(jí)分類任務(wù)。

34、作為本發(fā)明的優(yōu)選方案，在步驟(1.3)構(gòu)造的圖是無向圖，其鄰接矩陣a是一個(gè)對(duì)稱矩陣；步驟(1.2)中每個(gè)數(shù)據(jù)矩陣都對(duì)應(yīng)一張圖，每張圖的鄰接矩陣和度矩陣分別如下式所示：

35、

36、其中，a表示步驟(1.3)中鄰接矩陣(n×n)；in表示一個(gè)n階單位矩陣；i和j表示兩個(gè)節(jié)點(diǎn)索引；n表示節(jié)點(diǎn)總數(shù)。

37、作為本發(fā)明的優(yōu)選方案，在步驟(1.4)中，利用mdgcn模型通實(shí)現(xiàn)多通道圖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，具體包括：

38、(a)對(duì)模型中的l個(gè)卷積層和q個(gè)濾波器進(jìn)行初始化，然后按下式進(jìn)行每層的計(jì)算：

39、

40、其中，relu(·)表示線性整流函數(shù)(rectified?linear?unit，relu)；表示具有自導(dǎo)向邊的度矩陣；表示添加自導(dǎo)向邊后的鄰接矩陣；1＝1…，l，和分別是特征矩陣xf，t在t時(shí)刻，第l個(gè)圖卷積層所對(duì)應(yīng)的第j個(gè)濾波器的輸入特征和輸出特征；是模型需要學(xué)習(xí)的權(quán)重特征，s表示時(shí)間遲滯量，b是設(shè)定嵌入的特征維度；

41、(b)所有圖完成卷積層計(jì)算后，提取所有濾波器學(xué)習(xí)到的數(shù)據(jù)深層表征hj；

42、

43、其中，flat(·)表示flatten操作，即將高維的特征矩陣展平為一維向量；q表示濾波器的數(shù)量；

44、將每個(gè)獨(dú)立且被展平的特征堆疊成為h：

45、h＝[h1，h2，...，hq]t

46、其中，t表示轉(zhuǎn)置；

47、(c)將堆疊得到的h作為k層的多層感知機(jī)(multi-layerperceptron，mlp)分類器的輸入，進(jìn)行mlp全連接層的計(jì)算：

48、hk＝relu(wkhk-1+bk)

49、zk＝[z0，z1，...，zc]t

50、其中，hk表示第k層的激活值；wk表示第k層的權(quán)重矩陣；bk表示第k層的偏置向量；k＝1，…，k，k表示完全連接層的數(shù)量；zk是mlp全連接層中第k層的輸出；c表示分類任務(wù)中的類別數(shù)量；

51、(d)故障診斷的實(shí)現(xiàn)是作為一個(gè)分類任務(wù)來完成的；為此，在第k個(gè)完全連接層之后使用一個(gè)softmax層：

52、p＝[p0，p1，…，pc]t＝softmax(zk)

53、softmax層的輸出為向量p，p是針對(duì)所有類別的概率分布。

54、作為本發(fā)明的優(yōu)選方案，在步驟(1.4)中，利用mdgcn模型進(jìn)行多通道圖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)，在神經(jīng)網(wǎng)絡(luò)最后的前向傳播過程中，采用交叉熵?fù)p失函數(shù)進(jìn)行計(jì)算：

55、

56、其中，wl，wk，bk分別表示卷積層的權(quán)重矩陣，mlp中第k層的權(quán)重矩陣，mlp中第k層的偏置向量；yt表示樣本的真實(shí)標(biāo)簽；pt表示模型預(yù)測正類概率；d表示正則化因子。

57、本發(fā)明進(jìn)一步提供了一種計(jì)算機(jī)設(shè)備，包括：至少一個(gè)處理器，以及與至少一個(gè)處理器通信連接的存儲(chǔ)器，其中，存儲(chǔ)器存儲(chǔ)有被至少一個(gè)處理器執(zhí)行的指令，指令被至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器執(zhí)行前述的基于mdgcn的高爐煉鐵過程新型故障診斷方法。

58、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)指令，所述的計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行前述的基于mdgcn的高爐煉鐵過程新型故障診斷方法。

59、發(fā)明原理描述：

60、在高爐煉鐵運(yùn)行過程中，可能出現(xiàn)爐況難行、崩料、懸料、爐溫向熱/向涼等各種異常情況，現(xiàn)有技術(shù)中采用圖卷積網(wǎng)絡(luò)(gcn)診斷故障時(shí)通常局限在針對(duì)數(shù)據(jù)自身的規(guī)律總結(jié)，存在脫離煉鐵生產(chǎn)過程的問題，導(dǎo)致在故障診斷準(zhǔn)確率方面難以令人滿意。

61、為了解決上述問題，申請人提出創(chuàng)新的解決方案：利用多通道動(dòng)態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)(multichanneldynamicgraphconvolutionalnetwork，mdgcn)模型，通過系統(tǒng)結(jié)構(gòu)和過程知識(shí)構(gòu)建圖。計(jì)算不同時(shí)刻過程數(shù)據(jù)之間的歐氏距離，并通過softmax進(jìn)行歸一化。所計(jì)算的歐氏距離作為不同時(shí)刻數(shù)據(jù)的權(quán)重，進(jìn)一步提取過程數(shù)據(jù)的動(dòng)態(tài)特征。mdgcn模型將多個(gè)同構(gòu)圖通道集成到圖神經(jīng)網(wǎng)絡(luò)中，從所構(gòu)造的圖中學(xué)習(xí)到不同層次的特征。最后，采用多層感知機(jī)分類器進(jìn)行故障診斷。

62、與現(xiàn)有報(bào)道的mdgcn模型相比，本發(fā)明所提出的mdgcn診斷方法有機(jī)結(jié)合了煉鐵過程的機(jī)理和數(shù)據(jù)，能有效提高過程監(jiān)測與故障診斷的準(zhǔn)確率。由此可見，本發(fā)明突破了本領(lǐng)域技術(shù)人員的固有的技術(shù)思維習(xí)慣，并取得了意料之外的技術(shù)效果。

63、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

64、1、本發(fā)明提出的基于mdgcn的高爐煉鐵過程故障診斷方法，用系統(tǒng)結(jié)構(gòu)和過程知識(shí)構(gòu)建圖，給時(shí)間節(jié)點(diǎn)分配不同的權(quán)重以提取過程數(shù)據(jù)的動(dòng)態(tài)特征；采用多同構(gòu)圖通道策略構(gòu)建多通道gcn模型，學(xué)習(xí)不同層次的特征；在在線監(jiān)測階段采用多層感知機(jī)分類器進(jìn)行故障診斷，有效提高了故障診斷的準(zhǔn)確率。

65、2、高爐煉鐵過程的數(shù)據(jù)量大、數(shù)據(jù)特征多，為了更準(zhǔn)確的進(jìn)行故障診斷，本發(fā)明結(jié)合了過程拓?fù)渲R(shí)，并分配不同的權(quán)值來構(gòu)造圖，以提取更多有用的信息。通過中心節(jié)點(diǎn)的邊緣節(jié)點(diǎn)傳遞信息，并將相鄰節(jié)點(diǎn)的特征匯總到中心節(jié)點(diǎn)，更新節(jié)點(diǎn)狀態(tài)。從而將故障診斷預(yù)系統(tǒng)過程拓?fù)溆袡C(jī)結(jié)合，能夠從所構(gòu)造的圖中學(xué)習(xí)到不同層次的特征，進(jìn)而提高準(zhǔn)確率。

66、3、根據(jù)數(shù)據(jù)的j通過對(duì)時(shí)間節(jié)點(diǎn)之間的動(dòng)態(tài)權(quán)重進(jìn)行計(jì)算，本發(fā)明利用歐氏距離和softmax歸一化，精準(zhǔn)捕捉了不同時(shí)刻過程數(shù)據(jù)之間的動(dòng)態(tài)關(guān)系。相比傳統(tǒng)故障診斷方法中對(duì)時(shí)間節(jié)點(diǎn)的靜態(tài)處理方式，這種動(dòng)態(tài)權(quán)重賦值機(jī)制能夠有效適應(yīng)高爐煉鐵過程中快速變化的工況特征，從而提升對(duì)異常狀況的敏感性與診斷精度。

67、4、本發(fā)明采用mdgcn模型的多通道學(xué)習(xí)機(jī)制，從多個(gè)同構(gòu)圖中提取不同層次的特征。這一策略使得模型能夠更好地捕獲高爐煉鐵復(fù)雜系統(tǒng)中多維變量間的深層依賴關(guān)系，顯著提升了特征學(xué)習(xí)能力。與傳統(tǒng)單圖或單通道gcn方法相比，多通道策略能夠在同等網(wǎng)絡(luò)深度下，實(shí)現(xiàn)更高效的特征表示能力，進(jìn)一步提升診斷精度。

68、5、在在線監(jiān)測階段，本發(fā)明采用多層感知機(jī)(mlp)對(duì)提取的特征進(jìn)行分類，相較于傳統(tǒng)線性分類器，mlp能夠更好地處理高維、非線性分布的數(shù)據(jù)特征。結(jié)合mdgcn所學(xué)習(xí)的深層特征，模型在多分類任務(wù)中實(shí)現(xiàn)了顯著的性能提升，特別是在爐況難行、崩料等復(fù)雜故障類型的診斷中效果更為突出。