一种处理冲突信息的高炉悬料诊断方法

摘要

本发明公开了一种处理冲突信息的高炉悬料诊断方法，用以解决由高炉过程数据存在大量不确定性和冲突信息导致的悬料诊断准确率不高的问题。首先，提取悬料诊断的证据输入。其次，基于区间数确定所述证据的基本概率分配，用以表征高炉悬料诊断证据的不确定性信息。再次，计算冲突度量因子辨识高炉悬料诊断证据之间的冲突量，通过两两证据融合方式进行证据推理获得融合结果；最后，计算信任函数输出诊断结果。从而实现高炉悬料诊断，提高诊断准确率，降低计算难度，改善悬料诊断的实时性。

权利要求

1.一种处理冲突信息的高炉悬料诊断方法，其特征在于，所述方法包括：步骤1，提取待诊断样本过程参数的特征属性值作为证据输入；

步骤2，分别采集高炉悬料样本和正常炉况样本的过程参数特征属性值，提取各自特征属性值的最大、最小值构造各自对应的区间数形式的悬料基模型和正常炉况基模型；

步骤3，计算所述证据输入和所述悬料基模型的区间距离和区间相似度，以及计算所述证据输入和所述正常炉况基模型的区间距离和区间相似度，将两个区间相似度进行归一化处理确定为证据的基本概率分配；

步骤4，在确定所述基本概率分配的基础上，选取两两融合方式进行证据推理，先计算冲突度量因子辨识证据之间的冲突量，再应用合成规则进行融合推理获得融合结果；

步骤5，根据所述融合结果计算信任函数，选取信任函数值的最大值对应的炉况为诊断结果。

2.如权利要求1所述的方法，其特征在于，所述步骤2中：所述悬料基模型或所述正常炉况基模型的表达形式为：N＝[n-,n+]＝{x|n-≤x≤n+}，n-，n+∈R，N为一个区间数，n-为各自特征属性值的最小值，n+为各自特征属性值的最大值。

3.如权利要求1所述的方法，其特征在于，所述步骤3中：区间距离和区间相似度的计算公式为：设X是所述证据输入中待诊断样本的特征属性值，Y＝[y1,y2]是所述悬料基模型或者所述正常炉况基模型，则X和Y的区间距离为：则X和Y的区间相似度为：

其中h>0为支持系数。

4.如权利要求1所述的方法，其特征在于，所述步骤4中：所述冲突度量因子的计算公式具体为：悬料诊断的辨识框架Θ包含命题A、B，A表示悬料发生，B表示正常运行，在Θ下的证据E1对命题A、B的基本概率分配为m1(A)、m1(B)，在Θ下的证据E2对命题A、B的基本概率分配为m2(A)和m2(B)，则证据E1、E2之间的冲突度量因子Kd为：其中，difBetP(m1,m2)为Pignistic概率距离，所述Pignistic概率距离取m1(A)-m2(A)和m1(B)-m2(B)中的较大值，K为证据理论中的经典冲突系数。

5.如权利要求4所述的方法，其特征在于，所述步骤4中：所述合成规则具体为：其中，m(A)为融合结果，所述融合结果表示证据支持命题A发生的程度，m(B)为融合结果，所述融合结果表示证据支持命题B发生的程度。

6.如权利要求1所述的方法，其特征在于，所述步骤5中：所述计算信任函数的规则为：Bel(A)＝m(A)

Bel(B)＝m(B)

其中，Bel(A)为命题A的信任函数，所述信任函数表征证据对悬料发生的信任程度，Bel(B)为命题B的信任函数，所述信任函数表征证据对高炉正常运行的信任程度。

说明书

一种处理冲突信息的高炉悬料诊断方法

技术领域

[0001] 本申请涉及钢铁冶金领域，尤其涉及一种处理冲突信息的高炉悬料诊断方法。

背景技术

[0002] 钢铁产业是我国国民经济的基础产业，是实现工业化的重要支撑，在国民经济发展中发挥着不可替代的作用。高炉炼铁作为钢铁生产的核心工序，维持高炉稳定顺行是钢铁企业正常生产的基础。

[0003] 悬料是发生频率相对较高且危害极大的一种高炉故障炉况，如未及时诊断悬料发生并采取应急调控措施，将严重破坏高炉的稳顺运行进程，提出有效的悬料诊断方法具有重要意义。生产现场通过安装压力、温度、流量等传感器监测过程参数，由于悬料发生时，过程检测参数不同于其在正常状态下的表现。在高炉悬料诊断实践中，可通过分析过程参数特征实现诊断。

[0004] 实质上，高炉生产中诸多过程数据同时变化对故障的影响难以轻易判决，不同过程参数对特定故障的支持度差异巨大，基于不同位置传感器的诊断结论可能冲突，基于不同类型传感器的诊断结论可能冲突，过程数据之间既相互影响又相互关联，不可避免地产生矛盾和冲突。过程数据存在着大量不确定性信息和冲突信息，这些信息严重影响着悬料诊断的准确率。比如：正常情况下，适宜的冷风流量与适量热风风压对应，悬料和炉况向热故障发生时，二者呈现相同的变化趋势(热风风压上升、冷风风量下降)，因此过程参数冷风风量、热风风压隐含着不确定性信息，无法轻易确定两参数对悬料的支持度。在悬料诊断中，有效处理过程数据的不确定性信息和冲突信息至关重要。

[0005] 现有高炉悬料诊断方法大致分为两类：一类是基于专家经验的诊断，另一类是基于数据驱动的诊断。基于专家经验的直接判决受限于个人经验，主观性过强，导致诊断效果不理想；基于数据驱动的悬料诊断，模型精度过度依赖悬料样本数据，并忽略过程数据极易产生冲突信息的特性，导致应用效果受限。

发明内容

[0006] 针对已有高炉悬料诊断方法存在的不足，结合过程参数存在大量不确定性和冲突信息的实际，从高炉不确定性和冲突信息的新角度出发，本发明提出一种处理冲突信息的高炉悬料诊断方法，为现场应用提供一种切实可行的高炉悬料诊断新思路。在高炉炼铁过程中，能够及时有效地诊断高炉悬料，提示操作人员采取调控措施，避免悬料的发生和炉况的进一步恶化。

[0007] 为解决上述技术问题，本发明提供了一种处理冲突信息的高炉悬料诊断方法，所述方法包括：

[0008] 步骤1，提取待诊断样本过程参数的特征属性值作为证据输入；

[0009] 步骤2，分别采集高炉悬料样本和正常炉况样本的过程参数特征属性值，提取各自特征属性值的最大、最小值构造各自对应的区间数形式的悬料基模型和正常炉况基模型；

[0010] 步骤3，计算所述证据输入和所述悬料基模型的区间距离和区间相似度，以及计算所述证据输入和所述正常炉况基模型的区间距离和区间相似度，将两个区间相似度进行归一化处理确定为证据的基本概率分配；

[0011] 步骤4，在确定所述基本概率分配的基础上，选取两两融合方式进行证据推理，先计算冲突度量因子辨识证据之间的冲突量，再应用合成规则进行融合推理获得融合结果；

[0012] 步骤5，根据融合结果计算信任函数，选取信任函数值的最大值对应的炉况为诊断结果。

[0013] 优选的，所述步骤2中：所述悬料基模型或所述正常炉况基模型的表达形式为：N＝[n-,n+]＝{x|n-≤x≤n+}，n-，n+∈R，N为一个区间数，n-为各自特征属性值的最小值，n+为各自特征属性值的最大值。

[0014] 优选的，所述步骤3中：区间距离和区间相似度的计算公式为：

[0015] 设X是所述证据输入中待诊断样本的特征属性值，Y＝[y1,y2]是所述悬料基模型或者所述正常炉况基模型，则X和Y的区间距离为：

[0016]

[0017] 则X和Y的区间相似度为：

[0018]

[0019] 其中h>0为支持系数。

[0020] 优选的，所述步骤4中：所述冲突度量因子的计算公式具体为：

[0021] 悬料诊断的辨识框架Θ包含命题A、B，A表示悬料发生，B表示正常运行，在Θ下的证据E1对命题A、B的基本概率分配为m1(A)、m1(B)，在Θ下的证据E2对命题A、B的基本概率分配为m2(A)和m2(B)，则证据E1、E2之间的冲突度量因子Kd为：

[0022]

[0023] 其中，difBetP(m1,m2)为Pignistic概率距离，该距离反映证据之间的个体差异，所述Pignistic概率距离取m1(A)-m2(A)和m1(B)-m2(B)中的较大值；K为证据理论中的经典冲突系数。

[0024] 步骤4中所述合成规则具体为：

[0025]

[0026]

[0027] 其中，m(A)为融合结果，所述融合结果表示证据支持命题A发生的程度，m(B)为融合结果，所述融合结果表示证据支持命题B发生的程度。

[0028] 步骤5中所述计算信任函数的规则为：

[0029] Bel(A)＝m(A)

[0030] Bel(B)＝m(B)

[0031] 其中，Bel(A)为命题A的信任函数，所述信任函数表征证据对悬料发生的信任程度，Bel(B)为命题B的信任函数，所述信任函数表征证据对高炉正常运行的信任程度。

[0032] 通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：

[0033] 本发明公开了一种处理冲突信息的高炉悬料诊断方法，用以解决由高炉过程数据存在大量不确定性和冲突信息导致的悬料诊断准确率不高的问题。首先，提取悬料诊断的证据输入。其次，基于区间数确定所述证据的基本概率分配，用以表征高炉悬料诊断证据的不确定性信息。再次，计算冲突度量因子辨识高炉悬料诊断证据之间的冲突量，通过两两证据融合方式进行证据推理获得融合结果；最后，计算信任函数输出诊断结果。从而实现高炉悬料诊断，提高诊断准确率，降低计算难度，改善悬料诊断的实时性。

附图说明

[0034] 图1悬料基模型和正常炉况基模型；

[0035] 图2证据对悬料样本的基本概率分配图；

[0036] 图3证据对正常炉况样本的基本概率分配图；

[0037] 图4悬料测试样本诊断结果图；

[0038] 图5正常炉况测试样本诊断结果图；

[0039] 图6高炉悬料诊断结果准确率对比图；

[0040] 图7为本发明实施例中有效处理冲突信息的高炉悬料诊断方法的实施过程图。

具体实施方式

[0041] 为了使本申请所属技术领域中的技术人员更清楚地理解本申请，下面结合附图，通过具体实施例对本申请技术方案作详细描述。

[0042] 为解决上述技术问题，本发明提出一种处理冲突信息的高炉悬料诊断方法，具体的实施原理是：根据不确定性推理方法DS证据理论，基于区间数确定证据的基本概率分配，定义冲突度量因子表征证据之间的冲突程度，进而实现悬料诊断。

[0043] 下面具体介绍有效处理冲突信息的高炉悬料诊断方法的实施过程，具体请参看图7，包括以下步骤：

[0044] 步骤1：提取待诊断样本过程参数的特征属性值作为证据输入；

[0045] 具体来说，过程参数的特征属性值可以为后续的故障诊断提供必要前提。提取过程参数的特征属性值可以结合高炉现场炉长经验和工艺机理，综合利用过程参数的变化趋势和隐含信息来进行提取。而过程参数的特征属性值可以是如平均值、梯度变化值、梯度累加值、偏差值、偏差累加值及标准差等。

[0046] 而在证据输入中，证据的项数与所述过程参数的类别数相同，证据输入与过程参数一一对应。即：一项证据输入对应一类过程参数，而本发明的一类过程参数包含一个特征属性值，因此，实际上特征属性值和证据输入也是一一对应的。

[0047] 优选的，所述步骤1中待诊断样本过程参数的特征属性值包括冷风风量参数的偏差(简记为风量偏差)、热风压力参数的梯度(简记为风压梯度)、透气性指数参数的偏差(简记为透指偏差)、压差参数的梯度(简记为压差梯度)、顶压参数的梯度(简记为顶压梯度)和料速参数的平均值(简记为料速均值)。

[0048] 步骤2：分别采集高炉悬料样本和正常炉况样本的过程参数特征属性值，提取各自特征属性值的最大、最小值构造各自对应的区间数形式的悬料基模型和正常炉况基模型；

[0049] 所述悬料基模型或正常炉况基模型的表达形式为：

[0050] N＝[n-,n+]＝{x|n-≤x≤n+}，n-，n+∈R，N为一个区间数，n-为各自特征属性值的最小值，n+为各自特征属性值的最大值。

[0051] 步骤3，计算所述证据输入和所述悬料基模型之间的区间距离和区间相似度，以及计算所述证据输入和所述正常炉况基模型的区间距离和区间相似度，将两个区间相似度进行归一化处理确定为证据的基本概率分配；

[0052] 所述区间距离和区间相似度的计算公式为：

[0053] 设X是所述证据输入中待诊断样本的特征属性值，Y＝[y1,y2]是所述悬料基模型或者所述正常炉况基模型，则X和Y的区间距离为：

[0054]

[0055] 则X和Y的区间相似度为：

[0056]

[0057] 其中h>0为支持系数。

[0058] 步骤4，在确定所述基本概率分配的基础上，选取两两融合方式进行证据推理，先计算冲突度量因子辨识证据之间的冲突量，再应用合成规则进行融合推理获得融合结果；

[0059] 步骤4实际上是根据DS合成规则，采取两两融合方式进行诊断。因为利用两两证据融合方式进行多次信息融合，能够避免潜在的组合爆炸危险，降低计算难度，改善悬料诊断的实时性。

[0060] 所述冲突度量因子的计算公式具体为：

[0061] 悬料诊断的辨识框架Θ包含命题A、B，A表示悬料发生，B表示正常运行，在Θ下的证据E1对命题A、B的基本概率分配为m1(A)、m1(B)，在Θ下的证据E2对命题A、B的基本概率分配为m2(A)和m2(B)，则证据E1、E2之间的冲突度量因子Kd为：

[0062]

[0063] 其中，difBetP(m1,m2)为Pignistic概率距离，该距离反映证据之间的个体差异,所述Pignistic概率距离取m1(A)-m2(A)和m1(B)-m2(B)中的较大值，K为证据理论中的经典冲突系数。

[0064] 所述合成规则具体为：

[0065]

[0066]

[0067] 其中，m(A)为融合结果，所述融合结果表示证据支持命题A发生的程度，m(B)为融合结果，所述融合结果表示证据支持命题B发生的程度。

[0068] 步骤5，根据融合结果计算信任函数，选取信任函数值的最大值对应的炉况为诊断结果。

[0069] 所述计算信任函数的规则为：

[0070] Bel(A)＝m(A)

[0071] Bel(B)＝m(B)

[0072] 其中，Bel(A)为命题A的信任函数，所述信任函数表征证据对悬料发生的信任程度，Bel(B)为命题B的信任函数，所述信任函数表征证据对高炉正常运行的信任程度。

[0073] 以下将结合附图和具体实施例对本发明做进一步详细说明：

[0074] 为体现本发明方法的有益效果和优点，选取国内某钢铁企业3200m3高炉的100组悬料数据样本和200组正常炉况数据样本作为实验样本实施本发明方法。

[0075] Step1：在实验样本中随机选择50组悬料数据、100组正常炉况数据作为待诊断样本，提取待诊断测试样本的风量偏差、风压梯度、透指偏差、压差梯度、顶压梯度和料速均值作为六项证据输入。

[0076] Step2：采集未被选的50组高炉悬料样本的特征属性值，包括风量偏差、风压梯度、透指偏差、压差梯度、顶压梯度和料速均值，利用这些特征属性值的最大、最小值构造悬料基模型。用同样的方法建立正常炉况基模型，得到如附图1所示的悬料基模型和正常炉况基模型。

[0077] Step3：通过计算证据输入中待诊断样本的特征属性值与两个基模型的区间距离、区间相似度及归一化处理，确定基本概率分配。得到如附图2、3所示的证据对故障炉况和正常炉况的基本概率分配图，图中各基本概率分配表示各证据对悬料故障和正常运行的初始支持度。

[0078] 从附图2可以看出，在50组待诊断悬料样本中，六项证据对高炉悬料的基本概率分配较多地分布在0.5～1范围内，对正常炉况的基本概率分配较多地分布在0～0.5范围内；但图中还是存在大量冒尖，证据基本概率分配的冒尖表明该证据与其他证据对炉况的支持度差别大，冲突突出；附图3所示的100组待诊断正常炉况样本中基本概率分配图也呈现诸多冒尖，充分证实证据之间存在大量的冲突信息。

[0079] Step4：将六个证据分成三组，风量偏差和风压梯度、透气性指数和压差梯度、顶压梯度和料速均值，分别组成三组证据进行融合，计算冲突度量因子辨识证据间冲突量，利用合成规则通过多次两两融合得到最终融合结果。

[0080] Step5：计算高炉悬料和正常炉况对应的信任函数，选取信任函数值的最大值对应的炉况为诊断结果。

[0081] 为与本发明所提方法进行比较，针对相同的数据样本，本实验利用经典冲突系数度量冲突进行了融合诊断，诊断结果如附图4、5所示，其中方法1代表利用经典冲突系数进行融合的高炉悬料诊断方法，方法2代表本发明所提的方法。

[0082] 附图4中横坐标为待诊断悬料样本的序号，纵坐标为悬料诊断结果，图中横实线为决策阈值线，超出阈值线则表示诊断结果为悬料发生。通过比较两种方法的悬料诊断结果，可以看出经典冲突系数方法，漏判率较高。在实际生产中，未能及时发现故障并采取措施处理故障，将导致严重后果。采用冲突度量因子辨识冲突有效地提高了诊断准确率，对高炉生产具有实际意义。

[0083] 附图5中横坐标为待诊断正常炉况样本的序号，纵坐标为正常炉况诊断结果，图中横实线为决策阈值线，超出阈值线则表示诊断结果为炉况正常，无故障产生。如图所述，经典DS证据融合方法误判率较高，出现了较多的把正常炉况判为故障的情况。因此，本发明所提方法在灵敏度上也有所改进，降低了误判率。

[0084] 上述两种方法诊断比较结果如图6所示，利用诊断正确的样本总数与炉况测试样本总数的比值表示综合准确率，从综合准确率对比中可以看出本发明所提方法在准确率上具有较大优势。

[0085] 通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：

[0086] 本发明公开了一种处理冲突信息的高炉悬料诊断方法，用以解决由高炉过程数据存在大量不确定性和冲突信息导致的悬料诊断准确率不高的问题。首先，提取悬料诊断的证据输入。其次，基于区间数确定所述证据的基本概率分配，用以表征高炉悬料诊断证据的不确定性信息。再次，计算冲突度量因子辨识高炉悬料诊断证据之间的冲突量，通过两两证据融合方式进行证据推理获得融合结果；最后，计算信任函数输出诊断结果，从而实现高炉悬料诊断。

[0087] 按照高炉生产现场实际，高炉炉长很难将证据对于悬料的基本概率分配准确地表示为[0,1]之间的单点值。因此，本发明充分利用区间数只要求给定下限和上限两个数据的特性，切合高炉炉长思维，符合高炉现场实际，有效地表达证据输入的不确定信息。

[0088] 进一步地，本发明构造冲突度量因子能够有效地辨识证据间的冲突量，利用两两证据融合方式进行多次信息融合，能够避免潜在的组合爆炸问题，降低计算难度。

[0089] 本发明提出的有效处理冲突信息的高炉悬料诊断方法，能提高诊断准确率，降低计算难度，改善悬料诊断的实时性。

[0090] 尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

[0091] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。