[发明专利]基于深度神经网络的高炉故障诊断规则导出方法

权利要求书

1.一种基于深度神经网络的高炉故障诊断规则导出方法，其特征在于，步骤如下：

步骤一：利用历史高炉故障数据对深度神经网络进行权值训练，建立深度神经网络高炉故障诊断模型，即从高炉历史故障数据中学习高炉故障诊断知识，表达成一个从高炉过程变量到高炉故障类别的抽象非线性映射；

步骤二：针对每种故障，从深度神经网络的隐藏层最后一层出发，提取当前层与后一层节点所形成的规则子集合中if-then规则的规则前件并去除重复项形成规则前件集合；

步骤三：针对规则前件集合中每一个元素，所述的元素是当前层节点条件的组合，利用决策树建立前一层节点和该元素的输入输出子模型，由此形成的决策树是将深度神经网络模型表征的从高炉过程变量到高炉故障类别的非线性映射转化为直观的故障诊断模式，实现人机交互；

步骤四：利用决策树子模型导出以前一层节点条件为规则前件，以当前层节点为规则后件的if-then规则，并加入前一层与当前层节点的规则子集合中；

步骤五：重复步骤三、步骤四直到规则前件集合中所有元素被遍历，并形成了前一层与当前层节点的规则子集合；

步骤六：将步骤五中的前一层设置为当前层，步骤五中的当前层设置为后一层，再次重复步骤二、步骤三、步骤四、步骤五，如此一直前推直到到达深度神经网络的输入层，即高炉过程变量参数输入层；

步骤七：按照每个规则子集合形成时的先后顺序，依次寻找相邻子集合中规则前件与规则后件匹配的规则，将其不断链接形成新的规则，因而最后得到以高炉过程变量为规则前件，以故障类别为规则后件的if-then规则并最终得到高炉故障诊断规则集合。

2.根据权利要求1所述的方法，其特征在于，步骤一所述的深度神经网络的结构如下：深度神经网络包含输入层、隐含层以及输出层三部分，输入层是高炉过程变量参数输入层，所述的高炉过程变量参数为表征高炉生产状态的工业过程参数，包括透气性指数、冷风流量、热风流量、顶压、冷风压力、热风压力，输出层是高炉故障类别层，所述的高炉故障为与高炉生产过程相关的高炉故障，包括难行、悬料、管道、崩料、炉热、炉凉，隐含层的作用是建立一个从高炉过程变量到高炉故障类别的非线性映射，从高炉历史故障数据中学习高炉故障诊断知识，建立高炉故障诊断模型；同一层的神经元没有连接，层与层之间的神经元是全连接的，每个连接都有一个权值，表征神经元之间联系程度的强弱；深度神经网络的数学模型为：

其中，为神经网络第i层第j个隐藏层单元的输出，记h_i为神经网络第i层，则h₀为神经网络输入层，h_k+1为神经网络输出层；j的取值根据网络第i层的神经元的个数决定，记第i层的神经元个数为z_i，则每层j的取值为1到z_i；W(i,j)为第i层第j个神经元对应的权值矩阵；为第i层第j个神经元对应的偏置项，b_k+1为输出层单元对应的偏置项；y代表神经网络的输出；f(·)和g(·)分别是隐层单元和输出单元的激活函数。