[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

说明书

本发明公开了一种基于深度神经网络的高炉故障诊断规则导出方法，属于工业过程监控、建模和仿真领域。首先，采用深度神经网络对历史高炉故障数据进行建模；然后，针对每种故障，从网络的输出层出发依次利用决策树建立深度神经网络相邻层节点的子模型，并导出if‑then规则；最后，将if‑then规则进行逐层合并，最终获得以高炉过程变量为规则前件，以故障类别为规则后件的高炉故障诊断规则。本发明方法，不仅利用深度神经网络高诊断精度的优势，从高炉历史数据中获取故障诊断知识，还将知识转化成易被高炉操作人员理解的规则，实现人机协同的知识与决策融合，能够广泛应用于对于故障诊断有高可信度和准确度要求的工业系统。

技术领域

本发明属于工业过程监控、建模和仿真领域，特别涉及一种基于深度神经网络的高炉故障诊断规则导出方法。

背景技术

钢铁制造流程中，以大型高炉为主的大型炼铁系统是铁素物质流转换的关键工序。大型高炉是钢铁制造过程的核心装备，是世界上最大的化学反应容器。在大型高炉运行过程中，异常炉况若不能得到及时监测、诊断与控制，不仅会造成资源和设备的重大损失降低高炉炉龄，甚至还会引发事故导致人员伤亡与财产损失。因此，确保高炉的安全运行，是钢铁制造过程中的重中之重。

我国多数大型炼铁系统的原燃料禀赋差且成分多变，运行工况频繁波动且规律难以把握。此外，大型炼铁系统的场相耦合与非线性多参数耦合异常复杂，表征运行性能的关键参数难以在线检测，高炉具有的动态性、脆弱性、不确定性以及信息不完备性等特性使得高炉系统故障诊断成为极具挑战性的课题，而在实际生产中，维护高炉运行的操作仍是以人工经验知识为主的操作调控，目前成功应用于高炉故障诊断的专家系统也由于开发与维护成本过高，性能退化严重等因素并没有得到重视。因此，亟需在现有炼铁生产自动化与信息化的基础上，深度融合炼铁专家知识、操作经验与智能技术，实现信息深度感知、智慧优化决策和精准协调控制，以提高我国大型炼铁系统生产过程的智能化水平。

现有的高炉故障诊断方法，主要有专家系统和数据驱动方法，其中数据驱动方法可分为多元统计与机器学习两大类。基于专家系统的方法，主要通过炼铁工艺知识与高炉操作者经验建立规则库，进而通过设计一套推断与决策方法对高炉异常炉况进行诊断。这种方法建立规则库的成本高昂，且随着高炉炉龄增长或炉况的剧烈改变，专家系统会失效，缺乏增强进化的能力。基于机器学习的方法，传统的决策树、SVM等白箱模型需要很多训练样本，而实际中故障样本数往往是很少的，因此并不能取得很好的效果；目前得到迅速发展的深度神经网络方法虽然在精度上取得了很大的突破，但由于是黑箱模型，因此并不被高炉操作者信任，其可信度与诊断稳定度收到质疑，很难在实际中推广使用；基于多元统计的方法对于原材料品质波动且操作环境复杂多变的大型高炉来说误判率非常高。因此，现有的异常炉况诊断方法距离实际应用还有很大差距，需要探索新路径新方法。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于深度神经网络的高炉故障诊断规则导出方法。该方法首先采用深度神经网络对历史高炉故障数据进行建模，确保模型的高诊断精度；然后，针对每种故障，从深度神经网络的隐藏层利用决策树获得高炉故障诊断专家规则，为高炉操作人员提供可以理解、修改、借鉴的高炉故障诊断规则。本发明方法，不仅利用深度神经网络高诊断精度的优势，从高炉历史数据中获取故障诊断知识，还将知识转化成易被高炉操作人员理解的规则，大大降低了维护系统的成本并提高了系统的动态性，实现人机协同的知识与决策融合，能够广泛应用于对于故障诊断有高可信度和准确度要求的工业系统。

一种基于深度神经网络的高炉故障诊断规则导出方法，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，表达成一个从高炉变量参数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；