[发明专利]一种基于机器学习的直流矿热炉异常事件预警系统

权利要求书

1.一种基于机器学习的直流矿热炉异常事件预警系统，其特征在于包括：

对直流矿热炉在生产过程中的多项物理数据参量进行感知检测、并将感知到的信息按照一定规律变换成电信号的传感器模块(M1)；

按照一定周期接收传感器模块(M1)传送的电信号的数据采集模块(M2)，所述数据采集模块(M2)采用防抖、滤波、钝化的方法对接收到的电信号进行数据处理并输出；

接收所述数据采集模块(M2)传送的数据信息的中央处理模块(M3)，所述中央处理模块(M3)对接收到的信号进行逻辑控制、调整生产工艺的控制策略；

接收所述中央处理模块(M3)传送的逻辑控制信息的人机交互模块(M4)，所述人机交互模块(M4)对接收到的数据信息进行实时显示、并将工艺操作人员的控制指令发送至中央处理模块(M3)进行逻辑控制、实现与中央处理模块(M3)的双向数据沟通；

接收中央处理模块(M3)传送的逻辑控制数据的机器学习模块(M5)，所述机器学习模块(M5)通过对直流炉冶炼生产的海量历史数据测点进行分析、特征提取，实时预估当前电极电流的输出特征，根据当前电极电流实际输出特征和直流矿热炉模型预估的电极电流输出特征获取电极电流输出特征残差，通过在电极电流输出特征残差中设定合适的阈值作为塌料、电极软硬断异常事件的判断依据、当特征残差大于设定的阈值则输出预警信号；所述机器学习模块(M5)借助设备故障智能预测引擎，通过对直流炉冶炼生产的海量历史数据测点进行分析和建模，针对性的建立直流炉冶炼中的塌料、电极软硬断两种异常事件的预测算法，并使用历史数据对算法进行反向验证，以验证塌料、电极软硬断事故预测算法，对异常进行预警分析；所述机器学习模块(M5)还对接收到的逻辑控制数据进行大数据处理、特征提取、分析学习和业务应用、同时将学习成果信息反馈至中央处理模块(M3)；

接收所述中央处理模块(M3)发出的控制指令的数控输出模块(M6)，所述数控输出模块(M6)将信息转换成各种物理信号输出；

接收所述数控输出模块(M6)传送的物理信号的执行机构模块(M7)，所述执行机构模块(M7)将物理信号对应的执行动作实施在直流矿热炉生产过程中的多种设备上。

2.根据权利要求1所述的基于机器学习的直流矿热炉异常事件预警系统，其特征还在于：所述机器学习模块(M5)包括特征提取模块(M5-1)、分析学习模块(M5-2)和业务应用模块(M5-3)；

所述特征提取模块(M5-1)采用无监督机器学习方法对数据进行主成分分析：首先接收直流矿热炉的原始数据、对该数据进行零值化处理、求取采样特征的协方差矩阵并对协方差矩阵进行对角化处理、构建新特征协方差为0的对角矩阵从而计算新的标准正交基向量组成的特征集矩阵，保留主成分贡献率高的新特征；

所述分析学习模块(M5-2)采用有监督机器学习方法对直流矿热炉模型进行训练和测试：首先接收特征提取模块(M5-1)传送的直流矿热炉特征数据、对该特征数据进行归一化处理、采用训练数据集对XGBoost模型进行训练，采用测试数据集对XGBoost模型进行参数调优、从而完成特征分类；

所述业务应用模块(M5-3)接收分析学习模块(M5-2)传送的异常数据对直流矿热炉进行状态监测和故障诊断。

3.根据权利要求2所述的基于机器学习的直流矿热炉异常事件预警系统，其特征还在于：所述机器学习模块(M5)以直流矿热炉在生产过程中采集到的并积累下来的海量多维数据为基础，从现有的系统中获取各测点历史数据以及事故记录数据，通过在服务器内建立智能分析引擎，利用大数据服务器的弹性数据存储、计算处理能力、人工智能技术对大数据进行机器学习和深度挖掘，进行数据探索和特征建模、生成直流炉算法成果(301)，所述直流炉算法成果(301)包括事故预测模型(302)和事故预警模型(303)，其中事故预测模型(302)包括塌料预测模型(304)和电极软硬断预测模型(305)，事故预警模型(303)包括塌料预警模块(306)和电极软硬断预警模型(307)。