[发明专利]基于人工智能技术的水泥生料立磨饱磨异常识别方法

权利要求书

1.基于人工智能技术的水泥生料立磨饱磨异常识别方法，其特征在于，所述方法包括：

基于生料磨运行状态下的采集的历史工况数据进行挖掘分析，确定正确识别工况状态的关键工艺指标；

结合卡尔曼滤波算法对获取到的生产数据进行预处理，对预处理后的生产数据结合半监督学习算法对立磨历史工况进行自动标注；

基于立磨关键工艺指标历史数据及伪标签结合递归提升决策树构建异常工况识别模型，向模型实时导入对应关键工艺指标的预处理后数据进行立磨异常状态实时识别；

所述结合卡尔曼滤波算法对获取到的生产数据进行预处理，对预处理后的生产数据结合半监督学习算法对立磨历史工况进行自动标注，包括：

基于先验知识对部分历史工况进行分析人为工况标记，选取一段具有普遍性的稳定工况和饱磨工况数据作为模式基准；

以主电机功率、主电机功率、磨机本体压差和回料斗提电流四个关键工艺指标为辅助变量，对模式基准和未标记数据进行预处理后，利用半监督k-means聚类算法获取未标记样本中的伪标签；

指定类别个数和最大迭代次数，将已标记样本中每个类别中样本均值作为初始中心点，按照距离最近原则分配数据点，更新簇中心；

重复执行按照距离最近原则分配数据点，更新簇中心的步骤，最终根据聚类分析的挖掘结果，确定待标记历史工况的类别；

所述对模式基准和未标记数据进行预处理后，利用半监督k-means聚类算法获取未标记样本中的伪标签，包括：

步骤一，从模式基准的数据中进行包括数据筛选以及去噪滤波在内的处理，得到有标签的历史饱磨工况数据；

步骤二，对未标记数据进行包括数据清洗在内的预处理，得到清洗后的无标签历史工况数据；

步骤三，计算有标签的历史饱磨工况数据中每个类别中所有样本均值作为初始中心点；

步骤四，确定针对无标签历史工况数据的类别个数和最大迭代次数；

步骤五，计算每个样本到初始中心点之间的距离，按照最近原则分配数据点，计算每个簇中所有点的均值作为簇中心；

步骤六，当满足最大迭代次数时完成半监督k-means聚类；

所述方法还包括：

当簇中心稳定不变时直接完成半监督k-means聚类；

所述方法还包括：

在未满足最大迭代次数时，重新执行步骤五至步骤六的操作。

2.根据权利要求1所述的基于人工智能技术的水泥生料立磨饱磨异常识别方法，其特征在于，所述关键工艺指标，包括：

主电机总有功功率、主电机电流、磨机本体压差、磨辊位移、回料斗提电流、磨机本体振动、减速机振动。

3.根据权利要求1所述的基于人工智能技术的水泥生料立磨饱磨异常识别方法，其特征在于，所述基于立磨关键工艺指标历史数据及伪标签结合递归提升决策树构建异常工况识别模型，向模型实时导入对应关键工艺指标的预处理后数据进行立磨异常状态实时识别，包括：

将对应关键工艺指标的生产数据定义为数据集X，将模式识别伪标签结果定义为数据集R，构建样本训练集D进行生料磨饱磨异常工况识别模型训练；

基于弱模型的残差损失函数进行迭代和优化，当前迭代产生新的弱分类器将对上次弱分类器在负梯度方向上的残差损失进行优化；

获取当前时刻预处理后的实时数据，输入已经训练好的GBDT模型，实时输出当前磨机运行状态0或者1，并对其进行不均衡滤波处理，得到0-1范围内的饱磨系数。