[发明专利]一种基于数据分析的高炉风口漏水检测方法

权利要求书

1.一种基于数据分析的高炉风口漏水检测方法，其特征在于，具体包括如下步骤：

S1、构建高炉风口数据清单，所述数据清单包括冷却水罐的液位、冷却水罐进水温度、冷却水罐出水温度、每个风口的进出水流量和炉顶煤气分析仪测得的一氧化碳、二氧化碳和氢气含量，以及高炉风量、炉顶压力，每个数据点均为每分钟瞬时值；

S2、构建高炉风口漏水检测数据采集模块，所述高炉风口漏水检测数据采集模块通过OPC接口对高炉风口相应的PLC进行统一访问获取高炉风口数据清单中所需的数据，数据的格式为JSON文件，然后将数据利用MQTT协议将数据上传至信息储存数据库服务器存储；

S3、由专业人员对所有历史的高炉风口漏水检测数据和已上传的高炉风口漏水检测数据，根据已记录的漏水与未漏水状态进行人工标注，所标注的数据在时间上是平行的，标注格式为JSON；

S4、构建JSON数据批量解析模块，利用JSON数据批量解析模块对所述步骤S3标注的高炉风口漏水检测数据集进行批量解析；

S5、构建数据预处理模块，利用数据预处理模块对步骤S4的解析结果进行数据预处理；

S6、对步骤S5预处理后的数据进行标准化，标准化后的数据符合标准正态分布；

S7、利用主成分分析法对经过步骤S6标准化处理后的数据集进行降低数据空间的维数及特征选择，将特征值大于1、累计贡献率在85％～90％范围内的数据选取作为主成分，根据所选择的主成分确定降维后的数据集；

S8、将经过步骤S7处理后的数据集按照设定的比例划分为训练集与测试集，构建基于长短期记忆神经网络和注意力机制的高炉风口漏水检测算法模型LSTM+attention，并利用训练集和测试集来训练优化所述高炉风口漏水检测算法模型；

S9、对实时采集得到的高炉风口漏水检测数据，按照步骤S5-S7进行，然后利用训练优化后的LSTM+attention模型直接对PCA降维后的数据集进行分类，从而达到识别高炉风口漏水状态的目的。

2.根据权利要求1所述的方法，其特征在于，所述LSTM+attention模型主要包括LSTM层、注意力机制层以及softmax分类层。

3.根据权利要求2所述的方法，其特征在于，所述LSTM层主要包括：遗忘门、输入门、输出门、隐藏状态，在t时刻各单元的更新公式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

i_t＝σ(W_i·[h_t-1,x_t]+b_i)；

o_t＝σ(W_o·[h_t-1,x_t]+b_o；

h_t＝o_t·tanh(C_t)；

其中，f_t、i_t、C_t、o_t分别表示t时刻的遗忘门、输入门、网络状态、输出门，h_t、x_t分别表示t时刻隐藏层状态以及网络输入，W_f、W_i、W_o分别为f_t、i_t、o_t的权重矩阵，b_f、b_i、b_o分别表示f_i、i_t、o_t的偏置向量，σ表示激励函数Sigmoid，tanh表示双曲正切函数。