[发明专利]基于多模态融合的高炉状态监测方法及装置

权利要求书

1.一种基于多模态融合的高炉状态监测方法，其特征在于，包括以下步骤：

(1)高炉子模态预获取，具体包括以下子步骤：

(1.1)获取高炉历史参数数据，构建数据集；

(1.2)采用移动平均方法进行数据集中缺失值的填补，计算公式如下：

其中，t为缺失值所处的时刻，k为移动平均的时刻个数，x(t)为t时刻的参数值；

(1.3)采用箱型图方法进行数据集中异常值的检测并直接剔除检测出的异常值，箱型图方法计算数据分布内极限L₁、L₂与数据分布外极限L₃、L₄的公式如下：

L₁＝Q₃+1.5(Q₃-Q₁)

L₂＝Q₃-1.5(Q₃-Q₁)

L₃＝Q₃+3(Q₃-Q₁)

L₄＝Q₃-3(Q₃-Q₁)

其中，Q₁为数据分布的下四分位数，Q₃为数据分布的上四分位数；

(1.4)获取高炉状态指征变量数据并进行预处理，包括缺失值填补及异常值剔除；

(1.5)计算每一种高炉参数数据与高炉状态指征变量数据之间的灰色关联度值，选取关联度最大的前N种高炉参数作为特征变量；灰色关联度γ的计算公式如下：

其中：

其中，x₀为n个样本的高炉状态指征变量数据，x_i为n个样本的各高炉参数，i＝1,2,…,m，m为高炉参数的总数量，ξ为两个变量之间的灰色关联系数，t_p为第p个时刻，p＝1,2,…,n，n为每种参数所包含的样本总数量，ρ为分辨系数，Δ_min为两级最小差，Δ_max为两级最大差，x₀(t_p)为t_p时刻的高炉状态指征变量值，x_i(t_p)为t_p时刻的高炉参数值；

(1.6)从高炉历史参数数据集中挑选出步骤(1.5)计算得到的特征变量数据来组成特征变量历史数据集；

(1.7)在特征变量历史数据集中应用均值漂移聚类算法，得到若干个聚类中心，步骤如下：

①在高炉特征变量历史数据集中随机选取一样本作为中心点c，构建半径为r的滑动窗口，半径r根据样本的分布情况确定；

②计算滑动窗口内其他样本点到中心点的平均距离，取该平均距离作为偏移量M，计算公式如下：

其中，w为滑动窗口中样本点的个数，y为高炉特征变量历史数据，S_h为滑动窗口中所有样本点的集合；

③根据偏移量M更新中心点的位置，计算公式如下：

c^l+1＝M^l+c^l

其中，l为迭代的次数；

④重复步骤①～③，直到中心点位置不再变化；

⑤如果当前类中心点与另一类中心点之间的距离小于设定的阈值，则两类将合并为一类，否则，中心点的数量加1；

⑥重复步骤①～⑤，直到遍历所有样本点，得到高炉特征变量历史数据集的聚类中心集；

(1.8)计算特征变量历史数据集中的样本与每个聚类中心之间的欧氏距离，分别选择与各个聚类中心之间欧氏距离最小的样本点作为高炉的子模态，所有被选择的样本点数据构建子模态特征变量数据集；同时将每种子模态对应时刻的高炉状态指征变量数据保存，构建子模态指征变量数据集；

(2)高炉子模态融合，具体包括以下子步骤：

(2.1)获取高炉实时参数数据，从中挑选出步骤(1.5)计算得到的N种特征变量对应的数据作为输入变量；

(2.2)计算输入变量数据与每一种子模态特征变量数据间的欧氏距离，构建欧氏距离矩阵D＝(d₁,d₂,...,d_u,...,d_q)，其中d_u为输入变量数据与第u种子模态特征变量数据间的欧氏距离，u＝1,2,…,q，q为步骤(1.8)中获得的子模态的种类数量；

(2.3)基于指数函数及模态贡献率计算权重，步骤如下：

①采用指数函数对步骤(2.2)计算得到的欧氏距离进行放缩变换并取倒数，计算公式如下：

其中，d_{u_t}为输入变量数据与第u种子模态特征变量数据间变换后的欧氏距离，r为放缩系数；

②将子模态按照对应的d_{u_t}从大到小的顺序排列，选择贡献率总和大于设定阈值的前L种子模态，每一种子模态的贡献率con_u计算公式如下：

③将被选择子模态的d_{u_t}归一化得到对应的权重w_u，未被选择的子模态对应的权重为0，由此得到子模态的权重矩阵W；归一化计算公式如下：

其中，U_L为被选择的L种子模态组成的集合；

(3)高炉状态监测，包括：

当高炉实时参数数据输入后，按照步骤(2)计算得到权重矩阵，从子模态指征变量数据集中读取每种子模态对应的指征变量数据，对其进行加权求和，计算公式如下：

其中，为第z种高炉状态指征变量的估计值，z＝1,2,…,v，v为高炉状态指征变量的种类数量，为第u种子模态对应的第z种高炉状态指征变量值；

由此得到子模态融合后对应的高炉实时状态指征变量的估计值，即实现了高炉的实时状态监测。