一种基于改进案例推理的竖炉炉况故障预报方法

摘要

一种基于改进案例推理的竖炉炉况故障预报方法，在传统4R认知模型的基础上，增加了属性权重的分配模型，并运用GDM理论改进案例校正模型。包括：变量初始化；将当前变量进行归一化处理，使其数值处在0～1之间；对案例进行表示，建立案例库；计算基于注水法分配权重算法的相关系数；计算案例属性的权重；计算目标案例与源案例的相似度；根据相似度阈值确定匹配案例的个数。判断重用效果；对预报的结果进行GDM校正；存储相应案例，并输出操作指导。利用在线过程数据，实现了竖炉焙烧过程炉况的基于改进案例推理的故障预报。与人工判断炉况相比，减少了操作人员的工作量，降低了人为判断的不确定性，提高了故障预报的时效性。

主权项

一种基于改进案例推理的竖炉炉况故障预报方法，其特征在于：在传统检索、重用、修正和存储的4R认知模型基础上，增加属性权重的分配模型，并运用群决策理论改进案例校正模型；包括以下步骤：步骤1、变量初始化；将案例属性值进行归一化处理，使其数值位于区间[0,1]中；步骤2、对案例进行表示，建立案例库；设每条源案例用C_k(k＝1,2,…,p)表示，可表示为如下的二元组形式：C_k:<X_k；Y_k>,k＝1,2,…,p         (1)其中，p是案例总数；X_k和Y_k分别是源案例C_k的问题描述和解答，分别表示为：X_k＝(x_1,k,x_2,k,…,x_13,k)         (2)Y_k＝(y_1,k,y_2,k,…,y_5,k)          (3)其中，x_1,k‑x_13,k分别表示源案例C_k中的加热煤气流量、加热空气流量、还原煤气流量、加热煤气压力、加热空气压力、还原煤气压力、煤气热值、左侧燃烧室温度、右侧燃烧室温度、加热带温度、还原温度、搬出时间和炉内负压等十三个案例属性的归一化数值；y_1,k‑y_5,k分别表示源案例C_k中的上火、冒火、放炮、炼炉和过还原等五种故障的预报结果，取值均位于区间[0,1]中，表示相对应的故障发生概率；步骤3、计算注水算法的相关系数；${\alpha }_i=\frac{\underset{k=1}{\overset{p}{\Sigma }}(x_{k,i}-{\bar{x}}_i)(y_k-\bar{y})}{\sqrt{\underset{k=1}{\overset{p}{\Sigma }}{(x_{k,i}-{\bar{x}}_i)}^2}\sqrt{\underset{k=1}{\overset{p}{\Sigma }}{(y_k-\bar{y})}^2}},i=1,2,...,13---\left(4\right)$其中，表示第i个属性值的平均值，x_k,i表示源案例C_k中第i个属性的归一化数值，表示案例库中所有故障预报结果的平均值，y_k表示源案例C_k中的故障预报结果的平均值；步骤4、计算案例属性的权重；案例属性权重分配的描述式子为：$R=\underset{i=1}{\overset{13}{\Sigma }}{\log }_2(1+{\alpha }_i^2{\omega }_i)---\left(5\right)$式中，R为权重分配的合理性指标，α_i是式(4)所定义的注水算法的相关系数，ω_i是第i个属性的权重，满足如下的约束条件：$\{\begin{array}{c}\underset{i=1}{\overset{13}{\Sigma }}{\omega }_i=1\\ {\omega }_i\ge 0\end{array}---\left(6\right)$根据拉格朗日乘数法的求解原理，将式(5)和式(6)中的等式约束条件结合起来，得到如下的拉格朗日函数：$L(\omega ,\lambda )=\underset{i=1}{\overset{13}{\Sigma }}{\log }_2(1+{\alpha }_i^2{\omega }_i)+\lambda (1-\underset{i=1}{\overset{13}{\Sigma }}{\omega }_i)---\left(7\right)$其中，λ是拉格朗日算子，拉格朗日函数L(ω,λ)表示在的约束条件下求得的权重是合理的；对式(7)中的ω_i求偏导后得到：$\frac{\partial L}{\partial {\omega }_i}=\frac{1}{ln2}\frac{{\alpha }_i^2}{(1+{\alpha }_i^2{\omega }_i)}-\lambda =0,i=1,2,...,13---\left(8\right)$可解得各属性所分配到的权重，计算公式为：${\omega }_i=\frac{1+\underset{i=1}{\overset{13}{\Sigma }}\frac{1}{{\alpha }_i}}{13}-\frac{1}{{\alpha }_i^2}---\left(9\right)$通过式(9)计算出的权重ω_i<0时，不满足式(6)中ω_i≥0的约束条件，在这种情况下，令ω_i＝0，表示该属性的作用为零；式(9)表明，权重的分配受属性的重要程度影响，注水算法的相关系数α_i越大，分配到的权重越大，由此，得到了满足式(5)和式(6)的权重分配合理化的算法；步骤5、计算目标案例与源案例的相似度；下式为计算目标案例X与每一条源案例X_k的相似度：$S(X,X_k)=\underset{i=1}{\overset{13}{\Sigma }}{\omega }_i(1-\frac{\left|x_i-x_{i,k}\right|}{Max(x_i,x_{i,k})}),k=1,2,...,p---\left(10\right)$其中，ω_i(i＝1,2,…,13)是第i个属性的权重，表示各属性在故障预报过程中对结果的作用力；步骤6、根据相似度阈值确定匹配案例的个数；不完全匹配时转步骤8；完全匹配时转步骤7；步骤7、判断重用效果，若结果正确，转步骤9；否则转步骤8；步骤8、对预报的结果进行群决策校正，并转步骤7；在案例检索环节，按式(10)计算出p个相似度后，设定一个相似度的阈值sim_v∈(0,1]，假设p个相似度中大于sim_v的案例个数为m，重新标记这些案例的相似度分别为S₁～S_m，相应的历史故障预报结果共m组，分别为Y₁～Y_m，可表示为：$\left\{\begin{array}{c}{Y}_j=(y_{1,j},y_{2,j},...,y_{5,j})\\ s.t.S_j\ge {\mathrm{sim}}_v\end{array}\right.,j=1,2,\mathrm{...},m---\left(11\right)$其中，y_1,j‑y_5,j分别表示上火、冒火、放炮、炼炉和过还原等五种故障的第j组历史预报结果，借鉴群决策思想，将上述的m组历史预报结果视为m个决策专家，记测试案例集中的预报结果为Y′＝(y′₁,y′₂,…,y′₅)，m组历史预报结果与测试预报结果之间的总误差是：$E=\underset{j=1}{\overset{m}{\Sigma }}\underset{i=1}{\overset{5}{\Sigma }}\left|y_{i,j}-y_i^{\prime }\right|---\left(12\right)$计算每一组历史预报结果的可信度λ_j(j＝1,2,…,m)，定义可信度为：${\lambda }_j=\frac{\underset{i=1}{\overset{5}{\Sigma }}\left|y_{i,j}-y_i^{\prime }\right|}{E}---\left(13\right)$λ_j越小，表示第j组运算结果趋近于测试预报结果的误差越小，可信度就高；从群决策角度来说，表示该决策专家的权威性越大；利用群基数效用函数的构造思想，通过每一组历史预报结果的可信度λ_j及m组预报结果对目标案例的预报进行群决策校正：$y_i=\frac{1}{m}\underset{j=1}{\overset{m}{\Sigma }}\frac{y_{i,j}}{{\lambda }_j},i=1,2,...,5---\left(14\right)$步骤9、存储相应案例，并输出操作指导，若炉况预报未结束，转步骤2。