System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及工业生产过程智能评价与控制,具体为一种高炉炉况健康度自动评估的方法及系统。
技术介绍
1、钢铁产业是国民经济的重要支柱产业,高炉炼铁是其核心生产环节,保障其生产状况稳顺也是钢铁经济可持续发展的关键之一。
2、高炉炼铁具有非线性、大时滞、强耦合等特点,而炉况评估结果依赖炉长经验;对于这种人工经验丰富、数据样本充足的复杂工业背景,单一角度下的评估规则难以充分挖掘数据价值、提高工艺可解释性;现有以专家经验为主导的高炉炉况人工评估方法,但其缺乏对信息化数据的分析和运用,且评估结果的实时性欠佳。
3、由此,本专利技术提供一种高炉炉况健康度自动评估的方法及系统,该方法通过解析经验规矩、量化评估指标的思想,结合现代信息技术,根据数据之间的相关性原理,对数据溯源并分析关键参数,实时构建可靠性高且能直观反映高炉炉况状态的评估模型并验证其精确度,为钢铁工业生产过程的智能评价与控制打下了良好的基础。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一;为此,本专利技术提出了一种高炉炉况健康度自动评估的方法及系统,用于解决对高炉炉况分析缺乏对信息化数据的分析和运用,且评估结果的实时性欠佳的问题。
2、为实现上述目的,本专利技术提供一种高炉炉况健康度自动评估的方法,包括以下步骤:
3、s1:获取历史数据,运用箱型图方法辨识异常数据并进行预处理;
4、s2:根据工艺机理将参数进行权重层级的粗分类,将指导生产的指标记为一
5、s3:将多个样本数据集分别进行归一化处理,再对上述各项参数权重进行细分调整,并结合超参数基于automl的曲线拟合算法建立模型;
6、s4:对建模仿真验证。
7、进一步地:所述s1具体包括以下过程:
8、从数据库获取历史数据,为确保采集的数据为正常数值,运用箱型图方法辨识异常数据,对异常数据进行剔除,如下公式:
9、最大值区间=q3+1.5iqr;
10、最小值区间=q1-1.5iqr;
11、iqr=q3-q1;
12、其中,q3为数据集的上四分位点,q1为数据集的下四分位点,iqr为四分位距;分布在最大值区间和最小值区间内的数据属于正常数据。
13、进一步地:所述s3具体包括如下过程:
14、s31:将多个样本数据集分别进行归一化处理;
15、s32:将处理后的多个样本数据集以随机选取两个样本数据集为一组进行验证的方式,得到每两个参数之间的相关性,根据相关性强弱对各参数所对应的权重进行细分调整;
16、s33:运用交叉验证法确定模型超参数,并使用选定的超参数组合和进行细分调整权重后的参数所对应的样本数据集建立模型。
17、进一步地:所述s32,计算每两个参数之间的相关性,即计算mic最大互信息系数,具体规则如下:
18、随机选取两个样本数据集为一组,将其中的数据转化为散点图,再将其进行网格化划分,再由如下公式得到每两个参数之间的相关性:
19、
20、其中,a,b分别为在x,y方向上划分的网格的个数;
21、b为定义变量,根据当前数据总量n进行取值,其公式定义为:b=min(alpha,n);n为数据的总数量;alpha为float数据类型,取值范围为(0,1.0]和>=4;如果alpha的取值范围是(0,1.0],依据经验值,b取数据总量的0.6次方;如果alpha的取值范围是>=4,alpha直接定义b参数;
22、i(x,y)为随机变量x和随机变量y的相互信息,具体由下公式获取:
23、
24、其中,p(x,y)为两个随机变量的联合概率密度分布函数;p(x)、p(y)分别为随机变量x和随机变量y的概率密度分布函数。
25、进一步地:所述s33,运用交叉验证法确定模型超参数具体为:
26、将细分调整后的各参数平均分为k个子集,k∈[5,6,......,10],其中的每一个子集轮流作为验证集,其余k-1个集组合为训练集,对应生成一共k次测试所产生的k个错误率构成的测试集,取测试集的平均值作为最终结果。
27、进一步地:所述s4,仿真验证的验证指标如下:
28、
29、
30、其中,mad是进行细分调整权重后的参数所对应的样本数据集的平均绝对误差;mse是进行细分调整权重后的参数所对应的样本数据集的均方误差;yi是交叉验证法确定的模型超参数;是模型预测数据。
31、一种的高炉炉况健康度自动评估的系统,包括:
32、数据库,用于保存、提供历史数据;
33、中央处理器,对所述历史数据进行分类,获得多个样本数据集;以及分别对所述多个样本数据集中的各项参数进行初步权重赋值;进一步运用归一化处理分别对多个样本数据集进行清洗;分析参数之间的相关性强弱,即计算参数之间的mic最大互信息系数,对各项参数权重进行细分调整;运用交叉验证法确定模型超参数;细分调整后的各项参数结合超参数建立模型;再对建模仿真验证,输出仿真验证结果。
34、为针对复杂工业背景下的数据样本,提高工艺可解释性;本专利技术结合数据归类、数据清洗、数据权重调节以及数据之间的相关性原理,对数据样本数据溯源并分析关键参数,实时构建可靠性高且能直观反映高炉炉况状态的评估模型并验证其精确度。
本文档来自技高网...【技术保护点】
1.一种高炉炉况健康度自动评估的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述S1具体包括以下过程:
3.根据权利要求1所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述S3具体包括如下过程:
4.根据权利要求3所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述S32,计算每两个参数之间的相关性,即计算MIC最大互信息系数,具体规则如下:
5.根据权利要求1所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述S33,运用交叉验证法确定模型超参数具体为:
6.根据权利要求1所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述S4,仿真验证的验证指标如下:
7.一种高炉炉况健康度自动评估的系统,其特征在于,包括:
【技术特征摘要】
1.一种高炉炉况健康度自动评估的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述s1具体包括以下过程:
3.根据权利要求1所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述s3具体包括如下过程:
4.根据权利要求3所述的一种高炉炉况健康度自动评估的方法,其特征在于,所述s32,计算每...
【专利技术属性】
技术研发人员:陈奇福,彭霞林,梁亮,刘景,夏聪,冯力力,郑键,
申请(专利权)人:湖南华菱涟源钢铁有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。