基于时空协同的顶吹炉系统传感器故障检测和数据重构方法

技术领域

本发明属于工业过程诊断方法技术领域，涉及一种基于时空协同的顶吹炉系统传感器故障检测和数据重构方法。

背景技术

顶吹炉系统具有大规模、长流程和强耦合等特征，为了保障冶炼过程的高效运行，要实时检测多个传感器的运行状况。然而传感器在长期使用过程中由于元件老化、外部干扰等因素的影响，不可避免的会造成精度下降甚至引发故障的情况。通常的做法是定期对其进行校准，能一定程度上延长了传感器的使用寿命，增加了系统的安全性，但由于顶吹炉系统配备的传感器数量巨大，这一工作将耗费大量资源，且传感器的突发故障会随着闭环系统传播，给系统的可靠运行带来安全隐患。随着现代工业信息化和智能化水平的提升，对顶吹炉传感器的自主故障检测能力和故障数据重构能力提出了更为迫切的需求。

发明内容

本发明的目的在于针对现有技术存在的问题，提供一种基于时空协同的顶吹炉系统传感器故障检测和数据重构方法。

为此，本发明采取如下技术方案：

基于时空协同的顶吹炉系统传感器故障检测和数据重构方法，包括以下步骤：

（1）根据顶吹炉系统传感器的历史检测数据，建立MIC-GCN模型并采用传感器的历史检测数据进行训练；

（2）将采集的传感器检测数据输入训练后的MIC-GCN模型内剔除冗余特征并构建传感器网络知识图谱G

（3）建立STG-Transformer时间序列预测模型，对顶吹炉传感器检测数据进行时空协同的图级序列预测，具体是给定顶吹炉传感器多尺度空间特征P个时间间隔的历史状态

（4）利用z-score数据标准化模型计算标准化预测值与真实值间的残差，所述z-score数据标准化模型为：

式中：u表示均值，x

（5）当顶吹炉检测到故障时，以残差最小为目标，对传感器故障数据进行重构，传感器故障数据重构模型为：

式中：w

进一步地，所述步骤（1）中MIC-GCN模型的训练方法为：

a.顶吹炉传感器的历史检测数据设定为训练集，训练集包含正常数据和故障数据；

b.计算训练集的正常数据中不同变量之间的MIC值，并通过MIC值得出领接矩阵A，然后将领接矩阵A输入至MIC-GCN模型中进行训练，获得训练好的MIC-GCN模型。

进一步地，所述领接矩阵A的获取过程为：

a.将顶吹炉传感器原始数据定义为：S=（s

式中，B为网格上限，取B=n

b. 获得传感器网络知识拓扑图G，G=（S，E，A），S={s1，s2，L，sn} ，n表示传感器节点个数，E为传感器间存在边连接，邻接矩阵A为：

式中：ξ表示最大互信息的阈值。

进一步地，所述残差阈值δ通过分析顶吹炉传感器无故障时的标准化残差序列分布进行残差阈值δ的设定。

本发明的有益效果在于：

（1）基于“先提取顶吹炉传感器的空间特征，后捕获时间相关性”的思路，通过训练MIC-GCN和STG-Transformer，进行空间相关性获取和时间相关预测，分析预测值与真实值之间的标准化残差，达到传感器故障检测和数据重构的目的。该方法利用时空协同可对多传感器进行长期预测，本方法具有较高预测精度。

（2）基于较高精度下的故障检测提升了顶吹炉系统的可靠运行，实现了故障传感器的数据重构，使故障传感器具备了一定的容错能力，有效避免了传感器故障引发的安全事故。

附图说明

图1为时空协同T步图级预测；

图2为STG-Transformer模型结构

图3顶吹炉传感器时空图级嵌入

图4为镍顶吹炉系统中传感器间的最大互信息系数图；

图5为传感器无故障下残差图；

图6为炉底1#热电偶发生漂移故障表现图；

图7为炉底1#热电偶发生漂移故障下残差图；

图8为时空协同下的数据重构效果图；

图9为数据重构后的残差分析图。

具体实施方式

下面结合附图以及实施例对本发明做详细说明：

本发明中所有的数据采自某镍冶炼厂顶吹炉系统采集的数据，富氧镍顶吹系统中，镍精矿经顶吹炉冶炼后可生产出低镍锍，同时也会排出镍熔炼渣，14个传感器位置描述如表1所示：

表1

一种基于时空协同的顶吹炉系统传感器故障检测即数据重构方法，包括以下步骤：

（1）根据顶吹炉系统传感器的历史检测数据，建立MIC-GCN模型并采用传感器的历史检测数据进行训练，具体是将顶吹炉传感器的历史检测数据作为训练集，训练集包含正常数据和故障数据，然后计算训练集的正常数据中不同变量之间的MIC值（即最大互信息值），采用和最大互信息算法能更好地捕获变量间的关联程度，同时提高连续变量计算的准确率，具有广泛的适用性和准确性，然后通过MIC值得出领接矩阵A，领接矩阵A的获取过程为：

a.首先计算出MIC值，将顶吹炉传感器原始数据定义为：S=（s

式中，B为网格上限，取通常取B=n

b.然后得出领接矩阵A，并获得传感器网络知识拓扑图G，G=（S，E，A），S={s1，s2，L，sn} ，n表示传感器节点个数，E为传感器间存在边连接，传感器网络拓扑图G的作用是为了进行下一步图卷积捕获传感器状态，邻接矩阵A为：

式中：ξ表示最大互信息的阈值。

镍顶吹炉系统中传感器间的最大互信息系数如图1所示，由图1可以看出α（S

根据图4所示传感器间最大互信息相关性评价指标，将ξ设置为0.59即可获得最优的传感器网络知识图谱。

然后将领接矩阵A输入至MIC-GCN模型中进行训练，获得训练好的MIC-GCN模型。

（2）将采集的传感器检测数据输入训练后的MIC-GCN模型内剔除冗余特征构建传感器网络知识图谱G

（3）建立STG-Transformer时间序列预测模型，对顶吹炉传感器检测数据进行时空协同的图级序列预测（如图1所示），其中STG-Transformer模型包含编码器与解码器，可进行时空图级嵌入，位置编码，STG-Transformer时间序列预测模型的结构如图2所示，给定顶吹炉传感器多尺度空间特征P个时间间隔的历史状态

对时间特征映射所进行的线性变换，得到时间间隔t的时间嵌入U∈Rdmodel，同时MIC-GCN空间相关模型已求得空间嵌入Z

顶吹炉传感器提出的时空图级嵌入

（4）利用z-score数据标准化模型计算标准化预测值与真实值间的残差，z-score数据标准化模型为以下公式：

式中：u表示均值，x

假设Y=(Y

然后设定残差阈值δ，残差阈值δ通过分析顶吹炉传感器无故障时的标准化残差序列分布进行残差阈值δ的设定，若残小于残差阈值δ，表示传感器无故障，若残差大于残差阈值δ表示传感器出现故障。

本实施例中，当传感器无故障时，传感器之间具有较强的相关性，标准化残差为0，或在0值上下轻微波动，并且全部维持在阈值区间之内，正常情况下残差法故障检测效果如图5所示，将炉底1#热电偶温度值在某一时刻之后减去一个按一定速率增长的差值，来模拟工程中的漂移故障，如图6所示为炉底1#热电偶（DC-LD-WD-1）发生漂移故障时的温度预测值。

通过图7可以看出，在时刻310之后，传感器DC-LD-WD-1发生漂移故障时，预测值与真实值间的残差迅速偏离0值，并超过了故障检测阈值，因此可以通过STG-Transformer时间序列预测模型实现镍顶吹炉传感器的故障检测。

（5）当顶吹炉检测到故障时，以残差最小为目标，对传感器故障数据进行重构，传感器故障数据重构模型为：

式中：w

具体地，以炉底3#热电偶传感器(DC-LD-WD-3)为研究对象，测试样本数据总长1000个，验证时空协同的镍顶吹炉数据重构性能，数据重构效果如图8所示，重构数据与实测数据基本吻合，只存在微小的波动，图9可以看出故障数据重构后的残差整体表现非常平稳，几乎所有区域都处在可信赖区间之内，经过时空协同下重构的数据完全处于正常水平。