本發(fā)明涉及高爐管道壓力分析領域，具體為基于改進神經網絡的高爐管道壓力分析預警系統(tǒng)及方法。

背景技術：

1、高爐管道通常指用于輸送煉鐵過程中的原料和燃料的管道系統(tǒng)，包括輸送焦炭、鐵礦石等原料的進料管道以及輸送燃料和空氣的壓力管道。壓力管道中的氣壓受投料狀態(tài)、高爐工作狀態(tài)、爐艙溫濕度和管道設計等多方面因素影響，高爐生產過程中，管道壓力事實上處于不斷的擺動之中。

2、由于高爐管道輸送高溫高壓的氣體和液體，超過管道限度的壓力容易造成安全風險，雖然大多數(shù)管道具有冗余設計，但長時間的高壓沖擊下也會導致管道疲勞，因此需要對管道壓力進行實時檢測與預警，并需要提前做出壓力預測和降壓準備。

3、當前的管道預測算法大多通過神經網絡模型擬合，但普通神經網絡模型對高爐數(shù)據的學習速度較為緩慢，且更容易出現(xiàn)過擬合和欠擬合等偏差狀態(tài)，不能很好反映處管道壓力變換情況，此外，現(xiàn)有神經網絡的代價函數(shù)通常是從其他高爐獲取的經驗函數(shù)，缺乏對高爐實際狀態(tài)的適應性調整，模型準確度較差。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供基于改進神經網絡的高爐管道壓力分析預警系統(tǒng)及方法，以解決上述背景技術中提出的問題。

2、為了解決上述技術問題，本發(fā)明提供如下技術方案：基于改進神經網絡的高爐管道壓力分析預警系統(tǒng)，包括：管道傳感模塊、爐艙壓力模塊、概率預測模塊、改進網絡模塊和預警調整模塊；

3、所述管道傳感模塊由設置在高爐管道中的重力泄壓閥門以及閥門內部的傳感器構成，泄壓閥用于調節(jié)管道內部壓力，傳感器用于檢測重力泄壓閥中配重塊的高度，從而讀取管道內部壓力，并能夠依照指令改變泄壓閥的泄壓門限；

4、所述爐艙壓力模塊用于根據進料管道中的傳感器記錄高爐工作參數(shù)，對管道壓力與工作參數(shù)同時采樣，將采樣結果存入數(shù)據庫，利用數(shù)據庫中的采樣數(shù)據作指數(shù)趨勢檢測，生成基礎壓力函數(shù)，并根據管道壓力實測數(shù)據，生成當前工作參數(shù)下管道壓力的概率分布函數(shù)；

5、所述概率預測模塊用于定義回歸矩陣，以回歸矩陣作為變換矩陣，當前基礎壓力作為均值，實際管道壓力作為輸入數(shù)據，構建交叉熵函數(shù)，計算交叉熵函數(shù)的最小值，以最小值對應的回歸矩陣作為代價矩陣，采用卷積神經網絡對數(shù)據庫中的采樣數(shù)據進行學習，輸出訓練完畢后的管道壓力預測模型；

6、所述改進網絡模塊用于以模型在實測數(shù)據中的偏差量為因變量，數(shù)據序號為自變量生成模型損失函數(shù)，計算管道壓力預測模型在各維度偏置量的偏導數(shù)，由偏導數(shù)序列確定正則因子大小，對模型損失函數(shù)進行正則化處理，消去模型中的過擬合項，輸出修正后的管道壓力擬合模型；

7、所述預警調整模塊用于每隔固定時間把高爐工作數(shù)據輸入管道壓力擬合模型，得到管道內壓力的概率分布函數(shù)，把概率分布超出預設置信區(qū)間的區(qū)間長度與函數(shù)值相乘，得到沖擊累計量，當沖擊累計量超過第一閾值時，對泄壓閥的泄壓門限進行調整，超過第二閾值時，發(fā)出壓力預警信號。

8、進一步的，所述管道傳感模塊包括：泄壓閥單元和內壓記錄單元；

9、所述泄壓閥單元用于在管道內部壓力大于泄壓門限壓力時，把管道內部壓力釋放到外界，直到管道內部壓力低于門限壓力；

10、所述內壓記錄單元用于根據泄壓閥上配重塊的高度，讀取管道的內部壓力。

11、進一步的，所述爐艙壓力模塊包括：參數(shù)采樣單元、數(shù)據庫單元和基礎壓力單元；

12、所述參數(shù)采樣單元用于同時對高爐的工作參數(shù)和管道的內部壓力采樣，其中工作參數(shù)包括高爐投料速度、燃燒室溫濕度和鼓風室風速；

13、所述數(shù)據庫單元用于存儲采樣數(shù)據，將采樣數(shù)據構造為適合神經網絡訓練的數(shù)據集；

14、所述基礎壓力單元用于對采樣數(shù)據作指數(shù)趨勢檢測，輸出基礎壓力函數(shù)，所述基礎壓力函數(shù)反映各工作參數(shù)與管道壓力平均值間的關系。

15、進一步的，所述概率預測模塊包括：交叉回歸單元和代價輸入單元；

16、所述交叉回歸單元用于設定未知的回歸矩陣，以基礎壓力為均值擬合交叉熵函數(shù)，以交叉熵函數(shù)取值最小時對應的回歸矩陣輸出為代價矩陣；

17、所述代價輸入單元用于將代價矩陣設定為卷積神經網絡的目標函數(shù)矩陣對數(shù)據庫中的采樣數(shù)據進行學習，輸出管道壓力預測模型。

18、進一步的，所述改進網絡模塊包括：模型損失單元、正則修復單元和擬合輸出單元；

19、所述模型損失單元用于計算管道壓力預測模型與實測數(shù)據的損失函數(shù)，計算損失函數(shù)偏置量的偏導數(shù)；

20、所述正則修復單元用于當前基礎壓力下的偏導數(shù)與預設系數(shù)相乘，得到正則因子大?。?/p>

21、所述擬合輸出單元用于對管道壓力預測模型中的各相關項進行正則化，輸出正則化后的壓力預測模型。

22、進一步的，所述預警調整模塊包括：泄壓門限單元和累計預警單元；

23、所述泄壓門限單元用于每隔預設時長，利用壓力預測模型預測未來周期內管道壓力的概率分布函數(shù)，在概率分布函數(shù)的平均期望高于閾值時調整泄壓門限；

24、所述累計預警單元用于計算管道的沖擊累計量，當沖擊累計量超過閾值時進行預警。

25、基于改進神經網絡的高爐管道壓力分析預警方法，包括以下步驟：

26、步驟s1.在高爐壓力管道外壁設置泄壓閥，進料管道內設置傳感器，按照不同采樣周期讀取泄壓閥的壓力示數(shù)和各傳感器的讀數(shù)，把讀取的管道壓力和高爐工作參數(shù)存入數(shù)據庫；

27、步驟s2.以采樣周期內管道壓力的均值為輸出點，高爐工作參數(shù)為趨勢變量，對管道壓力的均值作指數(shù)趨勢檢驗，得到的檢驗參數(shù)代入預設函數(shù)模型，輸出管道壓力均值與高爐工作參數(shù)的基礎壓力函數(shù)；

28、步驟s3.對管道壓力數(shù)據回歸性擬合，以采樣數(shù)據的交叉熵函數(shù)最小時對應的回歸矩陣替代神經網絡的代價函數(shù)矩陣，得到改進神經網絡；

29、步驟s4.改進神經網絡學習數(shù)據庫中的數(shù)據，輸出第一模型，計算第一模型在各工作參數(shù)下的損失量，將最大損失量與預設系數(shù)相乘，得到正則化參數(shù)，以正則化參數(shù)對第一模型的損失函數(shù)作正則化處理，消去模型中的過擬合項，得到第二模型；

30、步驟s5.讀取當前高爐的工作參數(shù)，由基礎壓力函數(shù)得到管道基礎壓力，將管道基礎壓力輸入第二模型，輸出管道壓力的概率分布函數(shù)和期望函數(shù)，當管道壓力期望值高于閾值的概率超出預設置信區(qū)間時預警。

31、進一步的，步驟s1包括：

32、步驟s11.在高爐壓力管道內設置泄壓閥，所述泄壓閥包括：重力泄壓閥和電子泄壓閥，在投料管道內設置傳感器，所述投料管道包括：燃料管道、爐艙管道和鼓風室管道；

33、步驟s12.預設壓力采樣周期t1和工作采樣周期t2，其中t1<t2，且t2為t1的整數(shù)倍，每隔t1時長讀取一次泄壓閥的讀數(shù)，得到管道壓力數(shù)據，每隔t2時長讀取各傳感器的讀數(shù)，得到高爐的工作參數(shù)，所述工作參數(shù)包括：燃料投料速度、燃燒室溫度和鼓風室風速；

34、步驟s13.以單次采樣獲得的工作數(shù)據作為數(shù)據表表頭，在工作數(shù)據的采樣周期內采集的管道壓力數(shù)據為表內數(shù)據存入數(shù)據庫，構成采樣數(shù)據表。

35、進一步的，步驟s2包括：

36、步驟s21.對于采樣數(shù)據表，取表內數(shù)據的均值作為輸出點，表頭數(shù)據作為趨勢變量進行指數(shù)趨勢檢驗，所述指數(shù)趨勢檢驗如下：

37、列出如下趨勢檢驗方程：

38、，

39、其中，d1、d2、…dm分別代表第1、2、…m張采樣數(shù)據表中表內數(shù)據的均值，a1、a2、…an分別代表高爐第1、2、…n個工作參數(shù)對應的檢驗參數(shù)，m為采樣數(shù)據表的數(shù)量，n為工作參數(shù)的數(shù)量，且m≥n，x(m,n)代表第m張采樣數(shù)據表中記錄的第n個工作參數(shù)；

40、解趨勢檢驗方程，得到a1、a2、…an的值；

41、步驟s22.按照預設的函數(shù)模型，輸出管道壓力均值與高爐工作參數(shù)的基礎壓力函數(shù)f(x1,x2,…,xn)，其中f(x1,x2,…,xn)=a1x1+a2x2+…+anxn，x1、x2、…xn分別代表第1、2、…n個工作參數(shù)。

42、進一步的，步驟s3包括：

43、步驟s31.由采樣數(shù)據表中的管道壓力數(shù)據，按照損失函數(shù)構建方法，計算管道壓力數(shù)據相對于高爐基礎壓力的交叉熵損失函數(shù)：

44、，

45、其中，j(w,d)代表交叉熵損失函數(shù)，g(i)代表采樣數(shù)據表中第i個管道壓力數(shù)據值，lg為10為底的對數(shù)，w為代價函數(shù)矩陣，d為采樣數(shù)據表中表內數(shù)據的均值，e為自然對數(shù)的底數(shù)；

46、步驟s32.計算交叉熵損失函數(shù)取最小值時對應的代價函數(shù)矩陣w，將神經網絡模型中已有的代價函數(shù)矩陣替換為w，生成新的神經網絡模型，記作改進神經網絡。

47、進一步的，步驟s4包括：

48、步驟s41.使用改進神經網絡學習數(shù)據庫中的管道壓力數(shù)據，擬合管道壓力值相對于均值的概率分布模型，作為第一模型輸出；

49、步驟s42.將采樣數(shù)據表中的工作參數(shù)輸入基礎壓力函數(shù)，得到采樣數(shù)據表的基礎壓力，將基礎壓力作為均值輸入第一模型，輸出管道壓力的概率分布函數(shù)p1(x)，計算概率分布函數(shù)的損失量:

50、

51、其中，e為概率分布函數(shù)的損失量；

52、步驟s43.對數(shù)據庫中所有采樣數(shù)據表執(zhí)行步驟s42，得到e的最小值e0，與預設放大系數(shù)q相乘，得到正則化參數(shù)r，按照正則化參數(shù)對第一模型進行正則化處理，消去模型中的過擬合項：

53、

54、其中，j(θ)代表第一模型的系數(shù)函數(shù)，θi代表第一模型中第i個擬合項當前的系數(shù)；

55、步驟s44.根據系數(shù)函數(shù)修正第一模型中各擬合項的系數(shù)，得到第二模型。

56、進一步的，步驟s5包括：

57、步驟s51.獲取高爐投料管道的工作參數(shù)，根據基礎壓力函數(shù)得到壓力管道的基礎壓力，將基礎壓力輸入第二模型，得到管道壓力的概率分布函數(shù)，與基礎壓力相乘，得到管道壓力的期望函數(shù)；

58、步驟s52.預設管道壓力閾值，計算管道壓力的期望函數(shù)值位于壓力閾值以上的概率，當?shù)玫降母怕食鲱A設置信區(qū)間時，向管理中心發(fā)送高爐管道壓力異常的預警信號。

59、與現(xiàn)有技術相比，本發(fā)明所達到的有益效果是：

60、本發(fā)明通過在高爐管道內設置重力泄壓閥記錄管道內壓，對管道壓力與高爐工作參數(shù)同時采樣，針對采樣數(shù)據進行指數(shù)趨勢檢測，根據檢測結果生成基礎壓力函數(shù)，從而反映出高爐工作參數(shù)與管道壓力的關聯(lián)性，能夠幫助合理控制高爐壓力，提高高爐生產效率和原料利用率，避免過度調壓。

61、本發(fā)明能夠定義回歸矩陣，以回歸矩陣作為變換矩陣構建交叉熵預測函數(shù)，取函數(shù)最小值對應的回歸矩陣作為代價函數(shù)矩陣，訓練卷積神經網絡，利用高爐的歷史壓力變化對神經網絡適應性改進，能夠更好的預測管道壓力，提高管道的運行效率和安全性。

62、本發(fā)明能夠對模型損失函數(shù)進行正則化處理，消去模型中的過擬合項，根據概率分布與預設的置信區(qū)間，對泄壓閥的泄壓門限進行調整，并累計管道沖擊時長，沖擊累計到閾值時反饋預警信號，有助于確保管道運行的安全與穩(wěn)定，改善高爐生產效率，降低安全事故風險，保證高爐的安全穩(wěn)定運行。