申请/专利权人：北京科技大学

申请日：2023-09-01

公开（公告）日：2024-02-13

公开（公告）号：CN116842402B

主分类号：G06F18/22

分类号：G06F18/22;G06N3/045;G06F18/2132;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2023.10.24#实质审查的生效;2023.10.03#公开

摘要：本发明提供一种基于孪生神经网络提取平稳特征的高炉异常炉况检测方法，属于自动检测技术领域。所述方法包括：建立基于孪生神经网络的平稳特征提取模型以及损失函数；离线训练，根据损失函数对构建的平稳特征提取模型进行训练，计算训练集的平稳分量，建立平稳分量的凸包；在线检测，根据训练后的平稳特征提取模型，计算出测试集的平稳分量，进行凸包检测，当样本位于凸包的外侧，认为炉况异常。与传统的基于高斯混合分布的平稳子空间分析方法相比，本发明方法考虑了高炉数据的非线性，减少了误报率，提前了故障检测时间，更符合高炉数据特征且更为高效。

主权项：1.一种基于孪生神经网络提取平稳特征的高炉异常炉况检测方法，其特征在于，包括以下步骤：步骤1：建立基于孪生神经网络的平稳特征提取模型以及损失函数；步骤1中损失函数的构建过程如下：步骤1.1：获取不同时段数据提取的隐藏特征之间分布的差异，具体内容如下：损失函数的第一项是不同时段数据提取的隐藏特征之间分布的差异，这种差异通过瓦瑟斯坦距离，即WD来测量；WD衡量把数据从分布p移动成分布q时所需要移动的平均距离的最小值；假设和是来自范数向量空间的d维随机向量，其中是基本范数，和是两个概率度量，，； 和之间的p-Wasserstein距离定义如下： （1）这里，是上的概率度量的集合，其边际分布分别是和；在实际应用中，基本范数设为欧几里得范数；此外，令，变成欧氏距离；步骤1.2：保留原始数据的局部信息，具体内容如下：引入t-SNE来构建一个可以衡量原始信息保留程度的损失项；t-SNE将高维数据转换到低维空间，同时保留原始数据中的相似性和结构；t-SNE算法使用概率分布来衡量高维空间和低维空间中数据点之间的相似性；给定一个高维空间的数据集，其中N是样本数，t-SNE的目标是将高维数据转换为低维映射，其中；这样，如果高维空间中的点和很接近，那么它们对应的低维空间中的点和也很接近；t-SNE算法首先计算所有数据对的联合概率分布，由一个对称矩阵表示，其中，，且； （2） ，（3）其中，是距离度量，是调整参数，根据困惑度量和二分搜索策略来确定；同理，通过一个对称矩阵来定义所有数据对的联合概率分布，其中，，且； （4） 和两个概率分布矩阵，用于描述数据点在高维空间和低维空间中的相似性；t-SNE算法能找到一个低维映射，使和之间的KL散度最小， （5）步骤1.3：消除特征之间的相关性，具体内容如下：为了确保提取的特征相互独立，去除掉冗余特征，这里添加一个项来使提取特征的协方差矩阵为单位阵，以得到具有去相关性平稳特征；以上三项构成了最终的损失函数，表述为： （6）其中α0和β0是权重超参数，代表第i段训练数据的隐藏特征，WD代表计算两个时段隐藏特征之间分布的WD，代表第i个时段的训练数据，和分别代表第i个时段训练数据和其隐藏特征的概率分布矩阵，代表计算协方差矩阵，代表F范数的平方；步骤2：离线训练，根据损失函数对构建的平稳特征提取模型进行训练，计算训练集的平稳分量，建立平稳分量的凸包；步骤3：在线检测，根据训练后的平稳特征提取模型，计算出测试集的平稳分量，进行凸包检测，当样本位于凸包的外侧，认为炉况异常。

全文数据：

权利要求：

百度查询： 北京科技大学 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD