本发明涉及一种面向高炉炼铁过程的基于生成对抗框架的自愈控制方法。
背景技术：
1、钢铁是一种广泛应用于建筑、机械和交通运输等行业中的金属材料，其强度高、机械性能好、资源丰富、成本低，且适合大规模生产，因此与工业化过程密切相关。高炉是钢铁生产流程中铁素物质流转换的核心关键单元。然而，高炉在高温高压的工况下长期运行，易导致各种异常情况的出现，这不仅会影响高炉的正常运行，还会造成经济损失。传统的异常处理方式主要依赖人工经验，通过调节送风量、煤比等参数使得炉况恢复正常。但这种方式缺乏理论指导，效率低下，且调节幅度难以把控。因此，对高炉炼铁过程的异常工况进行自愈控制是亟需解决的问题。自愈控制在工业过程中的主要含义是，在工业过程偏离安全运行的异常工况时，通过主动控制手段调整控制回路的输入输出、操作指令等，使系统远离故障工况，从异常工况恢复到正常工况，从而改善系统安全性。
2、随着技术的不断革新，针对高炉炼铁过程的故障诊断已有大量的有效成果，但是对高炉故障的自愈控制方法却仍然缺乏研究。研究大型高炉系统所面临的技术问题和难点主要集中在大型高炉系统的复杂性和动态性上。首先高炉系统的机理异常复杂，运行工况多变，数据样本不平衡，这些特性给自愈控制带来了极大的挑战。其次，高炉系统中各子系统的过程变量相互耦合，调节风温、风量等关键操作参数会影响其他工艺参数，进而影响整个炉况。而且，大型高炉是欠知识、欠调节手段的复杂动态系统。所谓“欠知识”，主要表现为缺乏精准可度量的控制规则、缺乏完整准确的高炉数学模型，且炉内状态不能直接测量。而“欠调节手段”则体现在只能通过风量、风压与风温等有限输入作为控制变量来实现对炉内各区域温度分布、煤气流分布的控制。以高炉炼铁过程管道行程故障为例，管道行程是高炉炼铁过程的常见异常炉况之一，管道行程是高炉横截面某一局部气流过分发展的表现，它的形成和发展主要是由于原燃料强度变坏，粉末增多，风量与料柱透气性不相适应而产生。管道行程的调整方法多样，包括减风、减氧、减煤等，但这些方法的实施需要具体的调节指导，这对自愈控制技术提出了很高的要求。
3、大多炼铁厂使用基于人工经验的控制策略。该策略主要依靠人工经验判断高炉炉缸的状态，并采取相应的控制措施。该策略具有较强的针对性，但缺乏理论支撑，难以推广应用。现有高炉自愈控制方法基于动态贝叶斯网络构建自愈控制模块，通过离散化阈值和动态推理得到故障的种类和严重程度，再推理输出自愈控制策略与控制变量的调整值，实现故障诊断和自动控制。但是这类方法对知识的要求较高，需要积累大量的专家知识。现代高炉系统中配备了大量的传感器来监测和采集高炉生产过程中的各种参数和变量。这些传感器产生的大量数据可以通过特征提取的方法转化为有意义的信息，以帮助高炉系统实现自愈控制。
技术实现思路
1、为了克服现有技术的不足，本发明提供一种基于生成对抗框架的高炉故障自愈控制方法，包括以下步骤：数据集标签属性等级化、构建潜空间转换自愈控制模型、模型多路径训练、高炉故障样本的控制变量调节。
2、本发明专门研究高炉炼铁过程故障的自愈控制，提出了一种基于生成对抗框架的高炉故障自愈控制方法，为应对异常炉况提供一定的操作指导。首先需要采集数据样本，选择控制变量作为样本标签，再将标签属性等级化，从而获得自制的数据集。然后构建潜空间转换自愈控制模型，用自制的数据集输入模型，根据多训练路径的目标函数进行训练。最后，将高炉故障样本输入到训练好的模型中，模型会输出一个方案矩阵显示不同操作下转换样本的工况，只需选择健康工况对应的操作即可。
3、一种基于生成对抗框架的高炉故障自愈控制方法，包括以下步骤：数据集标签属性等级化、构建潜空间转换自愈控制模型、模型多路径训练、高炉故障样本的控制变量调节；
4、所述的数据集标签属性等级化包括如下步骤：
5、(1.1)采集数据样本：根据工人值班日志，采集正常炉况下的高炉样本与发生故障时的高炉样本；
6、(1.2)选择控制变量作为样本标签：高炉炼铁过程中有很多过程变量。基于处理高炉异常的操作手册从过程变量中选择调节高炉炼铁过程的控制变量，例如冷风流量、热风温度和设定喷煤量。同时将选为需要调节的控制变量也作为样本的标签；
7、(1.3)标签属性等级化：选好控制变量作为样本标签以后，需要根据其测量值划分样本到不同的数据集，也就是属性等级化。因为冷风流量和热风温度是连续值，所以将其等级化成0，1，2等若干个属性，从而使得标签属性具有排他性。所述的等级化包括如下步骤：
8、(1.3.1)获取训练集中这几个控制变量测量值的最大最小值；
9、(1.3.2)等分之后，赋予不同的等级。想要获得更精细的高炉自愈控制调节指导，则要划分更多的属性等级；
10、(1.4)制作数据集：将等级化后的冷风流量，热风温度和设定喷煤量作为样本的标签，划分出各个子数据集，并得到不同属性的样本列表文件。
11、所述的构建潜空间转换自愈控制模型包括如下步骤：
12、所提的潜空间转换自愈控制模型共有六个神经网络模块，分别是编码器，生成器，鉴别器，提取器，转换器，映射器。在生成对抗网络的基础上增加三个模块对特定的特征进行控制，提取器和映射器用来提取特定特征的特征代码，然后转换器用来在潜空间中修改特征；
13、(2.1)编码器的功能是将输入样本编码为潜空间特征表示；
14、(2.2)生成器的功能是将潜空间特征表示解码转为高炉样本；
15、(2.3)鉴别器的功能是判断高炉样本的真实性以及工况；
16、(2.4)提取器用于从高炉样本中提取标签相关的特征代码。具体来说它的输入是xi，j，输出是提取的特征代码，这里的i表示标签的个数，j是某个标签的属性数。每个标签有一组属性，但是属性只是对标签粗略离散的描述，所以引入了特征代码si，j用来表示样本中特定标签相关的具体表现。不同于属性对标签的简单描述，特征代码能真实反映样本中标签的细微变化。因为属性只是离散的标注，而特征代码是连续的，能更好地表示样本中标签的细微特征。
17、(2.5)转换器的功能是基于特征代码控制特征的特定标签信息，从而修改特征。具体来说假设编码器提取了一个高炉样本的特征向量，其中包含了不同的标签信息。这些标签信息编码在特征向量的不同维度上。然后将这个特征向量以及一个指定的特征代码输入转换器模块。转换器包含了多组自适应实例归一化层，分别对应不同的标签。输入特征代码的标签信息会触发对应的自适应实例归一化层活化，从而只操纵特征向量中与该标签相关的部分。
18、(2.6)映射器的功能则是从随机噪声中生成特征代码。具体来说它有多组全连接层。首先在第一层全连接层前根据标签i索引选择特定的全连接层，每组全连接层对应一个标签i，对于输入的标签i，则选择与其对应的那一组全连接层，而不触发其他无关的全连接层。这样可以确保特征代码与唯一的标签对应。然后在标签对应的那组全连接层的中间层，根据属性j再次索引，使得某一层针对某个属性进行特定转换。这使得生成的特征代码包含了该标签下特定属性的信息。
19、所述的模型多路径训练包括如下步骤：
20、使用采集到的数据对模型进行训练，使其能够学习输入故障样本与控制变量之间的映射关系。需要根据三条路径来训练模型。
21、(3.1)非转换路径的作用是重构输入样本，保证编码器和生成器之间的一致性。所述的非转换路径包括如下步骤：
22、(3.1.1)输入高炉样本xi，j，其中i为标签，j为标签对应的属性；
23、(3.1.2)将xi，j通过编码器e编码为特征e；
24、(3.1.3)将特征e输入生成器g进行重构，得到重构样本x′i，j；
25、(3.1.4)计算xi，j和x′i，j之间的重构损失。
26、(3.2)自转换路径使用从同一输入样本中提取的特征代码进行转换，确保特征代码包含输入样本的细节。所述的自转换路径包括如下步骤：
27、(3.2.1)输入同一个高炉样本xi，j；
28、(3.2.2)使用提取器f从xi，j中提取该标签i对应的特征代码si，j；
29、(3.2.3)将样本的特征e和提取的特征代码si，j一同输入转换器t；
30、(3.2.4)转换后的特征通过生成器g得到重构样本x″i，j；
31、(3.2.5)计算x″i，j与xi，j之间的重构损失。
32、(3.3)循环转换路径使用生成的特征代码和提取的特征代码进行循环一致性转换，确保它们都包含准确的标签细节。这保证了映射器可以学习提取器，生成需要的特征代码。所述的循环转换路径包括如下步骤：
33、(3.3.1)随机采样一个目标属性
34、(3.3.2)使用映射器m根据生成对应的目标特征代码
35、(3.3.3)将xi，j的特征e和生成的特征代码输入转换器t，转换后的特征通过g生成自愈操作后的特征转换样本
36、(3.3.4)将的特征和提取的原始特征代码si，j输入转换器进行逆转换，得到循环重构样本x″′i，j；
37、(3.3.5)计算与xi，j的对抗损失，x″′i，j与xi，j之间的重构损失以及提取特征代码与生成特征代码之间的特征一致性损失；
38、(3.4)然后将三条路径计算的重构损失，对抗损失和特征一致性损失全部相加，即为模型的目标函数。
39、所述的高炉故障样本的控制变量调节包括如下步骤：
40、(4.1)将高炉故障样本输入编码器e后得到故障特征e；
41、(4.2)用多个转换器转换故障特征e，即同时修改多个标签的属性。根据不同标签的不同等级属性，获得多个操作方案用于转换故障特征；
42、(4.3)将转换后的特征通过g解码成特征转换样本。多个操作方案则可以通过模型输出一个方案矩阵，显示不同操作方案下的特征转换样本工况。如果某一特征转换样本为健康样本，则其对应的操作方案为自愈控制操作。
43、本发明的有益效果：
44、本发明方法克服了传统人工经验式调节高炉故障的缺陷，提出了一种基于生成对抗框架的数据驱动高炉故障自愈控制方法。该方法建立了高炉运行状态与控制变量之间的映射关系模型，能够根据故障情况自动提供可行的调节方案，提高了自愈控制的效率和精确度。
1.一种基于生成对抗框架的高炉故障自愈控制方法，其特征在于，包括以下步骤：数据集标签属性等级化、构建潜空间转换自愈控制模型、模型多路径训练、高炉故障样本的控制变量调节；
2.根据权利要求1所述的方法，其特征在于，所述的数据集标签属性等级化包括如下步骤：
3.根据权利要求1所述的方法，其特征在于，所述的构建潜空间转换自愈控制模型包括如下步骤：
4.根据权利要求1所述的方法，其特征在于，所述的模型多路径训练包括如下步骤：
5.根据权利要求1所述的方法，其特征在于，所述的高炉故障样本的控制变量调节包括如下步骤：
