[发明专利]一种基于改进案例推理的竖炉炉况故障预报方法

摘要

一种基于改进案例推理的竖炉炉况故障预报方法，在传统4R认知模型的基础上，增加了属性权重的分配模型，并运用GDM理论改进案例校正模型。包括：变量初始化；将当前变量进行归一化处理，使其数值处在0～1之间；对案例进行表示，建立案例库；计算基于注水法分配权重算法的相关系数；计算案例属性的权重；计算目标案例与源案例的相似度；根据相似度阈值确定匹配案例的个数。判断重用效果；对预报的结果进行GDM校正；存储相应案例，并输出操作指导。利用在线过程数据，实现了竖炉焙烧过程炉况的基于改进案例推理的故障预报。与人工判断炉况相比，减少了操作人员的工作量，降低了人为判断的不确定性，提高了故障预报的时效性。

主权项

1.一种基于改进案例推理的竖炉炉况故障预报方法，其特征在于：在模型基础上，增加属性权重的分配模型，并运用群决策理论改进案例校正模型；包括以下步骤：步骤1、变量初始化；将当前变量进行归一化处理，使其数值处在0～1之间；步骤2、对案例进行表示，建立案例库；设每条源案例用C_k(k=1,2,…,p)表示，可表示为如下的二元组形式：C_k:〈X_k;Y_k〉,k=1,2,…,p                         (1)其中，p是案例总数；X_k和Y_k分别是源案例的问题描述和源案例的解答，分别表示为：X_k=(x_1,k,x_2,k,…,x_13,k)                         (2)Y_k=(y_1,k,y_2,k,…,y_5,k)                          (3)其中，故障预报结果y_1,k-y_5,k的取值均位于区间[0,1]中，表示相对应的故障发生概率；步骤3、计算注水算法的相关系数；案例属性权重分配的描述式子为：R=Σi=113log2(1+αi2ωi)---(4)]]>式中，R为权重分配的合理性指标；α_i表示第i个属性的重要程度，即历史案例库中第i个属性与输出的相关程度，可通过计算其相关系数来确定，如下式子：αi=Σj=1p(xi,j-x‾i)(yj-y‾)Σj=1p(xi,j-x‾i)2Σj=1p(yj-y‾)2,i=1,2,···,13---(5)]]>其中，表示第i个属性值的平均值，表示案例库中所有输出结果的平均值；案例属性权重ω_i(i=1,2,…,13)的约束条件为：Σi=113ωi=1ωi≥0---(6)]]>为了合理分配属性的权重，构造拉格朗日函数；将式(4)和式(6)结合起来，得到如下的拉格朗日函数：L(ω,λ)=Σi=113log2(1+αi2ωi)+λ(1-Σi=113ωi)---(7)]]>其中，λ是拉格朗日算子；L(ω,λ)表示，在满足∑ω_i=1的约束条件下，求得的权重是合理的；步骤4、计算案例属性的权重；对式（7）中ω_i求偏导后得到：∂L∂ωi=1ln2αi2(1+αi2ωi)-λ=0,i=1,2,···,13---(8)]]>可解得各特征属性所分配到的权重，考虑到式(6)中ω_i≥0的约束条件，权重计算公式为：ωi=[ϵ-1αi2]+---(9)]]>其中，[Z]+表示0和Z的最大值；ε为门限值，根据式(6)中∑ω_i=1的约束条件，用下式确定其大小：ϵ=1+Σi=1131αi13---(10)]]>式(9)表明，权重的分配受属性的重要程度影响，属性对应的大，分配到的权重大。由此，得到了满足式(4)和式(6)的权重分配合理化的算法；步骤5、计算目标案例与源案例的相似度；下式为计算目标案例X与每一条源案例X_k的相似度:S(X,Xk)=Σi=113ωi(1-|xi-xi,k|Max(xi,xi,k)),k=1,2,···,p---(11)]]>其中，ω_i(i=1,2,…,13)是第i个属性的权重，表示各属性在故障预报过程中对结果的作用力；步骤6、根据相似度阈值确定匹配案例的个数；不完全匹配时转步骤8；完全匹配时转步骤7；步骤7、判断重用效果，若结果正确，转步骤9；否则转步骤8；步骤8、对预报的结果进行群决策校正，并转步骤7；在案例检索环节，按式(11)计算出p个相似度后，设定一个相似度的阈值sim_v∈(0,1]，假设p个相似度中大于sim_v的案例个数为m，重新标记这些案例的相似度分别为S₁～S_m，相应的历史故障预报结果共m组，分别为Y₁～Y_m，可表示为：Yj=(y1,j,y2,j,...,y5,j)s.t.Sj≥simv,j=1,2,···,m---(12)]]>借鉴群决策思想，将上述的m组历史预报结果视为m个决策专家，记测试案例集中的预报结果为Y'=(y'₁,y'₂,…,y'₅)，m组历史预报结果与测试预报结果之间的总误差是：E=Σj=1mΣi=15|yi,j-yi′|---(13)]]>由此计算每一组历史预报结果的可信度λ_j(j=1,2,…,m)，定义可信度为：λj=Σi=15|yi,j-yi′|E---(14)]]>λ_j越小，表示第j组运算结果趋近于测试预报结果的误差越小，可信度就高；从群决策角度来说，表示该决策专家的权威性越大；利用群基数效用函数的构造思想，通过每一组历史预报结果的可信度λ_j及m组预报结果对目标案例的预报进行群决策校正：yj=1mΣj=1myi,jλj,i=1,2,···,5---(15)]]>步骤9、存储相应案例，并输出操作指导，若炉况预报未结束，转步骤2。