一种基于决策融合框架的辊道窑烧成带异检测算法的制作方法

技术特征：
1.一种基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，包括以下步骤：(1)：采集烧成带工况数据；(2)：构建异常检测方法；(3)：构建贝叶斯网络结构并设置参数；(4)：进行决策目标选择；(5)：进行决策规则选择。2.根据权利要求1所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，所述步骤(1)中，包括构建基于分析的异常检测方法和构建基于keca方法的异常检测方法；构建基于分析的异常检测方法的过程是：构建辊道窑烧成带平衡模型：e
ut
e
f
e
oa
e
exh1
＝e
ft
e
exh2
i
int
i
out
其中，e
ut
为瓷砖坯体输入e
f
为燃气输入e
oa
为助燃气输入e
exh1
为烟气输入e
ft
为烧制砖输出e
exh2
为烟气输出i
int
为内部损失，i
out
为外部损失；物质的为e
x
：e
x
＝m
x
·
e
x
式中，m
x
为物质x的质量流量；e
x
为物质x的标准表示为：e
x
＝e
x,ph
e
x,ch
式中，e
x,ch
为物质的标准化学e
x,ph
为物质的标准物理表示为：式中，t为温度，下标0为基准环境状态，无下标为物质当前温度，k；c
p
为摩尔定压热容，与温度的关系式表示为：cp＝a
i
b
i
×
10
‑3t c
i
×
10
‑5t2；外部损失：在辊道窑烧成带系统中，外部损失为窑壁损失，窑壁损失表现为窑壁散热损失，为窑壁的对流和辐射产生的损失，窑壁表面散热与窑壁表面温度和基准环境温度有关，外部损失表示为：其中，q
w
表示窑壁的传热速率表示为：q
w
＝h
c
(t
w
‑
t0)a
conv
εσ(t
w4
‑
t
04
)a
rad
式中，t
w
为窑壁的平均温度；h
c
为窑壁的对流换热系数；a
conv
为窑壁对流换热面积；ε为窑壁表面发热率；σ为黑体辐射常数；a
rad
为窑壁辐射热面积；内部损失：根据平衡方程，内部损失为：i
int
＝e
ut
e
f
e
oa
e
exh1
‑
e
ft
‑
e
exh2
‑
i
out
；
将数据采集得到异常发生时的输入输出物质流数据，与正常工况的输入输出物质流数据相结合得到一个整体工况的数据集；基于正常工况的数据，对整个数据集进行标准化处理，将各变量数据转换成一个个无单位的量，表示偏差的大小；以便引入适当的阈值函数，构造各变量的异常向量，作为异常检测的指标；具体的标准化处理方法是通过求取正常工况数据的均值和标准差对整体数据集进行处理，使处理后的数据集趋向于均值为0，标准差为1的标准正态分布；其计算公式如下：式中，x
*
为修正后的数值；μ为正常工况数据的均值；σ为正常工况数据的标准差；将阈值函数应用于标准化后各物质流的物理与化学数据，使各物质流的物理与化学转换为一个定性向量；引入分类函数f(x)∈{
‑
1,0,1}将标准化处理后的数据x归类为{
‑
1,0,1}，分类函数公式为：x≥m
→
f(x)＝1
‑
m＜x＜m
→
f(x)＝0x≤
‑
m
→
f(x)＝
‑
1式中，x为标准化处理后的数据，m为阈值，采用3σ准则，如下：m
max
＝3σ
*
,m
min
＝
‑
3σ
*
式中，σ
*
为标准化数据的标准差，其中1表示正偏差，0表示无偏差，
‑
1表示负偏差。3.根据权利要求2所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，所述步骤(2)中，构建基于keca方法的异常检测方法的过程是：假设存在数据集d:x1,l,x
n
是由概率密度函数p(x)生成，则样本的二阶renyi熵定义为：h(p)＝
‑
log∫p2(x)dx令v(p)＝∫p2(x)dx，由于对数函数是一个递增类型的函数，通过v(p)的估计值来得到h(p)的估计值，v(p)的估计值通过调用parzen窗估计器进行估计：式中，k
σ
(x,x
t
)为特征空间的核函数，通常采用径向基函数，表示为：式中，σ为核函数的参数，通过样本均值来估计期望算子，得到：得其中，k为n
×
n的样本核矩阵，1为n
×
1的向量；renyi熵用核矩阵的特征值和相应的特征向量表示，其中核矩阵特征分解为：k＝φ
t
φ＝ede
t
式中，d为特征值λ1,l,λ
n
的对角矩阵，e为一个以特征向量e1,l,e
n
为列的矩阵，因此v(p)表示为：
转换得：由φ'所代表的样本外数据点被投影到u
k
的所选成分产生：为了保留原始数据更多的信息，需要确定主成分的个数，采用累计贡献率法来定义renyi熵的贡献率η，利用renyi熵贡献率来降维，从而确定选择的主成分的数量，renyi熵的贡献率η表示：其中，m为核特征空间数据集的均值向量，求得：m
eca
表示转换后数据的均值向量φ
eca
，求得：基于keca方法的异常检测方法采用t2和spe监测统计量进行异常检测：其中，t2统计量用下式计算得到：t2＝[t
k,1
,t
k,2
,l,t
k,p
]λ
‑1[t
k,1
,t
k,2
,l,t
k,p
]
t
式中，t
k
＝[t
k,1
,t
k,2
,l,t
k,p
]
t
为得分向量，λ
‑1为特征值倒数的对角阵；t2统计量的控制限用下式计算得到：spe统计量用下式计算得到：式中，n为非零特征值的个数，p为主元个数；spe统计量的控制限用下式计算得到：式中，g＝θ/2ω，h＝2ω2/θ，ω是k次采样spe平均值，θ是k次采样spe方差。4.根据权利要求3所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，在采用熵贡献率确定主成分个数时，需要确定一个阈值，将熵贡献率阈值设定为85％；将熵贡献率从大到小排序，并进行相加计算，一直到累计的熵贡献率值大于85％时，所得的最小的特征向量个数k，即为选择的主成分个数。5.根据权利要求4所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，在异常检测的过程中，首先通过上式计算t2和spe统计量的值和对应的控制限，然后根据计算所得值进行判断；当监测统计量的值超过控制限，且存在3个及以上超过控制限的数据
时，认为此时存在异常；此外，spe统计量相对t2统计量拥有更好的异常检测效果；因此，当spe统计量超过控制限时，则认为此时存在异常；当spe统计量没有超过控制限，而t2统计量超过控制限时，则可根据实际情况进行判断；若监测统计量均没有超过控制限，则认为此时不存在异常。6.根据权利要求5所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，步骤(3)中构建的贝叶斯网络中，只考虑通用层的两种方法的决策融合，因为通用层对所要融合的方法没有什么特定的要求；构建的贝叶斯网络框架包含3个离散节点，这些节点划分为输入节点和输出节点，输入节点d1和d2表示单个决策的节点，而输出节点d表示描述系统状态的全局决策；每个输入节点和输出节点相连接，反映了节点之间的直接条件依赖性；基于贝叶斯网络的推理是根据给定节点状态d1和d2的概率，计算节点d每个模式状态的后验概率，其中，节点d1和d2的模式状态是从特定层得到的，对于这些节点，提出了以下假设，1)假设1：系统的状态总共有四种，noc，s0，s1，s2，其中，noc表示系统无异常状态，s0，s1，s2表示可被检测出来的系统异常状态；2)假设2：存在两种相互独立的异常检测方法，其中，基于分析的异常检测方法检测的状态有noc，s0，s1三种，s1表示只有基于分析的异常检测方法可以检测出的系统异常状态；基于keca方法的异常检测方法可检测的状态有noc，s0，s2三种，s2表示只有基于keca方法的异常检测方法可以检测出的系统异常状态；由以上假设可得，节点d1表示基于分析的异常检测方法中可检测的系统状态，则节点d1有3个模式{noc，s0，s1}；节点d2可表示基于keca方法的异常检测方法中可检测的系统状态，则节点d2有3个模式{noc，s0，s2}；混合方法可检测的状态有noc，s0，s1，s2四种，则全局节点d有4个模式{noc，s0，s1，s2}。7.根据权利要求6所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，步骤(3)中，贝叶斯网络参数由两部分组成，分别是全局节点的先验概率和子节点的条件概率，状态的先验概率表示的是这些状态的归一化频率；假设所有的概率都是相等的，如果有完整的异常数据集，条件概率通常通过统计计算得到，否则，由专家估计条件概率；基于采集得到的辊道窑烧成带数据，各节点的先验概率将会通过统计计算得到。8.根据权利要求7所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，步骤(4)的具体过程是：1)目标1：当基于分析的异常检测方法与基于keca方法的异常检测方法的决策均为noc时，全局决策为noc；2)目标2：当基于keca方法的异常检测方法的决策为noc，基于分析的异常检测方法的决策为s0时，全局决策为s0；由于s0为基于分析的异常检测方法和基于keca方法的异常检测方法都可以检测出的系统异常状态，在基于keca方法的异常检测方法没有检测到异常的情况下，而基于分析的异常检测方法可以检测到s0，因此为了避免出现异常未能及时检测而导致的意外事故，以及提高异常检出率，全局决策选择为s0；3)目标3：当基于keca方法的异常检测方法的决策为noc，基于分析的异常检测方法的决策为s1时，全局决策为s1；由于s2是基于分析的异常检测方法可以很好地检测出系统异常状态，在基于keca方法的异常检测方法没有检测到异常的情况下，为了提高异常检
出率，全局决策选择为s2；4)目标4：当基于分析的异常检测方法的决策为noc，基于keca方法的异常检测方法的决策为s0时，全局决策为s0；理由同目标2；5)目标5：当基于分析的异常检测方法和基于keca方法的异常检测方法的决策均为s0时，全局决策为s0；6)目标6：当基于分析的异常检测方法的决策为s1，基于keca方法的异常检测方法的决策为s0时，全局决策为s1；由于两种方法都可以检测出异常状态s0，然而基于分析的异常检测方法在此基础上忽略了异常状态s0，却检测出了异常状态s1，并且也只有基于分析的异常检测方法可以检测出异常状态s1，因此在考虑了异常状态可被检测的权重的情况下，定义全局决策选择为s1；7)目标7：当基于分析的异常检测方法的决策为noc，基于keca方法的异常检测方法的决策为s2时，全局决策为s2，理由同目标3；8)目标8：当基于分析的异常检测方法的决策为s0，基于keca方法的异常检测方法的决策为s0时，全局决策为s2，理由同目标6；9)目标9：当基于分析的异常检测方法的决策为s1，基于keca方法的异常检测方法的决策为s2时，全局决策为s1∪s2；由于基于分析的异常检测方法是唯一可以检测出异常状态s1的方法，基于keca方法的异常检测方法是唯一可以检测出异常状态s2的方法，因此当两种异常状态均被检测到时，全局决策选择为s1∪s2。9.根据权利要求8所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，决策选择规则实质是一个分类问题，不同的决策规则反映了决策者对所考虑因素权重的不同选择，所得的决策结果也会各异，在构建的贝叶斯网络框架中，将采用两个规则决定系统的状态，当选择某一个状态作为全局决策d时，须遵循以下两个规则：1)它的概率是最大的，并且高于某个阈值，阈值一般为该状态的先验概率；2)它的概率是最大的，并且它的概率和第二大概率的差值高于某个阈值。10.根据权利要求9所述的基于决策融合框架的辊道窑烧成带异检测算法，其特征在于，所述步骤(5)的过程是：1、当d＝noc时，其等价形式为：1)p(d＝noc|d1＝noc∩d2＝noc)>p(d＝noc)；2)p(d＝noc|d1＝noc∩d2＝noc)>p(d＝si|d1＝noc∩d2＝noc)，其中i∈{0,1,2}；2、当d＝s0时，以d1＝s0，d2＝noc为例，其等价形式为；1)p(d＝s0|d1＝s0∩d2＝noc)>p(d＝s0)；2)p(d＝s0|d1＝s0∩d2＝noc)>p(d＝si∪noc|d1＝s0∩d2＝noc)，其中i∈{1,2}，3、当d＝s1时，以d1＝s1，d2＝s0为例，其等价形式为：1)p(d＝s1|d1＝s1∩d2＝s0)>p(d＝s1)；2)p(d＝s1|d1＝s1∩d2＝s0)>p(d＝si∪noc|d1＝s1∩d2＝s0)，其中i∈{0,2}；4、当d＝s2时，以d1＝s0，d2＝s2为例，其等价形式为：1)p(d＝s2|d1＝s0∩d2＝s2)>p(d＝s2)；2)p(d＝s2|d1＝s0∩d2＝s2)>p(d＝si∪noc|d1＝s0∩d2＝s2)，其中i∈{0,1}。
5、当d＝s1∪s2时，其等价形式为：1)p(d＝s1|d1＝s1∩d2＝s2)>p(d＝s1)；2)p(d＝s2|d1＝s1∩d2＝s2)>p(d＝s2)；3)p(d＝s1|d1＝s1∩d2＝s2)>p(d＝(s0∪noc)|d1＝s1∩d2＝s2)；4)p(d＝s2|d1＝s1∩d2＝s2)>p(d＝(s0∪noc)|d1＝s1∩d2＝s2)。

技术总结
本发明提供一种基于决策融合框架的辊道窑烧成带异检测算法，该算法可以克服单种方法不能准确地实现系统所有异常的检测的问题，将两种检测方法进行决策融合，结合两种方法的优势，从而实现对具有多异常类型特点的辊道窑烧成带进行所有异常的准确检测。成带进行所有异常的准确检测。成带进行所有异常的准确检测。


技术研发人员：雷绍俊 杨海东 徐康康 印四华 许潇 程明阳 赖添城 谭喜 朱成就
受保护的技术使用者：广东工业大学
技术研发日：2021.07.06
技术公布日：2021/10/23