(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210816437.7 (22)申请日 2022.07.12 (71)申请人 上海宝信软件股份有限公司 地址 200120 上海市浦东 新区自由贸易试 验区郭守敬路515号 (72)发明人 钱卫东　程红云　徐宗云　张洪　 施敏　朱宇峰　许伟　张伟　 (74)专利代理 机构 上海锻创知识产权代理有限 公司 314 48 专利代理师 韩冰 (51)Int.Cl. G06Q 10/06(2012.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于深度聚类算法的炼铁高炉对标体系构 建方法和系统 (57)摘要 本发明提供了一种基于深度聚类算法的炼 铁高炉对标体系构建方法和系统， 包括： 步骤1： 基于生产管 理系统数据， 通过统计模 型建立各高 炉个体画 像， 然后进行异常数据去除与归一化处 理， 抽象化为高维空间中的数据点； 步骤2： 基于 深度聚类算法， 对高维空间中的数据点进行聚 类， 得到聚类结果； 步骤3： 将聚类结果进行可视 化展示； 步骤4： 对聚类结果进行监测， 在性能指 标低于预设阈值时进行自训练， 提升相应性能。 本发明通过有监督学习和无监督学习结合的方 式， 解决了高炉对标过程中由于指标数量庞大且 属性分布分散带来的指标权重难以分配的问题， 提供了一种高炉对标、 评判的量 化标准。 权利要求书3页 说明书6页 附图1页 CN 115146978 A 2022.10.04 CN 115146978 A 1.一种基于深度聚类算法的炼铁高炉对标体系构建方法， 其特 征在于， 包括： 步骤1： 基于生产 管理系统数据， 通过统计模型建立各高炉个体画像， 包括操作类指标、 排放类指标、 铁水成本类指标和能耗类指标， 然后对上述指标进行异常数据去除与归一化 处理， 抽象化 为高维空间中的数据点； 步骤2： 基于深度聚类算法， 对高维空间中的数据点进行聚类， 得到聚类结果； 步骤3： 将聚类结果进行 可视化展示； 步骤4： 对聚类结果进行监测， 在性能指标低于预设阈值时进行自训练， 提升相应性能。 2.根据权利要求1所述的基于深度聚类算法的炼铁高炉对标体系构建方法， 其特征在 于， 所述异常数据去除包括： 通过对单一高炉生产数据时间序列建模， 对超出预设范围的数 据进行去除； 通过对 行业内全体高炉数据建模， 对超出预设范围的数据进 行去除； 预设范围 的上限为75分位数+1.3 *四分位距， 预设范围的下限为25分位数 ‑1.3*四分位距； 所述归一 化处理包括： 对每 个字段X进行归一 化处理， 表达式为： 3.根据权利要求1所述的基于深度聚类算法的炼铁高炉对标体系构建方法， 其特征在 于， 所述步骤2包括： 步骤2.1： 基于神经网络自解码器模型， 分为编码器和解码器， 通过编码器将高维高炉 画像数据通过深度神经网络转化为低维表达空间数据， 通过解码 器将低维表达空间数据逆 转换为高维高炉画像数据， 若通过编 码器与解码 器后的拟合数据与 原始数据误差在预设范 围内， 则表达空间学习完成； 步骤2.2： 将高维高炉画像数据通过编码器后的结果， 基于GMM模型进行 聚类， 对单个高 炉数据点， 根据属于不同簇的概 率分布， 确定其 最终簇归属； 步骤2.3： 基于有监督学习和无监督学习模型损失函数， 建立统一损失函数和最优化模 型， 并寻找 表达空间学习和聚类模型中参数最优解； 步骤2.4： 输出 结果， 包括每 个高炉原 始画像、 低维表达空间数据和聚类所属簇 。 4.根据权利要求3所述的基于深度聚类算法的炼铁高炉对标体系构建方法， 其特征在 于， 用X表示源数据， Z表示源数据X的低维空间， 其通过编码器得到， 即Z＝encode(X)； 用 表 示源数据X经过编码 ‑解码过程的重构， 即 对于低维表 达空间的聚类， 用{u1, u2,…,uj,…表示聚类算法的中心核， 用 作为样本Xi的表达空间表达Zi 与中心核 Uj的相似度函数， i、 j为序列号； 则统一损失函数的表达式为： 基于损失函数， 通过Adam梯度下降算法， 计算出模型中各参数的最优解。 5.根据权利要求1所述的基于深度聚类算法的炼铁高炉对标体系构建方法， 其特征在 于， 聚类结果的可视化展示包括： 指标数据 清单列表展示、 多个对象单指标的对标分析图展 示、 多个对象多个指标的对标热力图形展示和多个对象多个指标的大数据分析聚类图形展权　利　要　求　书 1/3 页 2 CN 115146978 A 2示。 6.一种基于深度聚类算法的炼铁高炉对标体系构建系统， 其特 征在于， 包括： 模块M1： 基于生产管理系统数据， 通过统计模型建立各高炉个体画像， 包括操作类指 标、 排放类指标、 铁水成本类指标和能耗类指标， 然后对上述指标进 行异常数据去除与归一 化处理， 抽象化 为高维空间中的数据点； 模块M2： 基于深度聚类算法， 对高维空间中的数据点进行聚类， 得到聚类结果； 模块M3： 将聚类结果进行 可视化展示； 模块M4： 对聚类结果进行监测， 在性能指标低于预设阈值时进行自训练， 提升相应性 能。 7.根据权利要求6所述的基于深度聚类算法的炼铁高炉对标体系构建系统， 其特征在 于， 所述异常数据去除包括： 通过对单一高炉生产数据时间序列建模， 对超出预设范围的数 据进行去除； 通过对 行业内全体高炉数据建模， 对超出预设范围的数据进 行去除； 预设范围 的上限为75分位数+1.3 *四分位距， 预设范围的下限为25分位数 ‑1.3*四分位距； 所述归一 化处理包括： 对每 个字段X进行归一 化处理， 表达式为： 8.根据权利要求6所述的基于深度聚类算法的炼铁高炉对标体系构建系统， 其特征在 于， 所述模块M2包括： 模块M2.1： 基于神经网络自解码器模型， 分为编码器和解码器， 通过编码器将高维高炉 画像数据通过深度神经网络转化为低维表达空间数据， 通过解码 器将低维表达空间数据逆 转换为高维高炉画像数据， 若通过编 码器与解码 器后的拟合数据与 原始数据误差在预设范 围内， 则表达空间学习完成； 模块M2.2： 将高维高炉画像数据通过编码器后的结果， 基于GMM模型进行聚类， 对单个 高炉数据点， 根据属于不同簇的概 率分布， 确定其 最终簇归属； 模块M2.3： 基于有监督学习和无监督学习模型损失函数， 建立统一损失函数和最优化 模型， 并寻找 表达空间学习和聚类模型中参数最优解； 模块M2.4： 输出 结果， 包括每 个高炉原 始画像、 低维表达空间数据和聚类所属簇 。 9.根据权利要求8所述的基于深度聚类算法的炼铁高炉对标体系构建系统， 其特征在 于， 用X表示源数据， Z表示源数据X的低维 空间， 其通过编码器得到， 即Z＝enc ode(X)； 用 表 示源数据X经过编码 ‑解码过程的重构， 即 对于低维表 达空间的聚类， 用{u1, u2,…,uj,…}表示聚类算法的中心核， 用 作为样本Xi的表达空间表达Zi 与中心核 Uj的相似度函数， i、 j为序列号； 则统一损失函数的表达式为： 基于损失函数， 通过Adam梯度下降算法， 计算出模型中各参数的最优解。 10.根据权利要求6所述的基于深度聚类算法的炼铁 高炉对标体系构建系统， 其特征在 于， 聚类结果的可视化展示包括： 指标数据 清单列表展示、 多个对象单指标的对标分析图展权　利　要　求　书 2/3 页 3 CN 115146978 A 3