【技术实现步骤摘要】
一种集成PCA-ICA的高炉过程监测及故障诊断方法
本专利技术涉及高炉冶炼过程监测
，尤其涉及一种集成PCA-ICA的高炉过程监测及故障诊断方法。
技术介绍
高炉炼铁是一个多变量、强耦合、大时滞的复杂密闭系统，其中包含很多相互独立有相互影响的子系统。各个子系统在空间上具有独立性，比如装料子系统属于高炉上部调剂、从高炉炉顶送料，热风系统属于高炉下调剂，从高炉炉腹风口送进热风以及喷吹煤粉，这两个系统在空间上一独立的。但是同属于高炉操作调剂组成，高炉操作人员会根据高炉炉况影响相应调节，比如高炉因下部风口送进去的鼓风湿度波动大，造成高炉炉温下行，需从装料系统加净焦提温，也就是说，不同子系统之间为了达到高炉本体的稳定顺行、节能降耗的目的，存在相互影响与制约关系。由于单变量过程监测的局限性，很难兼顾各个子系统之间的耦合关系，使得故障征兆出现时很难被捕捉到，补救措施很难及时遏制故障的发生，及时遏制故障的发生也无法避免故障损失。因此，如何建立一个综合考虑整个高炉炼铁系统的过程监测模型，给出统一监测指标，及时有效的监测高炉运行过程故障的发生是当前保持高炉稳定顺行的当务之急。专...
【技术保护点】
1.一种集成PCA‑ICA的高炉过程监测及故障诊断方法，其特征在于：该方法包括以下步骤：步骤1：辅助变量选择和高炉过程监测模型输入变量确定；根据生产工艺及机理以及可测可观和变量间相关性分析，选择37个变量为高炉过程监测模型的输入变量，包括：焦批u1(吨)、焦炭批重u2(吨)、焦丁批重u3(吨)、矿批u4(吨)、球团批重u5(吨)、块矿批重u6(吨)、烧结批重u7(吨)、球团批重u8(吨)、焦炭负荷u9、烧结比u10(％)、球团比u11(％)、块矿比u12(％)、炉腹煤气量u13(m3/min)、炉腹煤气指数u14(m/min)、标准风速u15(m/s)、实际风速u16(m/...
【技术特征摘要】
1.一种集成PCA-ICA的高炉过程监测及故障诊断方法，其特征在于：该方法包括以下步骤：步骤1：辅助变量选择和高炉过程监测模型输入变量确定；根据生产工艺及机理以及可测可观和变量间相关性分析，选择37个变量为高炉过程监测模型的输入变量，包括：焦批u1(吨)、焦炭批重u2(吨)、焦丁批重u3(吨)、矿批u4(吨)、球团批重u5(吨)、块矿批重u6(吨)、烧结批重u7(吨)、球团批重u8(吨)、焦炭负荷u9、烧结比u10(％)、球团比u11(％)、块矿比u12(％)、炉腹煤气量u13(m3/min)、炉腹煤气指数u14(m/min)、标准风速u15(m/s)、实际风速u16(m/s)、送风比u17(％)、冷风流量u18(m3/h)、热风温度u19,(℃)、鼓风湿度u20(g/m3)、热风压力u21(MPa)、顶压u22(kPa)、压差u23(kPa)、顶压风量比u24(％)、鼓风动能u25(N·m/s)、阻力系数u26、透气性u27、富氧流量u28(m3/h)、富氧率u29(％)、设定喷煤量u30(m3/h)、南探u31、南探雷达u32、顶温东南u33(℃)、顶温西南u34(℃)、顶温西北u35(℃)、顶温东南u36(℃)、理论燃烧温度u37(℃)；步骤2：监测模型的训练，具体包括以下步骤：步骤2.1：变量初始化；步骤2.2：判断本次运行选择的为监测模型训练还是高炉炼铁过程监测，如果本次运行为监测模型训练，则转至步骤2.3，读取正常工况训练样本；如果本次运行为高炉炼铁过程监测，则转至步骤3；步骤2.3：读取高炉炉况正常时训练样本，从数据库导入或输入训练数据集X＝[x1,x2,...,xm]∈Rn×m，其中，n、m分别为训练数据集的样本个数和特征个数；步骤2.4：进行数据预处理；采用尖峰滤波算法将高炉炼铁过程的尖峰异常数据进行剔除；对步骤1中的每个变量分别进行中心标准化处理，即每类样本数据减去对应样本的平均值，然后除以其样本方差，即：上式中，xij为第j类变量的第i个训练样本，n为训练数据集的样本个数，为第j类变量的均值，为中心标准化后的训练样本，表示第j类变量的方差，表示第j类变量的标准差；此时得到中心标准化训练数据集其中，n、m分别为训练数据集的样本个数和特征个数；步骤2.5：进行ICA和PCA监测模型训练与建模效果评价，ICA监测模型训练与建模效果评价如步骤2.5.1和步骤2.5.2所述，PCA监测模型训练与建模效果评价如步骤2.5.3和步骤2.5.4所述；步骤2.5.1：基于模型训练样本集以及预先设定的模型相关待定参数，进行ICA监测模型训练；ICA监测模型为：其中，为中心标准化处理后数据，S为独立主元，A为混合矩阵，W为解混矩阵，为通过中心化数据和解混矩阵估计出的独立主元；步骤2.5.2：对ICA建模效果进行评价，通过判断正常工况数据测试是否会出现异常误报情况来判定建模效果；若没有异常误报情况，则结束模型优化，得到解混矩阵W、主元特征值逆矩阵对应的T2统计量监测控制限对应的SPE统计量监测控制限及对应的特征变量贡献值的监测控制限，并保存ICA的模型参数；否则，返回步骤2.5.1，继续训练优化模型，直到建模效果达到要求；步骤2.5.3：进行PCA监测模型训练；PCA算法是一种数据降维技术，PCA算法如下所示：上式中，为中心标准化处理后数据，为的估计值，P为负载矩阵，T为新坐标空间的得分矩阵，E表示残差，PPT表示到主元空间的正交投影矩阵，I-PPT表示到残差空间的正交投影矩阵；由负载矩阵P得到得分矩阵为：步骤2.5.4：通过判断正常工况数据测试是否会出现异常误报情况，对PCA建模效果进行评价，判定建模效果；若没有异常误报情况，则结束模型优化，得到得分主元T、对应的T2统计量监测控制限对应的SPE统计量监测控制限及对应的特征变量贡献值的监测控制限，并保存PCA的模型参数；否则返回步骤2.5.3，继续训练优化模型，直到建模效果达到要求；步骤2.6：确定集成PCA-ICA的统计量变量贡献值监测控制限；当PCA和ICA的T2统计量和SPE统计量超出统计量监测控制限时，PCA和ICA都监测到异常，考虑不同算法得出的不同变量对统计量的贡献值大小量纲不同，即绝对值大小量纲不同，将变量贡献值进行归一化处理，将异常时刻的每个变量贡献值除以该时刻所有变量贡献值的和，之后通过PCA和ICA变量贡献值计算出统一贡献值；计算每个变量训练过程中变量贡献值，统计出训练过程每个变量贡献值的均值和方差，以均值与3倍方差的和作为每个变量是否是故障变量的统计上限；步骤3：集成PCA-ICA的监测实现，具体包括以下步骤：步骤3.1：读取PCA和ICA的模型参数，读取集成PCA-ICA的统计量变量贡献值监测控制限；步骤3.2：读取生产测试数据，将输入数据中心标准化处理；步骤3.3：采用ICA和PCA过程监测模型对过程进行检测，当PCA和ICA都监测到异常时，利用集成PCA-ICA的统一贡献图辨识算法辨识故障源；当ICA统计量监测异常、PCA统计量未监测到异常时，统一贡献图辨识指标退化成基于ICA的贡献图辨识算法辨识故障源；当PCA统计量监测异常、ICA统计量未监测到异常时，统一贡献图辨识指标退化成基于PCA的贡献图辨识算法辨识故障源；步骤3.4：监测结果显示：生成集成PCA-ICA监测方法过程监测和故障辨识图；步骤3.5：结果保存：将本次监测的输入输出数据保存到相应的数据库，供查询、修正使用。2.根据权利要求1所述的集成PCA-ICA的高炉过程监测及故障诊断方法，其特征在于：所述步骤2.5.1中ICA监测模型训练具体步骤如下所述：步骤2.5.1.1：数据白化处理，即对的协方差矩阵进行特征值分解，求出得分向量并对得分向量标准化，得：其中，V为正交特征矩阵，D＝diag{λ1,λ2,...,λm}为对角特征值矩阵；为的协方差矩阵；此时求得白化矩阵为步骤2.5.1.2：改进FastICA算法的独立主元估计如下所示：其中，为改进FastICA算法的独立主元估计，Λica＝diag{λ1,λ2,...,λl}为主元特征矩阵，l为独立主元个数，l≤m，则存在以下关系：步骤2.5.1.3：利用改进FastICA算法求Pica，算法步骤如下所示：步骤(a)：赋初值给记pica,d为Pica的第d列；步骤(b)：令d＝1；步骤(c)：按下式更新Pica第d列，其中，g是G的一阶导数，g′是G的二阶导数，G为非二次函数，步骤(d)：按下式对更新后的Pica第d列进行去相关处理，步骤(e)：按下式对去相关后的Pica第d列进行标准化处理，p″′ica,d＝p″ica,d/||p″ica,d||；步骤(f)：判断是否满足其中ζ＝0.00001；若是，则令d加1，返回步骤(c)，进行Pica下一列的处理；若否，则直接返回步骤(c)，继续更新；步骤(g)：求出Pica后，根据ICA模型和白化矩阵求出混合矩阵A、解混矩阵W和最终的独立主元估计值如下所示：步骤2.5.1.4：定义T2和SPE统计量；改进FastICA算法求解的独立主元估计值在训练数据集中任取一个中心标准化样本T2统计量定义如下：其中，l为独立主元个数；的估计值为在训练数据集中任取一个中心标准化样本和估计值样本SPE统计量定义如下：步骤2.5.1.5：确定统计量的监测控制限；使用非参数核密度估...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。