论文部分内容阅读
高炉炼铁过程是钢铁生产的关键工序,保证其持续稳定顺行是钢铁企业绿色低耗生产、降低生产成本的前提。然而,高炉是一个复杂、密闭的连续生产系统,操作变量、状态变量以及指标变量众多,如何利用众多变量包含的信息来监测高炉运行状态,并利用监测结果来优化操作制度是高炉稳定顺行的关键。目前在高炉炼铁现场,更多的是使用单个变量的阈值监测方法,该方法忽略了变量之间的相关性以及不同子系统之间的耦合关系,通常是故障已经发生到一定程度才会报警,造成不可挽回的损失甚至危及操作人员的生命。另外,高炉炼铁过程能耗占钢铁企业总能耗的50%左右,其中燃料消耗占炼铁总能耗的80%左右,因此降低燃料消耗是高炉炼铁节能降耗的关键。燃料比是高炉炼铁燃料消耗的关键指标,利用高炉运行过程变量与燃料比的关系,对高炉燃料比进行监测,能够尽可能早的识别出影响燃料比异常波动的关键因素。对高炉燃料比进行监测并结合合理的高炉操作调剂,是实现高炉炼铁节能降耗的重要举措。
针对高炉运行过程异常工况监测以及燃料比监测问题,本文依托国家自然科学基金重大项目“大型高炉高性能运行控制的基础理论与关键技术研究”(61290323),以广西柳钢2#高炉为研究对象,开展了基于多元统计分析的高炉过程监测研究,具体工作如下所示:
1)对高炉炼铁系统进行分析,找出高炉本体与各个子系统之间的关键参数组成监测数据集,共37个过程变量,之后进行缺失值和无量纲化预处理。由于高炉过程数据是非高斯分布与高斯分布数据共存,单个的多元统计分析方法很难完整描述高炉的运行过程数据分布信息,从而使得高炉过程异常工况监测出现误报、漏报现象。针对该问题,本文综合考虑主成分分析(Principal Component Analysis,PCA)、独立主元分析(Independent Component Analysis,ICA)过程监测算法特点以及过程变量非高斯分布中存在亚高斯分布和超高斯分布的复杂情况,提出一种集成PCA-ICA的高炉过程监测方法并给出相应的贡献图故障辨识统一指标及控制限。并将该算法应用到高炉运行过程监测中,监测结果表明,该算法在对整个高炉运行过程异常监测以及异常辨识中都能取得较好效果。
2)针对先验故障知识少的非线性复杂工业过程系统故障辨识的问题,本文提出一种基于核偏最小二乘(Kernel Partial Least Squares,KPLS)鲁棒重构误差的故障辨识算法。该算法首先根据核函数技术建立正常工况下的质量变量和特征空间数据的KPLS模型,根据原始变量非线性映射空间的协方差矩阵和核空间中的Gram矩阵之间的关系,来反向估计出原始空间中过程变量的正常值,并利用过程变量的误差构造故障辨识指标并计算相应的控制限,超出控制限的即为可能引起燃料比异常的关键影响因素。同时该算法考虑了新采样数据中的异常数据对特征空间中得分主元的影响,通过迭代去噪方法修正得分主元,提高过程变量正常估计值的精度,进而提高故障辨识的准确度。最后,通过不同故障类型以及多故障变量的数值仿真、TE(Tennessee)过程仿真结果表明了算法的有效性。
3)对高炉炼铁系统能源消耗进行分析,并利用所提KPLS鲁棒重构误差故障辨识方法结合休哈顿控制图对高炉燃料比进行监测以及异常报警时的故障辨识。监测和辨识结果表明,该算法能够及时监测出高炉运行过程中可能引起燃料比异常变化的影响因素,并能够有效的辨识出该异常因素。
针对高炉运行过程异常工况监测以及燃料比监测问题,本文依托国家自然科学基金重大项目“大型高炉高性能运行控制的基础理论与关键技术研究”(61290323),以广西柳钢2#高炉为研究对象,开展了基于多元统计分析的高炉过程监测研究,具体工作如下所示:
1)对高炉炼铁系统进行分析,找出高炉本体与各个子系统之间的关键参数组成监测数据集,共37个过程变量,之后进行缺失值和无量纲化预处理。由于高炉过程数据是非高斯分布与高斯分布数据共存,单个的多元统计分析方法很难完整描述高炉的运行过程数据分布信息,从而使得高炉过程异常工况监测出现误报、漏报现象。针对该问题,本文综合考虑主成分分析(Principal Component Analysis,PCA)、独立主元分析(Independent Component Analysis,ICA)过程监测算法特点以及过程变量非高斯分布中存在亚高斯分布和超高斯分布的复杂情况,提出一种集成PCA-ICA的高炉过程监测方法并给出相应的贡献图故障辨识统一指标及控制限。并将该算法应用到高炉运行过程监测中,监测结果表明,该算法在对整个高炉运行过程异常监测以及异常辨识中都能取得较好效果。
2)针对先验故障知识少的非线性复杂工业过程系统故障辨识的问题,本文提出一种基于核偏最小二乘(Kernel Partial Least Squares,KPLS)鲁棒重构误差的故障辨识算法。该算法首先根据核函数技术建立正常工况下的质量变量和特征空间数据的KPLS模型,根据原始变量非线性映射空间的协方差矩阵和核空间中的Gram矩阵之间的关系,来反向估计出原始空间中过程变量的正常值,并利用过程变量的误差构造故障辨识指标并计算相应的控制限,超出控制限的即为可能引起燃料比异常的关键影响因素。同时该算法考虑了新采样数据中的异常数据对特征空间中得分主元的影响,通过迭代去噪方法修正得分主元,提高过程变量正常估计值的精度,进而提高故障辨识的准确度。最后,通过不同故障类型以及多故障变量的数值仿真、TE(Tennessee)过程仿真结果表明了算法的有效性。
3)对高炉炼铁系统能源消耗进行分析,并利用所提KPLS鲁棒重构误差故障辨识方法结合休哈顿控制图对高炉燃料比进行监测以及异常报警时的故障辨识。监测和辨识结果表明,该算法能够及时监测出高炉运行过程中可能引起燃料比异常变化的影响因素,并能够有效的辨识出该异常因素。