基于KPLS魯棒重構誤差的高爐燃料比監測與異常識別

周平 劉記平 梁夢圓 張瑞垚

高爐煉鐵是鋼鐵生產制造流程的前端關鍵工序,其作用就是將固態的鐵礦石通過復雜高溫、高壓等物理化學變化和多相多場耦合效應,在焦炭、煤氣等作用下還原成液態鐵水,為后續煉鋼提供鐵水原料.如圖1 所示,一個典型高爐煉鐵過程主要由高爐本體、上料系統、送風系統、噴吹系統、渣鐵處理系統以及高爐煙氣凈化系統等組成[1?2].由于煉鐵高爐內部在高溫、高壓條件下進行著復雜氣-固、氣-液、固-固、固-液等多相轉換,眾多變量和參數之間錯綜復雜和相互耦合,被公認為是最復雜的逆流反應器[3].高爐煉鐵是典型的高能耗、低效率過程,其運行能耗約占鋼鐵生產總能耗的50%以上,生產成本占鋼鐵生產總成本的70%左右.因此.降低煉鐵能耗對鋼鐵行業的節能減排、低成本可持續生產具有重要意義[1,4].圖1 為高爐煉鐵能耗示意圖,其中焦炭和煤粉等燃料消耗約占高爐煉鐵總能耗的80%左右,因此降低高爐燃料消耗是高爐煉鐵節能降耗的重中之重[5].高爐燃料消耗影響因素眾多,例如熱風溫度、富氧量等高爐操作變量和過程變量,都能直接或間接地影響高爐燃料消耗.高爐燃料比(即生產1 噸鐵所消耗的焦炭、焦丁、煤粉等燃料量)作為反映高爐燃料消耗的最主要指標,對高爐操作人員執行高爐操作制度具有重要指導作用.隨著節能減排,倡導綠色生產以及降低成本的需求日益迫切,對高爐節能減排的學術研究與工程實踐也越來越多.文獻[6?7]基于物流平衡與能量平衡原理建立高爐能耗模型,并從工藝角度進行節能分析與優化.文獻[8?9]分別采用支持向量機、神經網絡等智能建模技術建立了高爐能耗模型,實現了能耗的在線估計;文獻[10?11]提出基于專家系統、神經網絡的過程監測方法,并將其應用于高爐煉鐵過程.但是這些方法沒有對高爐能耗異常工況進行識別,因而不能提供減少能耗及其波動的操作指導,實際工程意義不大.另外,上述方法需要大量帶有故障標簽的數據去訓練模型,而高爐實際運行中很難獲取大量帶標簽的故障數據.因此,針對能耗異常先驗知識少的高爐煉鐵過程,需要研究如何利用高爐運行操作變量和狀態變量數據與監測變量燃料比的關系,對高爐燃料比進行監測,并盡可能早地識別影響燃料比異常波動的關鍵因素及其低能耗調節的有效方法,這對高爐煉鐵過程的節能降耗具有重要意義.隨著現代工業生產的大規模和復雜化,工業過程的安全監測、故障診斷與識別成為工業用戶關注的重要問題.近年來,隨著新型傳感技術與計算機技術的快速發展和廣泛應用,使得工業生產能夠獲得比以往更多的生產過程運行數據.因此,如何從海量數據中進行有效數據挖掘,使其服務于生產安全監測與診斷,成為現代工業工程的熱點問題.文獻[12?13]利用系統在正常和故障情況下的歷史數據訓練神經網絡或者支持向量機等機器學習算法用于故障診斷,但診斷精度與故障樣本的完備性和代表性有很大關系,因此難以用于無法獲得大量故障數據的復雜工業過程.文獻[14]針對線性相異分析在監測非線性過程時存在的不足,引入一個核相異指數來定量評價非線性數據分布結構之間的差異,從而反映非線性過程的相關性和操作條件的變化,取得較好的非線性過程監測效果.類似方法還有基于主成分分析(Principal component analysis,PCA)的監測方法,不同是的PCA 通過降維方式提取高維變量數據的主要信息,從而對過程運行狀況與故障進行分析.作為數據驅動多變量統計過程監測(Multivariate statistical process monitoring,MSPM)的主流技術[15?17],偏最小二乘(Partial least squares,PLS)監測方法更注重過程變量與監測變量(如高爐煉鐵過程燃料比)之間的關聯關系以及影響監測變量的故障或異常工況[18?20].PLS 的主要優點是可以建立過程變量與監測變量之間的關系模型,能夠有效解決多變量系統的相關性、數據樣本和故障先驗知識少的問題.然而,常規PLS 是線性降維投影方法,很難捕捉生產過程的非線性特性[21].為解決該問題,可通過兩種方法來對常規線性PLS進行擴展,其一是調整PLS 內部模型,其二是調整PLS 外部模型.如Wold 和Qin 等[22?23]分別基于二次函數和神經網絡模型建立PLS 的非線性內模型,即過程變量得分主元和監測變量得分主元之間的非線性模型,從而解釋生產過程的非線性關系;Rosipal 和Baffi 等[21,24]分別利用核函數和帶有權重更新的神經網絡模型建立PLS 的非線性外模型,即通過將過程輸入變量變換到高維空間,并在此空間執行線性PLS 算法,從而實現非線性過程監測.基于核函數的PLS 又稱為核函數潛投影結構(KPLS),與其他非線性PLS 方法相比,KPLS 的優點在于可以避免非線性優化,因而成為較為流行的過程監測與診斷方法.但是,基于KPLS 的過程診斷方法在很多情況下難以找到特征空間到原始過程變量空間的逆映射函數,從而增加了故障識別的難度[25].為此,Cho 和Shao 等[20,26]通過計算當前時刻變量對統計量的一階偏導數值來確定故障變量,并認為異常時刻有最大偏導數的過程變量為故障變量.但是這種方法難以適用于KPLS,因為基于核的非線性映射是不可微函數,并且在很多情況下不是顯式的形式.針對基于核函數的非線性過程故障識別問題,文獻[27?28]提出一種基于重構誤差的故障指標,即利用兩種平方誤差的比值,一種是SPE(Squared prediction error)即Q 統計量,另一種是基于變量相關性,用其他變量去估計過程變量中的一個,并用此變量的估值和剩余變量來計算Q 統計量.這種方法的核心思想是當重構的變量是故障變量時,此變量的故障指標會比非故障變量的指標值偏小.目前,該方法在連續攪拌釜式反應器(Continuous stirred tank reactor,CSTR)的模擬實驗中獲得較好的診斷效果[25].本文針對先驗故障知識少的非線性高爐煉鐵過程燃料比監測和故障識別問題,基于文獻[27?28]的思想,提出一種基于KPLS 魯棒重構誤差的新型故障識別方法.該方法通過分析Gram矩陣和高維特征空間映射矩陣的關系,重構原始過程變量,以原始過程變量的重構誤差構造故障識別指標并給出指標控制限.同時,所提方法引入迭代去噪算法以減少異常數據對原始空間正常估值的影響,從而增強算法的魯棒性.數值仿真及基于實際高爐實際數據的工業試驗表明所提方法能夠準確識別引起高爐燃料比異常變化的影響因素,從而給出高爐的調節方向,指導高爐操作人員調節高爐操作制度,使高爐在順行的前提下,朝著降低能耗的方向運行.此外,基于KPLS 魯棒重構誤差的新型故障識別方法不僅可以監測出正常工況下影響燃料比異常變化的潛在影響因素,還可以監測出異常工況下影響燃料比異常變化的關鍵因素.

圖1 高爐煉鐵過程能耗示意圖Fig.1 Schematic diagram of energy consumption in blast furnace ironmaking process

1 基于KPLS 的非線性過程監測方法

由于基本PLS 是一個線性降維投影方法,無法描述過程的非線性特性,Dunia 等[27]提出利用核函數將原始數據投影到高維空間,并在高維空間運行PLS 算法,以此來描述過程的非線性.其基本思想是:如果核函數滿足Mercer 條件[27],則KPLS 只需利用核技術在原始過程數據空間進行點積運算,不需要具體的非線性映射函數,即可實現非線性PLS.

設非線性系統的過程變量為X[x1,x2,···,x n]T∈Rn×m,待監測變量(如質量變量)為Y[y1,y2,···,y n]T∈Rn×p,其中n為數據數,m為過程變量數,p為質量變量數.定義?為非線性映射,用于將過程變量從原始空間映射到特征空間F.KPLS利用核函數將原始輸入數據映射到特征空間F:x →?(x)∈F,并在特征空間執行線性PLS 算法.設映射矩陣Φ[?(x1),?(x2),···,?(x n)]T∈Rn×f,為簡化計算,令即輸入變量映射到特征空間的均值為零.定義Gram 矩陣KΦΦT∈Rn×n,K ijk(x i,x j)〈?(x i),?(x j)〉,通過核映射和內積運算,即?(x i)T?(x j)k(x i,x j),避免計算原始輸入空間到特征空間的非線性映射矩陣 Φ,直接得到Gram 矩陣K. 另外,基于非線性迭代的KPLS 可以避免求解Gram 矩陣的特征值,通過迭代的方式直接求得Gram 矩陣的特征向量和得分向量[29].

式中,K0為中心化后的K,E n為n×n的單位矩陣.對于新數據∈Rm,k1,···,N,對應映射向量為,當采樣數為N時,對應特征向量為Φnew,從而對Φnew中心化得其中 Φmean為訓練集特征矩陣的均值[27],1N為N維全1 列向量,為中心化后的新樣本特征向量,新樣本的Gram 矩陣Knew中心化可按下式計算:

在高維特征空間,KPLS 模型如下所示:

引入核技術,上述模型可變換成如下形式:

基于KPLS 算法的統計量和SPE 統計量計算公式如下所示:

式中,A為KPLS 主元個數,可由交叉驗證方法得到,tnew為新采樣數據分向量,計算公式為:

式中,RΦTU(TTK U)?1,TΦR,Λ?1(1/n?1)TTT,T為KPLS 訓練集得分矩陣.

則SPE 統計量可按如下公式計算:

式中,xi,x j為訓練集數據.

2 基于KPLS 魯棒重構誤差的故障識別方法

燃料比異常時,需要識別過程變量中造成燃料比異常的關鍵變量,從而指導操作人員有針對性的調整高爐操作制度,減少異常工況造成的損失.基于KPLS 的故障識別是非線性過程監測中的一個難題,至今還沒有一個確定的理論體系對非線性故障變量進行識別.基于PLS 的質量監測可以通過貢獻圖的方法對故障進行識別[30],即對統計量或SPE統計量的貢獻值較大的變量為故障變量.而基于核函數的非線性過程監測通過非線性映射改變原始過程變量之間的相關關系,在很多情況下很難找到特征空間到原始過程變量空間的逆映射函數[18,31],加大了非線性故障識別的難度.針對這些問題,Sang等[28]提出基于KPCA(Kernel principal component analysis)誤差重構的故障識別方法,并在連續攪拌釜反應器進行仿真實驗驗證,取得較好效果.本文針對基于KPLS 的非線性質量監測故障識別難題,將魯棒重構誤差計算方法應用于基于KPLS的故障識別,提出基于KPLS 魯棒重構誤差的非線性系統故障識別方法,具體如下:

2.1 故障識別算法

魯棒重構誤差估計方法是迭代去噪估計的擴展[32?33].基于KPLS 的魯棒重構誤差方法首先建立過程的KPLS 模型,并在原始輸入空間而不是特征空間重構輸入變量,輸入變量的重構值為正常時刻的估計值.設X[x1,x2,···,x m]T∈Rm×n為過程變量訓練集,Y[y1,y2,···,yp]T∈Rp×n為監測(質量)變量,m,p分別為過程變量個數和質量變量個數.KPLS 首先通過非線性函數將數據映射到特征空間F:x →?(x)∈F,然后建立特征與質量變量的PLS 監測模型.定義特征空間數據矩陣為Φ(X)ΦT[?(x1),?(x2),···,?(x n)]∈Rf×n,且0,則過程變量在特征空間的方差矩陣C以及Gram矩陣K可表示成:

式中,K i,j〈?(x i)·?(x j)〉k(x i,x j)exp(?norm(x i?x j)2/c).對Gram 矩陣進行特征分解得:

式中,P[p1,p2,···,p A]∈Rn×A為K的特征向量,λi為對應特征值,A為KPLS 的主元個數,對上式兩邊同時乘以 Φ(X) 則有下式成立:

設V[v1,v2,···,v A]∈Rm×A為過程變量的方差矩陣C的特征向量矩陣,則下式成立:

設新觀測到的過程數據為xnew∈Rm,在高維特征空間的非線性映射值為?(xnew) ,則?(xnew) 在V坐標系上的得分向量為:

式中,knew為新觀測的數據在高維特征空間的Gram矩陣.

注 1.此處得分向量h與前文得分向量t不同,得分向量h是由新觀測數據的高維映射?(xnew) 在V坐標系上投影得到,表示投影關系;得分向量t是由新觀測數據的高維映射?(xnew) 根據KPLS 模型求得的主元.

由于?(xnew) 的估計值,設存在投影矩陣PH使得PH?(xnew)成立,為了能夠在原始數據空間識別故障變量,需要在原始過程變量空間而不是在特征空間重構數據.如存在向量z ∈Rm滿足?(z)P H?(xnew),則可將z作為xnew的一組重構數據.因此重構xnew可轉化為求解如下優化問題:

式中,? 為確定常數項,又因為P H?(xnew)V hT,VΦ(X)P,則上述優化問題轉化為:

即

應用梯度下降求解上述優化問題

對于高斯核函數k(x·y)exp(?‖x ?y‖2/c),所得最優解為

為了簡化計算,采用迭代方式[32]求解z:

由于主元變量對過程變量中的異常值敏感,會影響對過程數據重構值的精度,針對此問題,進一步采用Takahashi 提出的改進魯棒重構方法[33],即在更新重構值的同時更新得分向量h:

為了解決迭代不收斂問題,設xnew,i,i1,2,···,m為新觀測數據的第i個變量,定義數據的確定性指標為βi ∈R,i1,2,···,m以及數據確定性指標矩陣為B(t)diag{β1,β2,···,βm}∈Rm×m. 采用新觀測數據和重構數據的差值來估計數據的確定性:當差值較大時,認為新觀測數據是正常數據的可能性小,因此減少此數據的確定性βi;當差值較小時,認為新觀測的數據是正常數據的可能性大,并以此來修改第次迭代的觀測數據重構值,使原始觀測數據在下一時刻重構值中占比較大,從而減少迭代次數,使迭代估計盡快收斂.當t>0 時,重構數據的迭代可由下式替代:

式中,I是維數為m×m的單位矩陣.這里,前述定義的數據確定性指標可按下式計算:

式中,E〈|xnew,i?x j,i|〉d表示前d個新觀測數據與訓練數據差值最小值的均值,i1,2,···,m,j1,2,···,n.因此原始數據t次迭代重構值可按下式計算:

最后,所提基于KPLS 魯棒重構誤差的故障識別算法實現步驟總結如下所示:

步驟 1.給定重構數據的初值z0xnew;

步驟 2.根據式(23)計算數據的確定性矩陣βi;

步驟 3.根據式(22)修改上次迭代重構值

步驟 4.根據式(21)更新觀測數據得分向量h及γi;

步驟 5.根據式(24)計算當次迭代重構值z t;

步驟 6.若‖z t ?z t?1‖<10?5,則輸出新觀測數據的重構值,反之令zt?1z t,返回步驟2.

2.2 故障識別指標

利用KPLS 魯棒重構誤差識別算法得出的變量正常估值與真值的誤差,同時考慮識別算法對不同變量估值精度來構造故障識別指標,如下所示:

式中,Xi表示第i個變量的所有采樣數據,為第i個變量的魯棒重構估計值,x i為第i個變量新的采樣值,表示相應的重構估計值.

由于不同變量的估計精度不一樣,因此為了統一誤差貢獻值,需要對每個變量的故障指標值進行歸一化處理.當第i個變量發生故障時,故障指標值會大幅度增加,未發生故障的指標值不會增加太多.從而只需比較所有變量的指標值的大小就可以識別出異常變量.式(25)所示故障識別指標的本質是原始特征變量的重構誤差,與SPE 統計量類似,因此故障識別指標的控制上限可按下式計算:

式中,g2s/(2μ),h22μ2/s,μ為的均值,s為的方差,α為控制限的置信水平.在實際工業過程中,可以用訓練數據集中所有變量的故障識別指標和均值加3 倍方差的均值計算該控制限.

3 數值仿真

為了驗證所提方法,首先進行數值仿真.為此,考慮文獻[34]研究的非線性系統,該系統包括18個輸入變量X[x1,x2,···,x m]∈Rn×m,m18和1 個輸出變量.輸入變量中,[x1,x2,···,x10]～U(?1,1),x1,x2,x3與輸出變量呈非線性關系,x4,x5與輸出變量呈線性關系,x6,x7,x8,x9,x10是獨立于輸出變量的噪聲變量,另外增加4 個與x1,x2,x3,x4呈線性關聯的變量x11,x12,x13,x14,兩個呈現非線性關聯的變量x15,x16,以及與獨立噪聲變量呈非線性關系的變量x17,x18. 因此,輸入變量可分為兩類,一類是與輸出變量相關的,另一類是看作不同來源的噪聲e,這里e～N(0,0.1) .綜上該系統可用下式表示:數值仿真時,首先產生200 組數據作為正常的訓練樣本,之后產生400 組數據作為測試樣本,在測試樣本中前200 組數據為正常樣本,從201 個樣本開始加入如下三類故障:

故障 1.對變量3 加入幅值為 0.5(k ?200) 的漂移變化,即

故障2.對變量4 加入幅值為5 的階躍擾動,即

故障 3.對變量4 和15 分別加入幅值為8 和5的階躍擾動,即和,對變量14和17 分別加入幅值為0.1和0.05且故障時刻為200 到300 采樣點的漂移變化,即x14和

故障1和故障2用于驗證故障識別方法對不同類型故障的識別能力,故障3 用于驗證本文所提故障方法對多變量故障的識別能力.

數據仿真時,參數設置如下:高斯核函數寬度設置為165,交叉驗證選取主元個數為5.T2統計量根據Mahalanobis 距離定義,能夠對KPLS 得分進行監測,SPE 統計量由歐幾里得距離定義,對KPLS 殘差進行監控.一般來說,只有當T2統計量和SPE 統計量都處于控制限以下時表示過程正常運行,當T2統計量或SPE 統計量至少有一個在控制限以上時表示過程發生異常.針對上述3 類故障,所提方法KPLS 監測效果如圖2、4、6 所示,可以看出故障發生時所提方法能夠及時有效地監測出上述3 類故障.圖3、5、7 顯示了所提故障方法在兩種故障指標下均能有效識別故障,即系統運行正常時,每個過程變量的故障指標均在控制限以下.而當故障發生時,所提方法能夠快速顯示故障源所在,說明基于所提魯棒重構誤差的故障識別方法能夠有效識別出系統中不同類型的故障以及多變量故障.

圖2 故障1 的KPLS 監測圖Fig.2 KPLSmonitoring chart for fault 1

圖3 故障1 的故障變量識別圖Fig.3 Fault variable identification map of fault 1

4 工業數據驗證

4.1 高爐燃料比監測效果

圖4 故障2 的KPLS 監測圖Fig.4 KPLSmonitoring chart for fault 2

選取柳鋼有效容積為2 650 m3的2 號高爐的實際工業運行數據對所提方法進行數據測試.根據工藝機理,確定影響燃料比的主要過程變量包括礦批、焦批、焦丁等高爐上部調劑變量,冷/熱風流量、富氧量、設定噴煤等高爐下部調劑變量,另外還有頂壓、壓差、理論燃燒溫度、爐腹煤氣量等計算或測量變量.由于過程變量為37 個,根據經驗原則,選取高斯核函數寬度為185,通過交叉驗證KPLS 主元個數為8.

圖5 故障2 的故障變量識別圖Fig.5 Fault variable identification map of fault 2

圖6 故障3 的KPLS 監測圖Fig.6 KPLS monitoring chart for fault 3

圖7 故障3 的故障變量識別圖Fig.7 Fault variable identification map of fault 3

圖8 為基于實際工業數據的高爐燃料比監測曲線,圖中可以看出T2統計量監測曲線共出現5 次報警,其中第1 次報警為鼓風濕度波動異常,第2 次報警與第4 次報警均為休風檢修,第3 次報警為休風下料,第5 次報警為管道行程異常工況.高爐燃料比監測重要意義是用于及時發現和識別過程中引起燃料比異常波動的潛在故障源.通常,初步監測與識別的故障源不一定會影響高爐順行和燃料比,例如圖8 和圖9 監測的第一次報警.可以發現,第一次報警出現時,燃料比的休哈頓控制曲線僅僅在30 和50 時刻顯示異常,因而圖8 高爐燃料比監測報警實際上并未引起燃料比的異常波動.詳細原因還需做進一步的故障識別分析,即下節內容.

圖8 高爐燃料比監測曲線Fig.8 Blast furnace fuel ratio monitoring curve

圖9 高爐燃料比休哈頓圖及殘差圖Fig.9 Blast furnace fuel ratio Hughton diagram and residual map

4.2 基于KPLS 魯棒重構誤差的燃料比異常識別效果

圖8 和圖9 所示高爐燃料比第一次異常報警時燃料比參數仍然在休哈頓控制圖的正常范圍內,為此進一步利用KPLS 魯棒重構誤差識別算法進行異常識別,結果如圖10 所示.圖10 上部是故障指標1 識別結果而圖10 下部是故障指標分解圖.為了說明問題,圖10 下部分解圖包含全部異常變量和部分正常變量,并給出變量的分組.可以看出,所提識別算法給出并給出變量的分組.可以看出,所提識別算法給出的異常變量為鼓風濕度.通過查閱交班記錄及相關數據可知,1～50 采樣時刻所對應的時間段,煉鐵現場大氣濕度波動大即鼓風濕度異常,因此所提方法能夠正確識別故障源.鼓風濕度的波動會影響風口理論燃燒溫度,即燃料燃燒的火焰溫度.通常,鼓風濕度變化10 g/m3時,會引起風口理論燃燒溫度60～70?C 的變化以及噸鐵爐腹煤氣量1%的變化,從而影響爐缸熱狀態以及煤氣初始分布.由于水蒸氣分解時需要消耗熱量,在相同情況下,鼓風濕度的增加會顯著增加燃料消耗.因此,根據圖11 所示高爐操作變量對高爐工況影響的傳播作用流程,在鼓風濕度異常時,為了穩定爐況以及低燃料比運行,應當適當調節風溫、噴煤、富氧等參數.另外,從圖10 所示燃料比異常識別曲線可以看出,理論燃燒溫度、爐腹煤氣量、爐腹煤氣指數仍然處于正常范圍內.結合交班記錄可知,鼓風濕度異常時,及時調節風溫、富氧、噴煤等操作變量,使得燃料比恢復正常.這從圖9 燃料比的休哈頓和殘差圖也可看出燃料比未發生異常.因此,在爐況波動時,由于操作人員的及時調整,并未破壞高爐順行,因此說所提方法可以監測出正常工況下影響燃料比異常變化的潛在影響因素.圖8 和圖9 監測的管道行程異常工況會直接影響高爐燃料比指標.通常,管道發生時必須先穩定爐況,并在爐況順行的前提下,通過燃料比監測結果來調控高爐以達到穩定燃料比的目的.此外,由于高爐燃料比與高爐透氣性等相關運行性能指標以及風溫、富氧等操作變量具有重要關系,是高爐運行狀況的一個量化描述,能夠表示高爐運行的健康狀態,因此高爐燃料比監測不僅能夠監測燃料比,也能間接地反映高爐的運行狀況.表1 為部分高爐過程變量故障識別控制限減去故障識別值的差,當差為負時表明過程變量為異常.從表1 和圖12 的故障識別數據與圖可以看出:在管道異常工況出現前,高爐頂壓風量比首先出現異常,隨后高爐透氣性、鼓風動能、爐腹煤氣量以及爐腹煤氣指數都出現較大波動且部分時刻超出正常控制限,之后高爐上下部調節參數中的塊礦、燒結比、冷風流量、設定噴煤量也出現較大波動.根據高爐交班記錄可知,由于頂壓風量的設置不當,高爐透氣性、阻力系數等關鍵運行性能指標波動較大,而之后的高爐上下部調節參數波動幅度較大,使得高爐爐溫波動異常,進而使得高爐燃料比出現較大波動.由此可知,所提基于KPLS 魯棒重構誤差的高爐燃料比監測不僅可以監測出正常工況下影響燃料比異常變化的潛在影響因素,還可以監測出異常工況下影響燃料比異常變化的關鍵因素.

圖10 鼓風濕度異常時高爐燃料比異常識別曲線Fig.10 Blast furnace fuel ratio anomaly identification curve when blast humidity is abnormal

圖11 高爐操作調節關聯圖Fig.11 Association diagram of blast furnace operation adjustment

圖12 管道行程異常工況時高爐燃料比異常識別曲線Fig.12 Abnormal identification curve of blast furnace fuel ratio in abnormal pipeline condition

表1 部分過程變量控制限與故障指標值的差值Table 1 The value of the control limit is reduced to the value of the fault index for part process variables.

5 結論

為了解決先驗故障知識少的高爐煉鐵過程燃料比非線性監測與異常識別難題,本文將魯棒重構誤差計算方法應用于基于KPLS 的故障識別,提出基于KPLS 魯棒重構誤差的非線性系統故障識別方法.該識別方法首先建立待監測變量與過程變量的KPLS 模型,然后利用從數據中提取負載向量并采用魯棒去噪算法估計原始過程變量的正常值.該算法不僅可以給出故障變量,還可以估計出故障變量的正常值,提高識別準確度.當故障變量為操作變量時,可以依照故障變量的估計值以及相應操作制度來進行故障(異常)修正和過程操作調整.具有不同類型故障的數值仿真驗證了所提算法的有效性.最后,基于實際工業數據的高爐燃料比監測與異常識別表明:所提方法可以有效監測高爐燃料比參數,并正確識別影響燃料比異常變化的關鍵因素,是一種非常有效的非線性過程的在線監測與異常識別.但是,由于所提方法在判斷異常時需要確定置信度,該置信度目前只能憑經驗來確定,因而具有一定的主觀性.