作为钢铁冶金制造的核心工序,高炉炼铁是典型的高能耗过程,其运行能耗约占钢铁总能耗的50%以上,其中,80%的能耗是焦炭和煤粉等燃料消耗.因此,对表征高炉燃料消耗的燃料比参数进行监测,并尽可能早地识别影响燃料比异常波动的关键因素,对...作为钢铁冶金制造的核心工序,高炉炼铁是典型的高能耗过程,其运行能耗约占钢铁总能耗的50%以上,其中,80%的能耗是焦炭和煤粉等燃料消耗.因此,对表征高炉燃料消耗的燃料比参数进行监测,并尽可能早地识别影响燃料比异常波动的关键因素,对于高炉炼铁过程的节能降耗具有重要意义.本文针对先验故障知识少的高炉燃料比监测与异常识别难题,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识别方法.该方法首先建立过程变量与监测变量的KPLS监测模型,然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系,反向估计原始空间变量的正常估值.为了增强算法的鲁棒性,采用迭代去噪算法减少异常数据对原始空间正常估值的影响.通过利用原始空间正常估值和真实值来构造故障识别指标,并给出故障识别指标的控制限.基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素,还可识别出异常工况下影响燃料比异常变化的关键因素,具有很好的工程应用前景.展开更多
文摘作为钢铁冶金制造的核心工序,高炉炼铁是典型的高能耗过程,其运行能耗约占钢铁总能耗的50%以上,其中,80%的能耗是焦炭和煤粉等燃料消耗.因此,对表征高炉燃料消耗的燃料比参数进行监测,并尽可能早地识别影响燃料比异常波动的关键因素,对于高炉炼铁过程的节能降耗具有重要意义.本文针对先验故障知识少的高炉燃料比监测与异常识别难题,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识别方法.该方法首先建立过程变量与监测变量的KPLS监测模型,然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系,反向估计原始空间变量的正常估值.为了增强算法的鲁棒性,采用迭代去噪算法减少异常数据对原始空间正常估值的影响.通过利用原始空间正常估值和真实值来构造故障识别指标,并给出故障识别指标的控制限.基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素,还可识别出异常工况下影响燃料比异常变化的关键因素,具有很好的工程应用前景.
