CN108595380A - 一种高炉异常炉况检测方法 - Google Patents

一种高炉异常炉况检测方法 Download PDF

Info

Publication number
CN108595380A
CN108595380A CN201810207539.2A CN201810207539A CN108595380A CN 108595380 A CN108595380 A CN 108595380A CN 201810207539 A CN201810207539 A CN 201810207539A CN 108595380 A CN108595380 A CN 108595380A
Authority
CN
China
Prior art keywords
data
disturbance
section
testing index
kth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810207539.2A
Other languages
English (en)
Other versions
CN108595380B (zh
Inventor
周东华
尚骏
陈茂银
张海峰
李明亮
卢晓
钟麦英
王建东
王友清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201810207539.2A priority Critical patent/CN108595380B/zh
Publication of CN108595380A publication Critical patent/CN108595380A/zh
Application granted granted Critical
Publication of CN108595380B publication Critical patent/CN108595380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • CCHEMISTRY; METALLURGY
    • C21METALLURGY OF IRON
    • C21BMANUFACTURE OF IRON OR STEEL
    • C21B5/00Making pig-iron in the blast furnace
    • C21B5/006Automatically controlling the process
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Organic Chemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本发明公开了一种高炉异常炉况检测方法,属于自动检测技术领域,包含扰动区间辨识、离线训练和在线检测三部分;扰动区间辨识算法的目的在于定位由于热风炉切换造成的扰动区间,其主要利用热风压力的增量数据判断扰动起始时刻并根据长度变量确定具体的扰动区间;离线训练利用历史训练数据计算参考统计量并确定控制限;在线检测过程包含指标切换机制,其利用扰动辨识结果采用不同的检测指标,并分别与其控制限比较,当检测指标超过阈值时,认为炉况异常。与基于专家系统的高炉异常检测方法相比,该方法不需要历史异常信息,并且避免了冗杂的规则训练过程,其更易于实现且更为高效。

Description

一种高炉异常炉况检测方法
技术领域
本发明属于自动检测技术领域,具体涉及一种高炉异常炉况检测方法。
背景技术
高炉炼铁是现代钢铁生产中的重要环节。为了使高炉能够安全高效运行,对高炉炼铁过程的监控及故障的检测就显得尤为重要。然而,由于高炉炼铁系统十分复杂并且缺乏直接测量,一般难以构建精确的数学模型。
目前现存的高炉诊断方法主要基于专家系统,然而,只有训练数据包含充分多的历史故障信息并且规则足够详尽时,专家系统才能达到预期效果,同时,由于原料限制等原因,国内高炉炼铁过程中使用专家系统进行过程监控的比例仍然较低。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种高炉异常炉况检测方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种高炉异常炉况检测方法,具体包括如下步骤:
步骤1:扰动区间辨识,具体步骤如下:
步骤1.1:收集高炉热风压力的传感器数据,变量记为p,参数记为ν;
步骤1.2:对p进行单步差分处理,得到Δp;
步骤1.3:给定显著性水平α,根据历史数据中非扰动区间的Δp确定阈值δΔp,使得历史数据中1-α的数据满足|Δp|>δΔp
步骤1.4:根据历史数据中扰动区间长度确定变量τ,使得历史数据中1-α的扰动区间长度大于τ;
步骤1.5:对于第k个采样时刻,比较Δp和其阈值δΔp,若Δpk<-δΔp,将指示变量∈k置为1;
步骤1.6:对于第k个采样时刻,计算变量sk
其中,∈i代表指示变量第i时刻的值,右下角的角标代表采样时刻;
步骤1.7:若sk=ν+1且sk-1<ν+1,则认为扰动区间从第k-ν个时刻开始,根据估计的变量τ,扰动区间的辨识结果为:[k-v,k-v+τ-1];
步骤2:离线训练,具体包括如下步骤:
步骤2.1:收集高炉正常工况下的历史传感器数据,建立训练数据集其中m为传感器个数,n为样本个数;
步骤2.2:利用扰动区间辨识算法将数据划分为扰动数据X{d}和非扰动数据X{n}
步骤2.3:分别将扰动数据X{d}和非扰动数据X{n}单步差分,得到差分数据矩阵Z{d}和Z{n}
步骤2.4:分别计算差分数据矩阵Z{n}的均值和标准差
步骤2.5:构建长度为w的滑动时间窗口,采用单步滑动构成数据矩阵:
步骤2.6:分别对每一个窗口内的测量数据进行标准化处理:
其中Σ=diag{σ1,...,σm}为样本标准差构成的对角阵;
步骤2.7:计算窗口内数据的协方差矩阵:
以及
并计算Sk的特征值,记为λ1 (k),...,λm (k)
其中,为第k+1个标准化后的测量向量,为第k+1个标准化后的测量向量的转置,为第k-w+1个标准化后的测量向量的转置;
步骤2.8:计算特征值λj (k)的均值和标准差,记为
步骤2.9:对于每一采样时刻k,计算非扰动区间的检测指标
步骤2.10:结合非扰动训练数据的检测指标和显著性水平α,确定非扰动区间的控制限δ{n}
步骤2.11:针对扰动区间数据Z{d},对每一时刻的数据向量进行标准化处理:
步骤2.12:针对每一采样时刻k,计算扰动区间的检测指标
步骤2.13:结合扰动训练数据的检测指标和显著性水平α,确定扰动区间的控制限δ(d)
步骤3:在线检测,具体包括如下步骤:
步骤3.1:对数据进行单步差分:
zk=xk-xk-1 (20);
步骤3.2:对zk进行标准化处理:
步骤3.3:利用扰动区间辨识算法在线判断是否发生扰动;若发生,则跳转到步骤3.8;
步骤3.4:计算第k时刻的窗口样本协方差:
其中, 的转置,为第k-w个采样时刻下的标准化后的差分数据,的转置;
步骤3.5:计算Sk的特征值,记为λ1 (k),...,λm (k)
步骤3.6:根据公式(6)计算非扰动区间的检测指标
步骤3.7:将非扰动区间的检测指标和控制限δ{n}比较,若则认为炉况异常;
步骤3.8:根据公式(8)计算扰动区间的检测指标
步骤3.9:将扰动区间的检测指标和控制限δ{d}比较,若则认为炉况异常。
本发明所带来的有益技术效果:
首先,与基于专家系统的高炉异常检测方法相比,本发明提出的方法不需要历史异常炉况信息,并且避免了冗杂的规则训练过程;其次,与传统的多元统计过程监控方法相比,本发明提出的方法可以自动判断由于热风炉切换造成的扰动,其指标切换策略可以对炉况进行有效监测;最后采用差分获得的增量具有更平稳的统计特性,进而能降低误报率。
附图说明
图1是根据本发明一个实施例的扰动区间辨识的流程图;
图2是根据本发明一个实施例的离线训练的流程图;
图3是根据本发明一个实施例的在线检测的流程图;
图4是根据本发明一个实施例的利用本方法进行炉况检测的过程监控图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种高炉异常炉况检测方法,具体包括如下步骤:
步骤1:扰动区间辨识,其流程如图1所示,具体步骤如下:
步骤1.1:收集高炉热风压力的传感器数据,变量记为p,参数记为ν;
步骤1.2:对p进行单步差分处理,得到Δp;
步骤1.3:给定显著性水平α,根据历史数据中非扰动区间的Δp确定阈值δΔp,使得历史数据中1-α的数据满足|Δp|>δΔp
步骤1.4:根据历史数据中扰动区间长度确定变量τ,使得历史数据中1-α的扰动区间长度大于τ;
步骤1.5:对于第k个采样时刻,比较Δp和其阈值δΔp,若Δpk<-δΔp,将指示变量∈k置为1;
步骤1.6:对于第k个采样时刻,计算变量sk
其中,∈i代表指示变量第i时刻的值,右下角的角标代表采样时刻;
步骤1.7:若sk=ν+1且sk-1<ν+1,则认为扰动区间从第k-ν个时刻开始,根据估计的变量τ,扰动区间的辨识结果为:[k-v,k-v+τ-1];
步骤2:离线训练,其流程如图2所示,具体包括如下步骤:
步骤2.1:收集高炉正常工况下的历史传感器数据,建立训练数据集其中m为传感器个数,n为样本个数;
步骤2.2:利用扰动区间辨识算法将数据划分为扰动数据X{d}和非扰动数据X{n}
步骤2.3:分别将扰动数据X{d}和非扰动数据X{n}单步差分,得到差分数据矩阵Z{d}和Z{n}
步骤2.4:分别计算差分数据矩阵Z{n}的均值和标准差
步骤2.5:构建长度为w的滑动时间窗口,采用单步滑动构成数据矩阵:
步骤2.6:分别对每一个窗口内的测量数据进行标准化处理:
其中Σ=diag{σ1,…,σm}为样本标准差构成的对角阵;
步骤2.7:计算窗口内数据的协方差矩阵:
以及
并计算Sk的特征值,记为λ1 (k),…,λm (k)
其中,为第k+1个标准化后的测量向量,为第k+1个标准化后的测量向量的转置,为第k-w+1个标准化后的测量向量的转置;
步骤2.8:计算特征值λj (k)的均值和标准差,记为
步骤2.9:对于每一采样时刻k,计算非扰动区间的检测指标
步骤2.10:结合非扰动训练数据的检测指标和显著性水平α,确定非扰动区间的控制限δ{n}
步骤2.11:针对扰动区间数据Z{d},对每一时刻的数据向量进行标准化处理:
步骤2.12:针对每一采样时刻k,计算扰动区间的检测指标
步骤2.13:结合扰动训练数据的检测指标和显著性水平α,确定扰动区间的控制限δ(d)
步骤3:在线检测,其流程如图3所示,具体包括如下步骤:
步骤3.1:对数据进行单步差分:
zk=xk-xk-1 (31);
步骤3.2:对zk进行标准化处理:
步骤3.3:利用扰动区间辨识算法在线判断是否发生扰动;若发生,则跳转到步骤3.8;
步骤3.4:计算第k时刻的窗口样本协方差:
其中, 的转置,为第k-w个采样时刻下的标准化后的差分数据,的转置;
步骤3.5:计算Sk的特征值,记为λ1 (k),…,λm (k)
步骤3.6:根据公式(6)计算非扰动区间的检测指标
步骤3.7:将非扰动区间的检测指标和控制限δ{n}比较,若则认为炉况异常;
步骤3.8:根据公式(8)计算扰动区间的检测指标
步骤3.9:将扰动区间的检测指标和控制限δ{d}比较,若则认为炉况异常。
将故障检测时刻与事故报告记录时刻比较,记录提前检测时间。使用本发明方法进行异常炉况检测的过程监控如图4所示。与事故报告相比,本发明方法将检测时间提前了约19min,验证了本发明方法的有效性。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。

Claims (1)

1.一种高炉异常炉况检测方法,其特征在于,具体包括如下步骤:
步骤1:扰动区间辨识,具体步骤如下:
步骤1.1:收集高炉热风压力的传感器数据,变量记为p,参数记为ν;
步骤1.2:对p进行单步差分处理,得到Δp;
步骤1.3:给定显著性水平α,根据历史数据中非扰动区间的Δp确定阈值δΔp,使得历史数据中1-α的数据满足|Δp|>δΔp
步骤1.4:根据历史数据中扰动区间长度确定变量τ,使得历史数据中1-α的扰动区间长度大于τ;
步骤1.5:对于第k个采样时刻,比较Δp和其阈值δΔp,若Δpk<-δΔp,将指示变量∈k置为1;
步骤1.6:对于第k个采样时刻,计算变量sk
其中,∈i代表指示变量第i时刻的值,右下角的角标代表采样时刻;
步骤1.7:若sk=ν+1且sk-1<ν+1,则认为扰动区间从第k-ν个时刻开始,根据估计的变量τ,扰动区间的辨识结果为:[k-v,k-v+τ-1];
步骤2:离线训练,具体包括如下步骤:
步骤2.1:收集高炉正常工况下的历史传感器数据,建立训练数据集其中m为传感器个数,n为样本个数;
步骤2.2:利用扰动区间辨识算法将数据划分为扰动数据X{d}和非扰动数据X{n}
步骤2.3:分别将扰动数据X{d}和非扰动数据X{n}单步差分,得到差分数据矩阵Z{d}和Z{n}
步骤2.4:分别计算差分数据矩阵Z{n}的均值和标准差
步骤2.5:构建长度为w的滑动时间窗口,采用单步滑动构成数据矩阵:
步骤2.6:分别对每一个窗口内的测量数据进行标准化处理:
其中Σ=diag{σ1,...,σm}为样本标准差构成的对角阵;
步骤2.7:计算窗口内数据的协方差矩阵:
以及
并计算Sk的特征值,记为λ1 (k),...,λm (k)
其中,为第k+1个标准化后的测量向量,为第k+1个标准化后的测量向量的转置,为第k-w+1个标准化后的测量向量的转置;
步骤2.8:计算特征值λj (k)的均值和标准差,记为
步骤2.9:对于每一采样时刻k,计算非扰动区间的检测指标
步骤2.10:结合非扰动训练数据的检测指标和显著性水平α,确定非扰动区间的控制限δ{n}
步骤2.11:针对扰动区间数据Z{d},对每一时刻的数据向量进行标准化处理:
步骤2.12:针对每一采样时刻k,计算扰动区间的检测指标
步骤2.13:结合扰动训练数据的检测指标和显著性水平α,确定扰动区间的控制限δ(d)
步骤3:在线检测,具体包括如下步骤:
步骤3.1:对数据进行单步差分:
zk=xk-xk-1 (9);
步骤3.2:对zk进行标准化处理:
步骤3.3:利用扰动区间辨识算法在线判断是否发生扰动;若发生,则跳转到步骤3.8;
步骤3.4:计算第k时刻的窗口样本协方差:
其中, 的转置,为第k-w个采样时刻下的标准化后的差分数据,的转置;
步骤3.5:计算Sk的特征值,记为λ1 (k),...,λm (k)
步骤3.6:根据公式(6)计算非扰动区间的检测指标
步骤3.7:将非扰动区间的检测指标和控制限δ{n}比较,若则认为炉况异常;
步骤3.8:根据公式(8)计算扰动区间的检测指标
步骤3.9:将扰动区间的检测指标和控制限δ{d}比较,若则认为炉况异常。
CN201810207539.2A 2018-03-14 2018-03-14 一种高炉异常炉况检测方法 Active CN108595380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810207539.2A CN108595380B (zh) 2018-03-14 2018-03-14 一种高炉异常炉况检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810207539.2A CN108595380B (zh) 2018-03-14 2018-03-14 一种高炉异常炉况检测方法

Publications (2)

Publication Number Publication Date
CN108595380A true CN108595380A (zh) 2018-09-28
CN108595380B CN108595380B (zh) 2021-07-09

Family

ID=63626221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810207539.2A Active CN108595380B (zh) 2018-03-14 2018-03-14 一种高炉异常炉况检测方法

Country Status (1)

Country Link
CN (1) CN108595380B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113614253A (zh) * 2019-04-03 2021-11-05 杰富意钢铁株式会社 高炉异常判定装置、高炉异常判定方法以及高炉操作方法
CN116904673A (zh) * 2023-06-16 2023-10-20 北京科技大学 一种基于平稳特征提取的高炉异常炉况检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1097804A (zh) * 1993-07-21 1995-01-25 首钢总公司 人工智能高炉冶炼专家系统方法
CN104199441A (zh) * 2014-08-22 2014-12-10 清华大学 基于稀疏贡献图的高炉多工况故障分离方法及系统
CN105259895A (zh) * 2015-10-14 2016-01-20 山东科技大学 一种工业过程微小故障的检测和分离方法及其监测系统
CN105629959A (zh) * 2016-02-23 2016-06-01 清华大学 一种工业过程故障检测方法
CN107290962A (zh) * 2017-07-13 2017-10-24 东北大学 一种基于自适应阈值pls的高炉铁水质量监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1097804A (zh) * 1993-07-21 1995-01-25 首钢总公司 人工智能高炉冶炼专家系统方法
CN104199441A (zh) * 2014-08-22 2014-12-10 清华大学 基于稀疏贡献图的高炉多工况故障分离方法及系统
CN105259895A (zh) * 2015-10-14 2016-01-20 山东科技大学 一种工业过程微小故障的检测和分离方法及其监测系统
CN105629959A (zh) * 2016-02-23 2016-06-01 清华大学 一种工业过程故障检测方法
CN107290962A (zh) * 2017-07-13 2017-10-24 东北大学 一种基于自适应阈值pls的高炉铁水质量监测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
JUN SHANG 等: "Dominant trend based logistic regression for fault diagnosis in nonstationary processes", 《CONTROL ENGINEERING PRACTICE》 *
JUN SHANG 等: "Recursive transformed component statistical analysis for incipient fault detection", 《AUTOMATICA》 *
YIJUN PAN 等: "Fault detection with improved principal component pursuit method", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 *
YIJUN PAN 等: "Robust Principal Component Pursuit for Fault Detection in a Blast Furnace Process", 《INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH 2017》 *
刘静 等: "基于模糊Petri网的高炉故障诊断系统", 《计算机测量与控制》 *
尚骏 等: "基于变元统计分析的微小故障检测", 《上海交通大学学报》 *
王波 等: "基于规则和MWCHPCA的高炉异常炉况监测系统", 《2017中国自动化大会》 *
窦克勤 等: "基于主元分析的高炉异常炉况检测", 《上海交通大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113614253A (zh) * 2019-04-03 2021-11-05 杰富意钢铁株式会社 高炉异常判定装置、高炉异常判定方法以及高炉操作方法
CN116904673A (zh) * 2023-06-16 2023-10-20 北京科技大学 一种基于平稳特征提取的高炉异常炉况检测方法
CN116904673B (zh) * 2023-06-16 2024-02-13 北京科技大学 一种基于平稳特征提取的高炉异常炉况检测方法

Also Published As

Publication number Publication date
CN108595380B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN109062196B (zh) 一种集成pca-ica的高炉过程监测及故障诊断方法
CN110008565A (zh) 一种基于运行参数关联性分析的工业过程异常工况预测方法
CN105608492B (zh) 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法
CN109186813A (zh) 一种温度传感器自检装置及方法
CN105242534B (zh) 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法
CN104731083B (zh) 一种基于自适应特征提取的工业故障诊断方法及应用
CN112001527A (zh) 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN110066895B (zh) 一种基于Stacking的高炉铁水质量区间预测方法
CN111508216A (zh) 一种大坝安全监测数据智能预警方法
CN109935280B (zh) 一种基于集成学习的高炉铁水质量预测系统及方法
CN105571645A (zh) 一种大坝自动化监测方法
CN108595380A (zh) 一种高炉异常炉况检测方法
CN105821170A (zh) 一种高炉多元铁水质量指标软测量系统及方法
CN105389648A (zh) 一种常减压装置稳态工况的判别方法
CN104267610B (zh) 高精度的高炉冶炼过程异常数据检测及修补方法
Shang et al. Increment-based recursive transformed component statistical analysis for monitoring blast furnace iron-making processes: An index-switching scheme
CN104615123B (zh) 基于k近邻的传感器故障隔离方法
CN109978059B (zh) 一种原油蒸馏过程初馏塔冲塔故障预警方法
CN108762238A (zh) 一种基于dcd的湿法冶金浸出过程故障诊断方法
CN103207567A (zh) 一种低误报率的改进主元分析过程监测方法及其监测系统
CN113128098B (zh) 基于de-lof的混凝土坝奇异值检测方法和设备
CN113401758A (zh) 一种电梯门开关门故障检测方法
CN116821836A (zh) 基于多传感器的轮轴瓦异常状态监测方法及系统
CN114525372B (zh) 基于多模态融合的高炉状态监测方法及装置
CN109583124A (zh) 一种基于adrc的hmm故障预测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant