CN113029624A - 一种水泥生料粉磨过程的故障检测方法 - Google Patents

Abstract

本发明公开了一种水泥生料粉磨过程的故障检测方法，涉及水泥生产过程故障检测技术领域，包括步骤S100、水泥生料粉磨数据采集；步骤S200、数据预处理；步骤S300、数据再平衡；步骤S400、MLR多元逻辑回归；步骤S500、EWMA指数移动加权平均处理，得到MLR‑EWMA数学模型；步骤S600、故障识别。本发明直接利用生料粉磨过程产生的数据，对过程进行检测，识别不同故障的发生，提高了生料磨故障检测的准确性。

Description

一种水泥生料粉磨过程的故障检测方法

技术领域

本发明涉及水泥生产过程故障检测技术领域，尤其涉及一种水泥生料粉磨过程的故障检测方法。

背景技术

水泥生产工艺流程一般包含原燃料的破碎及均化、生料制备、预热分解、分解炉分解、回转窑煅烧及篦冷机冷却等几个方面，简单来说就是“两磨一烧”。水泥生料磨是水泥生产的重要环节，也是耗能较多的环节，该系统运行的稳定性和运行效率直接影响到整个水泥生产过程的生产能力、能量消耗等各项经济指标。生料磨将石灰石、砂岩、粘土、铁粉等混合块状物料粉磨至粉状，在实际生产过程中，由于物料喂料量、易磨性、喷水量等原因，生料磨经常发生饱磨、断料、循环、翻板阀堵塞等异常工况，严重时会造成非计划停车，直接影响立磨粉磨过程的连续性和稳定性。因此，为确保整个水泥生产过程能够正常、稳定的运行，对水泥生料磨开展过程监测与异常工况识别的研究是非常重要的。

传统的基于数据驱动的过程故障检测与诊断的统计分析方法主要有主元分析(PCA,Principal Component Analysis)法、偏最小二乘法(PLS,Partial Least SquaresRegression)、规范变量分析(CVA,Canonical Variate Analysis) 核心的投影降维法、逻辑回归(LR,Logistic Regression)及多元逻辑回归 (MLR,Multinomial LogisticRegression)等方法。这些传统的检测方法是通过将高维数据投影降维后，定义过程统计量实现故障的检测。具体来说，假设通过数据采集获得生产过程的过程变量数据X，和工况变量Y。PCA 方法假定数据X为多元高斯分布，且是线性的，用方差来衡量数据的信息量大小，通过矩阵分解的方法找到主元，实现数据的降维。对于具有强非线性的非高斯过程的生料粉磨过程这种假设并不成立。PLS方法是一种将数据矩阵X,Y投影到潜在的由较少变量张成的低维空间的方法，与PCA 不同的是，PCA只对过程变量X进行分解，而PLS对过程变量矩阵X和工况变量Y都进行分解，PLS也要求模型是线性的。CVA方法是一种从生产过程数据中产生状态空间方程的方法，核心是在过程变量和工况变量间寻找最优的投影方向，实现数据的降维。LR方法主要用于二分类场景，假设数据存在一个线性分界面使得数据线性可分，通过最大似然估计的方法找到模型的参数，实现数据的分类。LR方法的优点在于直接对分类的概率建模，无需假设数据的分布，避免了假设分布不准确带来的问题，而且不仅可以预测出数据的类别还可以预测出数据的概率。MLR方法是LR方法的扩充，可以实现数据的多分类场景，对于生料磨的工况，我们需要实现磨机正常、饱磨、断料、循环等多种工况的识别。MLR方法对单一时刻的数据进行识别，而磨机的工作状态是一个持续的过程，采样数据本身的误差，或者个别数据分类的错误可能导致对磨机工况的错误检测结果。

传统的基于数据驱动的检测方法，首先需要对数据的分布进行的假设，然而假设的分布与现实的过程分布往往有较大的差距，导致检测的准确率不高，有着较大的误差。特别是对于水泥生料磨这种高维的过程，传统的方法需要对高维数据进行降维处理，一方面会造成信息量的减少，更重要的是经过降维后的数据往往无法解释，所以无法对生料磨这种复杂的工业过程的故障进行有效的检测。

因此，本领域的技术人员致力于开发一种水泥生料粉磨过程的故障检测方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是针对生料粉磨过程具有非线性、大时滞和多工况的特点，有效提高生料磨故障检测的准确性。

发明人经研究发现，MLR(Multinomial Logistic Regression，多元逻辑回归)模型可以对每一时刻的数据进行分类判断它们所属的类别，例如t时的概率为h_θ(x^(t))，从而识别磨机运行的工况，由于MLR数学模型本身的分类精度限制以及采样的传感器可能出现的自然误差可能会导致部分数据点的错误分类，而且磨机的工况是一个连续的过程，发生异常后都会持续一段时间。采用EWMA(Exponentially Weighted Moving-Average，指数加权移动平均)的统计方法，对MLR给出概率沿着时间线进行处理，可以直接利用生料粉磨过程产生的数据，对过程进行检测，识别不同故障的发生。

本发明的一个实施例中，提供了一种基于MLR-EWMA的生料磨故障检测方法，包括：

步骤S100、水泥生料粉磨数据采集；

步骤S200、数据预处理，通过人工标注给数据标注工况，对数据进行标准化处理，使得每个变量的均值为0，方差为1；

步骤S300、数据再平衡，使得数据中的异常工况数据和正常工况数据的数据数量大致相当，防止模型对于正常工况数据出现过拟合的现象；

步骤S400、MLR多元逻辑回归；

步骤S500、EWMA指数移动加权平均处理，通过训练得到MLR- EWMA数学模型；

步骤S600、故障识别。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S100还包括：

S110、通过生料磨磨机上的传感器，按固定周期实时采集磨机在工作过程中的各项数据；

S120、提取与磨机工作状态可能有关的过程变量M个，M≤100，总共提取N个时刻的过程变量数据。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S100中的各项数据包括磨辊位移、电流、功率、压差、振动、物料输入量，物料输入配比量，喷水流量。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S100中提取的N个时刻数据应该要包含正常工况数据和异常工况数据。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S200中的工况包括正常、饱磨、断料和循环。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S200还包括：

S210、各传感器按固定周期采集的数据，共采集N个时刻的数据；

S220、按时间顺序汇集成一个N×传感器数量的数据矩阵；

S230、对采集的数据进行人工标记，标记每一时刻的工况标签。

发明人考虑到，由于生料磨在大部分的时间都处于稳定运行的正常工况，异常工况数据总量相对于正常工况数据要少得多，原始数据集是一个不平衡的数据集，需要对数据集进行再平衡。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S300还包括：

S310、对异常工况数据过采样，即在构建新数据集的时候，对异常工况数据进行多次重复抽取，增加异常工况数据的数量；

S320、新数据集中的异常工况数据和正常工况数据比例大致平衡状态(接近1:1)。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S400还包括：

S410、数据导入和划分，将预处理后的数据集进行随机划分，70％的数据作为训练集，30％的数据作为测试集；

S420、模型训练，具体地，训练数据x⁽ⁱ⁾表示第i个训练数据，y⁽ⁱ⁾表示第i个数据的标签，训练集{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}，且 y⁽ⁱ⁾∈{1,2,...,K}，MLR数学模型如下：

其中θ＝[θ^(1)T,θ^(2)T,…,θ^(K)T]^T是MLR数学模型的参数，T表示矩阵装置，P(y＝k|x；θ)表示在MLR数学模型参数为θ的情况下，样本x属于第k类的概率，其中

这一项对概率分布进行归一化，使得所有概率之和为1；利用训练数据来训练模型参数θ，使其能够最小化代价函数，代价函数采用带L2正则项的最小化交叉熵J(θ)，具体如下：

其中1{·}为示性函数，即1{值为真的表达式}＝1，1{值为假的表达式 }＝0，λ为正则项系数，||θ||₂表示参数θ的2范数，代入训练集数据，采用L-BFGS(Limited-memoryBroyden–Fletcher–Goldfarb–Shanno algorithm) 算法求解J(θ)，得到MLR数学模型的参数θ，θ是一个M×K维的矩阵；

S430、模型测试和优化，将测试数据代入MLR数学模型，查看分类准确率，采用多折交叉验证的方式，根据准确率高低，选择最优的MLR数学模型参数θ。

进一步地，在上述实施例中的生料磨故障检测方法中，步骤S430中，优选地，多折交叉验证采用10折交叉验证。

发明人分析，MLR数学模型可以对每一时刻的数据进行分类判断它们所属的类别，例如t时的概率为h_θ(x^(t))，从而识别磨机运行的工况，由于 MLR数学模型本身的分类精度限制以及采样的传感器可能出现的自然误差可能会导致部分数据点的错误分类，而且磨机的工况是一个连续的过程，发生异常后都会持续一段时间，通过使用指数移动加权平均EWMA处理后，使得异常工况的检测在时间上具有连续性。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S500还包括：

S510、EWMA指数加权平均的统计方法对MLR数学模型给出概率沿着时间线进行处理，EWMA的表达式如下：

其中P_t＝h_θ(x^(t))为t时刻数据属于各个类别的概率，系数β表示权值下降的速率，其值越小，权值下降的速率越快，V_t表示EWMA的值，

且

通过设定β的大小可以调节数据的平滑程度；

S520、通过多次试验获取β最匹配的数值；

S530、通过实验获得故障的控制线V_c。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S500中，优选地，β＝0.98。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S500中，优选地，V_c＝0.5。

可选地，在上述实施例中的生料磨故障检测方法中，步骤S600还包括：

S610、将t时刻水泥生料粉磨数据输入到训练好的MLR-EWMA模型中进行故障识别，得到统计量

S620、当

时，判断t时刻系统出现第k类异常，发出第k类异常报警。

本发明提出利用MLR-EWMA方法实现水泥生料粉磨过程的故障检测方法，引入过采样方法解决生料磨过程数据不平衡的问题。MLR方法则无需对数据的分布进行假设，而且可以直接处理高维的数据，减少不必要的数据信息损失，通过重采样的数据处理方法，能够有效的处理数据不平衡问题；EWMA方法可以很好的刻画过程故障在时间上的延续性，降低噪声和个别数据离群值对检测结果的影响。因此本发明提出的MLR-EWMA方法可以直接利用生料粉磨过程产生的数据，对过程进行检测，识别不同故障的发生，提高了生料磨故障检测的准确性。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是根据示例性实施例的水泥生料粉磨过程的故障检测方法流程图；

图2是根据示例性实施例的水泥生料粉磨过程的饱磨检测实验结果图；

图3是根据示例性实施例的水泥生料粉磨过程的断料检测实验结果图；

图4是根据示例性实施例的水泥生料粉磨过程的循环检测实验结果图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方示意性地适当夸大了部件的厚度。

发明人设计了一种基于MLR-EWMA的生料磨故障检测方法，如图1 所示，包括：

步骤S100、水泥生料粉磨数据采集，具体包括：

S110、通过生料磨磨机上的传感器，按固定周期实时采集磨机在工作过程中的各项数据，包括磨辊位移、电流、功率、压差、振动、物料输入量，物料输入配比量，喷水流量；

S120、提取与磨机工作状态可能有关的过程变量M个，M≤100，总共提取N个时刻的过程变量数据，包含正常工况数据和异常工况数据。

步骤S200、数据预处理，通过人工标注给数据标注工况，包括正常、饱磨、断料和循环，对数据进行标准化处理，使得每个变量的均值为0，方差为1；具体包括：

S210、各传感器按固定周期采集的数据，共采集N个时刻的数据；

S220、按时间顺序汇集成一个N×传感器数量的数据矩阵；

S230、对采集的数据进行人工标记，标记每一时刻的工况标签。

步骤S300、数据再平衡，使得数据中的异常工况数据和正常工况数据的数据数量大致相当，防止模型对于正常工况数据出现过拟合的现象；具体包括：

S310、对异常工况数据过采样，即在构建新数据集的时候，对异常工况数据进行多次重复抽取，增加异常工况数据的数量；

S320、新数据集中的异常工况数据和正常工况数据比例大致平衡状态(接近1:1)。

步骤S400、MLR多元逻辑回归；具体包括：

S410、数据导入和划分，将预处理后的数据集进行随机划分，70％的数据作为训练集，30％的数据作为测试集；

S420、模型训练，具体地，训练数据x⁽ⁱ⁾表示第i个训练数据，y⁽ⁱ⁾表示第i个数据的标签，训练集{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}，且y⁽ⁱ⁾∈{1,2,...,K}，MLR数学模型如下：

其中θ＝[θ^(1)T,θ^(2)T,…,θ^(K)T]^T是MLR数学模型的参数，T表示矩阵装置，P(y＝k|x；θ)表示在MLR数学模型参数为θ的情况下，样本x属于第k类的概率，其中

这一项对概率分布进行归一化，使得所有概率之和为1；利用训练数据来训练模型参数θ，使其能够最小化代价函数，代价函数采用带L2正则项的最小化交叉熵 J(θ)，具体如下：

其中1{·}为示性函数，即1{值为真的表达式}＝1，1{ 值为假的表达式}＝0，λ为正则项系数，||θ||₂表示参数θ的2范数，代入训练集数据，采用L-BFGS(Limited-memoryBroyden–Fletcher– Goldfarb–Shanno algorithm)算法求解J(θ)，得到MLR数学模型的参数θ，θ是一个M×K维的矩阵；

S430、模型测试和优化，将测试数据代入MLR数学模型，查看分类准确率，采用多折交叉验证的方式，优选地，多折交叉验证采用 10折交叉验证，根据准确率高低，选择最优的MLR数学模型参数θ。

步骤S500、EWMA指数移动加权平均处理，通过训练得到MLR- EWMA数学模型；具体包括：

S510、EWMA指数加权平均的统计方法对MLR数学模型给出概率沿着时间线进行处理，EWMA的表达式如下：

其中P_t＝h_θ(x^(t))为t时刻数据属于各个类别的概率，系数β表示权值下降的速率，其值越小，权值下降的速率越快，V_t表示EWMA的值，

且

通过设定β的大小可以调节数据的平滑程度；

S520、通过多次试验获取β最匹配的数值，优选地，β＝0.98；

S530、通过实验获得故障的控制线V_c，优选地，V_c＝0.5。

步骤S600、故障识别；具体包括：

S610、将t时刻水泥生料粉磨数据输入到训练好的MLR-EWMA 模型中进行故障识别，得到统计量

S620、当

时，判断t时刻系统出现第k类异常，发出第k 类异常报警。

如图2所示，横轴为时间轴，纵轴为磨机发生饱磨的统计量(取值为 0～1)，平行于时间轴的虚线即为故障的控制线(V_c＝0.5)，可以看到使用本发明在t＝31925时刻检测到了磨机发生了饱磨。

如图3所示，可以看到使用本发明在t＝110454时刻检测到了磨机发生了断料。

如图4所示，可以看到使用本发明在t＝61120时刻检测到了磨机发生了循环。

使用上述基于MLR-EWMA的生料磨故障检测方法，对于水泥生料粉磨过程中的异常工况进行估值检测，获得了令人满意的效果。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种水泥生料粉磨过程的故障检测方法，其特征在于，包括：

步骤S100、水泥生料粉磨数据采集；

步骤S200、数据预处理；

步骤S300、数据再平衡；

步骤S400、MLR多元逻辑回归；

步骤S500、EWMA指数移动加权平均处理，得到MLR-EWMA数学模型；

步骤S600、故障识别。

2.如权利要求1所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述步骤S100还包括：

S110、通过生料磨磨机上的传感器，按固定周期实时采集磨机在工作过程中的各项数据；

S120、提取与磨机工作状态可能有关的过程变量M个，M≤100，总共提取N个时刻的过程变量数据。

3.如权利要求2所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述过程变量数据包含正常工况数据和异常工况数据。

4.如权利要求1所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述步骤S200还包括：

S210、各传感器按固定周期采集的数据，共采集N个时刻的数据；

S220、按时间顺序汇集成一个N×传感器数量的数据矩阵；

S230、对采集的数据进行人工标记，标记每一时刻的工况标签。

5.如权利要求1所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述骤S300还包括：

S310、对异常工况数据过采样，进行多次重复抽取，增加异常工况数据的数量；

S320、新数据集中的异常工况数据和正常工况数据比例大致平衡状态(接近1:1)。

6.如权利要求1所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述步骤S400还包括：

S410、数据导入和划分；

S420、模型训练；

S430、模型测试和优化。

7.如权利要求1所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述步骤S500还包括：

S510、EWMA指数加权平均的统计方法对MLR数学模型给出概率沿着时间线进行处理，EWMA的表达式如下：

S520、通过多次试验获取β最匹配的数值；

S530、通过实验获得故障的控制线V_c。

8.如权利要求7所述的水泥生料粉磨过程的故障检测方法，其特征在于，优选β＝0.98。

9.如权利要求8所述的水泥生料粉磨过程的故障检测方法，其特征在于，优选V_c＝0.5。

10.如权利要求1所述的水泥生料粉磨过程的故障检测方法，其特征在于，所述步骤S600还包括：

S610、将t时刻水泥生料粉磨数据输入到训练好的MLR-EWMA模型中进行故障识别，得到统计量

S620、当

时，判断t时刻系统出现第k类异常，发出第k类异常报警。

Images