一种基于RBNCVA的高炉炼铁过程监测方法

本发明涉及高炉炼铁过程监测领域，特别涉及一种基于rbncva的高炉炼铁过程监测方法。

背景技术：

1、钢铁工业是现代工业和国民经济的重要支柱产业。在整个钢铁生产过程中，高炉是最关键的部件之一，消耗的能量占总能量的70％以上。高炉炼铁过程中一旦出现异常情况，不仅会导致铁产量下降、能耗增加等后果，还可能造成设备损坏，甚至导致重大安全事故。由于大型高炉炼铁系统生产环境恶劣、反应复杂及缺乏充足有效的监测手段，直接诊断设备状态可信度低，难以满足实际需要。因此，对高炉炼铁过程进行实时监控具有重要的经济和社会意义。

2、高炉炼铁过程监测的难点，很大程度上来自于高炉炼铁过程的生产特点。高炉内部是个非线性、分布式的系统。高炉内部存在固(炉料)、液(渣铁)、气(煤气)三相的复杂反应，其沿高炉的纵向、径向和圆周方向都存在不均匀性，此外高炉可以工作在不同的工作点，不同的工作点之间存在非线性。恶劣的生产环境，导致高炉内部状态缺乏直接测量。高炉为密闭的高温高压容器，高炉上部不断坠落的炉料、严重的粉尘及下部超过的高温，使得一般的传感器无法正常工作，因此缺少内部状态的直接测量。在高炉的顶部和底部以及高炉的外部周边有较多的非直接测量数据，但是从高炉现场采集的数据包含较大的噪声和离群值，这将对监测模型造成很大的干扰。由于高炉炼铁过程的非线性以及数据中包含的噪声和离群值，其过程监控成为了一项极具挑战性的任务。

3、目前，数据驱动的过程监控方法在大型高炉系统中得到了广泛研究，尤其是多元变量分析(mva)方法。典型变量分析(cva)是一种基于状态空间的mva方法，被认为是监测高炉炼铁等动态过程的合适方法。为了同时考虑非线性和过程动力学，发展了核正则典型变量分析(kcva)方法。然而，在线计算的高复杂性和核参数选择的困难阻碍了kcva在实际工业过程中的应用。此外，数据集中的噪声和异常值也影响着高炉炼铁过程监测方法的发展。最近，深度学习被用于解决一些此类问题，例如深度自动编码器和深度前馈网络。由于热风炉的切换会导致峰值干扰，去噪自编码器(dae)在实际炼铁监测过程中被使用。另外一种鲁棒的过程监控方法使用多元指数加权移动平均主成分分析(mewma-pca)和贝叶斯网络(bn)。但是，现有的高炉炼铁过程监测方法距离实际应用尚有差距。

技术实现思路

1、为了克服现有技术的不足，本发明的目的在于提供一种鲁邦宽度非线性表示的典型变量分析方法(rbncva)以提高高炉炼铁过程的监控性能。

2、一种基于鲁棒宽度非线性表示的典型变量分析(rbncva)的高炉炼铁过程监测方法，首先，采用堆叠去噪自编码器(sdae)对历史高炉故障数据进行建模，从中提取出鲁棒的宽度非线性特征，这种特征有助于处理高炉炼铁过程的复杂非线性，并能抵抗噪声和异常值的干扰；然后，采用典型变量分析(cva)方法分析过去和未来特征向量之间的关系，以应对高炉的动态性问题；最后，通过由核密度估计方法求得的概率密度函数来计算统计量。

3、所述的一种基于鲁棒宽度非线性表示的典型变量分析的高炉炼铁过程监测方法，步骤如下：

4、步骤一：向正常状况下采集到的历史高炉数据xo(k)∈rζ中添加一个高斯噪声向量，以重建干净的输入数据xo(k)为目标，对堆叠去噪自编码器(sdae)进行权值训练，建立高炉的鲁邦非线性特征提取模型，重构目标如下：

5、

6、其中是一个向量，其中每个变量都是独立的，并服从均值μ和方差的高斯分布，θ，为神经网络的参数；

7、步骤二：sdae利用各隐藏层对高炉过程变量进行抽象非线性映射，采用“concat”运算将不同层次的特征融合成一个聚合特征z(k)，表达式如下：

8、z(k)＝[xh1(k)，xh2(k)，xh3(k)，xr(k)]∈rl

9、l＝lh1+lh2+lh3+lr

10、其中和分别表示第k次采样时不同级别隐藏层的输出向量和重构向量；

11、步骤三：基于步骤一和步骤二的特征提取策略，使用典型变量分析(cva)以进一步探索高炉炼铁过程的动态特性；将获得的高炉特征矩阵z∈rl*n划分为过去和未来的汉克尔矩阵wp∈rls*m和wf∈rls*m，其中，汉克尔矩阵的列由m＝n-2s+1给出；然后通过解决以下优化目标来最大化它们之间的相关性：

12、

13、s.t.vtv＝1，rtr＝1；

14、步骤四：使用奇异值分解(svd)计算出出步骤三中优化目标的解，

15、

16、其中v＝[v1，v2，...，vq]和r＝[r1，r2，...，rq]分别为左右奇异矩阵，包含q个主要奇异值；由此得到使高炉过去和未来特征相关性最大的投影矩阵j和l：

17、

18、步骤五：通过步骤四求得的投影矩阵j和l将过去的高炉特征观测向量分别转换为q维典型相关变量和残差，状态空间c和残差空间e的具体形式如下：

19、c＝jwp；e＝lwp；

20、使用t2和q统计量作为监测统计量，通过下式给出：

21、

22、其中，ci(k)和ei(k)分别表示k时刻c和e的第i个元素；

23、步骤六：计算t2和q统计量的控制限，概率密度函数的估计定义如下：

24、

25、其中k(·)是核函数，h代表带宽，最佳带宽通过最小化平均积分平方误差的近似值来粗略估计：

26、hopt＝1.06σm-1/5

27、其中σ为标准差，给定置信水平α下监测统计数据(t2和q)的控制限由下式给出：

28、

29、步骤七：对于实时监测部分，首先采集实时数据并进行标准化处理，通过步骤二-步骤六，构建实时统计量t2和q，最后通过对比统计量是否小于控制限，判断过程运行状态，若t2和q其中有一个低于控制限，则认为过程发生异常状况，需要停止检查；反之，则判断过程正常无需维护。

30、本发明具有的有益效果：

31、本发明提出了一种用于高炉炼铁过程监控的rbncva方法。提出了一种新的基于sdae的特征提取策略，用于提取鲁棒的广义非线性特征，可以有效地应对高炉数据中存在的复杂的非线性，并能降低数据中噪声和异常值的干扰。然后利用典型变量分析(cva)方法分析过去和未来特征向量之间的关系，提取出有效的监测统计量，帮助模型处理高炉过程中存在的动态性。本发明降低了高炉炼铁监测过程中的误报率，显著地提高了故障检测率和故障敏感性。

技术特征：

1.一种基于鲁棒宽度非线性表示的典型变量分析(rbncva)的高炉炼铁过程监测方法，其特征在于，首先，采用堆叠去噪自编码器(sdae)对历史高炉故障数据进行建模，从中提取出鲁棒的宽度非线性特征，这种特征有助于处理高炉炼铁过程的复杂非线性，并能抵抗噪声和异常值的干扰；然后，采用典型变量分析(cva)方法分析过去和未来特征向量之间的关系，以应对高炉的动态性问题；最后，通过由核密度估计方法求得的概率密度函数来计算统计量。

2.根据权利要求1所述的一种基于鲁棒宽度非线性表示的典型变量分析的高炉炼铁过程监测方法，其特征在于，步骤如下：

技术总结
本发明公开了一种基于RBNCVA的高炉炼铁过程监测方法，首先，采用堆叠去噪自编码器（SDAE）对历史高炉故障数据进行建模，从中提取出鲁棒的宽度非线性特征，这种特征有助于处理高炉炼铁过程的复杂非线性，并能抵抗噪声和异常值的干扰；然后，采用典型变量分析（CVA）方法分析过去和未来特征向量之间的关系，以应对高炉的动态性问题；最后，通过由核密度估计方法求得的概率密度函数来计算统计量。本发明降低了高炉炼铁监测过程中的误报率，显著地提高了故障检测率和故障敏感性。

技术研发人员：杨春节,杨越麟,楼嗣威,朱雄卓
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/1/12