CN108595380B - 一种高炉异常炉况检测方法 - Google Patents

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δ_Δp，使得历史数据中1-α的数据满足|Δp|＞δ_Δp；

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δ_Δp，若Δp_k＜-δ_Δp，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s_k：

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s_k＝ν+1且s_k-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,...,σ_m}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S_k的特征值，记为λ₁ ^(k),...,λ_m ^(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λ_j ^(k)的均值和标准差，记为

和

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：

z_k＝x_k-x_k-1 (20)；

步骤3.2：对z_k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，

为

的转置，

为第k-w个采样时刻下的标准化后的差分数据，

为

的转置；

步骤3.5：计算S_k的特征值，记为λ₁ ^(k),...,λ_m ^(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δ_Δp，使得历史数据中1-α的数据满足|Δp|＞δ_Δp；

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δ_Δp，若Δp_k＜-δ_Δp，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s_k：

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s_k＝ν+1且s_k-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,…,σ_m}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S_k的特征值，记为λ₁ ^(k),…,λ_m ^(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λ_j ^(k)的均值和标准差，记为

和

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：

z_k＝x_k-x_k-1 (31)；

步骤3.2：对z_k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，

为

的转置，

为第k-w个采样时刻下的标准化后的差分数据，

为

的转置；

步骤3.5：计算S_k的特征值，记为λ₁ ^(k),…,λ_m ^(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δ_Δp，使得历史数据中1-α的数据满足|Δp|＞δ_Δp；

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δ_Δp，若Δp_k＜-δ_Δp，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s_k：

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s_k＝ν+1且s_k-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,...,σ_m}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S_k的特征值，记为λ₁ ^(k),...,λ_m ^(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λ_j ^(k)的均值和标准差，记为

和

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：

z_k＝x_k-x_k-1 (9)；

步骤3.2：对z_k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，

为

的转置，

为第k-w个采样时刻下的标准化后的差分数据，

为

的转置；

步骤3.5：计算S_k的特征值，记为λ₁ ^(k),...,λ_m ^(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。

Images