刘强, 孔德志, 郎自强. 基于多级动态主元分析的电熔镁炉异常工况诊断. 自动化学报, 2021, 47(11): 2570−2577 doi: 10.16383/j.aas.c190313

Liu Qiang, Kong De-Zhi, Lang Zi-Qiang. Multi-level dynamic principal component analysis for abnormality diagnosis of fused magnesia furnaces. Acta Automatica Sinica, 2021, 47(11): 2570−2577 doi: 10.16383/j.aas.c190313

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190313?viewType=HTML

电熔镁炉, 异常工况诊断, 多级动态主元分析, 时序图像建模

电熔镁熔炼过程中的异常工况(如半熔化工况)直接影响产品质量、威胁人员和生产安全, 有必要及时诊断. 但与异常直接相关的超高温熔池温度(>2850 ℃)难以利用温度传感器检测, 目前现场主要依靠工人在定期巡检时人眼观察炉壁来诊断, 工作强度大、安全度低、诊断不及时. 针对上述问题, 本文提出一种炉体动态图像驱动的电熔镁炉异常工况实时诊断方法. 结合电熔镁炉熔炼各区域温度分布的空间特征、正常工况下熔炼温度变化和水雾扰动引入的图像时序特征、以及异常工况下温度异常区域持续发亮扩大的特征, 在对炉体动态图像进行空间多级划分的基础上, 提出了一种多级动态主元分析(Multi-level dynamic principal component analysis, MLDPCA) 动态图像分块建模方法. 在此基础上, 提出基于MLDPCA的逐级诊断方法与基于贡献图的异常定位方法. 最后, 采用某电熔镁生产现场的实际图像进行方法验证, 结果表明了所提方法的有效性.

电熔镁炉是生产电熔镁砂(主要成分是氧化镁)晶体的核心装备. 电熔镁砂具有结构紧密、熔点高、抗氧化性好、耐腐蚀性强等优良特性, 是广泛应用于航空、军事、冶金等领域的重要战略物资. 电熔镁生产工艺是将主要成分为碳酸镁的菱镁矿石加热到2850 ℃ 以上, 使其熔炼为氧化镁产品和二氧化碳气体. 由于菱镁矿石成分波动大、矿物组成复杂, 熔炼时易发生半熔化、排气异常、过加热等异常工况, 引起熔炼温度及分布异常, 直接影响产品质量和生产安全, 有必要及时诊断.

由于与运行工况直接相关的熔炼温度高达 2850 ℃以上, 无法由常规温度传感器测量, 目前主要是通过工人定期巡检时观察炉壁状态来诊断. 但是人工巡检实时性差且容易误检、漏检. 此外, 由于现场生产环境恶劣(高温、强光等), 不利于工人长期工作. 为此, 有学者提出基于熔炼电流的电熔镁炉异常工况诊断方法, 主要是通过历史故障数据提取异常工况特征, 再基于上述特征来诊断异常工况. 比如, 文献[5]提出一种基于规则的电熔镁炉异常工况诊断方法, 利用镁炉运行时的熔炼电流数据建立专家诊断规则库, 但规则提取和维护困难. 而且, 电熔镁炉电极移动及熔炼过程中电弧放电过程中的强不确定性会导致电流无规律的波动, 影响诊断精度.

相比较过程数据而言, 熔炼图像更直观地反映了熔炼过程中熔池内的工况. 近两年学者提出了基于图像的电熔镁炉异常工况诊断方法. 比如, 文献[7]提出基于炉体图像相关系数的半熔化工况诊断方法, 但该方法未有效利用图像的时序特征, 对于熔炼时的水雾引入的扰动较为敏感; 文献[8-9]提出基于深度学习的异常工况诊断方法, 但模型训练需要大量带有标签的异常工况数据, 诊断结果强依赖于标签的准确性, 而实际生产中往往难以获取标签数据, 限制了该类方法的应用.

相比于异常工况数据而言, 电熔镁生产的正常工况数据更容易获取. 近年来, 数据驱动的异常工况诊断通常利用正常工况数据, 采用如主元分析(Principal component analysis, PCA)等方法获取过程变量间的潜结构关系和正常变化的范围, 再通过其非期望变化来诊断异常, 已在化工、钢铁、半导体加工等过程中得到成功应用.

对于电熔镁熔炼过程而言, 局部空间特性和温度惯性会引入时空动态性, 传统的PCA方法只能提取静态变化, 使得基于PCA的异常工况诊断方法易发生误报与漏报. 针对此问题, 学者提出了提取动态关系的动态潜结构建模方法以及在此基础上的异常工况诊断方法. 比如, 文献[16-19]提出采用时滞偏移技术来提取多维变量间的动态关系的动态主元分析方法; 文献[20-21]利用自回归算法提取潜变量, 然后建立一个向量自回归内部模型来提取变量间的动态关系; 文献[22]提出动态内在主元分析 (Dynamic inner principal component analysis, DiPCA)方法直接从多维时间序列中根据动态性强弱依次提取动态潜变量, 在此基础上建立相应的监控指标来实现异常工况诊断. 上述方法为利用电熔镁炉动态图像提取熔炼过程的动态特征进行异常工况诊断提供了新思路.

本文面向半熔化这类与熔炼温度直接相关的异常工况的诊断问题, 研究利用熔炼过程炉壁时序图像提取各区域的时空特征的方法. 主要贡献是结合文献[23]所提出的分块建模和逐级诊断思路, 提出电熔镁炉时序图像逐级建模与异常工况诊断方法. 该方法结合镁炉熔炼图像的空间特征以及温度惯性和水雾扰动的时序特征将炉壁时序图像分为整体、子块、列三级. 在此基础上, 将熔炼过程分级特征与DiPCA算法相结合提出一种多级动态主元分析(Multi-level dynamic principal component analysis, MLDPCA) 算法来提取炉壁动态图像局部子块区域的图像空间特征, 再通过对建立的MLDPCA模型定义区域的监控指标及整个炉况的综合指标, 实现异常工况的逐级诊断. 当检测到异常工况后, 将MLDPCA模型与贡献图相结合, 提出基于MLDPCA贡献图的电熔镁炉熔炼异常定位方法.

图 1  电熔镁生产过程

图 4  基于MLDPCA的异常工况诊断流程图