引用本文

周平, 刘记平, 梁梦圆, 张瑞垚. 基于KPLS鲁棒重构误差的高炉燃料比监测与异常识别. 自动化学报, 2021, 47(7): 1661−1671 doi: 10.16383/j.aas.c180579

Zhou Ping, Liu Ji-Ping, Liang Meng-Yuan, Zhang Rui-Yao. KPLS robust reconstruction error based monitoring and anomaly identification of fuel ratio in blast furnace ironmaking. Acta Automatica Sinica, 2021, 47(7): 1661−1671 doi: 10.16383/j.aas.c180579

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180579

关键词

核偏最小二乘，鲁棒重构，故障识别，高炉炼铁，燃料比，过程监测 

摘要

作为钢铁冶金制造的核心工序, 高炉炼铁是典型的高能耗过程, 其运行能耗约占钢铁总能耗的50%以上, 其中, 80%的能耗是焦炭和煤粉等燃料消耗. 因此, 对表征高炉燃料消耗的燃料比参数进行监测, 并尽可能早地识别影响燃料比异常波动的关键因素, 对于高炉炼铁过程的节能降耗具有重要意义. 本文针对先验故障知识少的高炉燃料比监测与异常识别难题, 提出一种基于核偏最小二乘(Kernel partial least squares, KPLS)鲁棒重构误差的故障识别方法. 该方法首先建立过程变量与监测变量的KPLS监测模型, 然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系, 反向估计原始空间变量的正常估值. 为了增强算法的鲁棒性, 采用迭代去噪算法减少异常数据对原始空间正常估值的影响. 通过利用原始空间正常估值和真实值来构造故障识别指标, 并给出故障识别指标的控制限. 基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素, 还可识别出异常工况下影响燃料比异常变化的关键因素, 具有很好的工程应用前景.

文章导读

高炉炼铁是钢铁生产制造流程的前端关键工序, 其作用就是将固态的铁矿石通过复杂高温、高压等物理化学变化和多相多场耦合效应, 在焦炭、煤气等作用下还原成液态铁水, 为后续炼钢提供铁水原料. 如图1所示, 一个典型高炉炼铁过程主要由高炉本体、上料系统、送风系统、喷吹系统、渣铁处理系统以及高炉烟气净化系统等组成[1-2]. 由于炼铁高炉内部在高温、高压条件下进行着复杂气-固、气-液、固-固、固-液等多相转换, 众多变量和参数之间错综复杂和相互耦合, 被公认为是最复杂的逆流反应器[3]. 高炉炼铁是典型的高能耗、低效率过程, 其运行能耗约占钢铁生产总能耗的50%以上, 生产成本占钢铁生产总成本的70%左右. 因此. 降低炼铁能耗对钢铁行业的节能减排、低成本可持续生产具有重要意义[1, 4]. 图1为高炉炼铁能耗示意图, 其中焦炭和煤粉等燃料消耗约占高炉炼铁总能耗的80%左右, 因此降低高炉燃料消耗是高炉炼铁节能 降耗的重中之重[5]. 高炉燃料消耗影响因素众多, 例 如热风温度、富氧量等高炉操作变量和过程变量, 都能直接或间接地影响高炉燃料消耗. 高炉燃料比(即生产1吨铁所消耗的焦炭、焦丁、煤粉等燃料量)作为反映高炉燃料消耗的最主要指标, 对高炉操作人员执行高炉操作制度具有重要指导作用. 随着节能减排, 倡导绿色生产以及降低成本的需求日益迫切, 对高炉节能减排的学术研究与工程实践也越来越多. 文献[6-7]基于物流平衡与能量平衡原理建立高炉能耗模型, 并从工艺角度进行节能分析与优化. 文献[8-9]分别采用支持向量机、神经网络等智能建模技术建立了高炉能耗模型, 实现了能耗的在线估计; 文献[10-11]提出基于专家系统、神经网络的过程监测方法, 并将其应用于高炉炼铁过程. 但是这些方法没有对高炉能耗异常工况进行识别, 因而不能提供减少能耗及其波动的操作指导, 实际工程意义不大. 另外, 上述方法需要大量带有故障标签的数据去训练模型, 而高炉实际运行中很难获取大量带标签的故障数据. 因此, 针对能耗异常先验知识少的高炉炼铁过程, 需要研究如何利用高炉运行操作变量和状态变量数据与监测变量燃料比的关系, 对高炉燃料比进行监测, 并尽可能早地识别影响燃料比异常波动的关键因素及其低能耗调节的有效方法, 这对高炉炼铁过程的节能降耗具有重要意义. 随着现代工业生产的大规模和复杂化, 工业过程的安全监测、故障诊断与识别成为工业用户关注的重要问题. 近年来, 随着新型传感技术与计算机技术的快速发展和广泛应用, 使得工业生产能够获得比以往更多的生产过程运行数据. 因此, 如何从海量数据中进行有效数据挖掘, 使其服务于生产安全监测与诊断, 成为现代工业工程的热点问题. 文献[12-13]利用系统在正常和故障情况下的历史数据训练神经网络或者支持向量机等机器学习算法用于故障诊断, 但诊断精度与故障样本的完备性和代表性有很大关系, 因此难以用于无法获得大量故障数据的复杂工业过程. 文献[14]针对线性相异分析在监测非线性过程时存在的不足, 引入一个核相异指数来定量评价非线性数据分布结构之间的差异, 从而反映非线性过程的相关性和操作条件的变化, 取得较好的非线性过程监测效果. 类似方法还有基于主成分分析(Principal component analysis, PCA)的监测方法, 不同是的PCA通过降维方式提取高维变量数据的主要信息, 从而对过程运行状况与故障进行分析. 作为数据驱动多变量统计过程监测(Multivariate statistical process monitoring, MSPM)的主流技术[15-17], 偏最小二乘(Partial least squares, PLS)监测方法更注重过程变量与监测变量(如高炉炼铁过程燃料比)之间的关联关系 以及影响监测变量的故障或异常工况[18-20]. PLS的主要优点是可以建立过程变量与监测变量之间的关系模型, 能够有效解决多变量系统的相关性、数据样本和故障先验知识少的问题. 然而, 常规PLS是线性降维投影方法, 很难捕捉生产过程的非线性特性[21]. 为解决该问题, 可通过两种方法来对常规线性PLS进行扩展, 其一是调整PLS内部模型, 其二是调整PLS外部模型. 如Wold和Qin等[22-23]分别基于二次函数和神经网络模型建立PLS的非线性内模型, 即过程变量得分主元和监测变量得分主元之间的非线性模型, 从而解释生产过程的非线性关系; Rosipal和Baffi等[21, 24]分别利用核函数和带有权重更新的神经网络模型建立PLS的非线性外模型, 即通过将过程输入变量变换到高维空间, 并在此空间执行线性PLS算法, 从而实现非线性过程监测. 基于核函数的PLS又称为核函数潜投影结构(KPLS), 与其他非线性PLS方法相比, KPLS的优点在于可以避免非线性优化, 因而成为较为流行的过程监测与诊断方法. 但是, 基于KPLS的过程诊断方法在很多情况下难以找到特征空间到原始过程变量空间的逆映射函数, 从而增加了故障识别的难度[25]. 为此, Cho和Shao等[20, 26]通过计算当前时刻变量对统计量的一阶偏导数值来确定故障变量, 并认为异常时刻有最大偏导数的过程变量为故障变量. 但是这种方法难以适用于KPLS, 因为基于核的非线性映射是不可微函数, 并且在很多情况下不是显式的形式. 针对基于核函数的非线性过程故障识别问题, 文献[27-28]提出一种基于重构误差的故障指标, 即利用两种平方误差的比值, 一种是SPE (Squared prediction error)即Q统计量, 另一种是基于变量相关性, 用其他变量去估计过程变量中的一个, 并用此变量的估值和剩余变量来计算Q统计量. 这种方法的核心思想是当重构的变量是故障变量时, 此变量的故障指标会比非故障变量的指标值偏小. 目前, 该方法在连续搅拌釜式反应器(Continuous stirred tank reactor, CSTR)的模拟实验中获得较好的诊断效果[25]. 本文针对先验故障知识少的非线性高炉炼铁过程燃料比监测和故障识别问题, 基于文献[27-28]的思想, 提出一种基于KPLS鲁棒重构误差的新型故障识别方法. 该方法通过分析Gram矩阵和高维特征空间映射矩阵的关系, 重构原始过程变量, 以原始过程变量的重构误差构造故障识别指标并给出指标控制限. 同时, 所提方法引入迭代去噪算法以减少异常数据对原始空间正常估值的影响, 从而增强算法的鲁棒性. 数值仿真及基于实际高炉实际数据的工业试验表明所提方法能够准确识别引起高炉燃料比异常变化的影响因素, 从而给出高炉的调节方向, 指导高炉操作人员调节高炉操作制度, 使高炉在顺行的前提下, 朝着降低能耗的方向运行. 此外, 基于KPLS鲁棒重构误差的新型故障识别方法不仅可以监测出正常工况下影响燃料比异常变化的潜在影响因素, 还可以监测出异常工况下影响燃料比异常变化的关键因素.

图 1  高炉炼铁过程能耗示意图

图 2  故障1的KPLS监测图

图 3  故障1的故障变量识别图

为了解决先验故障知识少的高炉炼铁过程燃料比非线性监测与异常识别难题, 本文将鲁棒重构误差计算方法应用于基于KPLS的故障识别, 提出基于KPLS鲁棒重构误差的非线性系统故障识别方法. 该识别方法首先建立待监测变量与过程变量的KPLS模型, 然后利用从数据中提取负载向量并采用鲁棒去噪算法估计原始过程变量的正常值. 该算法不仅可以给出故障变量, 还可以估计出故障变量的正常值, 提高识别准确度. 当故障变量为操作变量时, 可以依照故障变量的估计值以及相应操作制度来进行故障(异常)修正和过程操作调整. 具有不同类型故障的数值仿真验证了所提算法的有效性. 最后, 基于实际工业数据的高炉燃料比监测与异常识别表明: 所提方法可以有效监测高炉燃料比参数, 并正确识别影响燃料比异常变化的关键因素, 是一种非常有效的非线性过程的在线监测与异常识别. 但是, 由于所提方法在判断异常时需要确定置信度, 该置信度目前只能凭经验来确定, 因而具有一定的主观性.

作者简介

周平

东北大学教授. 分别于2003年、2006年、2013年获得东北大学学士学位、硕士学位和博士学位. 主要研究方向为工业过程运行反馈控制, 数据驱动建模与控制. 本文通信作者.E-mail: zhouping@mail.neu.edu.cn

刘记平

2017年获得东北大学硕士学位. 主要研究方向为数据驱动质量监测.E-mail: m18842388402@163.com

梁梦圆

东北大学硕士研究生, 2016年获得东北大学秦皇岛分校大学学士学位. 主要研究方向为数据驱动质量监测.E-mail: liangmy1994@163.com

张瑞垚

东北大学硕士研究生. 2018年获得东北大学学士学位. 主要研究方向为数据驱动质量监测.E-mail: 1870768@stu.neu.edu.cn