引用本文

李荟, 王福利, 李鸿儒. 电熔镁炉熔炼过程异常工况识别及自愈控制方法. 自动化学报, 2020, 46(7): 1411-1419. doi: 10.16383/j.aas.2018.c180333

LI Hui, WANG Fu-Li, LI Hong-Ru. Abnormal Condition Identiflcation and Self-Healing Control Scheme for the Electro-Fused Magnesia Smelting Process. ACTA AUTOMATICA SINICA, 2020, 46(7): 1411-1419. doi: 10.16383/j.aas.2018.c180333

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c180333

关键词

电熔镁炉，多源信息融合，异常工况识别，贝叶斯网络，自愈控制 

摘要

本文提出了基于多源信息融合的电熔镁炉异常工况识别及自愈控制方法.通过分析与三种异常相关的专家知识及操作经验, 本文提取了与异常工况相关的多源信息.通过融合多源信息, 建立了用于异常工况识别的贝叶斯网络模型.根据异常工况的识别结果, 利用剩余生命时间与控制变量调整量间的关系获得自愈控制措施.仿真结果表明提出的方法能够实现异常工况识别, 并且能够区分严重程度, 制定相应的自愈控制方案, 获得比现有方法更好的性能.

文章导读

电熔镁是重要的耐火材料, 被广泛应用于各种各样的领域, 例如:航天工业、水泥、化工及电子设备等.在中国, 菱镁矿石是电熔镁的主要原料, 然而, 原料经常存在品位低及矿物成分复杂的问题.三相电熔镁炉是生产高品质的电熔镁的重要设备.电熔镁炉的相关研究已经吸引了很多研究人员的关注[1-12], 包括电熔镁炉熔炼过程的建模、控制、优化、预测、异常识别及自愈控制等多方面的问题.

对于电熔镁炉熔炼过程的不同生产条件, 操作人员通过调整电流的设定值去控制电熔镁炉的熔炼过程.通过控制三相电极的位置, 控制系统能够跟踪不同的电流设定值.当原料粒度和纯度发生变化时, 原有的电流设定值将不再适用.若操作人员没有根据环境的变化及时调整电流设定值, 异常工况将发生.目前, 电熔镁炉熔炼过程的异常工况辨识及自愈控制主要通过人工的方式实现, 现场的操作人员利用他们的经验、技术及知识识别异常工况并给出电流设定值的调整量.但是, 操作人员预测原料粒度及组成变化是非常困难的.人工的操作方式对误差敏感, 操作人员经常会忽视变量间的相互作用.因此, 为了避免异常工况引起高能耗及安全威胁, 减少操作人员的工作强度, 提高熔炼过程的性能, 有必要采用更加有效的方式识别异常工况, 并根据异常工况的识别结果制定相应的自愈控制方案.操作人员观察的信息主要包含三个方面:电极电流的变化、炉体颜色的变化及由电弧产生的声音的变化.操作人员在进行异常工况识别时会关注多源信息, 但是人工方式对于信息的处理大多是定性的且处理多源信息的能力是有限的.当大量信息同时出现时, 操作人员很难做出恰当的决策去控制电流设定值.受到之前的技术水平及生产条件的限制, 现有的自动的电熔镁炉异常工况识别及自愈措施制定仅考虑了主要的电流特征信息的变化.但随着技术的进步及计算机运算能力的提高, 通过融合多源信息进行更加及时准确的异常工况识别及自愈控制成为可能.

针对异常工况识别及自愈控制问题, 文献[13]针对复合故障问题进行了研究, 给出了重构为基础的故障诊断策略.但针对电熔镁炉熔炼过程, 几种常见的异常工况或发生在熔炼过程的不同阶段(例如:半熔化与过加热发生在加热熔炼阶段, 排气异常工况发生在排气阶段), 或由完全相反的异常原因导致(例如:半熔化由原料熔点升高导致, 而过加热由原料熔点降低导致), 因此, 不会发生复合故障.文献[14]研究了故障预报问题, 针对慢时变故障, 建立了故障衰减模型和在线故障预测策略, 定义了稳定因素, 辨识了故障衰减的关键变量, 使用Fisher区分方法来选择变量, 并将其用于故障进化的建模过程中.但针对电熔镁炉熔炼过程, 通过专家知识和操作经验, 可以获取与异常工况相关的变量.针对自愈控制问题, 更关注于建立异常严重程度与剩余生命时间的关系.文献[15]针对批次过程的非优工况, 提出了一种基于强化学习的自恢复方法.文中给出了非优自恢复问题的描述, 使用质量指标为优化目标.但是, 针对电熔镁炉熔炼过程的异常工况识别及自愈控制问题, 由于变量之间的强耦合、非线性关系及随机的外部干扰, 仅能获得变量间的定性关系, 很难建立精确的数学模型, 无法转化为优化问题进行求解.因此, 针对电熔镁炉熔炼过程中的异常工况识别及自愈控制问题, 基于数据驱动的方法获得了更多的关注[3, 16-18].在文献[17]中, 一种新的故障诊断方法被应用到电熔镁炉熔炼过程中, 但是提出的方法不能辨识异常工况的类型.通过模拟操作人员辨识和移除异常工况的行为, 文献[3]分析了电熔镁炉发生异常工况的原因, 提出了数据驱动的异常工况识别及自愈控制方法.然而, 文中仅使用电流信息去识别异常工况, 提出的方法没有整合多源信息且无法区分异常工况的程度.

贝叶斯网络是一种有效的概率知识表达及推理工具, 能有效利用背景知识且能够实现多源信息融合.当在线信息被视为证据输入到模型中时, 贝叶斯网络能够通过推理获得目标问题的后验概率, 并以此做出相应决策.贝叶斯网络已经被使用去解决很多实际问题[19-25].在工业系统状态预测方面, 文献[26]提出了一种考虑结构劣化的海上管道状态监测和可靠性预测的概率方法.文献[27]利用贝叶斯网络来预测变压器故障, 提出的预测模型从本质上描述了变压器的故障是如何通过症状来显现的.文献[28]利用贝叶斯网络提出了一种基于缺陷的恶化模型, 以概率的方式确定污水管道的工况等级.因此, 为了更加有效地利用专家知识及异常工况发生时的多源特征信息, 本文使用贝叶斯网络建立异常工况识别模型.

本文的目的是针对电熔镁炉熔炼过程中常见的三种异常工况, 通过融合多源特征信息, 提出新的异常工况识别和自愈控制方案.首先, 本文给出了基于贝叶斯网络的异常工况识别框架, 分析了电熔镁炉熔炼过程及三种异常工况, 提取了多源特征信息, 建立了基于专家知识和多源特征信息的贝叶斯网络异常工况识别模型.其次, 为了根据异常工况的不同严重程度制定相应的自愈控制方案, 本文将剩余生命时间预测的思想引入到自愈控制措施的制定中, 利用剩余生命时间与控制变量调整量之间的关系获得自愈控制措施.最后, 仿真结果表明提出的方法能够有效地识别异常工况及根据异常工况识别结果制定相应的自愈控制方案.通过对比可知, 和现有的仅使用电流信息进行异常工况识别及自愈控制的方法相比, 提出的方法能够区分异常工况的严重程度并且拥有更好的性能.

本文的创新点包括以下两个方面: 1)通过分析电熔镁炉异常工况发生时的多源特征信息, 建立了基于专家知识和多源特征信息融合的贝叶斯网络异常工况识别模型, 使异常工况的识别结果更加及时准确; 2)将设备剩余生命时间预测的思想引入到异常工况严重程度的发展当中, 提出了基于剩余时间预测的电熔镁炉自愈控制方法, 可以根据不同的异常严重程度制定相应的自愈控制方案.

论文的结构如下:第1节提出了基于贝叶斯网络的电熔镁炉异常工况识别方法; 第2节提出了基于剩余生命时间预测的电熔镁炉异常工况自愈控制方法; 第3节给出了仿真分析; 第4节总结了全文.

图 1  电熔镁炉熔炼过程

图 2  用于识别半熔化异常工况的贝叶斯网络模型

图 3  用于识别过加热异常工况的贝叶斯网络模型

针对电熔镁炉异常工况识别及自愈控制问题, 本文提出了基于贝叶斯网络的异常工况识别框架, 建立了融合多源特征信息的贝叶斯网络异常工况识别模型.进一步地, 提出了基于剩余生命时间预测的电熔镁炉自愈控制方案.对电熔镁炉常见的三种异常工况及相应的多源特征信息进行了深入分析, 仿真结果表明提出的方法能够有效地进行异常工况识别及自愈控制, 和现有研究成果相比, 获得了更好的性能.

作者简介

李荟

东北大学信息科学与工程学院博士研究生.主要研究方向为复杂工业过程异常工况识别及自愈控制, 人工智能方法及应用. E-mail: lihui_neu@163.com

李鸿儒

东北大学信息科学与工程学院教授.主要研究方向为复杂工业过程建模、控制与优化, 人工智能方法及应用, 工业过程监测及健康维护. E-mail: lihongru@ise.neu.edu.cn

王福利

东北大学信息科学与工程学院教授.主要研究方向为复杂工业过程建模与优化、故障诊断.本文通信作者. E-mail: wangfuli@ise.neu.edu.cn