引用本文

刘强, 秦泗钊. 基于精简并发潜结构映射的竖炉焙烧过程综合故障诊断. 自动化学报, 2017, 43(12): 2160-2169. doi: 10.16383/j.aas.2017.c160505

LIU Qiang, QIN S. Joe. Comprehensive Fault Diagnosis of Shaft Furnace Roasting Processes Using Simplified Concurrent Projection to Latent Structures. ACTA AUTOMATICA SINICA, 2017, 43(12): 2160-2169. doi: 10.16383/j.aas.2017.c160505

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160505

关键词

竖炉焙烧过程，综合故障诊断，并发潜结构映射，精简重构贡献 

摘要

竖炉焙烧过程因运行条件异常变化或操作不当会造成上火、冒火、过还原和欠还原等运行故障.这些故障直接影响过程运行安全和产品质量（比如，磁选管回收率），但难以采用基于模型和基于知识的方法建模故障与产品质量的关系，以及诊断故障变量.针对上述问题，本文提出数据驱动的基于并发潜结构映射（Concurrent projection to latent structures，CPLS）的竖炉焙烧过程综合故障诊断方法.首先，将并发潜结构映射分解的过程变量共有子空间与残差空间精简合并来建立磁选管回收率相关的过程变化空间，提出基于精简并发潜结构映射模型的竖炉焙烧过程综合监控方法；接下来，定义相应的重构贡献图并与竖炉焙烧过程相结合，提出CPLS精简重构贡献方法用于竖炉焙烧过程故障变量诊断；最后，利用竖炉焙烧过程半实物仿真平台采集的数据进行实验研究，结果表明所提方法不仅可以诊断出质量相关的故障，而且可诊断出回路设定值之外的故障变量.

文章导读

竖炉焙烧过程是选矿生产的关键工序, 用于对原料赤铁矿高温焙烧, 将弱磁性矿物转化成强磁性矿物, 作为下游磁选工序的原料.竖炉焙烧原料矿石的大小、种类、成分变化频繁, 在运行条件异常变化或操作不当时, 可发生上火和冒火等与运行安全密切相关的故障, 也可发生过还原和欠还原等与质量指标(即磁选管回收率)下降密切相关的故障, 有必要有效监控与诊断.

竖炉焙烧过程生产条件变化频繁、物理和化学反应机理复杂, 一方面难以依据物理和化学规律建立过程的精确数学模型; 另一方面, 竖炉焙烧过程的运行故障不是传统的传感器和执行机构故障, 难以建立故障模型.因此, 以过程模型与故障模型为基础的基于模型方法难以用于竖炉焙烧过程运行故障诊断[1].

近年来, 学者提出基于知识的竖炉焙烧过程故障诊断方法.比如, Chai等[2]、吴峰华等[3]建立了基于规则推理的竖炉焙烧过程故障诊断专家系统, 对过程变量的观测值利用产生式规则进行判断与推理, 以规则推理的结论作为故障诊断结论; 严爱军等[4]提出基于案例推理的竖炉焙烧过程故障诊断方法, 将新故障与案例库中的历史故障进行比较, 得到以概率形式表示的故障诊断结论.但上述方法存在两个问题: 1)只能诊断出故障发生, 但不能诊断故障原因, 特别是无法诊断回路设定值之外的故障原因变量; 2)由于竖炉焙烧过程的过程变量相关关系复杂, 难以获得用于规则推理及案例推理所需的过程先验知识, 方法实施与维护难度大.

针对上述问题, Lu等[5]结合数据驱动故障诊断方法无需过程精确数学模型、降维可视化以及实施维护方便等优点[6-8], 利用历史正常数据, 采用主元分析(Principal component analysis, PCA)技术建立竖炉焙烧过程的多元统计模型与故障监控指标, 在此基础上进行竖炉焙烧过程故障诊断.但该方法属于单一层面的潜结构建模与故障诊断, 将质量变量等同于一般的过程变量, 无法诊断故障与产品质量磁选管回收率之间的关系.针对单一层面数据建模与故障诊断方法的问题, 多位学者研究了多层面数据建模与故障诊断[7-16].比如, MacGraegor等[8]提出基于偏最小二乘(Partial least squares, PLS)的故障诊断方法, Zhou等[9]、Li等[10-11]提出全潜结构映射的建模与监控方法, Qin等[12]、Liu等[13]提出并发潜结构映射(Concurrent projection to latent structures, CPLS)多层面建模与监控方法, 实现过程与质量的联合监控, 已成为过程工业数据建模与故障诊断的新方向[17].

然而, CPLS方法将与质量直接相关的过程变化以及与质量潜在相关的过程变化, 划分成两个不同的子空间, 即共有子空间与过程变化残差空间, 分别用T²统计指标与Q统计指标监控.对于竖炉焙烧过程而言, 新发故障可能同时影响这两个子空间.为此, 本文提出将两个统计指标合并为一个统一指标, 利用竖炉焙烧过程历史正常数据(以磁选管回收率作为质量变量, 以燃烧室温度、还原煤气流量、炉顶废气温度、炉内负压、燃烧煤气热值和加热空气流量作为过程变量), 建立竖炉焙烧过程并发潜结构映射模型及精简CPLS模型用于综合监控.在此基础上, 考虑到CPLS重构贡献难以满足正确诊断的必要条件, 本文提出CPLS精简重构贡献方法, 用于诊断竖炉焙烧过程质量相关故障变量.

图 1  竖炉焙烧过程工艺图

图 2  竖炉焙烧过程正常工况与上火故障工况数据

图 3  正常工况监控结果

本文提出了数据驱动的基于精简并发潜结构映射的竖炉焙烧过程多层面综合故障诊断方法, 并利用竖炉焙烧过程半实物仿真平台进行实验研究, 结果表明:

1) 正常工况下, 相比PCA、PLS和CPLS方法, 本文所提出的S-CPLS综合监控方法误报率更低;

2) 故障工况下, 本文所提出的S-CPLS的综合监控方法不仅检测出竖炉焙烧过程故障工况, 且诊断出上火故障会降低磁选管回收率, 以及与之相应的故障变量;

3) 本文基于S-CPLS重构贡献诊断出回路设定值之外的故障变量.

本文所提方法不仅在竖炉焙烧过程实验平台成功应用, 还可以推广应用于实际的竖炉焙烧过程.在方法软件化的基础上, 利用现场实际数据建立模型, 给出可视化的监控图与重构贡献图, 可以实现实际竖炉焙烧过程的综合故障诊断.此外, 本文所提出的精简重构贡献图等研究成果还可应用于高炉炼铁等其他复杂系统的多层面监控与诊断.

作者简介

刘强

东北大学流程工业综合自动化国家重点实验室副教授, 美国南加州大学化工系博士后.主要研究方向为基于数据的复杂工业过程建模与故障诊断.曾获辽宁省优秀博士学位论文奖、自动化学会优秀博士学位论文提名奖等.E-mail:liuq@mail.neu.edu.cn

秦泗钊

美国南加州大学教授, IEEE会士、IFAC会士.主要研究方向为统计过程监控, 故障诊断, 模型预测控制, 系统辨识, 建筑能源优化与控制性能监控.曾获美国国家科学基金成就奖, 中国国家自然科学基金海外杰出青年奖, 清华大学自动化系长江讲座教授, Halliburton/Brown&Root杰出青年教师奖, DuPont(杜邦)青年教授奖.国际期刊Journal of Process Control, IEEE Control Systems Magazine副主编, Journal of Chemometrics编委.本文通信作者.E-mail:sqin@usc.edu