基干主元探析高炉异常炉况检测.pdfVIP

第 49卷 第 12期 上 海 交 通 大 学 学 报 Vo1．49No．12 2015年 12月 JOuRNAL OFSHANGHAIJlAOTONGUNIVERSITY Dec．2015 文章编号：1006—2467(2015)12—1862—06+1875 DOI：10．16183／j．cnki．jsjtu．2015．12．018 基于主元分析的高炉异常炉况检测 窦克勤 ， 叶 昊 ， 张海峰 ， 李宏玉 (1．清华大学 自动化系，北京 100084；2．广西柳州钢铁 (集 团)公司，广西 柳州 545002) 摘 要 ：针对传统的故障检测方法在高炉异常炉况检测中效果不理想问题 ，提 出了一种基于主元 分析的高炉异常炉况检测算法．通过对于高炉冷风流量数据的分析 ，去除训练集中的热风炉换炉造 成的扰动，建立高炉炉况准确的主元模型，进而监控高炉运行状况并检测异常炉况．利用柳州钢铁 公司炼铁厂 3号高炉的生产数据对算法进行 了验证．基于现场历史数据的离线测试表明：算法实现 了对于异常炉况的预先检测 ，预警 时间提前于事故报告时间． 关键词 ：主元分析；故障检测 ；高炉；故障诊断 中图分类号 ：TP277 文献标志码 ：A FaultDetectionforIronmakingProcessofBlastFurnaceBasedonPOA DOUKe—qin ， YEHao ， ZHANGHal—feng ， LIHong—yu (1．DepartmentofAutomation，TsinghuaUniversity，Beijing100084，China； 2．LiuzhouIronandSteelCo．Ltd．，Liuzhou545002，Guangxi，China) Abstract：Thetraditionalfaultdetectionmethodsoftheironmakingprocessoftheblastfurnaceoftenfailto deliversatisfying resultson statusabnormalitymonitoring．Theprincipalcomponentanalysis (PCA)， known asadatadrivenfaultdetectionmethod．haswideapplicationsinvariousindustria1fieldsmainlybe— causeofitsadvantageofnotrequiringnumerousprincipleknowledgeandfailuredata．Nevertheless，PCA hasbeenrarelyappliedinmonitoringtheironmakingprocess．Inthispaper，aPCA basedalgorithm forde— teeting theabnormalconditionsintheblastfurnacehasbeenproposed．Byanalyzingthecoolwindflow da— taoftheblastfurnace，thepeak—likedisturbancesinvokedby switchingsbetween twodistincthotblast stovescanbesuccessfullyremovedfrom thetrainingset．Then，anaccurateprincipalcomponentmodelof theblastfurnacehasbeenestablished，whichservesasabasisforoperationalabnormalitymonitoring．The effeetivenessofthepresentedalgorithm hasbeenverifiedbasedonthehistoricaldatacollectedfrom No．3 blastfurnaceofLiuzhouIronandSteelCompany．Itisshown thatwiththepropo