[發明專利]一種水泥生料粉磨過程的故障檢測方法

有效

• 申請號: 202110237392.3
• 申請日: 2021-03-04
• 公開（公告）號: CN113029624B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 盧海濱;高蕾;楊根科;褚健;王宏武
• 申請（專利權）人: 上海交通大學寧波人工智能研究院
• 主分類號: G01M99/00
• 分類號: G01M99/00
• 代理公司: 上海劍秋知識產權代理有限公司 31382
• 代理人: 徐浩俊

本發明公開了一種水泥生料粉磨過程的故障檢測方法，涉及水泥生產過程故障檢測技術領域，包括步驟S100、水泥生料粉磨數據采集；步驟S200、數據預處理；步驟S300、數據再平衡；步驟S400、MLR多元邏輯回歸；步驟S500、EWMA指數移動加權平均處理，得到MLR?EWMA數學模型；步驟S600、故障識別。本發明直接利用生料粉磨過程產生的數據，對過程進行檢測，識別不同故障的發生，提高了生料磨故障檢測的準確性。

技術領域

本發明涉及水泥生產過程故障檢測技術領域，尤其涉及一種水泥生料粉磨過程的故障檢測方法。

背景技術

水泥生產工藝流程一般包含原燃料的破碎及均化、生料制備、預熱分解、分解爐分解、回轉窯煅燒及篦冷機冷卻等幾個方面，簡單來說就是“兩磨一燒”。水泥生料磨是水泥生產的重要環節，也是耗能較多的環節，該系統運行的穩定性和運行效率直接影響到整個水泥生產過程的生產能力、能量消耗等各項經濟指標。生料磨將石灰石、砂巖、粘土、鐵粉等混合塊狀物料粉磨至粉狀，在實際生產過程中，由于物料喂料量、易磨性、噴水量等原因，生料磨經常發生飽磨、斷料、循環、翻板閥堵塞等異常工況，嚴重時會造成非計劃停車，直接影響立磨粉磨過程的連續性和穩定性。因此，為確保整個水泥生產過程能夠正常、穩定的運行，對水泥生料磨開展過程監測與異常工況識別的研究是非常重要的。

傳統的基于數據驅動的過程故障檢測與診斷的統計分析方法主要有主元分析(PCA,Principal Component Analysis)法、偏最小二乘法(PLS,Partial Least SquaresRegression)、規范變量分析(CVA,Canonical Variate Analysis)核心的投影降維法、邏輯回歸(LR,Logistic Regression)及多元邏輯回歸(MLR,Multinomial LogisticRegression)等方法。這些傳統的檢測方法是通過將高維數據投影降維后，定義過程統計量實現故障的檢測。具體來說，假設通過數據采集獲得生產過程的過程變量數據X，和工況變量Y。PCA方法假定數據X為多元高斯分布，且是線性的，用方差來衡量數據的信息量大小，通過矩陣分解的方法找到主元，實現數據的降維。對于具有強非線性的非高斯過程的生料粉磨過程這種假設并不成立。PLS方法是一種將數據矩陣X,Y投影到潛在的由較少變量張成的低維空間的方法，與PCA不同的是，PCA只對過程變量X進行分解，而PLS對過程變量矩陣X和工況變量Y都進行分解，PLS也要求模型是線性的。CVA方法是一種從生產過程數據中產生狀態空間方程的方法，核心是在過程變量和工況變量間尋找最優的投影方向，實現數據的降維。LR方法主要用于二分類場景，假設數據存在一個線性分界面使得數據線性可分，通過最大似然估計的方法找到模型的參數，實現數據的分類。LR方法的優點在于直接對分類的概率建模，無需假設數據的分布，避免了假設分布不準確帶來的問題，而且不僅可以預測出數據的類別還可以預測出數據的概率。MLR方法是LR方法的擴充，可以實現數據的多分類場景，對于生料磨的工況，我們需要實現磨機正常、飽磨、斷料、循環等多種工況的識別。MLR方法對單一時刻的數據進行識別，而磨機的工作狀態是一個持續的過程，采樣數據本身的誤差，或者個別數據分類的錯誤可能導致對磨機工況的錯誤檢測結果。

傳統的基于數據驅動的檢測方法，首先需要對數據的分布進行的假設，然而假設的分布與現實的過程分布往往有較大的差距，導致檢測的準確率不高，有著較大的誤差。特別是對于水泥生料磨這種高維的過程，傳統的方法需要對高維數據進行降維處理，一方面會造成信息量的減少，更重要的是經過降維后的數據往往無法解釋，所以無法對生料磨這種復雜的工業過程的故障進行有效的檢測。

因此，本領域的技術人員致力于開發一種水泥生料粉磨過程的故障檢測方法。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是針對生料粉磨過程具有非線性、大時滯和多工況的特點，有效提高生料磨故障檢測的準確性。