[發明專利]一種基于Local-DBKSSA的高爐煉鐵過程監測方法

在審

• 申請號: 202210400654.8
• 申請日: 2022-04-17
• 公開（公告）號: CN114879612A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 楊春節;樓嗣威;許永泓;楊越麟;吳平
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林松海

1.一種基于Local-DBKSSA的高爐煉鐵過程監測方法，其特征在于，包括離線建模和在線監測兩部分；

離線建模包括正則化原始數據，構造時間拓展矩陣，特征提取，SP_SNP_S分解，統計量與閾值計算；

在線監測包括正則化測試樣本，時間拓展樣本，特征重構，SP_S部分構造，局部統計量，過程狀態判斷；

其中，在離線建模過程中，原始訓練數據被正則化后，通過時間拓展技術擴展為時間拓展矩陣Z，隨后多核函數被同時使用，并通過特提取分析了多個角度的數據非線性特征，穩態子空間分析方法進一步提取了上述非線性特征中的穩態投影(SPs)和非穩態投影(NPs)，SPs也被用于構造局部監測統計量，并確定了相應的統計量閾值；在在線監測階段，正則化測試樣本并構造時間拓展樣本，用以提取測試樣本中時序特征，多視角以及穩態特征也被依次提取，隨后實時統計量被計算，最后進行過程狀態判斷。

2.根據權利要求1所述的方法，其特征在于，所述的離線建模部分包括如下步驟：

1.1)采集正常運行過程中的過程數據，其中第t時刻的m維測量向量表示為隨后，時間滯后向量通過如下方式被構成，

這里參數q表示時間滯后數，T為轉置符號；當收集n樣本后，時間滯后矩陣Z被構造，

這里N＝n-2q+1；

1.2)根據映射函數Φ(z(t))：進一步得到Gram核矩陣K：

其中k(.，.)為核函數，是在空間中的內積；對應的高維特征空間由核函數結構隱式構造；通過以均值為中心的K獲得，

其中1/(n-q)構造矩陣的所有元素1_n-q；為了進一步提取中的主要信息，參考核主成分分析(KPCA)，這里采用特征值分解為：

其中對角矩陣Λ＝diag(λ₁，λ₂，…，λ_n-q)和V＝[v₁，v₂，…，v_n-q]分別由特征值和特征向量構成，最大的d(d＜n-q)特征值及其各自的特征向量組成非線性特征其中縮減矩陣表示為V_d＝[v₁，v₂，…，v_d]；

動態廣義非線性特征由一系列特征T_i定義，

其中f是所選特征的數量；

1.3)隨后，采用穩態子空間分析(SSA)將分解為非穩態投影(NP)和穩態投影(SP)，假設的N_b個時期被溢出來自平均向量和協方差矩陣每個時期都保持不變；Local-DBKSSA方法的新優化目標由以下公式導出：

其中是固定投影矩陣，是SP的均值和協方差，是每個時期的平均值和協方差SPs的和NPs的通過的廣義特征值分解得到：

其中由對應于最小dt個特征值的特征向量構成，其余特征向量形成最終，可被分解為：

隨后，一種基于局部策略的方法用于進行過程監控，首先，定義一個局部SP，

其中w是局部統計的長度；改進的統計量安排為：

這里閾值通過基于置信度α的χ²分布被計算為：

其中g_i＝σ_i/2μ_i，μ_i是的估計均值，σ_i是的估計方差，α為置信度；基于上述過程，Local-DBKSSA過程監測模型被構建，相應的統計量與閾值被計算獲得。

3.根據權利要求1所述的方法，其特征在于，所述的在線監測的步驟為：

2.1)給定第t時刻的測量變量p(t)的樣本，形成滯后變量z(t)，假設內核nk的數量已確定，基于各種內核的動態廣義非線性特征τ(t)計算為：

其中中心化的k₁(t)，…，k_nk(t)通過投影樣本z(t)到不同的內核空間獲得；

2.2)然后，SP被計算得到：

2.3)隨后，一種基于局部策略的方法可用于進行過程監控，首先，定義一個局部SP，

其中w是局部統計的長度；

2.4)改進的統計量安排為：

最后通過對比統計是否小于閾值，判斷過程運行狀態；若是，則判斷過程正常無需維護；如果不是，則認為過程發生異常狀況，需要停止檢查。