[发明专利]一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法

权利要求书

1.一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法，其特征在于，包括：

步骤1、采集高炉炼铁历史数据中相同时刻的高炉运行参数和铁水质量变量，并将高炉运行参数作为输入数据矩阵X，将铁水质量变量作为输出数据矩阵Y：

步骤2、从采集的历史数据中选取高炉炼铁正常过程的样本数据作为训练集，将其标准化成零均值、单位标准差的数据；

步骤3、将训练集中的输入数据映射到高维特征空间，利用高斯核函数得到训练集的Gram矩阵K，并将其中心化处理；

步骤4、获取高炉炼铁过程新的包含非正常工况的高炉运行参数及铁水质量变量样本作为测试集并标准化处理；

步骤5、将测试集中的输入数据矩阵X映射到高维特征空间，利用高斯核函数得到测试集的Gram矩阵K^new，并将其中心化处理；

步骤6、采用非线性最小二乘迭代算法在高维特征空间构建偏最小二乘模型即KPLS模型，描述高维特征空间和输出数据矩阵Y；

步骤7、采用T2统计量和Q统计量来检验高炉炼铁过程是否发生异常：如果T²统计量和Q统计量均在相应控制限以下，则当前高炉炼铁过程是正常的，此时结束；如果只有T²统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y相关的故障，执行步骤8；如果只有Q统计量超出了控制限，则当前高炉炼铁过程中发生了和输出数据矩阵Y无关的故障，执行步骤8；

步骤8、在原始输入空间重构输入数据矩阵中的过程变量数据，过程变量的重构值为估计的高炉炼铁过程正常时刻的值，以最小化重构值在高维特征空间的映射值与原始输入数据空间过程变量在高维空间的非线性映射值投影之间的误差为目标，迭代求解得到原始过程变量数据的重构值；

步骤9、根据原始过程变量数据的重构值，以原始过程变量的重构误差作为故障辨识指标，辨识出造成高炉异常工况的过程变量。

2.根据权利要求1所述的方法，其特征在于，所述高炉运行参数，包括通过常规的检测仪表所测得的变量、上下部调剂变量与经过计算获得的变量，包括焦批、矿批、焦炭负荷、烧结比、冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、设定喷煤量、鼓风湿度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数、顶温东北、顶温西南、顶温西北、顶温东南、软水温度；上述28个高炉运行参数作为输入数据矩阵X中的过程变量数据；

所述铁水质量变量，包括硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)，作为输出数据矩阵Y的质量变量数据。

3.根据权利要求1所述的方法，其特征在于，所述故障辨识指标如下：

ξ_i＝||xⁱ-xⁱ||²

式中，xⁱ∈R为输入数据x中第i个变量，xⁱ∈R为重构数据x第i个变量。

4.根据权利要求1所述的方法，其特征在于，所述训练集的Gram矩阵K的计算公式如下：

K_ij＝k(x_i,x_j)＝<Φ(x_i),Φ(x_j)>

式中，K_ij为训练集Gram矩阵K的第i行第j列的数据；Φ(x_i)为训练集中的第i个样本数据映射到高维特征空间F的映射值，Φ(x_j)为训练集中的第j个样本数据映射到高维特征空间F的映射值，k(x_i,x_j)为高斯核函数。

5.根据权利要求1所述的方法，其特征在于，所述训练集的Gram矩阵K的中心化处理按下式计算：

式中，K₀为中心化处理后的训练集Gram矩阵K，E_n为n×n的单位矩阵，n为训练集样本个数，1_n为n维全1列向量，1'_n为1_n的转置矩阵。

6.根据权利要求1所述的方法，其特征在于，所述测试集的Gram矩阵K^new的中心化处理按下式计算：

式中，为中心化处理后的测试集Gram矩阵K^new，E_n为n×n的单位矩阵，n为训练集样本个数，1_N为N维全1列向量，N为测试集样本个数，1_n为n维全1列向量，1'_n为1_n的转置矩阵。