[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

说明书

本发明提供一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法，包括：采集相同时刻的高炉运行参数和铁水质量变量；选取训练集并将其标准化；将训练集中的输入数据映射到高维特征空间，得到Gram矩阵K并中心化处理；获取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；将测试集中的输入数据矩阵映射到高维特征空间得到Gram矩阵并中心化处理；构建偏最小二乘模型描述高维特征空间和输出数据矩阵；采用T²统计量和Q统计量来检验高炉炼铁过程是否异常；求解原始过程变量数据的重构值，辨识造成高炉异常工况的过程变量。本发明可以在高炉铁水质量监测中对故障进行准确辨识，提高对铁水质量的监测性能，从而保证高炉铁水质量。

技术领域

本发明属于高炉铁水质量监测技术领域，具体是一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法。

背景技术

高炉炼铁是钢铁生产中的重要环节，现代炼铁的主要方法。由于高炉炼铁技术经济指标良好，工艺简单，生产量大，生产率高，能耗低的优点，这种方法生产的铁占世界总铁量的95％以上。高炉炼铁就是从铁矿石中将铁还原出来，并熔化成生铁。高炉炼铁是一个连续的生产过程，全过程在炉料自上而下，煤气自下而上的相互接触过程中完成。在高炉的两大流股运行过程中，相互间发生复杂的化学和物理变化，最终生成生铁，伴随着也生成炉渣和高炉煤气。

目前，通常采用硅含量([Si])、磷含量([P])、硫含量([S])和铁水温度(MIT)来衡量高炉炼铁过程的铁水质量信息。在高炉生产过程中，由于原燃料条件的变化、设备故障、各种操作条件的变化以及炉况判断的不准确等，都会造成炉况的波动，如果对炉况波动没有做出正确的判断且没有及时采取有力措施加以调剂纠正，就会使波动发生变化，以致造成炉况失常。在高炉炉况发生失常的情况下，首先要找出引起失常的原因，并采取相应的措施进行处理。处理的越及时，措施越妥善，炉况恢复的就越快，造成的损失就少。因此，操作者通过监测高炉生产过程，对炉况波动做出准确判断，找到造成炉况波动的原因，并及时准确的采取措施，对保证高炉安全稳定顺行，从而保证高炉铁水质量，减少损失尤为重要。

基于数据驱动的过程监测方法得到了广泛应用，其中，多变量统计过程监测方法已经成为过程监测领域的研究热点之一，推动了高炉多元铁水质量监测的研究。高炉炼铁过程是一个复杂的非线性过程，且历史故障数据并不完善，因此，高炉铁水质量监测过程中，故障变量的故障辨识仍然是一个比较困难的问题。

核偏最小二乘(kernel projection to latent structures，KPLS)又称为核函数潜投影，衍生自PLS算法，可弥补PLS算法解决非线性问题上的不足。基于核偏最小二乘方法的质量监测技术，将原始数据通过非线性映射关系投影到高维特征空间之中，在高维特征空间中进行PLS回归，得到非线性PLS模型。在基于PLS的质量监测过程中，贡献图方法是最常用的一种故障辨识方法，最常用于贡献图的统计量是平方预测误差(squaredprediction error，SPE)(也称Q统计量)和Hotelling’s T²，当检测到故障发生后，贡献图较大的变量被认为是可能造成故障的原因变量。然而，在基于KPLS的质量监测过程中，在很多情况下很难找到从特征空间到原始输入数据空间的逆映射函数，传统贡献图的方法便不再适用，这样就增加了故障辨识的难度，使故障辨识成为了非线性过程监测中的一大难题。

发明内容

为了解决以上基于KPLS的高炉铁水质量监测中故障辨识难度大的问题，本发明提出一种基于KPLS鲁棒重构误差的高炉铁水质量监测方法。该方法首先建立非线性正常数据的KPLS模型并进行高炉铁水质量监测，然后利用鲁棒重构误差的方法重构输入数据的正常值，将重构值与实际过程数据值作比较，并计算输入数据的故障指标进行故障辨识。当有故障发生时，与故障相关的变量的故障辨识指标会显著增大，从而能够辨识出故障变量。本发明可以在高炉铁水质量监测中对故障进行准确辨识，提高对铁水质量的监测性能，并及时采取措施处理和纠正，从而保证高炉铁水质量。

为实现上述目的，本发明采用如下技术方案：