[发明专利]一种焙烧过程异常炉况监测及诊断方法

说明书

本发明公开了一种焙烧过程异常炉况监测及诊断方法，基于相关性和冗余性的变量选择方法，利用历史有效数据，为能够反映焙烧炉炉况变化的关键变量找到能体现其在不同采样时刻上的自相关性和交叉相关性变量，从而更好的描述了过程变量之间复杂的时序相关性，并显著的减少了焙烧过程的冗余变量；以每个关键变量为基础，建立了分布式动态PCA监测模型，并基于贝叶斯推理将所有子模型的监测结果融合为一个概率型监测指标，从而快速判断故障的发生；并提出了一种改进的加权贡献图的方法，及时的找到造成异常炉况的故障源所在，因此，本发明能快速有效的检测到焙烧炉的异常情况，并准确的找到故障源所在，降低异常情况对焙烧炉的运行状态造成的影响。

技术领域

本发明涉及工业控制技术领域，尤其涉及一种焙烧过程异常炉况监测及诊断方法。

背景技术

焙烧过程是湿法炼锌过程的前置工序也是最为重要的一道工序，在该过程中，混合锌精矿通过抛料机抛入焙烧炉内进行流态化燃烧，产生锌焙砂和烟气等产物。焙烧过程的主要目的就是提高锌精矿中硫化锌的转化率，同时降低不容杂质的含量。在焙烧炉生产过程中，由于锌精矿成分复杂多变、人员的误操作、设备出现异常等，焙烧炉炉况异常会经常发生。一旦焙烧炉在运行过程中出现了异常，轻则造成产物中杂质含量高，硫化锌转化率低，重则造成停炉或大型生产事故，会直接对企业的生产效益造成巨大的影响，进而带来不可估量的损失。因此，如果能够对焙烧炉炉况进行准确的预报和诊断，实现对焙烧炉炉况的监测以及出现异常炉况时准确的预报，将会对提高生产效益，保证焙烧炉正常运行起到至关重要的作用。

在工业过程中的故障检测及诊断方法主要有基于专家知识、基于机理模型、基于数据驱动的方法。但是基于专家知识的方法需要建立的庞大的专家知识库费时费力，而且有些场景下经验的知识并不能保证具有高度的准确性和可靠性；基于机理模型的方法需要对过程对象建立机理模型，仅适用于小型且具有足够机理知识的系统，而对于大规模流程行业应用范围则大大受限；基于数据驱动的方法需要挖掘历史运行数据中的有用信息来建立模型。由于锌精矿的成分复杂多变，并且工艺需求也不断的发生变化，导致焙烧炉内部的反应复杂多变，因此机理模型和经验知识也需要不断更新，因此，基于机理模型的方法以及以人工经验为基础的专家系统无法适用于焙烧过程的异常炉况检测及诊断。锌冶炼焙烧过程属于多变量、大滞后、强耦合的复杂生产过程，过程变量维度高，冗余变量多，而且整个过程生产周期长，导致变量间存在复杂的时序相关性，能够反应焙烧炉炉况变化的关键变量的有用信息分散，因此直接利用传统的PCA方法难以检测到异常炉况的发生。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供一种焙烧过程异常炉况监测及诊断方法，解决难以及时准确地检测到焙烧炉运行过程中出现的炉况异常的问题。

(二)技术方案

基于上述的技术问题，本发明提供一种焙烧过程异常炉况监测及诊断方法，包括：

S1、采集锌冶炼焙烧过程历史数据中所有的测量变量，并从采集的历史数据中选取正常过程的样本数据作为训练数据集X∈R^n×m，n为样本个数，m为测量变量个数，所述测量变量包括传感器采集数据，包括炉膛温度A、炉膛温度B、沸腾层上温度A、烟气出口温度、进风管温度、烟气出口压力、风量、锅筒给水流量；

S2、对所述X中的每个测量变量均引进s个延时测量值，构成增广矩阵X_a∈R^{(n-s)×(s+1)m}，并将X_a中的每个变量标准化为零均值、单位标准差的数据；