[发明专利]一种水泥生料粉磨过程的故障检测方法

说明书

本发明公开了一种水泥生料粉磨过程的故障检测方法，涉及水泥生产过程故障检测技术领域，包括步骤S100、水泥生料粉磨数据采集；步骤S200、数据预处理；步骤S300、数据再平衡；步骤S400、MLR多元逻辑回归；步骤S500、EWMA指数移动加权平均处理，得到MLR‑EWMA数学模型；步骤S600、故障识别。本发明直接利用生料粉磨过程产生的数据，对过程进行检测，识别不同故障的发生，提高了生料磨故障检测的准确性。

技术领域

本发明涉及水泥生产过程故障检测技术领域，尤其涉及一种水泥生料粉磨过程的故障检测方法。

背景技术

水泥生产工艺流程一般包含原燃料的破碎及均化、生料制备、预热分解、分解炉分解、回转窑煅烧及篦冷机冷却等几个方面，简单来说就是“两磨一烧”。水泥生料磨是水泥生产的重要环节，也是耗能较多的环节，该系统运行的稳定性和运行效率直接影响到整个水泥生产过程的生产能力、能量消耗等各项经济指标。生料磨将石灰石、砂岩、粘土、铁粉等混合块状物料粉磨至粉状，在实际生产过程中，由于物料喂料量、易磨性、喷水量等原因，生料磨经常发生饱磨、断料、循环、翻板阀堵塞等异常工况，严重时会造成非计划停车，直接影响立磨粉磨过程的连续性和稳定性。因此，为确保整个水泥生产过程能够正常、稳定的运行，对水泥生料磨开展过程监测与异常工况识别的研究是非常重要的。

传统的基于数据驱动的过程故障检测与诊断的统计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)、规范变量分析(CVA,Canonical Variate Analysis)核心的投影降维法、逻辑回归(LR,Logistic Regression)及多元逻辑回归(MLR,Multinomial LogisticRegression)等方法。这些传统的检测方法是通过将高维数据投影降维后，定义过程统计量实现故障的检测。具体来说，假设通过数据采集获得生产过程的过程变量数据X，和工况变量Y。PCA方法假定数据X为多元高斯分布，且是线性的，用方差来衡量数据的信息量大小，通过矩阵分解的方法找到主元，实现数据的降维。对于具有强非线性的非高斯过程的生料粉磨过程这种假设并不成立。PLS方法是一种将数据矩阵X,Y投影到潜在的由较少变量张成的低维空间的方法，与PCA不同的是，PCA只对过程变量X进行分解，而PLS对过程变量矩阵X和工况变量Y都进行分解，PLS也要求模型是线性的。CVA方法是一种从生产过程数据中产生状态空间方程的方法，核心是在过程变量和工况变量间寻找最优的投影方向，实现数据的降维。LR方法主要用于二分类场景，假设数据存在一个线性分界面使得数据线性可分，通过最大似然估计的方法找到模型的参数，实现数据的分类。LR方法的优点在于直接对分类的概率建模，无需假设数据的分布，避免了假设分布不准确带来的问题，而且不仅可以预测出数据的类别还可以预测出数据的概率。MLR方法是LR方法的扩充，可以实现数据的多分类场景，对于生料磨的工况，我们需要实现磨机正常、饱磨、断料、循环等多种工况的识别。MLR方法对单一时刻的数据进行识别，而磨机的工作状态是一个持续的过程，采样数据本身的误差，或者个别数据分类的错误可能导致对磨机工况的错误检测结果。

传统的基于数据驱动的检测方法，首先需要对数据的分布进行的假设，然而假设的分布与现实的过程分布往往有较大的差距，导致检测的准确率不高，有着较大的误差。特别是对于水泥生料磨这种高维的过程，传统的方法需要对高维数据进行降维处理，一方面会造成信息量的减少，更重要的是经过降维后的数据往往无法解释，所以无法对生料磨这种复杂的工业过程的故障进行有效的检测。

因此，本领域的技术人员致力于开发一种水泥生料粉磨过程的故障检测方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是针对生料粉磨过程具有非线性、大时滞和多工况的特点，有效提高生料磨故障检测的准确性。