支持向量数据描述性能优化及其在非高斯过程监控的应用

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布。针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法。工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况。     

D-vine copulas混合模型及其在故障检测中的应用

过程监控技术是保证现代流程工业安全平稳运行及产品质量的有效手段。传统的过程监控方法大多采用维度约简方法提取数据特征,且要求过程数据必须服从高斯分布、线性等限制条件,对复杂工况条件下发生的故障难以取得较好的检测效果。因此,提出了混合D-vine copulas故障诊断模型,在不降维的情况下直接刻画数据中存在的复杂相关关系,构建过程变量的统计模型实现对存在非线性与非高斯性过程的精确描述。通过EM算法和伪极大似然估计优化混合模型参数,然后结合高密度区域（HDR）与密度分位数法等理论,构建广义贝叶斯概率（GBIP）指标实现对过程的实时监测。数值例子及在TE过程上的仿真结果说明了该混合模型的有效性及在故障检测中的良好性能。     

基于互信息和MPCA的单基药塑化过程监测方法

针对现阶段单基药塑化过程缺乏可靠的渐变式故障检测和异常工况的报警及评价能力等问题,同时传统数据驱动方法难以处理过程中包含的多种线性与非线性关系混合特征,又无法突出变量间耦合相关性的差异,提出一种基于归一化互信息的多向主成分分析故障检测方法。该方法通过归一化互信息刻画过程中多维变量间的复杂耦合关系,并以此对不同维度变量之间的相关性特征进行权值修正,得到体现每个变量与其他维度变量之间耦合作用关系的数据集,并分别建立与其相应的监测模型。最后再利用贝叶斯推理将不同模型的监测结果融合成一组概率指标实现过程监测。实验结果表明了所提方法的有效性,可实现塑化过程多种故障的快速检测和异常工况的监测预警。     

基于局部信息的LNS-PCA的多模态过程故障监测

为了满足各种不同的企业生产需求，在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性，且各个环节相互联系，导致化工过程数据呈现高斯与非高斯数据相互混合的情况，传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题，本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本，应用每一个局部样本的平均值和方差进行近邻标准化，再使用主元分析进行故障监测。基于PCA监测模型，采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明，相对于...     

基于多工况混合模型的故障监控方法研究

针对多工况过程建立了一个多工况高斯混合模型(Gaussian Mixture Model,GMM),并利用EM(Expectation Maximization)算法对该GMM参数进行估计。通过引入贝叶斯阴阳算法(Bayesian YingYang,BYY),实现了GMM中混合工况数目的自动估计。然后,通过在所建GMM的每个分量中构建PCA模型,建立一个多工况故障监控混合模型。最后利用TE过程研究证明了所建模型在过程监控中的有效性。     

基于非线性PLS小波基神经网络的动态过程监测

引言对于化工动态过程,当某些过程参数,由于人为的误操作、设备性能的下降、仪表故障以及外部环境的干扰等因素的影响,而偏离最优操作区域较远时,则认为是发生了故障．如果在过程刚偏离正常操作区域时,能够有效地监测出过程异常,就能最大限度地保证过程在优良状态下运行．动态过程监测可以理解为对数据窗内采集到的数据x（t）进行实时分类．本文利用小波变换以及非线性PLS（PartialLeastSquares）算法,提出一种新的基于非线性PLS小波基神经网络的动态过程监测方法,并将其用于动态过程监测．1基于非线性PLS小波基神经网络的动态…     

湘钢2号高炉炉况波动处理实践

本文对湘钢2号高炉炉况波动原因及处理进行了分析总结。此次造成炉况波动的原因主要有焦炭质量劣化,炉料结构中提高粉末多的澳矿的配比,同时高炉操作上也未能及时采取相应调整。在炉况发生波动后,通过改善炉料结构,退守矿批和负荷等手段,炉况得以快速恢复,各项经济技术指标重回高水平状态。此次处理实践表明,在高炉生产过程中,应及时发现炉况波动原因,准确采取措施,以保障炉缸活跃状态。     

基于NSGA-Ⅱ算法的高炉生产配料多目标优化模型建立

高炉炼铁是一种典型的高能耗、高排放、高污染工业,合理的配料方案对高炉节能减排至关重要。基于高炉炼铁过程中的物质与能量守恒和高炉炉料结构理论,建立了以最小化生产成本和CO₂排放量为目标函数的高炉生产配料多目标优化模型,该模型采用非支配排序多目标遗传算法Ⅱ(NSGA-Ⅱ)进行求解,最终得到高炉生产配料多目标优化问题的Pareto最优解集。并将所得到的最优解与柳钢实际生产数据进行比较,结果表明建立的模型能使成本和CO₂排放量都有相应程度的降低,验证了该模型及NSGA-Ⅱ算法的正确性。炉长可以根据该多目标优化结果针对不同的需求选择相应的炉料配比,实现更精确的操作。     

基于软测量的设备异常识别技术研究

针用各类传感器监测系统运行过程中的异常是企业常用方法,但由于技术障碍或成本原因已无法满足工厂在复杂环境下对设备运行稳定性、可靠性更高的要求。设备异常识别技术作为智能制造的重要技术组成部分,已成为设备异常识别的研究热点。本文通过引入软测量的技术,基于企业工艺数据、设备运行机电数据、过程实时数据等,结合数据管理、软测量模型建立和异常结果发布等相关技术,设计了设备异常识别系统模型。在实例分析中,采用GA-BP算法实现了设备状态的实时监测以及异常识别,验证了软测量技术在设备异常识别系统中算法实现的可行性。     

Dynamic stationary subspace analysis based on Gaussian mixture models for ironmaking process monitoring

Blast furnace ironmaking process monitoring is an important and challenging task. Due to the influence of hot blast stove switching and large fluctuations in the quality of raw materials, the measurements of ironmaking processes show obvious non-stationary characteristics, and in addition, the observed data are also characterized by time-series dynamic and non-Gaussian characteristics. In this paper, a dynamic stationary subspace analysis method based on the Gaussian mixture model (DSSA–GMM) is proposed to address the difficulties in blast furnace ironmaking process monitoring. The time-series dynamic relationship of the data is conducted by introducing a sliding time window. The Gaussian mixture model (GMM) is used to deal with the non-Gaussian characteristics of the data, and the parameters of the GMMs are estimated using the expectation–maximization algorithm. The stationary projection matrix is obtained by optimizing the Kullback–Leibler (K–L) divergence between GMMs of different periods to realize the stationary subspace separation. Finally, the convex hull of the stationary subspace is established for fault detection, thus realizing the monitoring for non-stationary and non-Gaussian dynamic processes. The effectiveness of the DSSA–GMM method is verified by a numerical simulation and a dataset collected from an actual blast furnace ironmaking process.     

循环鼓风两段炉生产城市煤气

论述了发展城市煤气的必要条件，介绍了循环鼓风两段炉生产城市煤气的特点：具有工艺成熟、适用原料广泛、投资少及环保处理废水少的特点。文中着重介绍了循环鼓风两段炉生产城市煤气的工艺流程和对气化用煤的基本要求，对其生产循环时间的选择和部分气化指标作了比较分析。对循环鼓风两段炉今后的技术发展和应用进行了部分探讨。     

捣固焦在大容积高炉上的应用分析与探讨

近年来钢铁和焦化行业对捣固焦在大容积高炉上的应用进行了广泛的研究实践。分析了焦炭在高炉中的作用、焦炭质量变化对炼铁的影响、不同炉容级别高炉对焦炭质量的要求,介绍了不同钢企大容积高炉用捣固焦的配煤情况及国内2200 m³、3200 m³高炉应用捣固焦的实例。在考察了钢企使用的捣固焦配煤方案的基础上,临沂恒昌焦化股份有限公司进行了捣固焦配煤方案的模拟试验,得出5.5 m捣固焦炉在配煤比例合适的情况下,完全可以生产出符合大容积高炉要求指标的焦炭。建议炼铁行业和焦化行业加强合作,完善捣固焦的质量评价体系。     

高导热石墨砖的研制及其在炼铁高炉上的应用

从原料的选择、配方确定、生产工艺控制关键等方面对高导热石墨砖的研制开发过程进行了阐述。同时，结合大型高炉炉身、炉腹的破损机理、温度分布等特点，对应用在大型炼铁高炉上的高导热石墨砖特性和优点进行了说明，并与国外相关产品的理化性能进行了比较。指出所研制开发的高导热石墨砖完全可以替代国外同类产品，可以很好地用于大型高炉的砌筑和使用。     

建立PNN-HP-ENN-LSSVM模型预测钢铁企业高炉煤气发生量

针对钢铁企业高炉煤气发生量机理模型难以对发生量进行精确预测的问题,通过分析高炉煤气发生量特点,按不同工况利用概率神经网络(PNN)对高炉煤气发生量进行分类,依据分类结果并结合HP滤波、Elman神经网络(ENN)、最小二乘支持向量机(LSSVM)各自的性质,建立了PNN-HP-ENN-LSSVM模型,对高炉煤气的发生量进行分类预测,并用企业实际数据验证. 结果表明,随机抽取多组测试结果中的2组,1#高炉80个点、2#高炉60个点的分类准确率分别为95%和93%,模型预测平均相对误差分别为1.0%和1.1%,适合高炉煤气发生量预测. Wilcoxon符号秩检验也验证了所提建模方法的有效性.     

New methods for monitoring the technical state of blast furnace enclosure without stopping the technological process

The problem of technical monitoring of the state of blast furnaces are considered in the context of extending the service life of furnaces, and estimating the reliability of their structural elements. The method of videomonitoring of the technical state of the blast furnace enclosure without stopping the process is described for the first time. __________ Translated from Novye Ogneupory, No. 7, pp. 34–38, July, 2007.     

SOME CONSIDERATIONS NECESSARY IN SELECTION OF REFRACTORIES FOR THE OPEN HEARTH1

The kind, quality and quantity of refractory brick used in steel plant furnaces, coke ovens, blast furnace, open hearth and auxiliaries are discussed. The factors that influence the life of refractory brick in the open hearth furnace, discussed numerically, with the economic situation indicated in monetary value.     

基于LTSA和MICA与PCA联合指标的过程监控方法及应用

独立成分分析(ICA)方法主要被用来对线性非高斯过程进行监控,为了提高对非高斯过程的监控效果,则利用过程数据信息对ICA的监控指标进行了改进,提出了一种改进的独立成分分析(MICA)方法。许多实际工业过程数据都具有非线性、非高斯与高斯混合分布的特点,为此提出了一种基于LTSA和MICA与PCA联合指标的过程监控的方法。首先采用局部切空间排列(LTSA)算法对样本数据进行非线性降维,然后分别用MICA和PCA方法得到非高斯与高斯统计量,对其进行加权得到新的统计量,并被用于过程监控。最后将该方法应用在田纳西-伊斯曼(TE)过程和乙烯裂解炉的过程监控中,证明了该方法的有效性。     

传递过程原理在移动床中的应用——(Ⅰ)高炉煤粉喷吹数学模型

炼铁高炉是移动床工艺用于固相加工的重要特殊例子.根据物料和热的微分平衡,对高炉风口喷吹煤粉时所发生的传递现象和化学反应进行了解析.本文中数学模型的理论计算值和实际高炉的实测结果的一致性证明了模型的可靠性.本文提供的软件具有通用性,只要输入不同高炉的鼓风条件、燃料喷吹量、风口直径等初始参数,就可以预报任一参数的变更对炉内状况(诸如炉内气体组分、温度、诸反应速率、回旋区深度、置换比等)的影响,由此不仅可判断高炉内的燃烧状况,而且为高炉操作选择合适的鼓风参数及喷煤量提供了计算方法,以便控制高炉内气流分布和炉温,使高炉操作正常.     

基于改进支持向量机的高炉一氧化碳利用率预测方法

高炉冶炼是一个具有非线性、大时滞、大噪声、分布参数等特征的高度复杂生产过程。针对目前高炉现场以焦比为能耗评价指标却无法提供实时指导的问题, 研究以一氧化碳利用率为能耗评价指标, 提出一种基于改进支持向量机的高炉一氧化碳利用率预测方法。首先分析高炉炼铁过程机理, 结合互信息法得出影响一氧化碳利用率的相关操作因素。然后鉴于生产数据含噪高的特点, 采用小波去噪方法去除数据噪声干扰, 并且利用灰色相对关联度分析方法对操作参数进行时序配准, 消除时滞影响, 建立高炉一氧化碳利用率预测模型。在建模过程中, 将自适应粒子群与支持向量机回归方法相结合, 以克服模型参数选择的随机性, 提高了模型预测精度。现场实际数据的预测结果表明所提出方法的有效性, 能够实时精确地预测高炉一氧化碳利用率, 为后续高炉的优化操作和节能减排提供了及时有效的决策支持。