本文提出一种新的数据驱动建模思路及方法,即面向建模误差概率密度函数(Probability density function,PDF)形状与趋势拟合优度(相似度)的动态过程多目标优化建模方法.首先,针对均方根误差(Root mean square error,RMSE)等常规一维性能...
详细信息
本文提出一种新的数据驱动建模思路及方法,即面向建模误差概率密度函数(Probability density function,PDF)形状与趋势拟合优度(相似度)的动态过程多目标优化建模方法.首先,针对均方根误差(Root mean square error,RMSE)等常规一维性能指标不能完全刻画建模误差在时间和空间二维随机动态特性的问题,引入PDF指标来对动态过程的建模误差在时间和空间进行二维尺度的全面刻画和评价,并采用核密度估计技术对关于时间的建模误差序列的PDF进行估计;其次,为了刻画动态过程数据建模的拟合趋势,进一步引入趋势拟合优度指标,从而构造综合描述数据建模误差PDF形状与趋势拟合相似性的多目标性能指标;在此基础上,采用NSGA-II算法优化数据模型的参数集,获取一大类满足上述多目标性能优化的智能模型参数解.数值仿真及工业数据验证表明,所提方法的建模误差PDF逼近设定的期望PDF,并且模型输出与样本数据拟合趋势接近,好于常规最小化一维RMSE指标的数据建模方法.
作为钢铁冶金制造的核心工序,高炉炼铁是典型的高能耗过程,其运行能耗约占钢铁总能耗的50%以上,其中,80%的能耗是焦炭和煤粉等燃料消耗.因此,对表征高炉燃料消耗的燃料比参数进行监测,并尽可能早地识别影响燃料比异常波动的关键因素,对于高炉炼铁过程的节能降耗具有重要意义.本文针对先验故障知识少的高炉燃料比监测与异常识别难题,提出一种基于核偏最小二乘(Kernel partial least squares,KPLS)鲁棒重构误差的故障识别方法.该方法首先建立过程变量与监测变量的KPLS监测模型,然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系,反向估计原始空间变量的正常估值.为了增强算法的鲁棒性,采用迭代去噪算法减少异常数据对原始空间正常估值的影响.通过利用原始空间正常估值和真实值来构造故障识别指标,并给出故障识别指标的控制限.基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素,还可识别出异常工况下影响燃料比异常变化的关键因素,具有很好的工程应用前景.
暂无评论