大唐国际发电股份有限公司张家口发电厂 075133
摘 要:磨矿分级过程是选矿生产的重要环节,其工况异常与否直接影响产品质量。论文将慢特征分析技术用于磨矿分级过程的工况检测,可及时预警磨矿分级过程的异常工况,有利于促进磨矿分级过程产品质量与运行效率的提升。
关键词:慢特征分析,磨矿分级过程,工况检测
1.引言
磨矿分级过程是冶金行业选矿生产过程中的关键流程。选矿是指从开采出来的原矿石中除去所含的脉石及有害元素,使有用的矿物得到富集,或使共生的各种有用矿物彼此分离,得到一种或几种有用矿物的精矿产品。磨矿分级的目的是通过研磨使矿石中的有用成分全部或大部分达到单体分离,其分离效果直接影响最终精矿产品的质量指标[1]。
磨矿分级过程的工况非常复杂,难以掌控。例如,磨机内加水过多或过少,都极易导致研磨不充分,俗称“涨肚”。传统的磨矿分级工况由磨矿操作工采用“触+听+看”的方法来掌控,极大受制于操作工的经验和责任心。如何采用现代检测技术来分析工况,做到提前预警,一直是磨矿分级工况检测的方向。传统的定量故障检测方法可以分为基于解析模型和数据驱动的方法。近年来,随着计算机在工业过程中的应用,数据驱动的方法得到了快速发展与应用[2]。
基于数据驱动的磨矿分级过程异常工况检测,以“涨肚”为例,涉及到给矿量、给水量、循环负荷、声音、电流等多个变量。上述变量测量中本身包含多种高频噪声;此外,各种扰动还导致了变量的不确定性变化。这种噪声和变化往往较快且并非反映过程的本质特性,给故障预警带来了十分不利影响。以主元分析(PCA)为代表的数据分析方法往往捕捉方差最大、变化最快的成分,极易受到噪声和扰动的影响导致误报、漏报[3]。磨矿分级过程往往具有变化慢、惯性大的特点。找到过程中最本质的特征而非变化最剧烈的特征,排除噪声和扰动的影响,对磨矿分级故障预警意义重大。慢特征分析(SFA)是近年来发展迅速并开始在工业过程逐渐得到应用的一项故障检测技术[4,5]。非常适用于磨矿分级这类缓慢变化的工业过程的工况检测。
2.方案设计
基于慢特征分析的磨矿分级过程工况检测方案设计包括建模和预警两大部分。建模过程采用历史数据训练以求取控制限,预警则基于当前数据和控制限判断是否发生异常工况。检测方法如图1所示。
图1 基于慢特征分析的磨矿分级过程工况检测方法
根据图1,建立磨矿分级故障预警模型并对故障进行实时预警的具体工作流程如下:
(1)选择与磨矿分级“涨肚”故障相关的m个变量 ;
(2)从 中选取N个连续时刻的正常磨矿分级样本;
(3)以每一时刻及其过去2个时刻的样本构成训练集 ;
(4)对 进行预处理得到训练集 ;
(5)求取 的变化速率矩阵 ,并根据 和 求取变换矩阵W;
(6)根据各变量在所有时刻变化快慢程度的方差,选取M个特征;
(7)根据选取的M个特征计算控制限 、 ;
(8)选取待测时刻及其前k个时刻的样本,并进行预处理,得到待测样本 ;
(9)使用W对 进行变换,同样选取M个特征,计算每一时刻的 和 统计量;
(10)若连续10个时刻的样本 和 统计量都超限,则表明监测到故障;
(11)若监测到故障,则开始预警,并于连续10个非故障时刻后结束预警。
基于慢特征分析的磨矿分级过程工况检测在线检测具体工作流程如图2所示。
图2 基于慢特征分析的磨矿分级过程工况检测工作流程
3.案例研究
以某选矿企业的2号磨矿分级过程为例,该过程用于铁矿生产,包括一台球磨机和一台水力旋流器。由于矿石品味、硬度以及加球量等的变化,“涨肚”故障时有发生。下面以2019年7月18日6时左右发生的“涨肚”故障为例,介绍该方法的预警作用。
根据该磨矿分级过程的工艺机理,选取相关变量7个:球磨机前给水量、球磨机后给水量、给矿量、磨音、循环负荷、电流、分级溢流粒度。
选取7月14日到7月17日共4天的数据,采样间隔为1分钟,共计5760个样本。选取每一时刻及其过去2个时刻的样本,组成训练集样本,即变量个数为21,样本个数为5758,以此构造样本输入矩阵U。对U的每一列进行标准化处理,并记录列均值阵meanU和列标准差阵stdU,本例中,结果如表1所示:
表1 各变量列均值及方差
序号 | 列均值 | 列标准差 |
1 | 0.28 | 0.004 |
2 | 0.28 | 0.004 |
3 | 0.29 | 0.004 |
4 | 0.29 | 0.004 |
…… | …… | …… |
18 | 42.05 | 1.863 |
19 | 135.22 | 1.492 |
20 | 135.23 | 1.492 |
21 | 135.23 | 1.492 |
求取变换阵W,并计算所选取本质特征的个数M,步骤如下:
1)对矩阵 进行特征值分解,使得: ,其中V为矩阵 的正交阵, 为其对角阵且特征值由小到大排列;
2)定义矩阵 ;
3)求取样本的变化快慢程度,定义为 ,对每一时刻的样本做相同的处理,得到样本变化速率矩阵 ;
4)对矩阵 再次进行特征值分解,使得 ;
5)所求变换矩阵为 ;
6)计算21个变量在所有时刻变化快慢程度,并求取方差,本过程中,各变量的变化快慢程度如表2所示:
表2 各变量变化速率方差
序号 | 方差 |
1 | 0.004 |
2 | 0.004 |
3 | 0.004 |
4 | 0.003 |
…… | …… |
18 | 0.002 |
19 | 3.293e-5 |
20 | 3.291e-5 |
21 | 3.281e-5 |
7)计算各变量变化速率的上侧0.1分位点,并以此为界限,计算 中小于该分位点的个数作为所选本质特征数M的取值,本例中的计算出的界限值为0.0383,M取值为7;
按照式(1)、式(2)计算 、 控制限:
(1)
(2)
在预测阶段,对7月18日的样本从00:02开始,选取前两个时刻的样本与当前时刻组成新的输入样本,并使用列均值和列标准差对以上样本做标准化处理。计算瞬时的 和 统计量,若连续10分钟这两个统计量都超限,则表明故障发生,需要发出预警。故障发生后,若连续10分钟内无故障发生,则结束预警。
该企业7月18日的预警结果显示,当日5:35开始, 统计量开始连续超限,但此时 并没有超限,这表明此时的系统内发生了一些异常,但在系统的控制调节作用下不足以导致故障。但从6:15左右开始, 统计量连续超限,且两个统计量连续10个时刻同时超限,说明系统的调节作用已经达到上限,但仍无法使系统回归稳定生产,最终导致“涨肚”故障发生。本方法在5:35时开始预警,相比于人工发现时间,该方法的预警时间足足提前了45分钟,相较于传统的PCA方法,预警时间提前了近10分钟。
由于采用了连续10个时刻同时超限才预警的方式,显著降低了误报率。在故障发生后,由于系统的不稳定性, 统计量也会降低到控制限之下。本方法中采取的连续10个时刻未监测到故障才会结束预警,使得在这一过程中能够持续预警。在这次故障发生之前,本方法成功预警,有利于企业迅速采取措施,以降低故障带来的损失。
4.结论
本文设计了一种磨矿分级过程的工况检测方法,该方法针对磨矿分级过程变化慢、惯性大的特点,提取该过程中变化最缓慢的特征,并将其用于建立在线“涨肚”故障预警模型,这些特征能反映过程的本质变化。相较于传统的故障检测方法,该方法提前了预警时间,且降低了故障漏报率和误报率。这对稳定磨矿分级生产,保障生产安全,降低企业损失,提升经济效益,具有十分重要的意义。
参考文献
李启衡. 碎矿与磨矿[M], 北京: 冶金工业出版社, 2004.
周东华, 李钢, 李元. 数据驱动的工业过程故障诊断技术[M], 北京: 科学出版社, 2011.
Qin S J. Statistical Process Monitoring: Basics and Beyond[J]. Journal of Chemometrics, 2010, 17(8-9): 480-502.
Wiskott L, Sejnowski T J. Slow Feature Analysis: Unsupervised Learning of Invariances[J]. Neural Computation, 2002, 14(4): 715-770.
素寒生, 蒋白桦, 宫向阳等. 基于SFA的工业过程质量相关的在线故障检测[J]. 控制工程, 2019, 26(6): 1222-1227.