高炉炼铁是国家经济体系的支柱产业,一旦发生异常工况,造成的经济损失和安全危害是非常严重的。因此,为了保证高炉设备的安全可靠地运行,异常工况检测是十分必要的。目前在大型高炉系统中,主要有三种故障检测的方法,基于模型的方法,基于知识的方法以及基于数据驱动的方法。近些年来,随着集散控制系统的广泛发展,海量的过程数据被系统采集。基于数据驱动的方法和其他两种方法相比,不需要准确的过程机理模型以及专家知识的长时间积累,因此被广泛地应用在大型高炉系统的故障检测中。大型高炉生产过程运行在高温、高压以及高粉尘的情况下,是一个时刻发生各种物理化学反应的复杂流程,同时大型高炉是一个半自动化的生产设备,需要现场操作人员人为地调整生产参数。因此,在设备采集到的训练数据矩阵中,可能会包含大量的过程噪声、离群点以及小故障,而使用传统的数据驱动方法进行故障检测可能会导致较差的检测效果。在本文中,作者分别针对高炉过程中出现的过程噪声、离群点以及小故障三种情况进行研究,并分别在数值仿真、TE过程、大型高炉冶炼过程上做了相应的仿真验证。全文的主要内容如下:(1)针对大型高炉系统采集到的数据包含过程噪声的问题,利用了主成分追踪方法进行故障检测,并提出了相应的基于相关系数的统计量。该方法是一个在线故障检测的方法,分别将训练矩阵和由训练矩阵与测试矩阵组成的新测试矩阵利于主成分追踪方法进行分解,得到后续用来故障检测的低秩矩阵和稀疏矩阵。其中训练矩阵分解得到的低秩矩阵包含的是过程的重要信息,稀疏矩阵包含的是过程可能存在的噪声。之后在低秩矩阵中利用Hotelling’sT2统计量,在稀疏矩阵中利用提出的基于相关系数的统计量,判断设备当前的工况。和传统的故障检测方法相比,主成分追踪方法可以有效地消除过程噪声的影响,同时对数据的特征不加以限制,数据类型可以满足非线性、非高斯性等特征。(2)针对大型高炉系统采集到的数据存在离群点的问题,提出改进的主成分追踪方法进行故障检测,并且建立了相应的统计量。该方法首先求解一个凸优化函数,得到一个低秩系数矩阵和一个稀疏矩阵。其中低秩系数矩阵包含过程变量之间的重要关系,是在移除离群点的条件下得到的变量关系,消除了离群点的影响,具有鲁棒性;稀疏矩阵包含过程中可能存在的离群点等。之后,利用低秩系数矩阵以及变量之间的相关关系,构建故障检测统计量。该方法是在移除离群点等异常值的情况下得到的过程变量关系,不仅消除了异常值的影响,还得到了变量之间的本质关系,提高了故障检测的效果。(3)针对大型高炉系统采集到的数据存在小故障的问题,提出鲁棒的主成分追踪方法进行故障检测,并对该方法的收敛性进行了证明。小故障的出现可能是因为高炉炉温的微小变化、部分进料不能正常下降等原因,是发生在一段时间内一个或多个变量上的异常工况,与离群点的特征有所不同,因此需要新的方法进行故障检测。本文提出的鲁棒主成分追踪方法是通过求解一个凸优化函数,将小故障同时从训练数据矩阵的行和列分离出来,得到一个不包含小故障的训练矩阵。之后,和主元分析方法相同,利用Hotelling’sT2统计量对高炉数据进行故障检测。文章的最后对全文做了总结,并展望了未来的研究方向。