论文部分内容阅读
良好的工业过程运行状态是企业产品质量和经济效益的有效保证。然而,在复杂工业过程中,运行状态时常会受到各种不确定因素的影响,导致其偏离最优工况点。因此,及时准确地掌握生产过程运行状态,对于提高企业生产效率和经济效益具有重要的实际意义。同时,大量的过程数据与工业过程的运行状态是密切相关的。本文主要是对重介质选煤过程(即复杂工业过程)进行运行状态评价方法的研究。为实现该过程的在线优化控制、生产策略调整以及产品质量提升打下良好的基础。主要的研究内容概括如下:(1)本文以重介质选煤过程为课题背景,首先简要介绍了重介质选煤的原理和工艺流程,并对重介质选煤中各关键变量的测控过程进行了相应说明。然后对过程运行状态评价常用的数据建模方法做了简要介绍,为后续重介质选煤过程运行状态评价方法的提出和改进打下理论基础。(2)在大量过程数据的基础上,本文首次将基于核全潜结构投影法(T-KPLS)的运行状态评价方法运用于重介质选煤过程中,获得了良好的评价效果。在离线部分,首先利用产品质量指标(快灰数据)对过程数据进行划分,然后运用T-KPLS算法对划分后的数据样本进行运算分解,求取出与产品质量指标紧密相关的得分向量,用于建立离线评价模型。在线部分,利用单位窗口数据与相应评价等级之间的相似度进行重介质选煤过程运行状态的在线评价。之后,通过计算相应变量的贡献率,对非最优运行状态的非最佳因素进行识别。(3)针对基于T-KPLS评价方法(现有方法)抗干扰能力弱,易受离群点影响的缺陷,本文提出了一种基于鲁棒核偏全潜结构投影法(T-KPRM)的工业过程运行状态在线评价方法。利用T-KPRM算法准确地提取出过程数据中与最终产品质量指标有关的各个变量信息,建立起基于过程数据的离线评价模型,并利用评价准则对重介质选煤过程进行在线评价以及非最佳因素的识别。对仿真结果进行分析研究,验证了所提评价方法的有效性。通过对比分析现有方法与所提方法二者的评价结果,可以得出结论,在过程数据中包含有离群点的情况下,与T-KPLS算法相比,T-KPRM算法有着更高的评价识别准确率,能够有效地克服离群点对评价模型精度的影响,其算法鲁棒性要明显优于T-KPLS算法。