一种基于自适应主元分析的辊道窑能耗异常检测方法技术

本发明专利技术涉及一种检测方法技术领域，更具体地，涉及一种基于自适应主元分析的辊道窑能耗异常检测方法，具体步骤如下：(1)首先采集样本L，将采集到的样本标准化后计算协方差矩阵S；(2)对S进行特征分解，使用CPV法计算得到主元数量k,并截取特征向量和特征值，得到负荷矩阵P、特征值矩阵Λ；(3)计算初始的控制限

【技术实现步骤摘要】
一种基于自适应主元分析的辊道窑能耗异常检测方法
本专利技术涉及一种检测方法
，更具体地，涉及一种基于自适应主元分析的辊道窑能耗异常检测方法。
技术介绍
辊道窑是重要的一类陶瓷窑炉，主要用于建筑陶瓷材料生产，是陶瓷生产中主要的耗能设备。在陶瓷生产过程中，若由于物料、参数控制、人员等因素导致辊道窑的异常情况出现，会导致产品瑕疵以及能源浪费等问题，造成极大的经济损失，情况严重时甚至发生安全事故。实际情况下，通常采用人工巡查和根据经验观察仪器仪表等方式检查发现异常情况，有耗费人工、发现不及时等缺点。随着科技发展，目前大多数工业生产设备配备了数字仪表和工业计算机进行实时监控，并进行生产数据的采集和存储。针对这种数据量大，维度高的数据，使用数据驱动的方法进行异常检测十分合适。目前，PCA已经广泛应用于工业生产过程中，通过采集生产数据进行离线训练，构建主元模型，并计算统计量进行异常检测，其实用性已经得到了充分的验证。但实际的工业过程时常带有慢时变的特性，辊道窑的生产过程也有明显的时变特性，主要表现在状态变量的统计特性发生漂移，具体包括状态变量的均值、方差、相关关系、主元数量等的变化。在实际情况引起上述变化的原因有许多，常见的影响因素有设备老化、传感器测量基准漂移、催化剂活性变化等。关于辊道窑的生产运行的研究，国内外学者主要关注点在窑炉结构的优化、窑炉各过程的控制系统设计，以及数值模拟和仿真实验。Milani等对辊道窑的热力学和流体动力学行为进行了数值分析，并结合热力学模型提出了一种针对窑炉冷却段的改进运行策略，以最大程度地降低瓷砖的残余应力。Zhu将传统的PID控制算法与卡尔曼滤波算法相结合，提出了基于卡尔曼滤波器的PID混合智能控制器，实现了陶瓷梭式窑煅烧区温度的智能控制。Zhang等基于互信息和AdaBoost策略，提出了一个新的温度预测模型，用于陶瓷梭式窑烧结过程的温度预测。贾华提出了Fuzzy-Smith的复合控制的辊道窑温度控制方法。李鹏针对烧成带的工况识别和温度控制，提出了采用模拟人工观火的火焰图像识别技术与多点温度检测技术相结合识别辊道窑烧成带工况的方法，同时设计了工况识别智能检测系统。李晓高、曹利钢分别设计开发了基于专家系统的陶瓷窑炉远程监测与故障诊断系统。还有一些异常检测方法，比如中国专利CN108955247A公开了一种辊道窑烧成温度建模与时滞控制方法、系统，主要是为了实现辊道窑的智能化、轻型化，提高产品质量、减少能耗、减轻现场工人的劳动强度。也有部分学者根据对辊道窑机理和运行状况，对辊道窑的常见异常进行了分析。郭健分析了辊道窑主要的能耗影响因素，认为辊道窑的节能关键在于温度、压力和含氧量三项的管控，同时给出了能耗异常诊断的关注点。杨华亮等针对辊棒的异常情况进行总结，并开发了视觉摄像头与传感器结合的智能辊棒寿命管理系统。但是目前辊道窑的异常情况的检测效率还是比较低的。
技术实现思路
本专利技术为克服上述辊道窑的异常情况的检测效率较低的问题，提供一种基于自适应主元分析的辊道窑能耗异常检测方法。在本技术方案中，提供了一种基于自适应主元分析的辊道窑能耗异常检测方法，具体步骤如下：(1)首先采集样本L，将采集到的样本标准化后计算协方差矩阵S；(2)对S进行特征分解，使用CPV法计算得到主元数量k,并截取特征向量和特征值，得到负荷矩阵P、特征值矩阵Λ；(3)计算初始的控制限和(4)继续采集样本L一定时刻后的新样本，并且进行标准化；且对新样本进行异常判定，若异常则输出异常信息结束，若正常则将该样本放入待更新系统且进行步骤(5)；(5)循环(1)(2)(3(4)，直至需要更新的样本数量达到所需更新样本的数量，对其进行更新且进行异常信息判定，若异常则输出异常信息结束，若正常则将该样本放入待更新系统继续循环(1)(2)(3(4)，直至样本全部检测完毕，输出相应的异常样本。本专利技术在采集到新样本时通过计算其统计量，以判断是否需要将此样本通过移动窗方式更新主元分析法PCA模型，并累积多个新样本数据进行一次性的数据块更新，减少过程中的PCA模型更新次数，节省计算资源，提高计算效率，本专利技术可以有效地检测出辊道窑的异常情况，并大大提高了检测效率。优选地，在步骤(4)中，对标准化后新样本进行异常检测的具体步骤为计算PCA模型的方差T2和统计量SPE，对其与标准值进行比较，判断是否出现异常；方差T2和统计量SPE的计算公式为：SPE＝||(I-PPT)x||2(2)其中，Λk＝diag(λ1,...,λk)为前k个协方差矩阵特征值，x为样本，P为负荷矩阵，I为残差子空间矩阵。优选地，在步骤(4)中，需要更新的样本数量需满足如下条件：其中，μ为预设的比例系数，α为置信度，为统计量控制限，为置信度为α的控制限。优选地，在步骤(4)中，样本异常需要满足如下条件：其中，SPE为统计量，为置信度为α的控制限。优选地，统计量控制限为：其中，Fα(k,n-k)为带有k和n-k个自由度、置信水平为α的F分布临界值，cα为标准正态分布在置信水平α下的阈值。优选地，θi和h0的计算公式如下：其中，λj为特征值，λj为特征值，θ1,θ2,θ3为公式(7)计算得到的中间变量。优选地，在步骤(1)中，采集样本对样本数据进行标准化以及最终得到协方差矩阵S的具体公式如下：将样本数据矩阵经过标准化后为，即有n个观测样本，每个样本有m个属性，可以分解为：X＝t1p1+t2p2+...+tkpk+E＝TPT+E＝X+E(9)其中，和E分别对应分解得到的主元子空间(PCS)和残差子空间(RS)，P∈Rm×k为负荷矩阵，P∈Rm×k为得分矩阵；另外，协方差矩阵S的公式如下：其中，Λ为包含特征值的对角矩阵，P为负荷矩阵，X为样本数据矩阵。优选地，在步骤(1)中，将S的特征值由大到小排序，对应的特征向量即负荷向量pi，根据特征值大小截取前k个特征值，对应前k个特征向量即为主元模型中实现线性降维的基向量，也是选用的负荷向量，即在样本空间中，方差最大的k个方向对应着包含信息最多的k个维度，经过线性变换映射到了主元子空间，剩余的主要包含随机噪声的信息则映射到残差子空间。优选地，主元数量k可以通过CPV方法获得，定义为累计贡献率Conti,计算公式如下：其中，λ为特征值，i为定义累计贡献率的特征值的个数，j为特征值的总数。优选地，在步骤(4)中，定义原样本移动窗长度为L，在第t时刻移动窗内的样本数据矩阵为更新步长为s,更新后对应的数据矩阵为更新后的协方差矩阵S的计算公式如下：其中，其中，的转置，bt为第t时刻的数据矩阵，为中间矩阵的均值向量，为递推新窗口，为t时刻窗口各个变量的标准差，σt,1为时刻t的第1个变量，L为移动窗长度，t+s为时刻，X为数据矩阵本文档来自技高网...

【技术保护点】
1.一种基于自适应主元分析的辊道窑能耗异常检测方法，其特征在于，具体步骤如下：/n(1)首先采集样本，将采集到的样本标准化后计算协方差矩阵S；/n(2)对S进行特征分解，使用CPV法计算得到主元数量k,并截取特征向量和特征值，得到负荷矩阵P、特征值矩阵Λ；/n(3)计算初始的控制限

【技术特征摘要】
1.一种基于自适应主元分析的辊道窑能耗异常检测方法，其特征在于，具体步骤如下：
(1)首先采集样本，将采集到的样本标准化后计算协方差矩阵S；
(2)对S进行特征分解，使用CPV法计算得到主元数量k,并截取特征向量和特征值，得到负荷矩阵P、特征值矩阵Λ；
(3)计算初始的控制限和
(4)继续采集样本L一定时刻后的新样本，并且进行标准化；且对新样本与初始的控制限进行对比进行异常判定，若异常则输出异常信息结束，若正常则将该样本放入待更新系统且进行步骤(5)；
(5)循环(1)(2)(3(4)，直至需要更新的样本数量达到所需更新样本的数量，对其进行更新且进行异常信息判定，若异常则输出异常信息结束，若正常则将该样本放入待更新系统继续循环(1)(2)(3(4)，直至样本全部检测完毕，输出相应的异常样本。


2.根据权利要求1所述的基于自适应主元分析的辊道窑能耗异常检测方法，其特征在于，在步骤(4)中，对标准化后新样本进行异常检测的具体步骤为计算PCA模型的方差T2和统计量SPE，对其与标准值进行比较，判断是否出现异常；方差T2和统计量SPE的计算公式为：



SPE＝||(I-PPT)||x2(2)
其中，Λk＝diag(λ1,...,λk)为前k个协方差矩阵特征值,x为样本，P为负荷矩阵，I为残差子空间矩阵。


3.根据权利要求2所述的基于自适应主元分析的辊道窑能耗异常检测方法，其特征在于，在步骤(4)中，样本正常需要更新的样本需满足如下条件：

且
其中，μ为预设的比例系数，α为置信度，为统计量控制限，为置信度为α的控制限。


4.根据权利要求2所述的基于自适应主元分析的辊道窑能耗异常检测方法，其特征在于，在步骤(4)中，样本异常需要满足如下条件：



其中，SPE为统计量，为置信度为α的控制限。


5.根据权利要求3或4所述的基于自适应主元分析的辊道窑能耗异常检测方法，其特征在于，统计量控制限为：






其中，Fα(k,n-k)为带有k和n-k个自由度、置信水平为α的F分布临界值，cα为标准正态分布在置信水平α下的阈值。

【专利技术属性】
技术研发人员：徐康康，杨海东，印四华，朱成就，邹振弘，胡罗克，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44