本发明专利技术属于高炉系统预测与健康管理技术领域，具体公开了一种基于自适应校准模型的高炉系统剩余寿命预测方法。本发明专利技术方法首先利用部分可观测的高炉炉壁温度数据建立初始退化模型；随后基于最大似然估计估计退化模型中的超参数，并设计一种基于动态阈值的触发机制，用于判断是否对退化模型的参数或结构进行自适应校准；在未触发时，采用卡尔曼滤波器对模型参数进行更新；当触发条件满足时，基于预测误差对模型结构进行校准，预测误差模型的参数通过强跟踪滤波器与期望最大化算法进行辨识，并通过赤池信息准则确定预测误差模型的最佳结构。本发明专利技术能够基于在线数据自适应校准退化模型的参数和结构，利于提高高炉系统剩余寿命的预测精度，在线适应能力强。
【技术实现步骤摘要】
本专利技术属于高炉系统预测与健康管理，特别涉及一种基于自适应校准模型的高炉系统剩余寿命预测方法。
技术介绍
1、高炉作为钢铁生产的核心设备，其稳定运行不仅关系到生产的连续性，还直接影响产品的质量和经济效益。然而，由于高炉长期处于高温、高压及复杂化学反应环境中，极易发生损伤和故障，导致非计划停机，甚至引发重大安全事故。近年来，预测与健康管理(prognostics health management,phm)技术作为一种有效的预防措施，引起了研究人员和工程师的广泛关注。剩余寿命(remaining useful life,rul)预测作为phm的核心问题之一，已经在各种工业设备和产品中得到广泛应用，以防止意外故障的发生，减少维护成本，并确保系统的安全稳定运行。
2、然而，传统的rul预测技术通常依赖于退化模型的假设或简化，难以充分捕捉高炉复杂且动态的退化过程。例如，高炉炉壁在早期阶段呈现出相对缓慢的退化趋势。随着高炉熔炼过程的进行，铁矿石在高温下熔化，产生矿渣和熔融铁。这些熔融物质对炉墙表面产生腐蚀，形成结合层，进而影响炉墙的热传导性和热阻。然而，随着熔融铁的冲刷作用，结合层逐渐剥落，导致炉墙退化率的变化。这种变化可能导致设备的过早维护、故障或性能退化，甚至引发严重的安全问题。此外，由于高炉炉壁热电偶安装位置的差异以及运行条件的变化，其退化过程逐渐偏离实际情况，可能导致退化模型的假设失效，预测误差随时间增加。如果不及时对退化模型进行校准，rul预测的准确性可能大幅降低，从而对生产、维护和安全产生不利影响。
/>技术实现思路
1、本专利技术的目的在于提出一种基于自适应校准模型的高炉系统剩余寿命预测方法，该方法基于高炉系统的温度数据自适应调整退化模型的相关参数和结构，从而实现模型与监测数据的匹配度的潜在增强，以最终提高rul预测的准确性。
2、本专利技术为了实现上述目的，采用如下技术方案：
3、基于自适应校准模型的高炉系统剩余寿命预测方法，包括如下步骤：
4、步骤1.获取高炉系统不同位置处热电偶采集到的温度数据，并构建训练集和测试集；
5、步骤2.依据获取的高炉系统的温度数据，构建一个高炉炉壁的初始退化模型；
6、其中温度变化的趋势通过漂移项进行表征，温度变化及环境存在的不确定性则通过扩散项加以描述；此外根据训练集的数据基于最大似然估计mle方法辨识退化模型参数；
7、步骤3.当测试集补充新的测量数据时，基于当前的退化模型进行预测并得到预测值，然后将预测值与测量数据进行比较，得到模型的预测误差；
8、步骤4.根据模型预测误差的值设计一种基于动态阈值的模型校准触发机制，以判断退化模型的校准形式，即对退化模型的参数或结构进行自适应校准；
9、步骤5.在机制未触发时，采用卡尔曼滤波器kf对退化模型的参数进行更新，并返回步骤3，直到预测时刻tk；
10、步骤6.在机制触发时，基于步骤3中的预测误差的值构建预测误差模型，对退化模型的结构进行校准，以补偿高炉运行过程中工况改变或退化机制变化带来的影响；
11、步骤7.通过强跟踪滤波器stf与期望最大化算法em辨识预测误差模型的参数，并通过赤池信息准则aic确定最佳模型结构，并返回步骤3，直到预测时刻tk；
12、步骤8.在预测时刻tk，根据自适应校准后的退化模型进行高炉rul预测。
13、本专利技术具有如下优点：
14、如上所述，本专利技术述及了一种基于自适应校准模型的高炉系统剩余寿命预测方法，该方法针对退化模型与高炉系统实际退化过程不匹配的问题，首先利用部分可观测的高炉炉壁温度数据建立初始退化模型，并通过最大似然估计方法来估计模型超参数。随后设计了一种基于动态阈值的模型校准触发机制，用于判断退化模型的参数或结构是否需要自适应校准。在未触发的情况下，采用卡尔曼滤波器对模型参数进行更新；满足触发条件时，则基于预测误差对模型结构进行校准。预测误差模型的参数通过强跟踪滤波器和期望最大化算法辨识，并采用赤池信息准则确定最佳模型结构。在预测过程中，本专利技术考虑了高炉炉壁不同位置热电偶测得温度数据的差异性，推导出自适应退化模型的首次命中时间(first hitting time,fht)下的rul分布。本专利技术方法能够基于在线数据，自适应校准退化模型的参数和结构，展现出了更高的预测精度和更强的在线适应能力，提高了高炉系统rul的预测精度。
本文档来自技高网...
【技术保护点】
1.基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤4中，模型校准触发机制中动态阈值的定义如下：
3.根据权利要求2所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤4中，模型校准触发机制的具体过程如下：
4.根据权利要求1所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤6中，预测误差模型满足以下三个条件：预测误差建模的次数是有限的；预测误差遵循非线性维纳过程的动态特性；两次模型校准的时间间隔应大于th；
5.根据权利要求1所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤7具体为：
6.根据权利要求5所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤7.2中，基于EM算法和STF进行参数估计的过程如下：
7.根据权利要求1所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤8具体为：</p>8.根据权利要求7所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤8中，为了确保初始退化模型选择的鲁棒性，首先引入两种初始退化模型，分别定义为初始退化模型1和初始退化模型2；
...
【技术特征摘要】
1.基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤4中，模型校准触发机制中动态阈值的定义如下：
3.根据权利要求2所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤4中，模型校准触发机制的具体过程如下：
4.根据权利要求1所述的基于自适应校准模型的高炉系统剩余寿命预测方法，其特征在于，所述步骤6中，预测误差模型满足以下三个条件：预测误差建模的次数是有限的；预测误差遵循非线性维纳过程的动态特性；两次模型校准的时间间隔应大于t...
【专利技术属性】
技术研发人员：席霄鹏，王翔宇，李春昱，纪洪泉，吴德浩，邵昱博，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。