识别在窑炉上.docx
《识别在窑炉上.docx》由会员分享,可在线阅读,更多相关《识别在窑炉上.docx(17页珍藏版)》请在冰豆网上搜索。
识别在窑炉上
毕业论文外文资料翻译
题目识别预测和检测过程中的故障在水泥回转窑
的局部线性神经模拟技术
学院机械工程学院
专业机械工程及自动化
班级机升1002
学生倪玉权
学号20100404040
指导教师李坤山
二〇一二年三月二十日
识别预测和检测过程中的故障在水泥回转窑的局部线性神经模拟技术
MasoudSadeghianandAlirezaFatehi
摘要对于本文中我们利用非线性系统辨识方法预测和检测过程故障的水泥回转窑。
在选择适当的输入和输出,投入产出模型确定的植物。
确定不同操作点的窑,局部线性模拟(LLNF)模型是用来。
该模型是用lolimot算法是一个增量的树形结构的算法。
然后,通过使用这种方法,我们获得的3个不同的模式正常和故障情况下窑。
一个模型是正常情况下的窑15分钟预测地平线。
其他模型的故障情况下窑7分钟预测地平线的介绍。
在最后,我们检测这些错误的验证数据。
收集到的数据从白色沙维水泥公司在本次研究。
关键字:
回转窑,故障检测,时延估计方法,局部线性模糊神经模型,lolimot
一、导言
可靠性、安全性和可达性的工业中发挥关键作用。
它的重要特别是现在当工业车间和控制算法越来越复杂、经济压力,减少停机时间和费用,降低所需的时间加工产品。
在简单的技术系统,我们能提高复杂工业系统和高水平的工艺质量,可靠性和安全性要求迫使自动化诊断,使有可能确定的原因、地方和时间的准确性。
早期发现故障可以通过基于模型的故障检测系统。
该方法是基于残差产生的比较的估计测量信号与模型输出。
该方法是问题的集中研究领域中的诊断,由于许多关键特性:
1)它可以检测小断层;2)解决方案是比较合理的,复杂的设备是没有必要的;3)安装的故障诊断系统通常不需要任何设置在现有的系统。
安装的传感器控制的过程通常可以用于数据采集的故障检测系统。
瞬时故障检测需要正确的过程模型。
真正的过程通常是动态的、非线性和随机性。
分析方法是不适合鉴定它们。
一个强大的方法建议使用人工智能方法,如神经网络、模糊系统、模糊神经网络(n-f)系统与专家系统[4-6]。
本文的重点是n-f系统[7-9]。
定性和定量知识可以用来调整模型在这种情况下[10-12]两类型模拟系统通常用于建模的目的:
模拟系统和高倍–模拟系统。
通常高倍–系统的结构经常使用,如果可以从原始数据获得信息,系统的给出的信息由专家设计的。
本文利用非线性系统识别方法来预测和检测常见的异常条件,最重要的一部分,在水泥厂即水泥回转窑。
确定窑我们使用llnf模型,也称为模拟模型[9]。
学习它的重量lolimot算法使用[13]。
两种异常检测振动和涂层。
组织如下:
简述了回转窑进行了分析。
也有一些异常状况可能频繁出现它。
然后原因选择错误的情况下检测投入产出进行了讨论。
我们计算输入通道的延误模型估计方法的基础上Lipschitz[14]。
后来在第四节,NNLF模型和学习算法LOLIMOT三种模式的现状和缺陷对正常窑设计。
第五部分致力于探讨三个异常检测条件试验和观察验证数据。
结论在结束给出。
二水泥回转窑
水泥是一种物质是由石膏、水泥熟料粉磨,本身是由一个烧石灰石和粘土混合在一定的百分比。
水泥是用来结合其他材料一起。
由于水泥厂扩大和组成它的不同的设备在不同过程中的每一个部分,现代状态监测方法似乎是用来防止异常情况,最终在损失。
水泥回转窑中最重要的部分,其结果是一个水泥厂水泥熟料。
回转窑是一个长约70米、直径约5米厂年产生产能力为2000吨熟料的一天。
窑是由一个旋转的电机。
温度在热的时候在窑高达1400ºC。
图一水泥回转窑
本厂以不可弥补的损害设备。
突然停止可能损害窑各点的基础上窑高耐热度波动。
因此,必须使用一些方法来防止这种故障。
许多工厂中的异常情况检测和报告的自动化和安全系统,如高温旋风分离器、压力不足的液压系统等。
然而有其他异常情况这是没有检测到传统的自动化系统。
在这些情况下没有变量的测量来超越其局限性,但总体表现工厂异常。
专业的检测系统可以识别这些条件比较当前表现的工厂所预期从正常情况下的行为。
我们关注了这些类型的故障或异常,导致产品或是起源过程中的停顿。
例如一些常见的异常窑•涂层解体•振动•加热或冷冻过的。
在本文中以便继续以往的故障检测窑[15],为第一时间程序的识别,预测和检测常见,同时破坏过程中的故障是振动和涂层介绍。
在这个过程中在识别过程和分析窑数据我们发现这些故障显示一个特殊的行为在水泥回转窑的产量。
利用系统辨识方法求异常状态检测。
输出将被确定的温度是第一个点开始的窑称为后台的温度。
它是在窑煅烧区和具有重大作用的高质量的水泥熟料。
输入材料的进给速度,燃料,窑速,编号风扇速度和二次空气压力。
由于使用这些输入和输出是更加证实了;谈判专家和工艺工程师的工厂往往在窑的操作。
在他们看来,后端温度说明的内部状态的窑和手段选定的投入,这是可能的认识过程是否顺利或者有不良的发生。
我们已收集和分析数据的fourteen-week时期的窑炉运行数据。
根据收集的数据在2例窑站。
条件是当有一些机械和电气的制度缺陷;二是当运营商改变一些投入根据业务政策。
这意味着作为一个不正常情况;经营者发现它并做出适当的反应克服条件。
这意味着,异常状态停留很短,我们发现它在这短暂的时期。
通过研究人员注意和讨论,工艺工程师,我们分开的错误数据正常数据的窑数据。
在这里每一集的数据我们作出努力,不断消除,重复和错误的操作要点。
我们之所以消除常数和重复的观点是,在这种情况下变量的影响更多的小噪声和干扰,在实践中产生的动力通过这些数据不是主要的动态过程。
另一方面,如果该卷的数据制作的模型是高在一个工作点,这一点得到更多的重量;因此增加误差在其他点模型制作。
后删除无效数据和预处理对他们[16]。
是分为三个部分:
50%,是用来作为训练集,20%为试验组,其余为验证数据集。
三、输入通道时延估计
输入通道时延估计在确定的5个输入和1个输出模式的窑,我们应该估计它的输入通道延迟。
我们之所以估计输入延迟了一free-model方法是,确定他们的身份,使这一任务繁重而增加计算量。
因此,确定输入通道延迟缩小搜索空间大,使其余的识别阶段更容易和更准确。
该方法,我们使用的是基于Lipschitz方法所提出的makarmi等[14,17]。
结果见表1。
输入
延时
电机进给率
18
燃料进给率
4
窑体转速
36
风扇速度
0
第二动作压力
0
四、识别与预测回转窑
在前一节中,我们估计的输入通道延迟的窑。
了解这些参数,搜索空间确定收缩,这是比较容易做其他的工作,即确定适当数量的动态对每个输入和输出,并逼近最佳作用的代表的行为窑等。
我们使用局部线性神经网络(llnf)识别正常和故障状态的窑和lolimot算法找到最佳的结构和网络参数。
在以下llnf运输网络lolimot算法的简要回顾。
然后根据应用这些窑资料介绍。
A局部线性模拟神经网络
最重要的原因是选择跟踪llnf网络:
1)高精度2)鲁棒性3)计算效率高和4)多种模式。
在以下llnf网络和lolimot算法综述。
由于当时使用他们的数据代表的窑。
llnf网络结构如图7所示。
每一个神经元实现局部线性模型(法学硕士)和相关的有效性函数,确定该地区的有效的法学硕士。
输出的网络计算加权总和的产出的局部线性模型,那里的有效性功能是解释为经营点依赖加权因素。
职能的有效性典型为归一化法。
局部线性建模方法是基于一个divided-and-conquer策略。
一个复杂的回转窑模型分为若干较小,因此较简单的子问题,这是解决独立识别简单的线性模型[18-19]。
最重要的因素成功的这个模型的局部线性模型方法是划分战略,原来复杂的问题。
这将是由一个算法lolimot(局部线性模型树)。
lolimot是一个渐进的树。
算法划分输入空间的axis-orthogonal分裂[13]。
在每次迭代中,新规则或局部线性模型被添加到模型和有效性函数对应的实际划分输入空间计算,以及相应的规则的后果进行优化的一个局部加权最小二乘法。
图二网络结构的一个局部线性模拟模型
如局部线性识别,最要紧是神经元的数目。
这是可取的,神经元的数目尽可能小。
该算法是从一个神经元lolimot开始逐步继续到神经元,表明一个可接受的误差的平方误差曲线,适当数量的神经元是不同的,在鉴定。
以下是简短的五个基本步骤,确定水泥回转窑模型[18-19]:
1)开始与一个初始模型水泥回转窑,2)发现严重的局部线性模型,局部最大损失函数。
3)检查所有hyper-rectangles分裂(通过)。
(三)建立的多维模拟隶属函数为超矩形。
(b)建设的一切有效性函数。
(3)局部估计的规则后件参数为新生成的LLM。
(三维)计算的损失函数为当前总体模型。
4)找到最佳分割(最好的替代品在检查步骤3,并增加了一些→LLM:
米1米)。
5)收敛检验。
计算的lolimot算法在迭代第一五一二维输入空间
B.识别和预测正常和故障状态
我们使用llnf网络lolimot学习算法确定窑。
第一,我们所面临的问题是确定一个共同的采样时间。
每个输入都有其特定的持续时间对效果输出。
例如,材料饲料的窑,有一个延迟约18分钟。
除了变化的窑内温度,这是一个后果,改变燃料流量开始4分钟后。
窑体转速的变化可能影响后30分钟后端温度。
此外,时间常数从输入到输出是不一样的。
影响较小的快速输入采样率是更适合。
影响较大的缓慢输入采样率是更适合。
通过使用不同的采样时间,避免增加空间模型的输入没有增加任何信息给它;同时,使用不同的采样时间,使问题的分析建模过程。
为了解决这个问题,我们使用一个基本恒定的采样时间为30秒,在输入样本与慢的感情是一种系数率基本恒定的采样时间[15]。
因此,我们将每个输入速度不同。
表2显示了采样时间为每个人。
例如,2个样本的窑速度等于600秒,等于20样本的后端温度。
可变的量
取样时间
电机进给率
150
燃料进给率
90
窑炉的转速
300
风扇速度
60
第二动作压力
60
后端温度
60
最后一个问题是找到一些动态的输出和输入。
至于先验知识的窑,一系列的投入活力得到通过试验和错误识别时,最好的一些输入和输出动力的获得。
最佳数量的动态用于识别列于表3。
可变的量
动态的数据
正常
涂层
振动
材料进给率
5
5
2
燃料进给率
3
3
3
窑炉的转速
2
2
3
风扇速度
11
4
2
第二动作压力
3
2
4
后端温度
10
11
4
而我们的目标是异常状态检测,预测水平的鉴定为七分钟和十五分钟的异常情况,正常情况下增加的预测水平,预测窑条件提前几分钟。
图4显示错误在训练和测试集的数量方面的神经元在正常模式。
这表明,llnf2神经元模型植物充分在正常情况训练和测试数据误差对不同的神经元数目
图5-7显示的反应正常模型输出和实际输出从五到十五分钟预测时域和图8至10显示反应的涂层故障模型输出和实际输出从三到七分钟的预测水平测试数据。
此外,图11至13显示响应的振铃故障模型输出和实际输出从三到七分钟的预测水平测试数据
不同的操作在这些模型计算均方根误差(均方根)测试数据见表4
预测地平线
正常
涂层
振动
1
0.00004
0.00018
0.00018
3
0.00027
0.00049
0.01032
5
0.00092
0.00062
0.03803
7
0.00256
0.00078
0.07997
10
0.00456
——
——
15
0.00974
——
——
其中最重要的事情,我们实现后的鉴定和分析的故障模式的行为是错误的情况发生时。
我们知道,当响故障即将发生的后端温度开始波动迅速。
它之所以显示此情况是:
原料通过窑与丰富的碱性特征比较正常的材料。
他们开始附在窑壁两端形成环。
在这种情况下,环防止热空气流动到后端区;因此后端温度降低。
当旋转窑有时环是从倒塌的顶部的窑。
这一事件导致温度升高在后端区。
这一情况发生时的时间;因此,后端的温度显示波动情况。
其他故障称为涂层故障是更为有害的窑生产水泥熟料。
最重要的事实是它可能导致涂层故障的后端与温度下降线性负斜率。
它之所以显示此行为是窑墙表面完全覆盖层后端区该涂层可防止流动。
热空气的后端区;通过后一些涂层越厚如果不是由操作者发现的时间,它们将被迫停窑。
当然清理后将恢复窑清洁。
五故障检测技术在水泥回转窑
在上一节中,三个不同的模型已开发和引进的窑。
一个模型是一个正常模式和其他相关的振动和涂层故障。
在这一部分,我们要检测和提取异常状态下存在的验证数据。
该程序我们使用一个异常检测是它有一个更持久对输出的影响而不是那些噪音或干扰。
这个程序能够跟踪输出以及。
换句话说我们给三验证数据的每一集涉及一窑的条件,给出了每个数据的有效性的三种模式已制定检查模型是否可以跟踪实际产量为正确的方式;例如,当正常的验证数据给出的三种模式,正常模式必须具有最小误差比较实际输出其他故障模型。
如振动验证数据给出的三种模式,振铃模型必须具有最小误差比较正常和模型。
这些条件的特点是它们的主要误差和长期持久的时期。
图14-16显示评价三模式与常规数据的有效性。
如你所见的故障模式无法确定和承认的有效性数据。
图17-19显示了评价模型的有效数据三响。
图20-22显示的评价三种型号的涂层的有效性数据。
比较三种模式的反应和各种有效的数据计算均方根误差(均方根)为每个人。
它们是表5所示。
因为它是在此表为每个情况窑情况;具有更低的均方根误差。
因此,比较均方根误差模型误差确定的条件的窑。
有效数据
模式
正常
振动
涂层
正常
0.000459
0.430821
0.030940
振动
0,003278
0.006542
0.338630
涂层
0.042313
0.0`2692
0.000116
六。
结论
在本文中,非线性系统辨识方法用于识别,预测和故障检测过程中的水泥回转窑在白色沙维水泥厂。
后端的温度被用来作为过程监控的各种条件。
特殊字符的变量是它可以显示正常和异常条件下窑内。
首先,为此,有效投入选择。
然后便于确定窑我们计算输入通道时延估计是基于Lipschitz数。
下一步,有效的动态的每个对应的输入输出方法。
之后,与llnf模型和lolimot学习算法,三个非线性模型开发了健康和故障状态的窑。
所有模型能够预测他们的尊重情况的预测地平线。
最后,通过这些模型,我们可以区分正常和事故条件的验证数据。
由于故障检测算法的性能表明,我们可以预测的故障发生提前七分钟。
作者和共同作者感谢沙维水泥公司的帮助和技术援助项目。