基于不完整数据的氧化铝蒸发过程故障诊断方法研究

Many faults occur very easily in alumina evaporation process because of many factors such as complex components of raw material and strong fluctuant of production conditions. We will focus on the fault diagnosis methods for the complex alumina evaporation process according to the characteristics of accumulation of huge historical data, data noise or missing due to pipe scaling or scarring, and system parameters time-varying. (1) The first task is to study the behavior of incomplete data, and data preprocess methods such as evaluating data noise and recovering big noise data or missing data. (2) The second task is to study the design method of the parity space based residual generator directly from historical data using PCA technique on the basis of the framework of Subspace Identification Methods, then present the methods of fault detection and isolation on the basis of the framework of model-based FDI, employ a variety of ways to design the robust schemes in order to adapt the property of incomplete data, and study the rapid updating mechanism according to production condition stability in order to adapt the property of system structural parameters time-varying. (3) The third task is to adopt Bayesian Networks to express the complex relation between the variable abnormality and the faults types and location, study iteration methods for the solution of incomplete static mathematical models using observer theory in order to assist the determination of the Bayesian Networks structure through the simulation results of the static mathematical models, and then present the fault decision-making method based on combined Bayesian Networks. (4) The fourth task is to develop a fault diagnosis system for the complex alumina evaporation process after the verification of simulation and plant test. The objective of this project is to make a contribution to reduce accident rate and energy consumption and increase the life and utilization rate of the equipment of the process.

由于原料成分复杂、工况波动大等因素，氧化铝蒸发过程极易发生故障。根据已积累大量数据，管道结垢或结疤会出现数据大噪音或缺失、系统参数变化的特点，研究氧化铝蒸发过程故障诊断方法。①研究不完整数据的表现形式，以及噪音评价、大噪音和缺失数据修复等数据预处理方法；②研究在子空间辨识框架下采用PCA技术直接从历史数据中设计基于奇偶性空间的残差生成器，提出基于模型框架下的故障检测与分离方法，采用多种方式设计鲁棒性策略，以适应数据不完整性特点，研究根据工况的稳定程度进行模型快速更新机制，以适应系统参数变化的特点；③采用贝叶斯网络来表达变量异常与故障类型和位置间的复杂关系，使用观测器理论研究不完整静态数学模型的快速迭代方法，利用仿真结果辅助确定贝叶斯网络结构，提出基于组合贝叶斯网络的故障决策方法；④开发氧化铝蒸发过程故障诊断系统，进行实验室和现场验证。该项目可为降低事故和能耗，提高设备寿命和利用率做出贡献。

氧化铝生产蒸发过程运行环境恶劣、现场干扰因素多，容易发生故障。然而，由于蒸发过程运行机理复杂以及现场检测数据的不完备特点，现有的故障诊断方法，无论是机理驱动还是数据驱动方法，均难以取得良好效果。本项目针对蒸发过程检测数据存在的数据缺失、时标不同步、噪声污染等问题，研究基于不完整数据驱动的故障诊断方法。主要研究成果和结论归纳如下：.（1）提出了氧化铝生产蒸发过程多参数数据时间配准、基于标记可辨识矩阵的增量式属性约简等数据预处理方法，有效地提高了数据的可用性。.（2）开发了氧化铝生产蒸发过程及其常见故障的仿真模型，为针对该过程的故障诊断算法、优化控制算法提供了测试与验证平台。.（3）提出了一系列基于典型相关分析（CCA）的故障诊断方法，实现了对单模态/多模态的静态过程/动态过程的加性故障/乘性故障的多种故障的高效检测与分离。.（4）提出一种基于数据驱动的确定性扰动下动态过程故障诊断方法，通过对数据子空间正交投影生成的残差矩阵消除确定性扰动对输出的影响，有效减少未知确定性扰动导致的故障误报。.（5）提出一种基于最优未知输入观测器的不确定动态系统故障诊断方法，将卡尔曼滤波器和未知输入观测器结合，实现了在未知输入干扰和噪声条件下故障的高效诊断。.（6）提出一种基于贝叶斯网络的故障类型判断方法，将领域知识融入贝叶斯网络结构学习过程，通过Bootstrap抽样扩大样本规模，实现了基于小样本数据的故障类型判断。.（7）提出了氧化铝蒸发过程降膜蒸发器的液位优化设定、分散型自适应模型预测控制等方法，为氧化铝生产蒸发过程的优化控制奠定了方法基础。.本项目研究形成了一套基于不完整数据驱动的氧化铝蒸发过程故障诊断方法，为氧化铝蒸发过程的故障诊断提供了一条高效途径，有望解决氧化铝蒸发过程的大部分故障诊断问题，有利于提高人们对该过程的操控水平。研究成果理论上可应用于其它具有类似数据特点的工业过程，具有一定的推广价值。