基于大数据的电熔镁工业冶炼流程故障诊断和调控

This project is based on typical super high temperature electrical fused magnesia process. The main goal of this project is to develop the process monitoring technique based on heterogeneous data, for example, physicochemical variables, image, voice and video. The limitation of the existing work is that the variable data and multi-media models are built separately, which ignores the relationship between these heterogeneous data and losses the advantages of big data. The main innovations of this project contain: (1) the physicochemical variables, image. voice and video data are stored in the same data pool, and provide the description of process from plant-wide perspective, full view and full cycle; (2) the big data transfer learning methods are proposed such that the area of image inside and outside the furnace , velocity of movement, position, effective pixel ratio, directional distribution ratio, frequency and location of voice, ratio of high and low frequency, duration, important degree of video, Gaussian entropy are organized in a same big data pool and the collaborative model is built which can make full use of the advantages of big data; (3) based on the transfer learning, the fault detection methods are proposed by using the extraction methods of common and specific features. Also, based on the intelligent knowledge, the fault diagnosis methods are presented by using image and voice so that the sensibility is improved; (4) the input value is accommodated such that the fault disaster is avoided based on the fault magnitude. The proposed methods can be applied to steel, iron and chemical industry widely.

本项目针对典型超高温电熔镁冶炼流程，利用物理化学变量数据和图像声音视频等异构大数据对工业流程实现监控目的。已有研究成果局限于把变量数据和多媒体异构数据分开建模分别诊断，其做法忽视了大数据之间的必然联系，失去了大数据固有的优势。本项目的创新性包括：（1）统一建立生产流程的物理化学变量和图像声音视频大数据池，能够实现全流程全视角全周期地描述工况；（2）提出基于大数据迁移学习方法，把炉内外监测图像的面积、运动速度、位置、有效像素比、方向分布比，声音的频率位置、高低频比率、时长，视频的重要度、高斯熵等以及物理化学变量统一在一个数据池协同建模，充分发挥大数据的优势；（3）在迁移学习的基础上，提出基于异构数据共性学习与故障数据特性提取等的故障诊断方法和基于智能知识的图像声音故障辨识方法，提高故障诊断的灵敏度；（4）提出根据故障幅值的输入值调控方法以降低故障灾害。本项目的方法可以广泛应用于钢铁化工过程。

研究计划依托冶炼工程实例，以统计分析、深度学习和知识自动化为手段，建立冶炼流程大数据的协同模型，提出冶炼流程大数据异常工况诊断以及安全调控方法，研发冶炼流程异常工况预警、演化机理可视化、动态调控的大数据平台，实现冶炼流程中的微小异常工况精准预测。在异构大数据池的建立方面，与已有的异常工况诊断研究成果相比，在采集和存储数据的流程中，会出现宏观和微观、同构和异构、离散和连续等特征。上述这些复杂的数据特性都会使得异常工况诊断结果发生模型与实际流程不匹配的情况，这种情况一旦发生就会造成异常工况误报和漏报率大幅增加。本项目建立了完善的冶炼流程大数据的同构和异构、离散和连续等特性并存的数据池。在超高温冶炼工业大数据协同优化模型的建立方面，超高温冶炼流程异常工况诊断的难点在于如何基于冶炼流程大数据建立涵盖生产、环境、经济、安全等宏观和微观的全流程、全视角、全周期的协同优化分析模型。本项目解决了该关键问题，为超高温冶炼流程大数据的异常工况诊断提供了支撑。在超高温冶炼工业大数据异常工况诊断方法的确定方面，超高温冶炼工业大数据异常工况包括喷炉、漏炉等，具有异构性、动态性、非线性、多尺度、多模态等特性，本项目解决了适用于大数据的异常工况诊断方法。微小的异常工况会演化成灾难性事故，但它又很难从宏观现象中被发现，因此异常工况演化机理的获得是调控的基础，微小异常工况的调控是异常工况调节成功的关键。本项目基于大数据和N-S方程求解了演化机理在宏观流程中的特性。 在超高温冶炼工业大数据异常工况演化机理及可视化方面，微小的异常工况会演化成灾难性事故，但它又很难从宏观现象中被发现，因此异常工况演化机理的获得是调控的基础，微小异常工况的调控是异常工况调节成功的关键。本项目基于大数据解释演化机理在宏观流程中的特性表现。此关键问题的解决，可以为异常工况追根溯源提供理论基础，使得超高温冶炼流程可以用虚拟现实VR进行可视化，为安全调控奠定基础。 在超高温冶炼工业大数据异常工况的调控方面，微小异常工况的调控是异常工况调节成功的关键，本项目基于大数据的微小异常工况的微观特性和演化机理在宏观中的特性表现对微小异常工况提出了有效调控方法。