【复杂工业过程运行监控研究现状的文献综述4700字】

–PAGE28–复杂工业过程运行监控研究现状的文献综述由于复杂工业过程通常表现为强耦合、非线性、多变量、大时滞等特性，对工业系统进行模型建立的难度较大，同时很难对其进行直接控制，因此对复杂工业过程的工况进行分类和辨别是实现智能操控和优化控制的前提和基础。同时复杂工业系统的不确定干扰较多，包括原料的性质、成分的差异以及操作过程中的误操作，这些干扰不但会严重影响系统最终的产品质量，导致异常工况的发生，更有甚至会导致设备的停机。因此复杂工业过程的运行优化与控制不仅关系到产品质量与生产效益等，还关系到生产过程的安全与稳定运行。传统的复杂工业过程的工况判断在很大程度上依赖操作员的知识和经验，然而由于操作员的主观性和随意性，且水平参差不齐，导致其难以准确了解和判断整体工况的变化，从而导致设备不能稳定工作在最优运行工作点，甚至会发生整个过程的停产。而专家系统能够集合相关领域专家的高水平知识与经验，从而模拟人类专家对工业系统工况进行智能识别。2010年，王孝红等人提出了一种基于专家系统的工况智能识别方法[16]，该方法对采集的现场参数实时值利用ART-2神经网络算法进行预处理，对生产过程中的关键参数的变化趋势进行辨识，在实际生产中，依据相关参数的变化趋势精确推理出当前工况。类似的，Song等人提出了一种用于水泥分解炉工况识别的二级ART-2神经网络方法[17]，将现场数据确定为一级ART-2网络输入，其趋势识别结果作为二级ART-2网络输入，最后利用模式识别函数实现了分解炉状态的实时识别。2013年Yu等人总结了水泥生产中的分解炉和篦冷环节工况识别专家规则[18]，然后依据不同工况的不同特征，采用了不同的识别方法准确出当前工况，并给出合理的操作建议。2015年邹国斌等人针对闭路磨矿工业的特点建立了专家控制系统[19]，从人工操作经验中总结出系统的物料平衡规则，利用该规则实现了各种工况的智能识别。李荟等人在2019年提出了一种电熔镁炉异常工况识别及自愈控制方法[20]，分析了三种异常工况下的专家知识和经验，提取了相关的多源信息并建立了用于异常工况识别的贝叶斯网络模型，并制定了相对应的自愈控制方案。除此之外，还有一些其他的工况识别算法，包括模糊推理[21][22]，分形理论[23][24]，小波包分解[25][26]等等。比如2018年Lu等人提出了一种级联识别方法并建立了铜粗精矿工况识别系统[27]，建立了基于泡沫图像局部颜色特征和工艺参数融合信息的识别模型，并采用二叉树支持向量机多分类方法对工况进行识别，达到了较为准确地识别。2016年Silei等人收集不同模拟工况下的信号，采用时域统计方法和时频域短时傅里叶变换方法建立了两个检测变量，提出一种基于两种检测变量的级联工况识别算法[28]。Zhao在2015年分析了水泥回转窑电流信号在不同工况下表现出的分形特征，将其广义分形维数作为特征参数，实现了回转窑工况的分辨[29]。QiangL采用钢铁连退过程的数据，提出了基于机理分析与主元分析相结合的连退张力故障诊断方法[30]。冶金过程中运行工况的变化较为剧烈，运行工况的识别尤为重要。文献[20]给出了基于贝叶斯网络的异常工况识别框架，分析了电熔镁炉熔炼过程及三种异常工况，提取了多源特征信息，建立了基于专家知识和多源特征信息的贝叶斯网络异常工况识别模型；文献[31]提出一种基于深度卷积网络的可见光RGB图像与红外热像相结合的电熔镁炉欠烧工况感知技术，采用工业相机和红外热像仪获取电熔镁生产现场过程图像，利用深度学习技术并结合现场工人经验建立对欠烧工况视频图像的检测和识别模型，通过实时的图像分析，实现对欠烧工况的在线识别；文献[32]结合三维可视化的国内外研究现状和电熔镁行业的可视化监控现状与需求，设计了实时数据驱动的电熔镁炉异常工况识别三维可视化软件，采用基于规则推理的电熔镁炉异常工况识别算法，实现了电熔镁炉半熔化异常工况基于实时生产数据的识别功能，并将电熔镁炉异常工况的识别算法在可视化软件中进行实现；文献[33]基于多通道机械信号构建多运行工况下的数据驱动MLPF模型，采用验证数据集获取模型结构参数和验证误差，然后定义对多通道机械信号预测性能和蕴含信息贡献率进行分析与度量的综合评估指标，并基于该指标结合预设定阈值进行有价值通道信号的初次选择，对初选后的多通道机械信号进行优化组合以获得具有最佳预测运行工况的MLPF模型；文献[34]对赤铁矿闭路磨矿运行潜在的过负荷故障工况，提出具有过程控制系统设定值自适应QP优化、磨矿粒度CBR-ANN混合智能在线估计、多变量智能反馈校正以及磨机过负荷故障工况在线监测与调节的复杂闭路磨矿过程运行安全与优化的智能控制方法，实现了磨矿运行优化，而且可有效避免磨机过负荷故障工况，增强系统的安全和稳定性能。文[35]以能够及时发现和处理电熔镁炉熔炼过程异常工况为目的，提出了由异常工况识别算法和自愈控制算法组成的数据驱动的电熔镁炉异常工况识别和自愈控制方法。其中，异常工况识别算法采用数据驱动的规则推理技术诊断熔炼过程的异常工况。当异常工况发生时，自愈控制模块采用案例推理技术获得电流设定值的调整量，通过控制电流跟踪调整后的设定值，使异常工况消除。文[36]为解决竖炉焙烧运行过程中的故障工况对产品质量的影响，采用CBR技术提出了竖炉焙烧运行故障工况诊断和容错控制方法，以故障工况类型、加热煤气阀门开度、炉体负压、炉顶废气温度等作为CBR系统的输入，当工况条件发生变化时，CBR诊断系统能及时动态改变燃烧室温度、搬出时间以及还原煤气流量设定值。自上世纪80年代以来，随着计算机技术，自动控制技术，通信技术等的快速发展，工业自动化的程度越来越高，分布式计算机控制系统（DCS），现场总线控制系统（FCS）等以及可编程逻辑控制器（PLC），工业控制计算机等都在工业现场大放异彩，传统的监控软件依靠这些技术基于工业组态软件平台根据工厂实际情况进行监控方案组态来实现[37]。在选矿过程中尤其是磨矿进料环节生产设备昂贵，设备的类型相对固定，在选矿企业的可持续发展战略中发挥着重要作用。然而现有的选矿设备状态监测系统集中在本地中央监控室，缺乏对设备的远程和移动监控，工况监控算法主要是针对特殊工况下所设计的，很难应用于其他环境下的设备状态诊断；其次，由于缺乏对设备运行状态数据的深入分析，很难找出其中的规律；此外磨矿进料设备状态监测系统的开发经常反复使用缺乏通用标准服务接口的代码，导致其开发效率低下，开发成本较高。近年来，随着物联网、云计算移动计算和大数据等信息技术的出现，对于复杂工业系统监控软件的设计主要集中在两方面：一是构建集数据采集、传输、分析和处理的具有通用标准服务接口的设备状态监控平台，实现远程和移动监控功能的组件化和模块化，使开发人员能够利用该平台快速构建新的设备状态监控系统，从而降低开发成本，提高开发效率；二是随着大规模、复杂、智能和先进的监控系统的不断扩展，人们获取的数据量也在不大增加，在海量数据背景下，如何挖掘设备运行数据中隐藏的信息，增强状态检测决策过程的直观性，也是当前的研究热点[38]。针对第一点中的数据传输方面，PLC由于其性价比较高，其在工业现场的应用范围也越来越广，传统的串口通信方式虽然数据传输稳定，经济适用，但需要大量铺设有线专网，不但收到环境限制，也不利于整个监控平台的建立。众多科研人员为了解决PLC串口通信的实时性差，易受时间地点等影响的问题，纷纷提出基于TCP/IP协议的PLC远程数据采集和监控系统[39][41]，该种方式利用数据转换单元可同时将数十个PLC的串口数据打包并转换成网络数据并发送至计算机客户端中，这种信息采集方式不受时间，地点以及距离的限制，对于一些以PLC作为主控单元的复杂工业现场，大大降低了其分布式系统的运行维护成本，提高了系统运行状况检测和故障监测的灵活性。对于整个监控平台的搭建方面，工控组态软件由于其良好的延续性、扩展性、封装性以及通用性[42][43]，成为了面向系统更为复杂，规模更加庞大的工业控制系统的重要手段，从而解决针对不同的控制对象，需要重新修改源程序开发新的监控系统的问题。第一个商品化的监控组态软件是美国Wonderware在上世纪90年代初推出的Intouch，发展至今在全世界的组态软件有近百种，常见的包括国外的Labview、Wincc、FixFix等，国内的康拓、华富、组态王等等。从功能上分析，当前组态软件主要的特点包括：（1）基本所有的组态软件都利用了Windows平台的强大图形能力，在软件内部都内置了强大且丰富的图形内容，将图形与其功能相对应，不但呈现了美观的人机交互界面，也大大简化了设计人员的编辑难度。（2）组态软件将底层程序进行封装，将脚本语言的二次开发功能化和模块化，这样在使用过程无需工作人员具有良好的程序开发基础，同时解决了不同组态软件的脚本语言不同的问题。（3）组态软件具备开放式结构，能够兼容多种通讯协议，支持不同的硬件设备，不但能够接收底层采集的数据信息，也能与上层通讯，有利于建立集成数据采集，传输，分析和处理的智能监控平台。（4）具有强大的数据处理能力以及丰富的功能模块，组态软件可以针对工业系统的不同需求，利用各种模块和数据处理能力，开发实时监控，报警处理以及生成报表等不同的功能。对于数据处理方面，WenYanli提出散点图矩阵可视化和平行坐标图可视化，增强了风力发电机组的直观性[44]。郭晓丽对监测数据进行了基于射频的相似性度量，增强数据在新特征空间中的类别可分性。周磊提出了一种结合模糊理论和自组织神经网络的故障诊断方法[45]，多维输入向量在输出层转化为二维显示，故障模式分类实现具体数字化和图形可视化。CardenasCabada，E使用谱峰度来突出信号作为频率的函数的类脉冲关系[46]，机器的故障具有脉冲行为，因此将在图像上突出显示，以实现诊断特征的空间可视化。Jing利用t-SNE（t-DistributedrandomNeighborEmbeeding）技术，将一维卷积神经网络模型提取的128维高维特征映射为二维特征并可视化，提高了故障识别的准确性[47]。刘丹等人根据机械设备的故障过程，分析了设备状态数据的扁平状态表示的分布特征，提出了基于扁平化后数据边界形状的机械设备状态监测方法，实现了设备状态的实时跟踪，并设计了基于平面化后数据边界形状的机械设备状态监测与报警方法[48]。参考文献康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.冯劲成.基于深度学习的短期电力负荷预测模型研究[D].成都:电子科技大学,2020.K.Metaxiotis,A.Kagiannas,D.Askounis,J.Psarras.Artificialintelligenceinshorttermelectricloadforecasting:astate-of-the-artsurveyfortheresearcher[J].EnergyConversionandManagement,2003,44(9).ParkDC,El-SharkawiMA,MarksRJ,etal.Electricloadforecastingusinganartificialneuralnetwork[J].IEEEtransactionsonPowerSystems,1991,6(2):442-449.金鑫,李龙威,季佳男,等.基于大数据和优化神经网络短期电力负荷预测[J].通信学报,2016(S1):40-46.HintonGE,SalakhutdinovRR.Reducingthedimensionalityofdatawithneuralnetworks[J].science,2006,313(5786):504-507.段艳杰,吕宜生,张杰,等.深度学习在控制领域的研究现状与展望[J].自动化学报,2016,42(005):643-654.LeCunY,BoserB,DenkerJS,etal.Backpropagationappliedtohandwrittenzipcoderecognition[J].Neuralcomputation,1989,1(4):541-551.HintonGE,ZemelRS.Autoencoders,minimumdescriptionlength,andHelmholtzfreeenergy[J].Advancesinneuralinformationprocessingsystems,1994,6:3-10.HochreiterS,SchmidhuberJ.Longshort-termmemory[J].Neuralcomputation,1997,9(8):1735-1780.陈卓,孙龙祥.基于深度学习LSTM网络的短期电力负荷预测方法[J].电子技术,2018,047(001):39-41.ZhengJ,XuC,ZhangZ,etal.Electricloadforecastinginsmartgridsusinglong-short-term-memorybasedrecurrentneuralnetwork[C]//201751stAnnualConferenceonInformationSciencesandSystems(CISS).IEEE,2017:1-6.GenslerA,HenzeJ,SickB,etal.DeepLearningforsolarpowerforecasting—AnapproachusingAutoEncoderandLSTMNeuralNetworks[C]//2016IEEEinternationalconferenceonsystems,man,andcybernetics(SMC).IEEE,2016:002858-002865.BouktifS,FiazA,OuniA,etal.Optimaldeeplearninglstmmodelforelectricloadforecastingusingfeatureselectionandgeneticalgorithm:Comparisonwithmachinelearningapproaches[J].Energies,2018,11(7):1636.任成国,肖儿良,简献忠,王如志.EMD-LSTM算法在短期电力负荷预测中的应用[J].电力科学与工程,2019,35(08):12-16.王孝红,房喜明,于宏亮.基于专家系统的回转窑窑头工况识别[J].控制工程,2010,17(03):309-312.QiuyunS,ZhugangY.WorkingConditionRecognitionofCementDecompositionFurnaceBasedonART-2NeuralNetwork[C]//2014SixthInternationalConferenceonMeasuringTechnologyandMechatronicsAutomation.IEEE,2014:807-812.YuH,LiuW,DongH.Researchonrecognitionofworkingconditionforcalcinerandgratecoolerbasedonexpertsystem[C]//201212thInternationalConfe