[0051] 下面结合实施例对本发明作进一步说明。
[0052] 以金的湿法冶金过程为例:
[0053] 湿法冶金流程包含氰化浸出子流程,压滤洗涤子流程,锌粉置换子流程等主要工序。本发明的方法为数据驱动方法,只需要对采集的数据分析即可,不需要知道具体解析模型,这也是本发明的一个优点。
[0054] 步骤1:离线建模,收集湿法冶金过程中一个正常工作过程的传感器数据(如浸出槽空气流量,各种离子浓度,压力等)作为训练数据。并执行DGLPP,确定投影矩阵和统计量控制限。
[0055] 具体步骤:
[0056] 1.1收集冶金过程正常工作的数据作为训练数据X∈Rn×m,构造进行DGLPP所需的新数据矩阵XNEW=[X(k)X(k-1)…X(k-L)]∈R(n-L)×(m×L)。
[0057] 其中X有m个变量(数量为冶金过程中所能采集的数据种类数目)和n个采样样本。X(k-L)为前L个采样时刻的数据矩阵,L为延时参数,一般为1或为2。
[0058] 1.2由于过程中采集到的数据可能存在单位不一致,数值相差过大等问题,对1.1中新的矩阵进行标准化,
[0059]
[0060] 其中 表示过程数据各变量的均值建立的均值矩阵, 表示标准化后的过程数据矩阵。
[0061] 1.3根据经验法选择合适的DGLPP参数,执行DGLPP得到投影矩阵A。
[0062] 根据LPP的目标函数,同理易得到DGLPP的目标函数:
[0063]
[0064] 其中未知数具体代表意义或求法如下:
[0065] M=H-R
[0066]
[0067] Hii=∑jRij
[0068]
[0069] 其它 或
[0070] 其它 且
[0071] xi表示 的第i个样本。Ω()表示K邻域。Wij和 分别表示W和 的第i行第j列的元素值,I表示单位矩阵。h为加权系数,用以调节全局和局部的“侧重程度”。σ1和σ2为根据经验人为设定的参数,用以调节监测能力。W和 分别代表局部和全局的权重矩阵。H为对角矩阵,对角值为R每列的和。
[0072] 因此优化问题可以通过下式求出:
[0073]
[0074] 易知 和λ为 的特征向量和特征值。因为目标函数求最小值,所以我们需要选择最小的l个(主成分个数)特征值对应的特征向量组成投影矩阵A∈R(m×L)×l。
[0075] 1.4建立如下基于DGLPP的NOC模型。
[0076]
[0077]
[0078]
[0079] 其中E表示残差矩阵,Y∈Rn×l,代表投影后的矩阵。
[0080] 1.5计算D和Q统计量的控制限DC和QC,a。
[0081]
[0082] 其中n为建模数据样本的个数,l为主成分中保留的主成分个数;a为显著性水平。在自由度为l,n-l条件下的F分布临界值可由统计表中查到。
[0083]
[0084]
[0085]
[0086] 其中Ca是正态分布在显著水平a下的临界值;λj为数据协方差矩阵较小的几个特征根。
[0087] 步骤2:冶金过程在线监测。采集冶金在线新样本。进行DGLPP处理,计算监测统计量并与离线建模时的控制限对比,具体步骤如下:
[0088] 2.1采集冶金过程实时在线数据向量xi∈Rm,并且变量个数与变量代表的物理意义与离线建模时一致。构造进行DGLPP所需的新数据样本xnew=[xnew(k)xnew(k-1)…xnew(k-L)](m×L)∈R 。由于存在延时,所以在采集到第L个数据样本时才能产生第一个所需要的新数据样本。使用步骤1.2中计算得到的训练数据的均值向量对新的数据向量标准化,方法同1.2。
[0089] 2.2与步骤1.4中的方法类似,利用标准化后的数据建立如下基于DGLPP的NOC模型。
[0090]
[0091]
[0092]
[0093] ynew为投影后的向量。enew为残差向量。
[0094] 2.3计算D和Q统计量。
[0095] D=ynewTS-1ynew
[0096] Q=enewTenew
[0097] 步骤3:判断故障
[0098] 若:D≥DC或Q≥QC则代表冶金过程产生故障,应该立即停止生产进行检查。