基于主成分分析的液压泥炮系统泄漏监测

　　高炉铁口出铁后,必须及时用炮泥将铁口堵住.泥炮的作用就是将炮泥注入出铁口孔道,完成出铁口孔道的封堵和炉内前墙的修补任务.随着高炉大型化、高压操作的发展以及无水炮泥的应用,泥炮经历了蒸汽驱动-电动驱动-液压驱动的发展历程,液压泥炮具有大的推力和容量,便于炉前风口操作,因此得到了广泛的应用[1].

　　当泥炮打泥时需要在高炉正常风压下快速地将炮泥压入出铁口,液压阀的迅速开启极易诱发系统内部瞬压力冲击,压力峰值可以达到系统工作压力的2倍[2].在堵口时炮泥不仅需要填满出铁口孔道,而且需要在铁口内烧结,炉前设备长时间工作在高温环境下.恶劣的炉前环境和系统内部的压力瞬态冲击,对液压系统管路和器件的寿命造成极大的影响,系统常发生油液泄漏.由于现场环境复杂,工作人员难以及时发现泄漏故障,造成污染扩大和资源的巨大浪费.以宝钢三号高炉液压泥炮为例,每年泄漏造成的油液损失高达30万元.

　　主成分分析(principal component analysis,PCA)是一种利用数据相关原理建立系统低维模型的方法,该方法将高度相关的过程数据投影到低维空间,并保留原有的有用信息.PCA方法已经在图像识别、数据压缩和故障检测等领域得到应用[3-6].区别于基于数学模型或知识的其他故障诊断方法,PCA方法具有不依赖于过程数学模型的特点,通过采用HotellingT2统计量和平方预测误差Q统计量(SPE计量),对过程进行监测和故障诊断.本文基于多维数据驱动的PCA方法,建立了液压泥炮泄漏监测装置,并将该装置应用到宝钢三号高炉泥炮系统中,以验证方法的有效性.

　　1　基于统计原理的故障监测方法

　　1.1　主成分分析

　　PCA方法通过少数几个主分量(原始变量的线性组合)来解释多变量方差-协方差结构,可用于简化变量群.PCA方法通过导出几个主分量,尽可能多地保留原始变量的信息,利用数据之间的相关性降低维数,同时不丢失过多的信息[7].

　　式中:E为残差矩阵,T为核心矩阵,P为负载矩阵,R为协方差矩阵,X为采样矩阵,X^为X的估计,λi为协方差矩阵的特征值,x*i为经过标准化处理的采向量,ti为核心向量,pi为负载向量.

　　采样矩阵X为n×m矩阵,其中n为采样点数,m为采样变量的数目.在进行主分量分析前对采样向量进行标准化处理,将采样向量转化为均值为0、方差为1的标准采样向量.核心矩阵T为正交矩阵.负载矩阵P由协方差矩阵R的特征向量构成,特征向量的选取根据特征向量在状态空间的作用来确定,通过剔除不重要的特征向量实现主分量分析的数据空间降维.PCA从几何上看就是寻找m维空间中椭球体的主轴.前k个主元所概括的原测变量的信息大小,可由k个主元的方差贡献率来表示: