Data-Driven Monitoring and Diagnosing of Abnormal Furnace Conditions in Blast Furnace Ironmaking: An Integrated PCA-ICA Method

الرصد والتشخيص القائمان على البيانات للظروف غير الطبيعية للفرن في صناعة الحديد بالأفران العالية: طريقة متكاملة قائمة على PCA-ICA

Clicks: 186
ID: 283065
2021
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Principal component analysis (PCA) and independent component analysis (ICA) have been widely used for process monitoring in process industry. Since the operation data of blast furnace (BF) ironmaking process contain both non-Gaussian distribution data and Gaussian distribution data, the above single PCA or ICA method hardly describes the data distribution information of the BF process completely, which makes the monitoring and diagnosis of abnormal working-conditions only with a single method prone to false positives and false negatives. In this article, a novel integrated PCA-ICA method is proposed for monitoring and diagnosing the abnormal furnace conditions in BF ironmaking by comprehensively considering and combining the characteristics of PCA and ICA. First, the process monitoring models of PCA and ICA are, respectively, established using the actual industrial BF data, while both them are using T2 and squared prediction error statistics to monitor whether the process is abnormal. Based on this, in order to fully reveal the internal structure of actual BF ironmaking data, an integrated PCA-ICA strategy and algorithm is proposed for comprehensively monitoring and diagnosing the abnormal furnace conditions. The corresponding unified contribution charts indices and control limits for fault identification were also presented. Finally, data experiments using actual industrial BF data show that the proposed method can obtain good results in both monitoring and diagnosing the abnormal furnace conditions of BF ironmaking.
يُستخدم تحليل المكونات الرئيسية (PCA) وتحليل المكونات المستقلة (ICA) على نطاق واسع لمراقبة العمليات في الصناعات التحويلية. وبما أن بيانات تشغيل عملية إنتاج الحديد في الفرن العالي (BF) تحتوي على بيانات ذات توزيع غاوسي وغير غاوسي معًا، فإن استخدام أي من طريقتي PCA أو ICA بشكل منفرد بالكاد يصف معلومات توزيع البيانات لعملية الفرن العالي بشكل كامل، مما يجعل رصد ظروف التشغيل غير الطبيعية وتشخيصها باستخدام طريقة واحدة فقط عرضة للإنذارات الكاذبة وحالات عدم الاكتشاف (الإيجابيات والسلبيات الكاذبة). في هذا المقال، يُقترح أسلوب تكاملي جديد يجمع بين PCA وICA لمراقبة وتشخيص ظروف الفرن غير الطبيعية في إنتاج الحديد بالفرن العالي، وذلك من خلال الأخذ في الاعتبار الخصائص المميزة لكلتا الطريقتين والدمج بينهما بصورة شاملة. أولاً، تم بناء نماذج مراقبة العمليات لكل من PCA وICA على التوالي باستخدام بيانات صناعية فعلية للفرن العالي، في حين يعتمد كلاهما على إحصاءات T2 وإحصاءات خطأ التنبؤ التربيعي لمراقبة ما إذا كانت العملية غير طبيعية. وبناءً على ذلك، ومن أجل الكشف الكامل عن البنية الداخلية لبيانات إنتاج الحديد الفعلية للفرن العالي، يُقترح استراتيجية وخوارزمية تكاملية بين PCA وICA للمراقبة والتشخيص الشاملين لظروف الفرن غير الطبيعية. كما تم تقديم مؤشرات مخططات المساهمة الموحدة وحدود التحكم المقابلة لتحديد الأعطال. وأخيرًا، أظهرت التجارب المعتمدة على بيانات صناعية فعلية للفرن العالي أن الطريقة المقترحة تحقق نتائج جيدة في كل من مراقبة وتشخيص ظروف الفرن غير الطبيعية في إنتاج الحديد بالفرن العالي.
Reference Key
zhou2021datadriven Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors P. Zhou; Ruiyao Zhang; J. Xie; Jiping Liu; Hong Wang; T. Chai
Journal IEEE transactions on industrial electronics (1982. Print)
Year 2021
DOI
10.1109/TIE.2020.2967708
URL
https://www.semanticscholar.org/paper/6c6a99fd3886addaf09d2d41c04906dec2e83e3c
Keywords
monitoring integrated method data-driven blast conditions abnormal furnace diagnosing ironmaking: pca-ica

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.