识别在窑炉上.docVIP

毕业论文外文资料翻译 题 目 学 院 专 业 班 级 学 生 学 号 指导教师 二〇一 二 年 月 日Masoud Sadeghian and Alireza Fatehi 摘要 对于本文中我们利用非线性系统辨识方法预测和检测过程故障的水泥回转窑。在选择适当的输入和输出，投入产出模型确定的植物。确定不同操作点的窑，局部线性模拟（LLNF）模型是用来。该模型是用lolimot算法是一个增量的树形结构的算法。然后，通过使用这种方法，我们获得的3个不同的模式正常和故障情况下窑。一个模型是正常情况下的窑15分钟预测地平线。其他模型的故障情况下窑7分钟预测地平线的介绍。在最后，我们检测这些错误的验证数据。收集到的数据从白色沙维水泥公司在本次研究。 关键字：回转窑，故障检测，时延估计方法，局部线性模糊神经模型，lolimot 一、导言 可靠性安全性和可达性的工业发挥关键作用。它重要特别是现在当工业和控制算法越来越复杂经济压力，减少停机时间和费用，降低所需的时间加工产品。在简单的技术系统，提高复杂工业系统和高水平的工艺质量，可靠性和安全性要求迫使自动化诊断，使有可能确定的原因地方和时间的准确。早期发现故障可以通过基于模型的故障检测系统。该方法是基于残差产生的比较的估计测量信号与模型输出。该方法是问题的集中研究领域中的诊断，由于许多关键特性：1）组织如下:简述了回转窑进行了分析。也有一些异常状况可能频繁出现它。然后原因选择错误的情况下检测投入产出进行了讨论。我们计算输入通道的延误模型估计方法的基础上Lipschitz[14]。后来在第四节,NNLF模型和学习算法LOLIMOT三种模式的现状和缺陷对正常窑设计。第五部分致力于探讨三个异常检测条件试验和观察验证数据。结论在结束 图一水泥回转窑 本厂以不可弥补的损害设备。突然停止可能损害窑各点的基础上窑高耐热度波动。因此，必须使用一些方法来防止这种故障。许多工厂中的异常情况检测和报告的自动化和安全系统，如高温旋风分离器、压力不足的液压系统等。然而有其他异常情况这是没有检测到传统的自动化系统。在这些情况下没有变量的测量来超越其局限性，但总体表现工厂异常。专业的检测系统可以识别这些条件比较当前表现的工厂所预期从正常情况下的行为。我们关注了这些类型的故障或异常，导致产品或是起源过程中的停顿。例如一些常见的异常窑?涂层解体?振动?加热或冷冻过的。 在本文中以便继续以往的故障检测窑[ 15 ]，为第一时间程序的识别，预测和检测常见，同时破坏过程中的故障是振动和涂层介绍。在这个过程中在识别过程和分析窑数据我们发现这些故障显示一个特殊的行为在水泥回转窑的产量。利用系统辨识方法求异常状态检测。输出将被确定的温度是第一个点开始的窑称为后台的温度。它是在窑煅烧区和具有重大作用的高质量的水泥熟料。输入材料的进给速度，燃料，窑速，编号风扇速度和二次空气压力。由于使用这些输入和输出是更加证实了；谈判专家和工艺工程师的工厂往往在窑的操作。在他们看来，后端温度说明的内部状态的窑和手段选定的投入，这是可能的认识过程是否顺利或者有不良的发生。 我们已收集和分析数据的fourteen-week时期的窑炉运行数据。根据收集的数据在2例窑站。条件是当有一些机械和电气的制度缺陷；二是当运营商改变一些投入根据业务政策。这意味着作为一个不正常情况；经营者发现它并做出适当的反应克服条件。这意味着，异常状态停留很短，我们发现它在这短暂的时期。 通过研究人员注意和讨论，工艺工程师，我们分开的错误数据正常数据的窑数据。在这里每一集的数据我们作出努力，不断消除，重复和错误的操作要点。我们之所以消除常数和重复的观点是，在这种情况下变量的影响更多的小噪声和干扰，在实践中产生的动力通过这些数据不是主要的动态过程。另一方面，如果该卷的数据制作的模型是高在一个工作点，这一点得到更多的重量；因此增加误差在其他点模型制作。后删除无效数据和预处理对他们[ 16 ]。是分为三个部分：50%，是用来作为训练集，20%为试验组，其余为验证数据集。 三、输入通道时延估计 输入通道时延估计在确定的5个输入和1个输出模式的窑，我们应该估计它的输入通道延迟。我们之所以估计输入延迟了一free-model方法是，确定他们的身份，使这一任务繁重而增加计算量。因此，确定输入通道延迟缩小搜索空间大，使其余的识别阶段更容易和更准确。该方法，我们使用的是基于Lips