基于emd的多尺度因子分析方法在回转窑生产运行中的应用.docxVIP

基于emd的多尺度因子分析方法在回转窑生产运行中的应用 1 生产数据的因子分析 返回炉的燃烧过程是一个多扰动、大延迟、强耦合和非线性的复杂对象，因此很难准确地建模机械网络。目前国内外的控制系统一般采用在非模型条件下通过智能方法来实现过程控制。当过程工艺合理,工人责任心强且经验丰富时,人工控制可实现稳定运行,因此可参考人工经验实现控制。传统的监控、智能控制和专家系统等方法很多都是参考人工控制经验分层实现的,也有用试验方法进行分析后进行系统设计的,但实际中由于生产的连续性等各种原因,不一定具备后者所要求的试验条件,因此有必要从生产数据中寻找人工控制和分层的依据。因子分析是一种多元统计方法,能够从一组随机变量的数据资料出发,分析出对变量有公共影响的公因子,适合用于对煅烧过程生产变量的数据资料的分析。由于锌钡白煅烧过程具有多尺度特征,表现在以下几个方面: 回转窑的信号变化是多尺度的,如窑头温度等一类信号变化较快,而进料量等信号则相对稳定;实际操作中工人对不同的变量有不同的控制频率,对频繁波动的变量调整得较多,而变化缓慢的变量则很长时间才调整一次;从现场操作人员的角度看,他们的任务主要是根据生产需要保持关键变量短时间内稳定在某数值,而管理人员更关心的是各关键变量的长期趋势并据此发现生产和管理上存在的问题,所以信号的频谱有很大差异。 如果直接用这些信号数据进行因子分析,这种多时间尺度耦合关系必定会影响分析结果。经验模态分解法(Empirical Mode Decomposition,EMD)具有把信号按不同的时间尺度自动地分解成不同数据序列的能力,可以用于消除变量之间的耦合关系。本文首先采用经验模态分解法对过程数据进行分解,然后选择不同时间尺度下的数据进行因子分析,挖掘煅烧过程人工控制中的固有模式,从而为回转窑的分段控制提供了依据。 2 及因子旋转方法 因子分析可以看成是主成分分析的一种推广,其基本目的是用少数几个因子去描述许多个变量之间的关系。被描述的变量是可以观测的随机变量(显式变量),而这些因子是不可观测的潜在变量。因子分析就是利用这些潜在变量或本质因子去解释可观测变量的一种工具。具体说来,就是将观测变量分类,把相关性较高的变量分在同一类中,使不同类的变量之间的相关性较低,每一类的变量实际上就是一个本质因子。 设X=(X1,X2,…,Xp)是p维随机向量,因子分析的数学模型就是把p个原始变量表示为m个公共因子和一个特殊因子的线性加权和,如下: (X1X2?Xp)=(a11a12?a1ma21a22?a2m?ap1ap2?apm)(F1F2?Fm)+(ε1ε2?εp)(1)??????X1X2?Xp??????=??????a11a21?ap1a12a22ap2???a1ma2mapm????????????F1F2?Fm??????+??????ε1ε2?εp??????(1) 简记为 X(p×1)=A(p×m)×F(m×1)+ε(p×1)(2) 并且满足: {m≤pcov(F)=Ιmcov(ε)=diag(ψ21,?,ψ2p)cov(ε,F)=0 (3) 式中,(F1,F2,…,Fm)是公共因子(或称为主因子),它们是在各个原观测变量的表达式中都共同出现的因子,是相互独立不可观测的理论变量;εi是各对应变量Xi的特殊因子,在模型中起着残差的作用;矩阵A=[aij]称为因子载荷矩阵,容易得知,矩阵A就是随机向量X和F的协方差矩阵,它表示第i个变量在第j个公共因子上的相对重要程度。 如果某几个变量在同一个因子上都有较大的载荷,如都大于某个给定的临界值α*,则可以把这几个变量分为同一类,认为是由同一个因子引起的。载荷矩阵的估计方法有极大似然法、主成分法、主因子分解等。如果载荷矩阵中各变量对公共因子的载荷大小差别不是很明显,可进一步进行因子旋转,使某些Xi与F中某些因子相关关系更强,而与F中其他因子相关更弱,这样可以大为提高因子的可解释性。常用的旋转方法包括正交选转和斜交旋转等,其中,正交旋转包括方差极大(Varimax)旋转、四次方极大(Quartimax)旋转、等量极大(Equamax)旋转等,方差极大旋转目的是最小化每个因子上的高负载字段数目,简化了因子解释;四方极大旋转最小化解释每个变量所需的因子数目,从而简化了变量的解释;等量极大旋转综合这两种旋转方法,同时最小化高负载于某一因子的变量数目和解释某一变量所需的因子数目。具体的载荷矩阵的计算和因子旋转方法可参考文献。 经验模态分解是1998年由Huang N E提出的一种信号分解方法,它对于处理非线性、非平稳信号有清晰的物理意义,而且具有自适应性。EMD可以对一个信号同时将不同尺度(频率)的波动或趋势逐级分解开来,产生一系列具有不同特征尺度的数据序列,称为本征模态函数(Intri