大数据驱动的钢铁工业智能故障诊断技术综述

发布时间：2021-09-01 23:05

　　钢铁工业智能故障诊断系统在当前大数据时代背景下面临着新的机遇与挑战;针对工业大数据的特征,分别从数据的采集与实时监控技术,基于机器学习的故障诊断方法,以及迁移学习在工业故障诊断中的应用三个角度对近年来国内外工业故障诊断方法的研究进展进行了总结与回顾;并在此基础上,结合钢铁企业的实际需求与现存问题,提出了将高炉炼铁过程划分为"系统—模块—功能—属性"四层次结构的面向整体的分层故障诊断新思想及未来可能的研究方向,阐明研究多技术融合的智能故障诊断系统对推进钢铁工业在大数据时代的绿色数字化发展具有十分重要的意义。 

【文章来源】：计算机测量与控制. 2020,28(11)

【文章页数】：7 页

【部分图文】：

工业故障诊断系统研究与大数据特征之间的对应关系

针对以上实际应用需求，基于采集到的工业大数据，我们使用“系统—模块—功能—属性”四层结构描述钢铁冶炼工艺流程（如图2所示，图中以高炉鼓风机的故障诊断为例展开），其中系统层由电动机系统、鼓风机系统、高炉系统等关键设备构成；而各系统可划分为不同模块，如数据采集模块、故障诊断模块、运维管理模块、成本分析模块等；针对每一模块，又可以按照其不同功能设置进一步分解，如故障诊断模块包括故障的检测、分离与识别；最底层的参数属性则直观展示了各个部位的运行状态，同时也是数据与人产生交互的基本方式。本节依此结构由底至上整体地对未来可能的研究方向进行展望。

【参考文献】：
期刊论文
[1]现代流程工业的机器学习建模[J]. 赵顺毅,陈子豪,张瑾,栾小丽,刘飞.  自动化仪表. 2019(09)
[2]焦化煤气鼓风机故障浅析[J]. 管红亮.  化工管理. 2019(11)
[3]风力发电系统的风机齿轮箱故障预测研究[J]. 刘跃飞,黄细霞,宋虎,刘娟.  计算机仿真. 2019(03)
[4]基于核极限学习机的风电机组齿轮箱故障预警研究[J]. 刘帅,刘长良,曾华清.  中国测试. 2019(02)
[5]焦炉煤气鼓风机故障诊断与维护[J]. 杨文帅.  河北企业. 2018(11)
[6]基于SCADA数据驱动的风电机组部件故障预警[J]. 吴亚联,梁坤鑫,苏永新,詹俊.  无线互联科技. 2018(13)
[7]基于大数据的风机智能报警系统实现与应用[J]. 方志宁,刘俊燕.  中国高新科技. 2018(01)
[8]采用信息熵和组合模型的风电机组异常检测方法[J]. 颜永龙,李剑,李辉,孙鹏,张晓萌.  电网技术. 2015(03)
[9]Combination of Model-based Observer and Support Vector Machines for Fault Detection of Wind Turbines[J]. Nassim Laouti,Sami Othman,Mazen Alamir,Nida Sheibat-Othman.  International Journal of Automation & Computing. 2014(03)
[10]风机叶片故障预测的振动方法研究[J]. 张保钦,雷保珍,赵林惠,李世刚,郑业明.  电子测量与仪器学报. 2014(03)

博士论文
[1]基于HMM的统计过程监控研究[D]. 周韶园.浙江大学 2005

硕士论文
[1]基于非线性状态估计技术的鼓风设备故障预警研究[D]. 刘峰里.湖南工业大学 2019
[2]高炉风机防喘振优化控制研究[D]. 林舒.浙江大学 2014
[3]高炉鼓风机防喘振控制方法的研究[D]. 陈毅夫.浙江大学 2013



本文编号：3377815