国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      帶鋼熱連軋質量的故障診斷方法及裝置的制造方法

      文檔序號:10569397閱讀:325來源:國知局
      帶鋼熱連軋質量的故障診斷方法及裝置的制造方法
      【專利摘要】本發(fā)明提出了一種帶鋼熱連軋質量的故障診斷方法及裝置,該方法包括:采集帶鋼熱連軋生產(chǎn)過程中的歷史樣本數(shù)據(jù),所述歷史樣本數(shù)據(jù)包括帶鋼熱連軋以往的生成生產(chǎn)過程中的數(shù)據(jù)組;基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),并對應于每個模態(tài)建立模型;實時獲取帶鋼熱連軋當前生產(chǎn)過程中的數(shù)據(jù)組,并將實時獲取的數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中;對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應的模型進行故障診斷。解決了現(xiàn)有技術中產(chǎn)品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定性和安全性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質量的問題。
      【專利說明】
      帶鋼熱連軋質量的故障診斷方法及裝置
      技術領域
      [0001] 本發(fā)明涉及鋼鐵生產(chǎn)過程檢測與控制領域,尤其涉及一種帶鋼熱連乳質量的故障 檢測方法及裝置。
      【背景技術】
      [0002] 在工業(yè)生產(chǎn)中,對產(chǎn)品質量的預測和監(jiān)控十分必要。在帶鋼熱連乳生產(chǎn)過程中產(chǎn) 品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定性和安全 性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質量。

      【發(fā)明內容】

      [0003] 本發(fā)明提供了一種帶鋼熱連乳質量的故障診斷方法及裝置,解決了現(xiàn)有技術中產(chǎn) 品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定性和安全 性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質量的問題。
      [0004] 本發(fā)明第一方面提供一種帶鋼熱連乳質量的故障診斷方法,包括:采集帶鋼熱連 乳生產(chǎn)過程中的歷史樣本數(shù)據(jù),所述歷史樣本數(shù)據(jù)包括帶鋼熱連乳以往的生成生產(chǎn)過程中 的數(shù)據(jù)組,所述數(shù)據(jù)組包括輥縫、乳制力、彎輥力以及機架出口厚度;基于所述歷史樣本數(shù) 據(jù)進行聚類劃分得到多個模態(tài),并對應于每個模態(tài)建立模型;實時獲取帶鋼熱連乳當前生 產(chǎn)過程中的數(shù)據(jù)組,并將實時獲取的數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中;對應于每個模 態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應的模型進行故障診斷。
      [0005] 如上所述,所述基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),包括:根據(jù)隸 屬度矩陣以及聚類中心與數(shù)據(jù)點之間的歐式距離,構建核模糊C-聚類(Kernel Fuzzy C-Cluster,KFCC)算法的第一目標函數(shù),隸屬度矩陣中各元素取值為[0,1]之間;根據(jù)第一目 標函數(shù)以及約束式的拉格朗日乘子構建第二目標函數(shù)以獲取第二目標函數(shù)達到最小值的 必要條件;根據(jù)所述第一目標函數(shù)、所述第二目標函數(shù)以及所述第二目標函數(shù)達到最小值 的必要條件,采用引入類間-類內劃分(Between-Within Proportion,BWP)指標確定最佳模 態(tài)數(shù),輸出聚類結果,所述聚類結果包括有效性指標值和最佳聚類數(shù)。
      [0006] 如上所述,所述第一目標函數(shù): c a n
      [0007] J{U= T i-1 f-1 j
      [0008] 其中,U為隸屬度矩陣,Uij的取值為[0,1]之間,Ci為模糊組i的聚類中心,dij= | Cl-Xj | |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,&為第j個數(shù)據(jù)點,mG [1,m )是加 權指數(shù)。
      [0009] 如上所述,所述第二目標函數(shù):
      [0011 ]其中,人j(j = 1,…,n)是式lx = 1,= 1,…,順n個約束式的拉格朗日乘子,ci為模 ,二 1 糊組i的聚類中心,Uij是隸屬度矩陣U中的元素,Uij的取值為[0,1]之間,dij = | | ci-xj | |為第 i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,&為第j個數(shù)據(jù)點,mG[l,cx0是加權指數(shù)。
      [0012]如上所述,所述第二目標函數(shù)達到最小值的必要條件為:
      [0016] 其中,(^為模糊組i的聚類中心,Ulj是隸屬度矩陣U中的元素,Ulj的取值為[0,1]之 間,x偽第j個數(shù)據(jù)點,屯=| |Cl_Xj| |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,dkj = I ck_Xj | |為第k個聚類中心與第j個數(shù)據(jù)點間的歐式距離,mG [1,m)是加權指數(shù)。
      [0017] 如上所述,所述對應于每個模態(tài)建立模型,包括:建立帶鋼熱連乳過程變量與出口 厚度的解析關系。
      [0018] 如上所述,所述建立帶鋼熱連乳過程變量與出口厚度的解析關系,包括:針對每一 類數(shù)據(jù),利用核潛結構投影KPLS(Kernel Partial Least Squares,核潛結構投影)方法對 過程變量X和質量變量Y分別進行建模,所述過程變量包括所述數(shù)據(jù)組。
      [0019] 如上所述,所述將所述實時數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中,包括:利用KPLS 回歸算法,產(chǎn)生k(k=l,…,4)個模態(tài),確定每個模態(tài)相應的回歸系數(shù)矩陣,其中,i表 示第k個模態(tài)對應的歷史樣本數(shù)據(jù)類別,i = 1,…,k)對于實時獲取的數(shù)據(jù)組&@,利用相應 的均值和協(xié)方差信息對數(shù)據(jù)進行歸一化,得到預測質量變量值其中, Xne3W表示新的實時在線采集的數(shù)據(jù)矩陣,T表示矩陣的轉置,i表示第k個模型對應的歷史樣 本數(shù)據(jù)類別;利用先驗概率公式:SI# - yfk,確定Xnew屬于 第i類的先驗概率,其中,i = l,…,k;yf代表第i類歷史樣本數(shù)據(jù)的第j個樣本,f/1代表 第i類歷史樣本數(shù)據(jù)第j個樣本的預測值;根據(jù)貝葉斯公式,確定后驗概率:
      '其中,P⑴為第i類的樣本個數(shù)與總的樣本個數(shù)之比;將Xn?劃分 到后驗概率最大的那一類。
      [0020] 如上所述,所述對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應的模 型進行故障診斷,包括:將基于KPLS方法的兩種質量相關的檢測指標T2和Q合成為一個指標 小,用于故障檢測;其中,T 2表示HotellingT2統(tǒng)計,檢測的是與質量變量直接相關的故障,Q 表示統(tǒng)計學中的Q統(tǒng)計,檢測的是過程噪聲;利用貢獻率法實現(xiàn)質量相關的故障診斷問題。
      [0021] 本發(fā)明第二方面提供了一種帶鋼熱連乳質量的故障診斷裝置,包括:
      [0022] 采集單元,用于采集帶鋼熱連乳生產(chǎn)過程中的歷史樣本數(shù)據(jù),所述歷史樣本數(shù)據(jù) 包括帶鋼熱連乳以往的生成生產(chǎn)過程中的數(shù)據(jù)組,所述數(shù)據(jù)組包括輥縫、乳制力、彎輥力以 及機架出口厚度;
      [0023] 聚類劃分單元,用于基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),并對應 于每個模態(tài)建立模型;
      [0024] 實時劃分單元,用于實時獲取帶鋼熱連乳當前生產(chǎn)過程中的數(shù)據(jù)組,并將實時獲 取的數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中;
      [0025] 故障診斷單元,用于對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應 的模型進行故障診斷。
      [0026] 如上所述,所述聚類劃分單元,包括:
      [0027] 第一構建模塊,用于根據(jù)隸屬度矩陣以及聚類中心與數(shù)據(jù)點之間的歐式距離,構 建核模糊C-聚類KFCC算法的第一目標函數(shù),隸屬度矩陣中各元素取值為[0,1]之間;
      [0028] 第二構建模塊,用于根據(jù)第一目標函數(shù)以及約束式的拉格朗日乘子構建第二目標 函數(shù)以獲取第二目標函數(shù)達到最小值的必要條件;
      [0029] 聚類劃分模塊,用于根據(jù)所述第一目標函數(shù)、所述第二目標函數(shù)以及所述第二目 標函數(shù)達到最小值的必要條件,采用引入類間-類內劃分BWP指標確定最佳模態(tài)數(shù),輸出聚 類結果,所述聚類結果包括有效性指標值和最佳聚類數(shù)。
      [0030] 如上所述,所述第一目標函數(shù): c c n
      [0031 ] ./(〇',) = 5]./; = if-1 j
      [0032]其中,U為隸屬度矩陣,Uij的取值為[0,1]之間,Ci為模糊組i的聚類中心,dij= | Cl-Xj | |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,x偽第j個數(shù)據(jù)點,mG [1,m )是加 權指數(shù)。
      [0033]如上所述,,所述第二目標函數(shù):
      [0034] , ? " i=l j j-l i=l c
      [0035] 其中,Aj(j = 1, ???,n)是式J]% = = 1,…一的n個約束式的拉格朗日乘子,(^為 模糊組i的聚類中心,Uij是隸屬度矩陣U中的元素,Uij的取值為[0,1]之間,dij = | | ci-xj | |為 第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,&為第j個數(shù)據(jù)點,mG[l,cx0是加權指數(shù)。
      [0036] 如上所述,所述第二目標函數(shù)達到最小值的必要條件為:
      [0040] 其中,(^為模糊組i的聚類中心,Ulj是隸屬度矩陣U中的元素,Ulj的取值為[0,1]之 間,x偽第j個數(shù)據(jù)點,屯=| |Cl_Xj| |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,dkj = I ck_Xj | |為第k個聚類中心與第j個數(shù)據(jù)點間的歐式距離,mG [1,m)是加權指數(shù)。
      [0041] 如上所述,所述聚類劃分單元,還用于建立帶鋼熱連乳過程變量與出口厚度的解 析關系。
      [0042]如上所述,所述聚類劃分單元,具體還用于針對每一類數(shù)據(jù),利用核潛結構投影 KPLS方法對過程變量X和質量變量Y分別進行建模,所述過程變量包括所述數(shù)據(jù)組。
      [0043] 如上所述,所述實時劃分單元,包括:
      [0044] 第一確定模塊,用于利用KPLS回歸算法,產(chǎn)生k(k= 1,…,4)個模態(tài),確定每個模態(tài) 相應的回歸系數(shù)矩陣,其中,i表示第k個模態(tài)對應的歷史樣本數(shù)據(jù)類別,i = 1,…,k)
      [0045] 預測模塊,用于對于實時獲取的數(shù)據(jù)組^?,利用相應的均值和協(xié)方差信息對數(shù)據(jù) 進行歸一化,得到預測質量變量值:Ml ;其中,x_表示新的實時在線采集的 數(shù)據(jù)矩陣,T表示矩陣的轉置,i表示第k個模型對應的歷史樣本數(shù)據(jù)類別;
      [0046] 先驗模塊,用于利用先驗概率公式:八x"OT|/) 叫的二-yf 1^ ||ff -#1,確 SXnew屬于第i類的先驗概率,其中,i = 1,…,k;y^代表第i類歷史樣本數(shù)據(jù)的第j個樣本,
      代表第i類歷史樣本數(shù)據(jù)第j個樣本的預測值;
      [0047] 后驗模塊,用于根據(jù)貝葉斯公式,確定后驗概率: '其中, P(i)為第i類的樣本個數(shù)與總的樣本個數(shù)之比;
      [0048] 實時劃分模塊,用于將^?劃分到后驗概率最大的那一類。
      [0049] 如上所述,所述故障診斷單元,包括:
      [0050] 合成模塊,用于將基于KPLS方法的兩種質量相關的檢測指標T2和Q合成為一個指 標小,用于故障檢測;其中,T2表示HotellingT 2統(tǒng)計,檢測的是與質量變量直接相關的故障, Q表示統(tǒng)計學中的Q統(tǒng)計,檢測的是過程噪聲;
      [0051] 診斷模塊,用于利用貢獻率法實現(xiàn)質量相關的故障診斷問題。
      [0052] 本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法及裝置,利用帶鋼熱連乳現(xiàn) 場采集到的大量的能夠反映生產(chǎn)過程的數(shù)據(jù)建立了生產(chǎn)過程變量與最終產(chǎn)品質量厚度之 間的關系,為生產(chǎn)過程監(jiān)測、診斷并監(jiān)控產(chǎn)品的質量提供重要的理論支撐與技術支持。解決 了現(xiàn)有技術中產(chǎn)品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程 的穩(wěn)定性和安全性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證 產(chǎn)品質量的問題。
      【附圖說明】
      [0053] 圖1為本發(fā)明實施例提供的一種帶鋼熱連乳質量的故障診斷方法的流程圖;
      [0054] 圖2為本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法中步驟102的流程示 意圖;
      [0055] 圖3為本發(fā)明實施例提供的帶鋼熱連乳的工藝布置圖;
      [0056] 圖4為本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法工藝流程示意圖; [0057]圖5是基于改進的KPLS方法的厚度相關的故障檢測結果;
      [0058]圖6是基于貢獻率法的厚度相關的故障診斷結果;
      [0059] 圖7為本發(fā)明實施例提供的一種帶鋼熱連乳質量的故障診斷裝置的結構示意圖。
      【具體實施方式】
      [0060] 本發(fā)明屬于鋼鐵生產(chǎn)過程檢測與控制領域,特別是提出了一種帶鋼熱連乳厚度質 量監(jiān)測與故障診斷方法,它以保證最終的產(chǎn)品厚度質量符合要求為目標,建立了帶鋼熱連 乳過程變量與出口厚度的關系,提供了一種帶鋼熱連乳這一復雜非線性、多模態(tài)間歇過程 模態(tài)劃分的新方法,為帶鋼熱連乳厚度質量監(jiān)測與故障診斷提供了理論支撐與技術支持。
      [0061] 圖1為本發(fā)明實施例提供的一種帶鋼熱連乳質量的故障診斷方法的流程圖。
      [0062] 如圖1所示,本發(fā)明實施例提供了一種帶鋼熱連乳質量的故障診斷方法,包括:
      [0063] 步驟101、采集帶鋼熱連乳生產(chǎn)過程中的歷史樣本數(shù)據(jù)。
      [0064] 其中,所述歷史樣本數(shù)據(jù)包括帶鋼熱連乳以往的生成生產(chǎn)過程中的數(shù)據(jù)組,所述 數(shù)據(jù)組包括輥縫、乳制力、彎輥力以及機架出口厚度。
      [0065] 步驟102、基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),并對應于每個模態(tài) 建立模型。
      [0066] 步驟103、實時獲取帶鋼熱連乳當前生產(chǎn)過程中的數(shù)據(jù)組,并將實時獲取的數(shù)據(jù)組 中的數(shù)據(jù)劃分到對應的模態(tài)中。
      [0067]步驟104、對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應的模型進行 故障診斷。
      [0068] 本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法,利用帶鋼熱連乳現(xiàn)場采集 到的大量的能夠反映生產(chǎn)過程的數(shù)據(jù)建立了生產(chǎn)過程變量與最終產(chǎn)品質量厚度之間的關 系,為生產(chǎn)過程監(jiān)測、診斷并監(jiān)控產(chǎn)品的質量提供重要的理論支撐與技術支持。解決了現(xiàn)有 技術中產(chǎn)品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定 性和安全性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質 量的問題。
      [0069] 圖2為本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法中步驟102的流程示 意圖。
      [0070] 如圖2所示,在一實施例中,所述基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模 態(tài),包括:
      [0071] 步驟1021、根據(jù)隸屬度矩陣以及聚類中心與數(shù)據(jù)點之間的歐式距離,構建KFCC算 法的第一目標函數(shù),隸屬度矩陣中各元素取值為[0,1]之間。
      [0072] 在本實施例中,所述第一目標函數(shù)可以通過以下公式表達:
      [0073] 1=1 1=1 j:
      [0074]其中,U為隸屬度矩陣,Ulj的取值為[0,1]之間,(^為模糊組i的聚類中心,c^= | Cl-Xj | |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,x偽第j個數(shù)據(jù)點,mG [1,m )是加 權指數(shù)。
      [0075] 步驟1022、根據(jù)第一目標函數(shù)以及約束式的拉格朗日乘子構建第二目標函數(shù)以獲 取第二目標函數(shù)達到最小值的必要條件;
      [0076] 在本實施例中,所述第二目標函數(shù)可以通過以下公式表達: - _ C ,q "? ,,cc,4) = J職a七(2 〇
      [0077] c " " c j J~l i=l c
      [0078] 其中,人」〇 = 1,*",11)是式1〃;.,_=1,\:?7 = ^..-/?的11個約束式的拉格朗日乘子,(^為 i-I 模糊組i的聚類中心,Uij是隸屬度矩陣U中的元素,Uij的取值為[0,1]之間,dij = I I Ci-Xj I I為 第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,&為第j個數(shù)據(jù)點,mG[l,cx0是加權指數(shù)。
      [0079] 在本實施例中,所述第二目標函數(shù)達到最小值的必要條件可以通過以下公式表 達:
      [0083]其中,(^為模糊組i的聚類中心,Ulj是隸屬度矩陣U中的元素,Ulj的取值為[0,1]之 間,x偽第j個數(shù)據(jù)點,屯=| |Cl_Xj| |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,dkj = I ck_Xj | |為第k個聚類中心與第j個數(shù)據(jù)點間的歐式距離,mG [1,m)是加權指數(shù)。
      [0084]步驟1023、根據(jù)所述第一目標函數(shù)、所述第二目標函數(shù)以及所述第二目標函數(shù)達 到最小值的必要條件,采用引入類間-類內劃分(Between-Within Proportion,BWP)指標確 定最佳模態(tài)數(shù),輸出聚類結果,所述聚類結果包括有效性指標值和最佳聚類數(shù)。
      [0085]又一實施例中,所述對應于每個模態(tài)建立模型,包括:建立帶鋼熱連乳過程變量與 出口厚度的解析關系。
      [0086] 具體的,在一實施例中,所述建立帶鋼熱連乳過程變量與出口厚度的解析關系,包 括:針對每一類數(shù)據(jù),利用KPLS方法對過程變量X和質量變量Y分別進行建模,所述過程變量 包括所述數(shù)據(jù)組。
      [0087] 其中,進行聚類時,在類內樣本方面,應具有更多的相同點,而在類間樣本方面,應 具有更多的相異點。本發(fā)明在進行聚類時,以距離測度為出發(fā)點,引入類間-類內劃分 (Between-Within Proportion,BWP)指標,每一類數(shù)據(jù)應主要包括輯縫、乳制力和彎輯力及 相應的出口厚度。
      [0088] 具體的,所述將所述實時數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中,包括:利用KPLS回 歸算法,產(chǎn)生k(k=l,…,4)個模態(tài),確定每個模態(tài)相應的回歸系數(shù)矩陣,其中,i表示 第k個模態(tài)對應的歷史樣本數(shù)據(jù)類別,i = 1,…,k)對于實時獲取的數(shù)據(jù)組&@,利用相應的 均值和協(xié)方差信息對數(shù)據(jù)進行歸一化,得到預測質量變量值:?,其中,Xnew 表示新的實時在線采集的數(shù)據(jù)矩陣,T表示矩陣的轉置,i表示第k個模型對應的歷史樣本數(shù) 據(jù)類別;利用先驗概率公式:作_|,) =-yllz I# -,確定Xnew屬于第i類 的先驗概率,其中,i = l,…,k;yf代表第i類歷史樣本數(shù)據(jù)的第j個樣本>代表第i類歷史 樣本數(shù)據(jù)第j個樣本的預測值;根據(jù)貝葉斯公式,確定后驗概率:
      其中,P(i)為第i類的樣本個數(shù)與總的樣本個數(shù)之比;將Xn?劃分到后驗概率最大的那一類。
      [0089] 在一實施例中,所述對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應 的模型進行故障診斷,包括:將基于KPLS方法的兩種質量相關的檢測指標T2和Q合成為一個 指標巾,用于故障檢測;其中,T 2表示HotellingT2統(tǒng)計,檢測的是與質量變量直接相關的故 障,Q表示統(tǒng)計學中的Q統(tǒng)計,檢測的是過程噪聲;利用貢獻率法實現(xiàn)質量相關的故障診斷問 題。
      [0090] 本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法,利用帶鋼熱連乳現(xiàn)場采集 到的大量的能夠反映生產(chǎn)過程的數(shù)據(jù)建立了生產(chǎn)過程變量與最終產(chǎn)品質量厚度之間的關 系,為生產(chǎn)過程監(jiān)測、診斷并監(jiān)控產(chǎn)品的質量提供重要的理論支撐與技術支持。解決了現(xiàn)有 技術中產(chǎn)品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定 性和安全性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質 量的問題。
      [0091 ]圖3為本發(fā)明實施例提供的帶鋼熱連乳的工藝布置圖;
      [0092] 圖4為本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法工藝流程示意圖;
      [0093] 為了使本領域技術人員更好的理解本發(fā)明實施例提供的帶鋼熱連乳質量的故障 檢測方法,現(xiàn)對帶鋼熱連乳生產(chǎn)過程進行詳細的說明。帶鋼熱連乳過程是一個極其復雜的 工業(yè)生產(chǎn)過程。整個過程的工藝布置圖如圖3所示,整體上包含以下部分:加熱爐、粗乳、熱 輸出輥道、卷取機、飛剪、精乳及層流冷卻裝置和卷取機等。加熱爐保證板帶鋼材進入粗乳 的溫度能達到1200°C,粗乳階段一般可將板帶乳制成28~45mm的中間坯,由此板坯的長度 也會成比例的增加,熱輸出輥道將帶鋼從粗乳區(qū)送入精乳區(qū),進行更為精密的乳制。圖3中, 精乳機組由7個機架組成,每個機架包含兩個工作輥和兩個支撐輥,每一個機架有自己的驅 動單元來為工作輥提供動力,兩個工作輥之間的距離稱為輥縫,它是通過調節(jié)支撐輥上的 液壓壓下來進行調節(jié)的。乳輥的速度設定為能滿足最后一個機架的乳制要求。相對于粗乳 過程只有一個機架,精乳區(qū)的7個機架意味著精乳過程中整個板帶要通過所有機架。由于加 熱后的帶鋼的塑性系數(shù)大大降低,精乳區(qū)帶鋼的張力采用微張力控制,這樣避免了帶鋼較 大的延展和變形。為此,精乳區(qū)每個機架之間都安裝有張力控制環(huán),這樣控制能夠使整塊鋼 板安全平穩(wěn)的傳輸。
      [0094]整個熱乳過程,關心的質量變量為厚度、寬度、板型和出口溫度等,尤其是出口厚 度,它是直接影響產(chǎn)品質量的最為關鍵的因素。出口厚度是由X-射線測厚儀在最后一個機 架的出口處測量,整個乳制過程是由AGC系統(tǒng)來控制的。但是,監(jiān)測AGC系統(tǒng)的輸入是出口厚 度,這就存在一個明顯的滯后控制,發(fā)生在前面機架的故障要等到X-射線測厚儀測到異常 的厚度值才能針對厚度故障進行控制。所以,建立能夠實時采集的過程變量與出口厚度的 關系,并通過實時測量過程變量來對厚度進行質量監(jiān)測與故障診斷就變得十分有意義。 [0095] 如圖4所示,具體內容如下:
      [0096] 1.基于KFCC和BWP指標的模態(tài)劃分方法
      [0097] 根據(jù)隸屬度大小,利用KFCC算法進行聚類時,主要是由隸屬度的大小進行判定,某 個數(shù)據(jù)點對應某個聚類的隸屬度的值越大,則屬于某一類。KFCC算法將n個樣本X={ X1, X2,…,xn}分成c個模糊組,然后求解每組的聚類中心,最終要使非相似性指標的目標函數(shù)達 到最小。隸屬度矩陣U的取值為[0,1]間的元素。在歸一化條件的約束下,一個數(shù)據(jù)集的隸屬 C 度的總和等于1,即r 〃// =丄w = ^》,目標函數(shù)為: /=1
      [0098] 人,,⑴ (=1 j=l
      [00"]式中,Uij的取值為[0,1]之間,Ci為模糊組i的聚類中心,di,j= I I <i> (Xj)-Ci| |e為第 i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,SG[l,cx0是加權指數(shù)。為了得到數(shù)據(jù)集合的最 佳模糊劃分,利用拉格朗日乘數(shù)法,求得使式(1)達到最小值的必要條件:
      [0102] 本發(fā)明進行模態(tài)劃分時,采取KFCC算法是因為K-means算法是一種硬聚類算法,某 個樣本確切的屬于某一類,非此即彼。而KFCC算法則是一種柔性的模糊劃分,在判斷某個樣 本屬于某個聚類的程度時,主要利用隸屬度來衡量,最后根據(jù)隸屬度矩陣,按照模糊集合中 最大隸屬原則確定每個樣本的分類,這樣可以使聚類結果更加準確。尤其針對帶鋼熱連乳 這種復雜的間歇過程,不同模態(tài)之間的過渡過程會使過程數(shù)據(jù)呈現(xiàn)出更多的不確定性,通 過這種模糊的方法,可以盡量減少對監(jiān)測精度的影響。
      [0103]在確定最佳模態(tài)數(shù)時,本發(fā)明從距離測度考慮,引入了一種基于樣本幾何結構的 聚類有效性指標一類間-類內劃分BWP指標:
      [0105]式中,xf表示第m類的第p個樣本,xf表示第j類的第q個樣本,xp表示第j類的第 i個樣本;b(j,i)定義為第j類的第i個樣本的最小類間距離,w(j,i)定義第j類的第i個樣本 的類內距離。
      [0106]值得說明的是,所述距離是指n維歐式空間中的歐氏距離,具體在本發(fā)明中指樣本 到其它每個類中樣本的平均距離。
      [0107] 通過該指標,結合聚類算法確定多模態(tài)的最佳模態(tài)數(shù)。然后,將KFCC算法與BWP指 標結合起來,提出了一種評價聚類效果、確定最佳聚類數(shù)的方法。具體實現(xiàn)步驟如下:
      [0108] 1)選擇聚類數(shù)的搜索范圍[k_,kmax];
      [0109] 2)從kmin開始,到kmax結束,運行KFCC算法,通過計算單個樣本的BWP指標值來計算 所有樣本的BWP指標值;
      [0110] 3)通過比較所有樣本的BWP指標值確定最佳聚類數(shù),即其最大值為最佳聚類數(shù); 4)輸出聚類結果,包含有效性指標值和最佳聚類數(shù)。
      [0112] 例如,該歷史數(shù)據(jù)具有4個模態(tài),每個模態(tài)有8個批次,每個批次含有800個采樣???以看出該方法在沒有先驗知識的前提下,能夠實現(xiàn)帶鋼熱連乳生產(chǎn)過程歷史數(shù)據(jù)的一致聚 類。
      [0113] 2.基于改進的KPLS的質量相關的故障檢測與診斷方法
      [0114] 在確定好分類數(shù)、合理地將數(shù)據(jù)分類后,針對每一類數(shù)據(jù),利用KPLS方法對歷史樣 本數(shù)據(jù)的過程變量X和質量變量Y分別進行建模,并將基于KPLS方法的兩種質量相關的檢測 指標T 2和Q合成為一個指標巾為:
      [0116] 可簡單表述為:
      [0118]式中,Q GRnXn。從(}>函數(shù)的一階泰勒展開式和核函數(shù)梯度出發(fā),定義了一種新的 診斷方法,即貢獻率法。該方法有著很明確的物理意義,可以表示各個變量對檢測指標小的 影響程度,所述各個變量,包括機架的輥縫、乳制力和彎輥力及機架出口厚度。
      [0119]以上方法實現(xiàn)了質量相關的故障檢測,下一步就需要診斷引起該故障的變量。本 發(fā)明采用了貢獻率法實現(xiàn)了質量相關的故障診斷問題。
      [0120] 3.基于KPLS回歸與貝葉斯分類混合的在線分類方法
      [0121] 在以上對不同模態(tài)的數(shù)據(jù)建立好模型后,當有新的實時在線采集的數(shù)據(jù)Xnew時,首 先需要將它歸為相應的類中,這樣才能利用相應的模型進行故障檢測。本發(fā)明中主要利用 貝葉斯方法實現(xiàn)分類。假設歷史樣本數(shù)據(jù)被分為k類,利用KPLS回歸算法,可以產(chǎn)生k個模 型,每個模型都有相應的回歸系數(shù)矩陣對于新數(shù)據(jù) Xm5W,首先利用相應的均值和協(xié) 方差信息對數(shù)據(jù)進行歸一化,通過下式,可以得到相應的預測質量變量值:
      [0122] fl 二 ⑶
      [0123] 定義如下先驗概率公式:
      [0124] 尸(X-1,)=蘆I,|的丨-||五(8)
      [0125] 該式給出了 Xnew屬于第i類的先驗概率,i = l,…,k。其中乂1代表第i類歷史樣本數(shù) 據(jù)的第j個樣本,if代表第i類歷史樣本數(shù)據(jù)第j個樣本的預測值。
      [0126] 根據(jù)貝葉斯公式,后驗概率可表示為:
      [0128] 式中,P(i)為第i類的樣本個數(shù)與總的樣本個數(shù)之比。當某一類對應的后驗概率最 大時,xne5W便屬于那一類,即:
      [0129] 產(chǎn)=max W卜(10)
      [0130] 4.帶鋼熱連乳厚度質量監(jiān)測與故障診斷方法
      [0131] 在乳制過程中,不同時段的鋼的規(guī)格是不同的。因此,本發(fā)明將帶鋼熱連乳生產(chǎn)線 看作是一個多模態(tài)的間歇生產(chǎn)過程,將以上提出的方法應用于該生產(chǎn)過程厚度質量監(jiān)測與 故障診斷中,取得了良好的監(jiān)測效果,故障診斷正確率較高。
      [0132] 具體實現(xiàn)步驟如下:
      [0133] 1)準備帶鋼熱連乳數(shù)據(jù)
      [0134] 本發(fā)明中,質量變量是精乳機出口厚度,過程變量主要考慮影響出口厚度的因素, 包括七機架的平均輥縫、乳制力和彎輥力,共20個過程變量,其中,第一機架無彎輥,采樣間 隔為0.01s,如表1所不。
      [0135] 表1精乳機過程變量和質量變量
      [0138] 2)確定帶鋼熱連乳最佳模態(tài)數(shù)
      [0139]利用KFCC和BWP指標,實現(xiàn)了帶鋼熱連乳生產(chǎn)數(shù)據(jù)模態(tài)的劃分。
      [0140] 3)基于KPLS回歸與貝葉斯分類混合方法的帶鋼熱連乳生產(chǎn)過程數(shù)據(jù)的在線分類
      [0141] 在以上對不同模態(tài)的數(shù)據(jù)建立好模型后,當有新的數(shù)據(jù)Xnew時,需要利用KPLS回歸 與貝葉斯分類混合的方法將它歸為相應的類中,這樣才能利用相應的模型進行故障檢測。
      [0142] 4)基于改進的KPLS的質量相關的帶鋼熱連乳生產(chǎn)過程故障檢測與診斷
      [0143] 在將歷史樣本數(shù)據(jù)劃分成不同模態(tài)后,利用KPLS的建模方法對不同模態(tài)的數(shù)據(jù)分 別進行建模。
      [0144] 舉例說明:考慮兩個不同的故障情況:
      [0145] 情況1:在采樣l<i<1400間,模態(tài)2沒有故障發(fā)生;采樣1401〈i<2100間,模態(tài)1在 1601到1800采樣間發(fā)生故障;采樣2101〈i<3500間,模態(tài)3沒有故障發(fā)生。
      [0146] 情況2:在采樣l<i<3000間,模態(tài)1有故障發(fā)生。
      [0147] 1)針對以上兩種情況,將本發(fā)明提出的改進的KPLS算法與PLS、KPLS的在故障檢測 率(FDR)方面做一對比分析,可以看出改進的KPLS算法的FDR要明顯高于其他兩種方法。對 比分析結果如表2所示。
      [0148] 表2 FDR對比分析結果
      [0150] 2)通過改進的KPLS算法實現(xiàn)質量相關的在線的帶鋼熱連乳生產(chǎn)過程厚度的故障 檢測與診斷。
      [0151]值得說明的是,傳統(tǒng)的PLS方法適合處理線性數(shù)據(jù),而由于隨著計算機、傳感技術 的發(fā)展,大量的數(shù)據(jù)被采集并存儲下來,數(shù)據(jù)間存在著嚴重的非線性關系,KPLS方法是在傳 統(tǒng)的PLS方法的基礎上引入了核函數(shù),能夠很好地處理高維空間數(shù)據(jù)的非線性關系,而改進 的KPLS方法是在傳統(tǒng)的KPLS的基礎上繼續(xù)改進,即傳統(tǒng)的方法用T2和SPE檢測故障,而改進 的KPLS方法將T2和SPE合成一個檢測指標巾,能夠更好的檢測相關故障。
      [0152] 將檢測指標巾應用于帶鋼熱連乳厚度質量相關的故障檢測中,通過圖5的仿真效 果可以看出:在第2350個采樣處能檢測出故障,并保持著較高的故障檢測率,為潛伏性的故 障診斷打下堅實基礎。
      [0153] 在檢測出故障發(fā)生后,將貢獻率法應用于帶鋼熱連乳厚度質量相關的故障診斷 中。通過圖6的仿真效果可以看出:變量5(第5個機架的乳制力)和變量17(第4個機架的平均 輥縫)有最大的貢獻率,與之前定義的故障恰好相符。
      [0154]值得說明的是,本實施例中的
      [0155] 通過以上分析可以看出,本發(fā)明提出的帶鋼熱連乳厚度質量監(jiān)測與故障診斷方法 建立了生產(chǎn)過程變量與最終產(chǎn)品質量厚度之間的解析關系,能夠很精確地實現(xiàn)帶鋼熱連乳 生產(chǎn)數(shù)據(jù)的在線模態(tài)劃分,故障檢測率較高,保證了產(chǎn)品的質量,提高了企業(yè)的經(jīng)濟效益。
      [0156] 本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測方法,利用帶鋼熱連乳現(xiàn)場采集 到的大量的能夠反映生產(chǎn)過程的數(shù)據(jù)建立了生產(chǎn)過程變量與最終產(chǎn)品質量厚度之間的關 系,為生產(chǎn)過程監(jiān)測、診斷并監(jiān)控產(chǎn)品的質量提供重要的理論支撐與技術支持。解決了現(xiàn)有 技術中產(chǎn)品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定 性和安全性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質 量的問題。
      [0157] 圖7為本發(fā)明實施例提供的一種帶鋼熱連乳質量的故障診斷裝置的結構示意圖。
      [0158] 如圖7所示,本發(fā)明另一實施例提供了一種帶鋼熱連乳質量的故障診斷裝置,包 括:
      [0159] 采集單元71,用于采集帶鋼熱連乳生產(chǎn)過程中的歷史樣本數(shù)據(jù),所述歷史樣本數(shù) 據(jù)包括帶鋼熱連乳以往的生成生產(chǎn)過程中的數(shù)據(jù)組,所述數(shù)據(jù)組包括輥縫、乳制力、彎輥力 以及機架出口厚度。
      [0160]聚類劃分單元72,用于基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),并對 應于每個模態(tài)建立模型。
      [0161] 實時劃分單元73,用于實時獲取帶鋼熱連乳當前生產(chǎn)過程中的數(shù)據(jù)組,并將實時 獲取的數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中。
      [0162] 故障診斷單元74,用于對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對 應的模型進行故障診斷。
      [0163] 在一實施例中,所述聚類劃分單元,包括:
      [0164] 第一構建模塊,用于根據(jù)隸屬度矩陣以及聚類中心與數(shù)據(jù)點之間的歐式距離,構 建核模糊C-聚類KFCC算法的第一目標函數(shù),隸屬度矩陣中各元素取值為[0,1]之間。
      [0165] 第二構建模塊,用于根據(jù)第一目標函數(shù)以及約束式的拉格朗日乘子構建第二目標 函數(shù)以獲取第二目標函數(shù)達到最小值的必要條件。
      [0166] 聚類劃分模塊,用于根據(jù)所述第一目標函數(shù)、所述第二目標函數(shù)以及所述第二目 標函數(shù)達到最小值的必要條件,采用引入類間-類內劃分BWP指標確定最佳模態(tài)數(shù),輸出聚 類結果,所述聚類結果包括有效性指標值和最佳聚類數(shù)。
      [0167] 在一實施例中,所述第一目標函數(shù):
      [0168] =乞 /-.I /
      [0169] 其中,U為隸屬度矩陣,Uij的取值為[0,1]之間,Ci為模糊組i的聚類中心,dij= | Cl-Xj | |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,x偽第j個數(shù)據(jù)點,mG [1,m )是加 權指數(shù)。
      [0170] 在一實施例中,所述第二目標函數(shù): - __^ C J (ZJ 5 Cj,..,, Xn) - J (U 5 Cj 5又j (〉.:-1)
      [0171] , " " c =S Z uydl + Z AJ S uu ^ ^ i=l j _/:=l />! c.
      [0172] 其中,Aj(j = l, . . . ,n)是式J]",, 〇7 = U…,"的n個約束式的拉格朗日乘子,^為 模糊組i的聚類中心,Uij是隸屬度矩陣U中的元素,Uij的取值為[0,1]之間,dij = | | ci-xj | |為 第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,&為第j個數(shù)據(jù)點,mG[l,cx0是加權指數(shù)。
      [0173] 在一實施例中,所述第二目標函數(shù)達到最小值的必要條件為:
      [0177] 其中,(^為模糊組i的聚類中心,Ulj是隸屬度矩陣U中的元素,Ulj的取值為[0,1]之 間,x偽第j個數(shù)據(jù)點,屯=| |Cl_Xj| |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,dkj = I ck_Xj | |為第k個聚類中心與第j個數(shù)據(jù)點間的歐式距離,mG [1,m)是加權指數(shù)。
      [0178] 在一實施例中,所述聚類劃分單元,還用于建立帶鋼熱連乳過程變量與出口厚度 的解析關系。
      [0179] 在一實施例中,所述聚類劃分單元,具體還用于針對每一類數(shù)據(jù),利用核潛結構投 影KPLS方法對過程變量X和質量變量Y分別進行建模,所述過程變量包括所述數(shù)據(jù)組。
      [0180] 在一實施例中,所述實時劃分單元,包括:
      [0181 ]第一確定模塊,用于利用KPLS回歸算法,產(chǎn)生k(k = 1,…,4)個模態(tài),確定每個模態(tài) 相應的回歸系數(shù)矩陣,:其中,i表示第k個模態(tài)對應的歷史樣本數(shù)據(jù)類別,i = 1,…,k)
      [0182] 預測模塊,用于對于實時獲取的數(shù)據(jù)組&?,利用相應的均值和協(xié)方差信息對數(shù)據(jù) 進行歸一化,得到預測質量變量值:;其中,x_表示新的實時在線采集的 數(shù)據(jù)矩陣,T表示矩陣的轉置,i表示第k個模型對應的歷史樣本數(shù)據(jù)類別;
      [0183] 先驗模塊,用于利用先驗概率公式:汽x"nr|/) = _叫的1 -yflj I# -#||£,確 定Xne3W屬于第i類的先驗概率,其中,i = i,…,k;yf代表第i類歷史樣本數(shù)據(jù)的第j個樣本, 巧1代表第i類歷史樣本數(shù)據(jù)第j個樣本的預測值;
      [0184] 后驗模塊,用于根據(jù)貝葉斯公式,確定后驗概率: 其中, P(i)為第i類的樣本個數(shù)與總的樣本個數(shù)之比;
      [0185] 實時劃分模塊,用于將^?劃分到后驗概率最大的那一類。
      [0186] 在一實施例中,所述故障診斷單元,包括:
      [0187] 合成模塊,用于將基于KPLS方法的兩種質量相關的檢測指標T2和Q合成為一個指 標小,用于故障檢測;其中,T2表示HotellingT 2統(tǒng)計,檢測的是與質量變量直接相關的故障, Q表示統(tǒng)計學中的Q統(tǒng)計,檢測的是過程噪聲;
      [0188] 診斷模塊,用于利用貢獻率法實現(xiàn)質量相關的故障診斷問題。
      [0189] 本發(fā)明實施例提供的帶鋼熱連乳質量的故障檢測裝置,利用帶鋼熱連乳現(xiàn)場采集 到的大量的能夠反映生產(chǎn)過程的數(shù)據(jù)建立了生產(chǎn)過程變量與最終產(chǎn)品質量厚度之間的關 系,為生產(chǎn)過程監(jiān)測、診斷并監(jiān)控產(chǎn)品的質量提供重要的理論支撐與技術支持。解決了現(xiàn)有 技術中產(chǎn)品質量往往是由較為熟練的操作工人憑借自己的經(jīng)驗控制,使得生產(chǎn)過程的穩(wěn)定 性和安全性不能得到保證,一旦發(fā)生故障,僅靠延遲滯后的反饋控制策略很難保證產(chǎn)品質 量的問題。
      【主權項】
      1. 一種帶鋼熱連乳質量的故障診斷方法,其特征在于,包括: 采集帶鋼熱連乳生產(chǎn)過程中的歷史樣本數(shù)據(jù),所述歷史樣本數(shù)據(jù)包括帶鋼熱連乳以往 的生成生產(chǎn)過程中的數(shù)據(jù)組,所述數(shù)據(jù)組包括輥縫、乳制力、彎輥力以及機架出口厚度; 基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),并對應于每個模態(tài)建立模型; 實時獲取帶鋼熱連乳當前生產(chǎn)過程中的數(shù)據(jù)組,并將實時獲取的數(shù)據(jù)組中的數(shù)據(jù)劃分 到對應的模態(tài)中; 對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應的模型進行故障診斷。2. 根據(jù)權利要求1所述的方法,其特征在于,所述基于所述歷史樣本數(shù)據(jù)進行聚類劃分 得到多個模態(tài),包括: 根據(jù)隸屬度矩陣以及聚類中心與數(shù)據(jù)點之間的歐式距離,構建核模糊c-聚類KFCC算法 的第一目標函數(shù),隸屬度矩陣中各元素取值為[〇,1]之間; 根據(jù)第一目標函數(shù)以及約束式的拉格朗日乘子構建第二目標函數(shù)以獲取第二目標函 數(shù)達到最小值的必要條件; 根據(jù)所述第一目標函數(shù)、所述第二目標函數(shù)以及所述第二目標函數(shù)達到最小值的必要 條件,采用引入類間-類內劃分BWP指標確定最佳模態(tài)數(shù),輸出聚類結果,所述聚類結果包括 有效性指標值和最佳聚類數(shù)。3. 根據(jù)權利要求2所述的方法,其特征在于,所述第一目標函數(shù):其中,U為隸屬度矩陣,Uij的取值為[0,1]之間,ci為模糊組i的聚類中心,dij= | | ci-xj | 為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,^為第j個數(shù)據(jù)點,me [l,m)是加權指數(shù)。4. 根據(jù)權利要求2所述的方法,其特征在于,所述第二目標函數(shù):其中,\(j = l,...,n)是式的η個約束式的拉格朗日乘子,Cl為模糊 組i的聚類中心,Uij是隸屬度矩陣U中的元素,Uij的取值為[0,1]之間,dij= | | ci-xj | |為第i 個聚類中心與第j個數(shù)據(jù)點間的歐式距離,^為第j個數(shù)據(jù)點,me [l,m)是加權指數(shù)。5. 根據(jù)權利要求2所述的方法,其特征在于,所述第二目標函數(shù)達到最小值的必要條件 為:和其中,(^為模糊組i的聚類中心,Ulj是隸屬度矩陣U中的元素,1?的取值為[0,1]之間, 為第j個數(shù)據(jù)點,c^= | |Cl-Xj| |為第i個聚類中心與第j個數(shù)據(jù)點間的歐式距離,dkj= | |Ck-Xj I I為第k個聚類中心與第j個數(shù)據(jù)點間的歐式距離,me [l,cx〇是加權指數(shù)。6. 根據(jù)權利要求1所述的方法,其特征在于,所述對應于每個模態(tài)建立模型,包括: 建立帶鋼熱連乳過程變量與出口厚度的解析關系。7. 根據(jù)權利要求6所述的方法,其特征在于,所述建立帶鋼熱連乳過程變量與出口厚度 的解析關系,包括: 針對每一類數(shù)據(jù),利用核潛結構投影KPLS(Kernel Partial Least Squares,核潛結構 投影)方法對過程變量X和質量變量Y分別進行建模,所述過程變量包括所述數(shù)據(jù)組。8. 根據(jù)權利要求1所述的方法,其特征在于,所述將所述實時數(shù)據(jù)組中的數(shù)據(jù)劃分到對 應的模態(tài)中,包括: 利用KPLS回歸算法,產(chǎn)生k(k = 1,…,4)個模態(tài),確定每個模態(tài)相應的回歸系數(shù)矩陣 ,其中,i表示第k個模態(tài)對應的歷史樣本數(shù)據(jù)類別,i = 1,…,k) 對于實時獲取的數(shù)據(jù)組Xnm,利用相應的均值和協(xié)方差信息對數(shù)據(jù)進行歸一化,得到預 測質量變量值;其中,^_表示新的實時在線采集的數(shù)據(jù)矩陣,T表示矩 陣的轉置,i表示第k個模型對應的歷史樣本數(shù)據(jù)類別; 利用先驗概率公式:|,) = /^>(|的:丨,-叫丨# -y^,確定Xnew屬于第i類的先驗概率,其中,i = l,〃_,k;yf代表第i類歷史樣本數(shù)據(jù)的第j個樣本,代表第i類歷史樣 本數(shù)據(jù)第j個樣本的預測值; 根據(jù)貝葉斯公式,確定后驗概率: '其中,P(i)為第i類的樣本 個數(shù)與總的樣本個數(shù)之比; 將χη?劃分到后驗概率最大的那一類。9. 根據(jù)權利要求1所述的方法,其特征在于,所述對應于每個模態(tài)中的數(shù)據(jù),基于檢測 指標以及每個模態(tài)對應的模型進行故障診斷,包括: 將基于KPLS方法的兩種質量相關的檢測指標Τ2和Q合成為一個指標Φ,用于故障檢測; 其中,Τ2表示HotellingT2統(tǒng)計,檢測的是與質量變量直接相關的故障,Q表示統(tǒng)計學中的Q統(tǒng) 計,檢測的是過程噪聲; 利用貢獻率法實現(xiàn)質量相關的故障診斷問題。10. -種帶鋼熱連乳質量的故障診斷裝置,其特征在于,包括: 采集單元,用于采集帶鋼熱連乳生產(chǎn)過程中的歷史樣本數(shù)據(jù),所述歷史樣本數(shù)據(jù)包括 帶鋼熱連乳以往的生成生產(chǎn)過程中的數(shù)據(jù)組,所述數(shù)據(jù)組包括輥縫、乳制力、彎輥力以及機 架出口厚度; 聚類劃分單元,用于基于所述歷史樣本數(shù)據(jù)進行聚類劃分得到多個模態(tài),并對應于每 個模態(tài)建立模型; 實時劃分單元,用于實時獲取帶鋼熱連乳當前生產(chǎn)過程中的數(shù)據(jù)組,并將實時獲取的 數(shù)據(jù)組中的數(shù)據(jù)劃分到對應的模態(tài)中; 故障診斷單元,用于對應于每個模態(tài)中的數(shù)據(jù),基于檢測指標以及每個模態(tài)對應的模 型進行故障診斷。
      【文檔編號】G05B23/02GK105929812SQ201610239389
      【公開日】2016年9月7日
      【申請日】2016年4月18日
      【發(fā)明人】彭開香, 馬亮, 董潔, 張凱
      【申請人】北京科技大學
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1