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