CN102260781A - 连退机组带钢延伸率和平整工艺状态在线预警方法 - Google Patents

Abstract

本发明涉及连退平整机工艺状态的预警方法，尤其涉及一种连退机组带钢延伸率的在线预警方法。一种连退机组带钢延伸率和平整机工艺状态偏差在线预警方法，它包括下列步骤：步骤一：数据抽取和关联；步骤二：归一化处理；步骤三：影响力分析；步骤四：计算因子得分系数和步骤五：设立控制限实现在线预警。本发明用少数几个隐变量(综合因子)去描述众多变量之间的内部依赖关系，解释原始变量之间的相关关系。综合因子是不可直接观测但又客观存在于变量间的共同影响因素，反映原始变量的主要信息，并采用这种因子分析方法处理连退生产中众多变量的化简和监测问题。

Description

连退机组带钢延伸率和平整工艺状态在线预警方法

技术领域

本发明涉及连退平整机工艺状态的预警方法，尤其涉及一种连退机组带钢延伸率的在线预警方法。

背景技术

带钢在连退生产线上，通过各炉段，如预热、加热、均热、冷却、再加热、终冷等过程，其内部结构经历晶粒恢复、再结晶、碳化物析出等几个阶段的组织变化过程，使得材料组织进行再结晶，从而提高带钢的内在质量。

以往的诊断监测模型多以设备状态为对象，然而对于产品的性能指标，更相关的要素是工艺参量，只关心设备状态是远远不够的。与连退产品内在质量(硬度和延伸率)密切相关的变量信息主要包括：退火前的带钢材质(例如：钢材C含量、N含量、Mn含量、冷轧压下率、规格、材质、热轧在炉时间、热轧卷曲温度、热轧终轧温度等)以及当前炉况和平整机工艺参数等。不同的钢种(或调制度)对应于不同的上述信息，并且通常为常量，因此可以将不同的钢种分别建模，重点考虑平整机的工艺参数。

延伸率是平整机的主要工艺控制参数，也是保证带钢质量的重要手段。在延伸率控制系统中，主要通过调节轧制力和轧前、轧后张力来控制带钢的延伸率。弯辊力在轧制时根据工艺需要进行设定，也是造成对延伸率影响的主要原因。设定不佳将无法满足延伸率所需的轧制力要求，造成延伸率不达标。

由于延伸率测定是产品质检的内容，发现延伸率不符时，往往批量的产品已经下线，因而希望寻求有效的延伸率在线监测方法。在以往人们在对上述相关量的一一监测中发现，在没有工艺量超标的情况下还是可能出现延伸率不符的缺陷，说明用传统的方法尚不能够有效判断平整机的工艺状态。

发明内容

本发明旨在解决上述问题，提供连退机组带钢延伸率和平整机工艺状态在线预警方法。本发明研究众多变量之间的内部依赖关系，探求观测数据的基本结构，用少数几个抽象的变量来表示其基本的数据结构，反映原来众多变量的主要信息，并采用因子分析法处理连退生产中上述众多变量的化简和监测问题。

本发明是这样实现的：

一种连退机组带钢延伸率和平整工艺状态在线预警方法，它包括下列步骤：

步骤一：数据抽取和关联

根据平整机机组的工艺，及监测状态，选取下列检测参量为对平整机延伸率有重要影响的工艺参量：

平整机的入口张力；

平整机的中间张力；

平整机的出口张力；

一号平整机轧制力；

二号平整机轧制力；

一号平整机工作辊弯辊力；

二号平整机工作辊弯辊力；

步骤二：归一化处理：

对输入变量进行归一化处理，以便消除量纲的影响：

$X_{\mathrm{ij}}^{*}=\frac{X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_j}{S_j}---\left(1\right)$

其中X_ij为第j个变量的第i个样本值，

为第j个变量的样本均值，

S_j为第j个变量的样本标准差：

$S_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_j)}^2}---\left(2\right)$

步骤三：影响力分析

将经步骤二归一化处理后的入口张力、中间张力、出口张力、1号和二号平整机的轧制力和弯曲力共七个变量作为输入变量，通过因子分析得到特征根与累计贡献率、特征向量统计量，从而确定因子的个数；

步骤四：计算因子得分矩阵

从因子得分矩阵得出三个因子对于标准化输入变量的表达式，这实际上就是监测的主要依据；

步骤五：设立控制限时现在线预警

采用常规的3σ方法设定各因子得分的正常范围为

为第i个因子得分在数据样本中的平均值，σ_i为第i个因子得分的样本标准差。

所述的连退机组带钢延伸率和平整工艺状态在线预警方法，对于正常生产过程中的钢卷，其因子得分集中在一定的数值范围内，而当延伸率不符时，其生产卷的过程参数计算得出的因子得分往往超过设定的控制限，从而可以预测延伸率不符并根据超差因子找出平整机工艺状态异常的原因。

本发明采用的过程和质量信息源自多个信息系统。这些系统建于不同阶段和目标，因此相对独立，宏观上没有进行跨大类的数据关联，微观上是异构的且没有实现卷信息的关联。本发明从众多变量之间的内部依赖关系入手，探求观测数据的基本结构，用少数几个抽象的变量来表示其基本的数据结构，反映原来众多变量的主要信息，并采用因子分析法处理连退生产中上述众多变量的化简问题和实现在线监测预警。

本发明将统计分析的方法应用于连退机组平整缺陷数据的分析，提出了监测延伸率的综合指标，对追溯延伸率不符钢卷的原因提供了技术依据。该方法建立的预警模型可对生产过程数据进行监测和预警，对延伸率不符做出预测；同时指导优化工艺参数，对提高生产效率、降低废品率具有重要意义。

具体实施方式

下面结合具体实例对本发明作进一步说明。

连退机组带钢延伸率和平整机工艺状态在线预警方法包括如下步骤：

步骤一：数据抽取和关联

根据平整机机组的工艺，及监测状态，选取下列检测参量为对平整机延伸率有重要影响的工艺参量：

平整机的入口张力；

平整机的中间张力；

平整机的出口张力；

一号平整机轧制力；

二号平整机轧制力；

一号平整机工作辊弯辊力；

二号平整机工作辊弯辊力。

本例采用的过程和质量信息源自多个信息系统。这些系统建于不同阶段和目标，因此相对独立，宏观上没有进行跨大类的数据关联，微观上是异构的且没有实现卷信息的关联。因此，首先要通过对工艺原理、焊缝位置、带速以及设备的几何尺寸等方面的综合分析，实现各类信息抽取和关联。数据关联对不同密度、不同标记戳、不同时间到来的数据进行整理，并根据工艺原理和机组的物理位置进行卷信息关联，为数据应用做好准备。

步骤二：归一化处理

对输入变量进行归一化处理，以便消除量纲的影响。

$X_{\mathrm{ij}}^{*}=\frac{X_{\mathrm{ij}}-X_j}{S_j}---\left(1\right)$

其中X_ij为第j个变量的第i个样本值，为第j个变量的样本均值，

S_j为第j个变量的样本标准差：

$S_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_j)}^2}---\left(2\right)$

表1中选取的是监测系统半年累积的数据，得到平整机上述原始工艺参量的均值及标准差：

表1工艺参量的均值及标准差

(其中：n：牛顿；kn：千牛；kg：公斤)

步骤三：影响力分析

将标准化后的张力、轧制力、弯曲力等共7个变量作为输入变量，通过因子分析得到特征根与累计贡献率、特征向量等统计量(表2)，从而确定因子的个数。

表2特征根和累计贡献率

在表2中，特征根可以看成是因子影响力度的指标，第1个因子P₁的特征根为2.8684，它解释了信息量的40.9778％；第2个因子P₂的特征根为2.4383，它解释了信息量的34.8335％；第3个因子P₃的特征根为1.2702，它解释了信息量的18.1455％。观察特征根列，前3个因子的特征根大于1，说明7个变量只需要提取出3个公共因子即可。观察累计贡献率列，发现前三个因子的累计贡献率为93.9568％，即前3个因子可以代表93.9568％的原始变量的变化信息。

步骤四：计算因子得分矩阵

先用主因子法求出因子载荷矩阵，再用回归方法求出因子得分矩阵。

根据从因子得分矩阵(3)可得出三个因子对于标准化变量的表达式，这实际上就是监测的主要依据。

$\left(\begin{array}{c}{p}_1\\ p_2\\ p_3\end{array}\right)=\left(\begin{array}{ccccccc}0.544024& 0.169933& 0.336322& -0.047334& 0.018507& -0.016306& -0.060527\\ -0.042026& -0.003674& -0.012406& 0.124560& 0.090529& 0.174283& 0.913843\\ -0.256079& 0.213725& 0.061494& 0.711615& 0.310357& 0.091811& 0.121263\end{array}\right)$

将标准化的变量还原为原始变量，即

就可以得到原始变量与因子的相关关系。

从标准化后的表达式中可以看出，P₁主要与平整机张力相关，当P₁的数值超过控制限，可认为平整机的张力出现了异常；P₂主要代表平整机工作辊弯辊力的变化，当P₂的数值超过控制限，可认为平整机的工作辊弯辊力出现了异常；P₃主要代表平整机轧制力的变化，当P₃的数值超过控制限，可认为平整机的轧制力出现了异常。这样，我们可以称P₁、P₂、P₃分别为张力因子、弯辊力因子和轧制力因子。这三个因子较好地反映平整机的工艺状态，只需要监控三个因子数值的变化即可做到对产品延伸率的监控，而不必对七个原始变量进行一一监控。

步骤五：设立控制限

采用常规的3σ方法设定各因子得分的正常范围为

为第i个因子得分在数据样本中的平均值，σ_i为第i个因子得分的样本标准差。通过计算得到表3：

表3因子得分控制限

当因子得分落在正常范围外，即可认为延伸率出现异常。

对于正常生产过程中的钢卷，其因子得分集中在一定的数值范围内，而当延伸率不符时，其生产卷的过程参数计算得出的因子得分往往超过设定的控制限，从而可以预测延伸率不符并根据超差因子找出平整机工艺状态异常的原因。

上述五个步骤构成了本发明的主要内容。

Claims (2)

1.一种连退机组带钢延伸率和平整工艺状态在线预警方法，其特征在于，它包括下列步骤：

步骤一：数据抽取和关联

根据平整机机组的工艺，及监测状态，选取下列检测参量为对平整机延伸率有重要影响的工艺参量：

平整机的入口张力；

平整机的中间张力；

平整机的出口张力；

一号平整机轧制力；

二号平整机轧制力；

一号平整机工作辊弯辊力；

二号平整机工作辊弯辊力；

步骤二：归一化处理：

对输入变量进行归一化处理，以便消除量纲的影响：

$X_{\mathrm{ij}}^{*}=\frac{X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_j}{S_j}---\left(1\right)$

其中X_ij为第j个变量的第i个样本值，

为第j个变量的样本均值，

S_j为第j个变量的样本标准差：

$S_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(X_{\mathrm{ij}}-\stackrel{\‾}{X_j})}^2}---\left(2\right)$

步骤三：影响力分析

将经步骤二归一化处理后的入口张力、中间张力、出口张力、1号和二号平整机的轧制力和弯曲力共七个变量作为输入变量，通过因子分析得到特征根与累计贡献率、特征向量统计量，从而确定因子的个数；

步骤四：计算因子得分系数

从因子得分矩阵得出三个因子对于标准化输入变量的表达式，这实际上就是监测的主要依据；

步骤五：设立控制限时现在线预警

采用常规的3σ方法设定各因子得分的正常范围为

为第i个因子得分在数据样本中的平均值，σ_i为第i个因子得分的样本标准差。

2.根据权利要求1所述的连退机组带钢延伸率和平整工艺状态在线预警方法，其特征在于，对于正常生产过程中的钢卷，其因子得分集中在一定的数值范围内，而当延伸率不符时，其生产卷的过程参数计算得出的因子得分往往超过设定的控制限，从而可以预测延伸率不符并根据超差因子找出平整机工艺状态异常的原因。