CN103279837A - 一种生产数据分析方法及系统 - Google Patents

Abstract

本发明公开了一种生产数据分析方法及系统，首先，获取各个样本的质量指标数据和工艺参数数据，并分析质量指标数据，得到各个样本的主成分数据；然后，分析工艺参数数据和各个样本的主成分数据，得到各个样本的关键工艺参数和主要质量指标；然后，获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；最后，判断各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与控制图的控制界限的位置关系，并依据位置关系触发异常诊断模块生成对应的决策文件。上述方法及系统，自动化程度高，操作简单，准确性高。

Description

一种生产数据分析方法及系统

技术领域

本发明涉及煤化工技术领域，更具体的说，是涉及一种生产数据分析方法及系统。

背景技术

在现代钢铁企业产品质量管理信息系统中，为实现钢铁企业技术部门业务人员对钢铁产品进行质量分析，以及准确地把握产品质量的动态的目的，需要采用产品质量分析决策支持系统，实时的对产品质量全过程进行管理和决策。

现有的产品质量分析决策支持系统，需要人工完成各煤种的配比、质量信息输入、质量信息分析以及处理异常信息。但是，由于受到人工操作本身以及业务人员经验的限制，致使煤种配比、数据信息输入、数据信息分析以及处理异常信息的快捷性及准确性受到很大影响。

发明内容

有鉴于此，本发明提供了一种生产数据分析方法及系统，以克服现有技术中由于现有的产品质量分析决策支持系统，受到人工操作本身以及业务人员经验的限制，致使煤种配比、数据信息输入、数据信息分析以及处理异常信息的快捷性及准确性受到很大影响的问题。

为实现上述目的，本发明提供如下技术方案：

一种生产数据分析方法，包括：

获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据；

分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标；

获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；

判断所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与所述控制图的控制界限的位置关系，并依据所述位置关系触发异常诊断模块生成对应的决策文件。

优选地，所述获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据的过程包括：

计算所述质量指标数据的样本协方差矩阵以及相关系数矩阵；

计算所述相关系数矩阵的特征根以及正交单位化特征向量，所述特征根以及所述正交单位化特征向量与所述相关系数矩阵相对应；

根据所述特征根计算所述质量指标数据的方差贡献率；

根据所述方差贡献率，得到所述各个样本的主成分数据。

优选地，所述分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标的过程包括：

依据所述工艺参数数据和所述各个样本的主成分数据，确定母序列和子序列；

按照预设的无量纲化方法，对所述母序列和所述子序列中的数据进行无量纲化处理；

根据进行无量纲化处理后的母序列和子序列，计算得到关联系数；

根据所述关联系数，计算得到关联度；

将所述关联度构造成关联度矩阵；

根据所述关联度矩阵中关联度的大小，得到所述各个样本的关键工艺参数和主要质量指标。

优选地，所述根据所述方差贡献率，得到所述各个样本的主成分数据的过程包括：

按照从大到小的顺序对所述方差贡献率进行累加，得到和值；

当所述和值大于等于85%时，确定所述各个样本的主成分数据为所述参与累加的方差贡献率对应的成分。

一种生产数据分析系统，包括：

主成分分析单元，用于获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据；

灰色关联优势分析单元，用于分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标；

控制图绘制单元，用于获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；

控制图分析单元，用于判断所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与所述控制图的控制界限的位置关系，并依据所述位置关系触发异常诊断模块生成对应的决策文件。

优选地，所述主成分分析单元包括：

第一计算子单元，用于计算所述质量指标数据的样本协方差矩阵以及相关系数矩阵；

第二计算子单元，用于计算所述相关系数矩阵的特征根以及正交单位化特征向量，所述特征根以及所述正交单位化特征向量与所述相关系数矩阵相对应；

第三计算子单元，用于根据所述特征根计算所述质量指标数据的方差贡献率；

主成分数据确定子单元，用于根据所述方差贡献率，得到所述各个样本的主成分数据。

优选地，所述灰色关联优势分析单元包括：

序列确定子单元，用于依据所述工艺参数数据和所述各个样本的主成分数据，确定母序列和子序列；

无量纲化子单元，用于按照预设的无量纲化方法，对所述母序列和所述子序列中的数据进行无量纲化处理；

关联系数计算子单元，用于根据进行无量纲化处理后的母序列和子序列，计算得到关联系数；

关联度计算子单元，用于根据所述关联系数，计算得到关联度；

关联度矩阵生成子单元，用于将所述关联度构造成关联度矩阵；

关联度矩阵分析子单元，用于根据所述关联度矩阵中关联度的大小，得到所述各个样本的关键工艺参数和主要质量指标。

优选地，所述主成分数据确定子单元包括：

累加模块，用于按照从大到小的顺序对所述方差贡献率进行累加，得到和值；

确定模块，用于当所述和值大于等于85%时，确定所述各个样本的主成分数据为所述参与累加的方差贡献率对应的成分。

经由上述的技术方案可知，与现有技术相比，本发明公开了一种生产数据分析方法及系统，首先，获取各个样本的质量指标数据和工艺参数数据，并分析质量指标数据，得到所述各个样本的主成分数据；然后，分析工艺参数数据和各个样本的主成分数据，得到各个样本的关键工艺参数和主要质量指标；然后，获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；最后，判断各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与控制图的控制界限的位置关系，并依据位置关系触发异常诊断模块生成对应的决策文件。基于上述方法及系统，煤种配比、数据信息输入、数据信息分析以及处理异常信息，甚至针对异常的决策文件的给出，均不依赖人工操作，自动化程度高，操作简单，准确性高，进而保证了钢铁产品的生产质量及生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例一公开的一种生产数据分析方法流程示意图；

图2为本发明实施例一公开的一种控制图示意图；

图3为本发明实施例一公开的一种绘制均值—极差控制图的具体流程示意图；

图4为本发明实施例一公开的一种表示预设准则的参考控制图；

图5为本发明实施例三公开的一种生产数据分析系统结构示意图；

图6为本发明实施例三公开的一种主成分分析单元结构示意图；

图7为本发明实施例三公开的一种灰色关联优势分析单元结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由背景技术可知，现有的产品质量分析决策支持系统，需要人工完成各煤种的配比、质量信息输入、质量信息分析以及处理异常信息。但是，由于受到人工操作本身以及业务人员经验的限制，致使煤种配比、数据信息输入、数据信息分析以及处理异常信息的快捷性及准确性受到很大影响。

为此，本发明公开了一种生产数据分析方法及系统，首先，获取各个样本的质量指标数据和工艺参数数据，并分析质量指标数据，得到所述各个样本的主成分数据；然后，分析工艺参数数据和各个样本的主成分数据，得到各个样本的关键工艺参数和主要质量指标；然后，获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；最后，判断各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与控制图的控制界限的位置关系，并依据位置关系触发异常诊断模块生成对应的决策文件。基于上述方法及系统，煤种配比、数据信息输入、数据信息分析以及处理异常信息，甚至针对异常的决策文件的给出，均不依赖人工操作，自动化程度高，操作简单，准确性高，进而保证了钢铁产品的生产质量及生产效率。

有关于该生产数据分析方法的具体步骤以及该生产数据分析系统的具体结构，将通过以下实施例进行详细说明。

实施例一

请参阅附图1，为本发明实施例一公开的一种生产数据分析方法的流程示意图。该生产数据分析方法包括以下步骤：

101，获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据。

实时采集的数据预先存储于数据库中，该数据由两部分组成，一部分是通过人工录入的各种质量指标数据，包括配合煤质量指标数据、焦炭质量指标数据、中和矿质量指标数据以及球团矿质量指标数据，另一部分是通过实时从烧结控制系统获得并存储于数据库中的工艺参数数据，这部分数据可以通过相关工具转存至数据库中，主要为烧结过程工艺参数、下料信息等。

在获取预先存储的数据以后，通过主成分分析法对质量指标数据进行主成分分析，获得主成分数据。

主成分分析法是一种降维的统计方法，它可以用尽量少的综合指标代替众多的原始数据，并尽可能多地反映原始数据所提供的信息。通过对样本相关阵的内部结构关系的研究，提出少量几个综合指标，使综合指标变为原来变量的线性组合。综合指标不仅保留了原始变量的主要信息，彼此之间又不相关，比原始变量具有某些更优越的性质。

主成分分析法的具体计算过程如下：

一般而言,对于n个样本p个指标的多元指标x₁,x₂,x₃，x₄...x_p来说,经过主成分分析,要将它们线性组合为p个新的综合指标如式(1-1)所示，

Y=a+bx+ε  (1-1)

可以改写为式（1-2），

$\left\{\begin{array}{c}{Y}_1=a_{11}{x}_1+a_{12}{x}_2+...+a_{1p}{x}_p\\ Y_2=a_{21}{x}_1+a_{22}{x}_2+...+a_{2p}{x}_p\\ \·\·\·\\ Y_P=a_{p1}{x}_1+a_{p2}{x}_2+...+a_{\mathrm{pp}}{x}_p\end{array}\right.(1-2)$

并且满足式（1-3），

$\left\{\begin{array}{c}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}^2=1(i,j=\mathrm{1,2}...p)\\ \underset{i=1}{\overset{p}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{a}_{\mathrm{kj}}=0(i\≠k)\end{array}\right.(1-3)$

其中,Y₁是其中方差最大者,Y₂是与Y₁不相关的x₁,x₂,x₃,...,x_p的所有线性组合中方差次大者,由此类推,Y_p是与Y₁,Y₂...Y_p-1不相关的x₁,x₂,x₃...x_p的所有线性组合中方差次最小者。

其中一般步骤如下：

步骤1：获取质量指标数据。

根据指标体系中的具体指标收集原始质量指标数据。设原始质量指标数据矩阵如(1-4)所示，

$\left\{\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1n}\\ x_{21}& x_{22}& \·\·\·& x_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ x_{m1}& x_{m2}& \·\·\·& x_{\mathrm{mn}}\end{array}\right\}---(1-4)$

其中,m不同时间数据的个数,n为指标体系所含变量数,x_ij(i=1,2,...,m，j=1,2,...,n)为第i时刻的第j指标变量值。

步骤:2：计算所述质量指标数据的样本协方差矩阵以及相关系数矩阵。

求出质量指标数据的样本协方差矩阵与相关系数矩阵。样本协方差矩阵与相关系数矩阵分别为式(1-5)，式（1-6）所示，

$S={\left(s_{\mathrm{ij}}\right)}_{p\×p}=\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(x_k-\stackrel{\‾}{x}){(x_k-\stackrel{\‾}{x})}^T---(1-5)$

$R={\left(r_{\mathrm{ij}}\right)}_{p\×p}=\left[\frac{s_{\mathrm{ij}}}{\sqrt{s_{\mathrm{ii}}{s}_{\mathrm{jj}}}}\right]---(1-6)$

其中x_i=(x_i1,x_i2,...,x_ip)^T，

i,j=1,2,...,p。

r_ij为第i个指标与第j个指标的相关系数。

步骤3：计算所述相关系数矩阵的特征根以及正交单位化特征向量，所述特征根以及正交单位化特征向量与所述相关系数矩阵相对应。

计算相关系数矩阵的特征根λ_i，其特征值为λ₁≥λ₂≥...≥λ_p≥0，对应的正交单位化特征向量为e₁,e₂,...,e_p，这里e_i=(e_i1,e_i2,...,e_ip)^T。

步骤4：根据所述特征根计算所述质量指标的方差贡献率。

计算各质量指标的方差贡献率

前m个主成份累计贡献率为

步骤5：根据所述方差贡献率，获得所述各个样本的主成分数据。

一般认为累计贡献率达到85%以上则把m选为主成分的个数。

获得各主成分的表达式如式（1-7）所示，

y_i=e_i ^Tx=e_i1x₁+e_i2x₂+...+e_inx_n  (1-7)

这里i=1,2,...,m。

本实施例中，对配合煤质量指标、焦炭质量指标、中和矿质量指标、烧结矿质量指标以及球团矿质量指标做主成分分析，主要是在保留原指标所提供的绝大部分信息的前提下，用几个新的指标代替原始指标。

102，分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标。

由于在焦化烧结生产过程中，数据之间的概率分布难以确定，并且信息存在不完全的情况，所以在获得主成分数据以后，需要采用灰色关联分析方法进行关联性分析，得到所述数据中的主要质量指标以及关键工艺参数。

灰色系统理论提出的灰色关联分析方法，是根据因素之间发展态势的相似或相异程度，来衡量因素间关联程度的方法。它可在不完全的信息中，对所要分析研究的各个因素，通过一定的数据处理，在随机的因素序列间找出它们的关联性，找到主要特征和主要影响因素。灰色关联是指事物之间不确定性关联，或系统因子与主行为因子之间的不确定性关联。灰色关联分析是基于行为因子序列的微观或宏观几何接近，以分析和确定因子间的影响程度或因子对主行为的贡献测度而进行的一种分析方法。

下面将详细介绍灰色关联分析的计算方法。

步骤1：依据所述工艺参数数据和所述各个样本的主成分数据，确定母序列和子序列。

关联分析首先要确定参考序列(即数列)。所谓参考序列，就是作比较的“母序列”，常记为x₀，它由不同时刻的统计数据构成。记第一个时刻的值为x₀(1)，第二个时刻的值为x₀(2)，第k个时刻的值为x₀(k)。这样，参考序列x₀可表示为：

x₍₀₎(k)={x₍₀₎(1),x₍₀₎(2),…,x₍₀₎(n)}

(k＝1,2,...,n)

关联分析中与参考序列作关联程度比较的“子数列”，称之为比较序列，记为x₁,x₂,...,x_n。

步骤2：按照预设的无量纲化方法，对所述母序列和子序列中的数据进行无量纲化处理。

由于系统中各因素的计量单位不同，所以数据的量纲也不一致。不仅量纲不同，而且数值的数量级也各异。不同量纲、不同数量级之间不便于比较，或者在比较时难以得到正确的结论。因此，在进行灰色关联分析时，一般都要进行无量纲化的数据处理。

原始数列无量纲化的方法，有初值化、均值化、中值化、公值化、区间相对值化等。常用的方法，主要是前两种。

(1).初值化处理

设有原始数列x₍₀₎={x₍₀₎(1),x₍₀₎(2),…,x₍₀₎(n)}对x₍₀₎作初值化处理得y₍₀₎，则

$y_{\left(0\right)}=\{y_{\left(0\right)}\left(1\right),y_{\left(0\right)}\left(2\right),\·\·\·,y_{\left(0\right)}\left(n\right)\}=\left\{\begin{array}{cccc}\frac{x_{\left(0\right)}\left(1\right)}{x_{\left(0\right)}\left(1\right)},& \frac{x_{\left(0\right)}\left(2\right)}{x_{\left(0\right)}\left(1\right)},& \·\·\·,& \frac{x_{\left(0\right)}\left(n\right)}{x_{\left(0\right)}\left(1\right)}\end{array}\right\}$

(2).均值化处理

设有原始数列x₍₀₎={x₍₀₎(1),x₍₀₎(2),…,x₍₀₎(n)}令其均值为

${\stackrel{\‾}{x}}_{\left(0\right)}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\left(0\right)}\left(k\right)$

则对x₍₀₎作均值化处理，得y₍₀₎为：

$y_{\left(0\right)}=\{y_{\left(0\right)}\left(1\right),y_{\left(0\right)}\left(2\right),\·\·\·,y_{\left(0\right)}\left(n\right)\}=\left\{\frac{x_{\left(0\right)}\left(1\right)}{{\stackrel{\‾}{x}}_{\left(0\right)}},\begin{array}{ccc}\frac{x_{\left(0\right)}\left(2\right)}{{\stackrel{\‾}{x}}_{\left(0\right)}},& \·\·\·,& \frac{x_{\left(0\right)}\left(n\right)}{{\stackrel{\‾}{x}}_{\left(0\right)}}\end{array}\right\}$

(3).区间值化处理

设有m个单位，每个单位用n个指标描述，则组成指标列

x₁={x₁(1),x₁(2),…,x₁(n)}

x₂={x₂(1),x₂(2),…,x₂(n)}

…

…

x_m={x_m(1),x_m(2),…,x_m(n)}

对数据列采用区间值化处理，其对应的新数列记为：

y(1)={y₁(1),y₂(1),…,y_m(1)}

y(2)={y₁(2),y₂(2),…,y_m(2)}

…

…

y(n)={y₁(n),y₂(n),…,y_m(n)}

则

$y_i\left(1\right)=\frac{x_j\left(1\right)-\underset{i}{\max }{x}_i\left(1\right)}{\underset{i}{\max }{x}_i\left(1\right)-\underset{i}{\min }{x}_i\left(1\right)}$

$y_i\left(2\right)=\frac{x_j\left(2\right)-\underset{i}{\max }{x}_i\left(2\right)}{\underset{i}{\max }{x}_i\left(2\right)-\underset{i}{\min }{x}_i\left(2\right)}$

…

$y_i\left(n\right)=\frac{x_j\left(n\right)-\underset{i}{\max }{x}_i\left(n\right)}{\underset{i}{\max }{x}_i\left(n\right)-\underset{i}{\min }{x}_i\left(n\right)}$

(4).归一化处理

在非时间序列中，同一序列有许多不同的物理量，且数值大小相差过分悬殊，为避免造成非等权情况，对这些数列作归一化处理。

步骤3：根据所述进行无量纲化处理后的母序列和子序列，计算得到关联系数。

若记经数据变化的母数列为(x₀(t))，子数列为(x_i(t))，则在时刻t=k时，(x₀(k))与(x_i(k))的灰关联系数ξ_0i(k)为

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{{\mathrm{\Δ}}_{\min }+\mathrm{\ρ}{\mathrm{\Δ}}_{\max }}{{\mathrm{\Δ}}_{0i}\left(k\right)+\mathrm{\ρ}{\mathrm{\Δ}}_{\max }}$

式中Δ_0i(k)——k时刻两个序列的绝对值，即

Δ_0i(k)=|x₀(k)-x_i(k)|

Δ_max，Δ_min——分别为各个时刻的绝对差中的最大值与最小值。

ρ——分辨系数，其作用在于提高灰关联系数之间的差异显著性，ρ∈(0,1)，一般取0.5。{x₁},{x₂},…，{x_m}m≠1

步骤4：根据所述关联系数，计算得到关联度。

因为关联系数是比较曲线与参考曲线在第k个时刻的相对差值，所以它的数不止一个，信息过于分散，不便于从整体上进行比较。因此，就有必要将各个时刻的关联系数集中为一个值，也就是求其平均值，作为关联程度的数量表示。

关联度记为r_0i，其表达式为：

$r_{0i}=\frac{1}{N}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_{0i}\left(k\right)$

式中r_0i——子序列与母序列0的灰关联度。

N——序列的长度即数据个数

步骤5：将所述关联度构造成关联度矩阵。

当比较序列有m个时，相对的关联度也有m个，按其值大小排列起来，即为关联序。关联度直接反映各个比较序列对于参考序列的优劣关系。

一般的关联分析参考序列只有一个。当参考序列和比较序列都不止一个时，这种关联分析就叫做优势分析。

优势分析称参考序列(数列)为母序列(或母数列、母因素)，比较序列为子序列(或子数列、子因素)。由母序列与子序列构成关联矩阵。通过关联矩阵，分析各因素之间的关系，找出优势因素和非优势因素。

优势分析的计算方法：

1．确定母序列和子序列

母序列有m个，记为y₁,y₂,y₃,...,y_m；子序列有n个，记为x₁,x₂,x₃,...,x_n。

2.无量纲化，方法同前。

3.计算关联系数，方法同前。

4.计算关联度，方法同前。

5.构造关联度矩阵

若有m个母序列{y₁}，{y₂}，...，{y_m}m≠1，并有n个子序列{x₁}，{x₂}，...，{x_n}n≠1，则各子序列对母序列{y_i}(i=1,2,...,m)有灰关联度r_ij，可得到灰关联矩阵

$R=\left\{\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1n}\\ r_{21}& r_{22}& \·\·\·& r_{2n}\\ \·\·\·& & \·\·\·& \\ r_{m1}& r_{m2}& \·\·\·& r_{\mathrm{mn}}\end{array}\right\}$

步骤6：根据所述关联度矩阵中关联度的大小，得到所述数据中的主要质量指标及关键工艺参数。

根据关联度矩阵R中各行或各列关联度的大小，可以判断子序列与母序列的关系，分析哪些因素是主要的影响因素，哪些因素是次要的影响因素，起主要影响的因素称为优势因素。优势行，称为优势母序列；优势列，称为优势子序列。

103，获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置。

控制图是对生产过程中产品质量状态进行控制的统计工具，是质量控制中最重要的方法。控制图是对过程质量加以测定、记录、评估，从而监控过程是否处于控制状态的一种用统计方法设计的图。具体请参阅图2，为本实施例中给出的一种控制图示意图，图上有中心线(CL，Central Line)、上控制界限(UCL，Upper Control Limit)和下控制界限(LCL，Lower Control Limit)，并有按时间顺序抽取的样本统计量数值的描点序列。

要完成控制图的绘制，首先要根据设定条件取得样本个数和样本内数据值。本实施例中，绘制的控制图为均值—极差控制图（

控制图），首先，分时段从数据库中随机读取与样本大小相等的指定质量数据值，然后，求取每个样本的均值和极差，最后，求出总体均值和极差的三条控制线的值。这些值作为绘制控制图的基础。

请参阅附图3，为本实施例公开的绘制

控制图的具体流程图，其绘制步骤如下，

步骤1：确定控制对象。

步骤2：取预备数据。

步骤3：计算R_i。

步骤4：计算

步骤5：计算R图控制线并作图。

步骤6：将预备数据在R图上打点，判稳。若稳，则转步骤7。若不稳，则转入步骤2重新开始。

步骤7：计算

图控制线并作图。将预备数据在

图中打点，判稳。若稳，则转步骤8。若不稳，则转入步骤2重新开始。

步骤8：计算过程能力指数并检验其是否满足技术要求。

需要说明的是，除了本实施例采用的均值—极差控制图以外，还可以绘制其它类型的控制图。常见的控制图如下表所示：

104，判断所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与所述控制图的控制界限的位置关系，并依据所述位置关系触发异常诊断模块生成对应的决策文件。

控制图可用于分析判断生产过程的稳定性，统计控制状态；可以及时发现生产过程中的异常现象和缓慢变异，预防不合格品发生；可以查明生产设备和工艺装备的实际精度，以便做出正确的技术决定；也可以为评定产品质量提供依据。

该实施例中，控制图是用来侦测工序的不稳定性，所以需要应用预设准则分析所述控制图，获得当前生产状况。这里所说的预设准则，总体来讲，即比较当前所述控制图中样本点的质量特征值与控制图中的控制界限，就可以具体看到产品或服务质量的变化。具体的，若控制图中的样本点的质量特征值落在UCL与LCL之外或样本点的质量特征值在UCL与LCL之间的排列不随机，则表示出现了异常。

进一步的，请参阅附图4，为本实施例中用来详细描述控制图的判异预设准则的参考控制图。

控制图判异预设准则主要包括以下几种：

（1）一个点超出区域A；

（2）以中心线为基准，在同一侧面有9个连续点；

（3）相连的6个点连续上升或下降；

（4）连续的14个点相继上升或下降，对此应检讨数据的操作性；

（5）连续的3个点中2个在A区域（以中心线为基准在同一侧）；

（6）连续的5个点中4个在区域B或其外边的位置（以中心线为基准在同一侧）；

（7）连续的15个点在区域C（以中心线为基准看两侧）；

（8）连续的8个点在区域C外边的位置（以中心线为基准看两侧）。

在实际应用中，并不是采用越多的预设准则，就能越准确地测量工序的不稳定性。因为，每一种准则都有其各自的False Alarm Rate（误报警率，即工序没有问题，但控制图信号有问题的比例），大约等于或小于0.5%。当数个预设准则合并使用时，因其误报警率是合成的，将导致总体误报警率高的无法接受，导致生产先找寻不存在的问题，降低生产力，增加成本。甚至，导致真正的时空信号被忽略。

在本实施例中，选取以下5种为正确的预设准则。

（1）一个点超出区域A；

（2）以中心线为基准，在同一侧面有9个连续点；

（3）相连的6个点连续上升或下降；

（4）连续的3个点中2个在A区域（以中心线为基准在同一侧）；

（5）连续的5个点中4个在区域B或其外边的位置（以中心线为基准在同一侧）；

按照正确的预设准则分析控制图，当得知当前生产状况正常时，则继续生产；当得知当前的生产状况异常时，则触发异常诊断模块，通过分析失控原因，给出决策文件，以提供给相关技术人员，作为解决问题的参考。

本发明公开了一种生产数据分析方法，首先，获取各个样本的质量指标数据和工艺参数数据，并分析质量指标数据，得到所述各个样本的主成分数据；然后，分析工艺参数数据和各个样本的主成分数据，得到各个样本的关键工艺参数和主要质量指标；然后，获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；最后，判断各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与控制图的控制界限的位置关系，并依据位置关系触发异常诊断模块生成对应的决策文件。基于上述方法，煤种配比、数据信息输入、数据信息分析以及处理异常信息，甚至针对异常的决策文件的给出，均不依赖人工操作，自动化程度高，操作简单，准确性高，进而保证了钢铁产品的生产质量及生产效率。

针对上述实施例一公开的生产数据分析方法，通过实施例二给出以下示例分别对其各个步骤进行详细说明。

实施例二

下面给出两个示例，具体说明本实施例中是如何进行主成分分析的。

示例一

以配合煤质量的主成分分析为例，具体实现如下：

配合煤质量指标包括粘结性指数、挥发分、硫分、灰分、水分，细度，胶质层指数，胶质层厚度，分别以G、V_daf、S_t,d、A_d、M_t、Q、X、Y表示。设水分，灰分，挥发分，硫分，细度，粘结性指数，胶质层指数,胶质层厚度分别为x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈。采集一组现场数据，按照主成分分析的步骤通过计算得到配合煤质量主成分。

样本协方差矩阵为：

$S=\left[\begin{array}{cccccccc}0.4857& 0.0545& 0.4290& 0.0076& 1.4179& 0.0571& 1.0857& -0.1071\\ 0.0545& 0.0589& 0.0964& 0.0089& 0.0762& 0.1182& 0.0586& 0.0620\\ 0.4290& 0.0964& 0.6476& 0.0039& 1.3263& -0.2721& 1.3100& -0.3575\\ 0.0076& 0.0089& 0.0039& 0.0022& 0.0154& 0.0475& -0.0314& 0.0209\\ 1.4179& 0.0762& 1.3263& 0.0154& 9.6141& 0.4036& 5.8571& -0.4339\\ 0.0571& 0.1182& -0.2721& 0.0475& 0.4036& 5.0714& 1.5714& 1.6786\\ 1.0857& 0.0586& 1.3100& -0.0314& 5.8571& 1.5714& 34.5714& -0.8571\\ -0.1071& 0.0620& -0.3575& 0.0209& -0.4339& 1.6786& -0.8571& 0.9821\end{array}\right]$

由于S中主对角线元素差异较大，因此我们样本相关系数矩阵R出发进行主成分分析。样本相关系数矩阵R为：

$R=\left[\begin{array}{cccccccc}1.0000& 0.3221& 0.7649& 0.2339& 0.6561& 0.0364& 0.2650& -0.1551\\ 0.3221& 1.0000& 0.4934& 0.7858& 0.1012& 0.2162& 0.0410& 0.2575\\ 0.7649& 0.4934& 1.0000& 0.1031& 0.5315& -0.1502& 0.2768& -0.4482\\ 0.2339& 0.7858& 0.1031& 1.0000& 0.1060& 0.4499& -0.1140& 0.4497\\ 0.6561& 0.1012& 0.5315& 0.1060& 1.0000& 0.0578& 0.3215& -0.1412\\ 0.0364& 0.2162& -0.1502& 0.4499& 0.0578& 1.0000& 0.1187& 0.7521\\ 0.2650& 0.0410& 0.2768& -0.1140& 0.3213& 0.1187& 1.0000& -0.1471\\ -0.1551& 0.2575& -0.4482& 0.4497& -0.1412& 0.7521& -0.1471& 1.0000\end{array}\right]$

三角矩阵为：

$D=\left[\begin{array}{cccccccc}1.0000& 0& 0& 0& 0& 0& 0& 0\\ 0.3221& 1.0000& 0& 0& 0& 0& 0& 0\\ 0.7649& 0.4934& 1.0000& 0& 0& 0& 0& 0\\ 0.2339& 0.7858& 0.1031& 1.0000& 0& 0& 0& 0\\ 0.6561& 0.1012& 0.5315& 0.1060& 1.0000& 0& 0& 0\\ 0.0364& 0.2162& -0.1502& 0.4499& 0.0578& 1.0000& 0& 0\\ 0.2650& 0.0410& 0.2768& -0.1140& 0.3213& 0.1187& 1.0000& 0\\ -0.1551& 0.2575& -0.4482& 0.4497& -0.1412& 0.7512& -0.1471& 1.0000\end{array}\right]$

矩阵R的特征值及相应的特征向量分别为：

特征值	特征向量
		2.8035	-0.5172 -0.3846 -0.5098 -0.2802 -0.4254 -0.0869 -0.2319 0.0624
2.4444	-0.1091 0.3193 -0.2229 0.4732 -0.1417 0.4961 -0.1400 0.5716
		1.1772	0.0613 -0.4151 -0.1743 -0.2851 0.3193 0.4533 0.5887 0.2415
0.7327	-0.3033 0.3646 0.0656 0.0558 -0.4744 -0.0738 0.7151 -0.1605
		0.3871	0.3233 -0.0374 0.4419 -0.4377 -0.5710 0.3766 -0.1659 0.1083

0.2376	0.6711 -0.1741 -0.3797 0.2026 -0.3267 -0.3875 0.1827 0.2096
		0.2175	-0.0884 0.3605 0.0726 -0.4821 0.1793 -0.4329 0.0267 0.6359
0.0000	0.2494 0.5323 -0.5577 -0.3848 0.0832 0.2366 -0.0843 -0.3540

R的特征值和贡献率见下表：

特征值	贡献率	累计贡献率
			2.8035	0.3504	0.3504
2.4444	0.30555	0.65595
			1.1772	0.14715	0.8031
0.7327	0.0916	0.8947
			0.3871	0.0484	0.9431
0.2376	0.0297	0.9728
			0.2175	0.0272	1.0000
0.0000	0.0000	1.0000

前4个样本主成分类及累计贡献率已达到89.47%，故只需取前四个主成分即可。

按照主成分分析的步骤通过计算得到配合煤质量主成分如(3-8)所示，

$\left\{\begin{array}{c}{y}_1=-0.5172x_1-0.3846x_2-0.5098x_3-0.2802x_4-0.4254x_5-0.0869x_6-0.2319x_7+0.0624x_8\\ y_2=-0.1091x_1+0.3193x_2-0.2229x_3+0.4732x_4-0.1417x_5+0.4961x_6-0.1400x_7+0.5716x_8\\ y_3=0.0613x_1-0.4151x_2-0.1743x_3-0.2851x_4+0.3193x_5+0.4533x_6+0.5887x_7+0.2415x_8\\ y_4=-0.3033x_1+0.3646x_2+0.0656x_3+0.0558x_4-0.4744x_5-0.0738x_6+0.7151x_7-0.1605x_8\end{array}\right.---(3-8)$

下面给出一个示例，具体说明本实施例中是如何进行灰色关联分析的。

示例二

以焦炭质量的灰色关联优势分析为例，具体实现如下：

焦炭质量的灰色关联优势分析主要是分析影响焦炭质量的主要因素。基于炼焦生产的机理分析以及实际经验，初步确定影响焦炭质量因素包括：配合煤质量，火道温度，集气管压力，结焦时间，烟道吸力。因为焦炭质量指标众多，所以前面对其进行主成分分析，得到焦炭质量的三个主成分。下面分别以焦炭质量的第一主成分，第二主成分，第三主成分作为参考序列，以x₀ ¹，x₀ ²，x₀ ³表示。以机侧火道温度，焦侧火道温度，集气管压力，结焦时间,配合煤质量第一主成分，配合煤质量第二主成分，配合煤质量第三主成分，配合煤质量第四主成分，机侧烟道吸力，焦侧烟道吸力为比较序列，以x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉，x₁₀表示，对焦炭质量进行灰色关联优势分析。

数据编号	1	2	3	4	5
						焦炭质量第一主成分x0 1	-9.3070	-11.5005	-12.1902	-6.1840	-9.2898
焦炭质量第二主成分x0 2	7.1299	6.1510	6.1906	10.2530	6.9700
						焦炭质量第三主成分x0 3	-46.1950	-47.3152	-47.9309	-45.3537	-48.0520
机侧火道温度x1	1287	1269	1267	1262	1268
						焦侧火道温度x2	1312	1309	1313	1306	1306
集气管压力x3	108	107	108	110	107
						结焦时间x4	18	18	18	18	18
配合煤质量第一主成分x5	-66.4217	-59.6861	-65.2759	-65.7263	-65.4514
						配合煤质量第二主成分x6	28.3160	32.7997	31.8011	33.4444	33.9593
配合煤质量第三主成分x7	73.9847	67.9009	69.9365	77.3398	76.6751
						配合煤质量第四主成分x8	-11.2704	-11.9532	-18.3693	-10.4312	-11.0077
机侧烟道吸力x9	219	156	158	162	156
						焦侧烟道吸力x10	251	175	189	177	175

以焦炭质量的第一主成分x₀ ¹为参考系列，以x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉，x₁₀为比较系列，计算出其关联度如下：

$r_{01}^1=0.6911;$ $r_{02}^1=0.7004;$ $r_{03}^1=0.6924;$ $r_{04}^1=0.7006;$ $r_{05}^1=0.6746;$

$r_{06}^1=0.6720;$ $r_{07}^1=0.6496;$ $r_{08}^1=0.7135;$ $r_{09}^1=0.5993;$ $r_{010}^1=0.6143.$

进行关联度排序为：

$r_{08}^1=0.7135>r_{04}^1=0.7006>r_{02}^1=0.7004>r_{03}^1=0.6924>r_{01}^1=0.6911$

$r_{05}^1=0.6746>r_{06}^1=0.6720>r_{07}^1=0.6496>r_{010}^1=0.6143>r_{09}^1=0.5993.$

从上面的排序可知，配合煤质量第四主成分，结焦时间，焦侧火道温度，集气管压力，机侧火道温度对焦炭质量第一主成分有较大影响；配合煤质量第一主成分，配合煤质量第二主成分，配合煤质量第三主成分次之；焦侧烟道吸力，机侧烟道吸力对焦炭质量第一主成分的影响最小。

以焦炭质量的第二主成分x₀ ²为参考系列，以x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉，x₁₀为比较系列，计算出其关联度如下：

$r_{01}^2=0.7912;$ $r_{02}^2=0.7796;$ $r_{03}^2=0.7867;$ $r_{04}^2=0.7775;$ $r_{05}^2=0.8244;$

$r_{06}^2=0.6782;$ $r_{07}^2=0.8128;$ $r_{08}^2=0.6831;$ $r_{09}^2=0.6762;$ $r_{010}^2=0.6765.$

进行关联度排序为：

$r_{05}^2=0.8244>r_{07}^2=0.8128>r_{01}^2=0.7912>r_{03}^2=0.7867>r_{02}^2=0.7796>$

$r_{04}^2=0.7775>r_{08}^2=0.6831>r_{06}^2=0.6782>r_{010}^2=0.6765>r_{09}^2=0.6762.$

从上面的排序可知，配合煤质量第一主成分，配合煤质量第三主成分，机侧火道温度，集气管压力，焦侧火道温度对焦炭质量第二主成分有较大影响；结焦时间，配合煤质量第四主成分，配合煤质量第二主成分次之；焦侧烟道吸力，机侧烟道吸力对焦炭质量第二主成分的影响最小。

以焦炭质量的第三主成分x₀ ³为参考系列，以x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉，x₁₀为比较系列，计算出其关联度如下：

$r_{01}^3=0.9146;$ $r_{02}^3=0.9264;$ $r_{03}^3=0.9065;$ $r_{04}^3=0.9269;$ $r_{05}^3=0.8728;$

$r_{06}^3=0.7425;$ $r_{07}^3=0.8617;$ $r_{08}^3=0.7776;$ $r_{09}^3=0.5991;$ $r_{010}^3=0.5931.$

进行关联度排序为：

$r_{04}^3=0.9269>r_{02}^3=0.9264>r_{01}^3=0.9146>r_{03}^3=0.9065>r_{05}^3=0.8728>$

$r_{07}^3=0.8617>r_{08}^3=0.7776>r_{06}^3=0.7425>r_{09}^3=0.5991>r_{010}^3=0.5931.$

从上面的排序可知，结焦时间，焦侧火道温度，机侧火道温度，集气管压力，配合煤质量第一主成分对焦炭质量第三主成分有较大影响；配合煤质量第三主成分，配合煤质量第四主成分，配合煤质量第二主成分次之；机侧烟道吸力，焦侧烟道吸力对焦炭质量第三主成分的影响最小。

将以上结果排列成矩阵，得到焦炭质量的灰色关联矩阵为：

$R=\left[\begin{array}{cccccccccc}0.6911& 0.7004& 0.6924& 0.7006& 0.6746& 0.6720& 0.6496& 0.7135& 0.5993& 0.6143\\ 0.7912& 0.7796& 0.7867& 0.7775& 0.8244& 0.6782& 0.8128& 0.6831& 0.6762& 0.6765\\ 0.9146& 0.9264& 0.9065& 0.9269& 0.8728& 0.7425& 0.8617& 0.7776& 0.5991& 0.5931\end{array}\right]$

从灰色关联矩阵可以看出，前8列的数据都大于0.6，说明x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈对x₀的影响较大，而x₉，x₁₀对x₀的影响较小。

因此，根据焦炭质量的灰色关联优势分析可以得出：机侧火道温度，焦侧火道温度，集气管压力，结焦时间,配合煤质量第一主成分，配合煤质量第二主成分，配合煤质量第三主成分，配合煤质量第四主成分对焦炭质量影响较大；而机侧烟道吸力，焦侧烟道吸力对焦炭质量影响较小。

下面给出具体示例，详细说明如何绘制控制图。

示例三

以球团矿质量指标控制图为例，具体实现如下：

通过调研确定了对球团矿的TFe，R，MgO，FeO，S，P，抗压强度，粒度组成（10～16mm）指标绘制控制图。

对球团矿的TFe，R，MgO，FeO，S，P均取90个数据，分成18组，每组5个数据，进行控制图分析。以球团矿的TFe为例进行控制图分析（其余指标的控制图分析采用相同的方法）。

先从球团矿质量表中取最近的90个TFe数据，分成m=18组，每组n=5个数据。

（1）计算样本的均值和极差分别为：

R_i=X_imax-X_imin，i=1,2,…n。

（2）计算样本均值的平均值和样本极差的均值分别为：

$\stackrel{\‾}{R}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_i,$ i=1,2,…m。

（3）极差控制图（R控制图）：中心线

控制上限 ${\mathrm{UCL}}_R=D_4\stackrel{\‾}{R}=2.114\stackrel{\‾}{R}$

控制下限 ${\mathrm{LCL}}_R=D_3\stackrel{\‾}{R}=0$

（4）均值控制图（

控制图）：中心线

控制上限 ${\mathrm{UCL}}_{\stackrel{\‾}{x}}=\stackrel{\‾}{X}+A_2\stackrel{\‾}{R}=\stackrel{\‾}{X}+0.5777\stackrel{\‾}{R}$

控制下限 ${\mathrm{LCL}}_{\stackrel{\‾}{x}}=\stackrel{\‾}{X}-A_2\stackrel{\‾}{R}=\stackrel{\‾}{X}-0.577\stackrel{\‾}{R}$

（5）根据上述选定的五条判异准则进行判断，如果有点出界（即不稳定）则剔出这几点数据，再重新按照上述步骤重新画图，控制上下限的

和

需重新计算，系数不变。

先画极差控制图，再画均值控制图。横坐标为以时间先后排列的样本组号，纵坐标为样本的统计量，从整个统计量在控制图上的动态分布就可以判断出各指标数据的变化和趋势。

下面给出具体的示例，详细说明如何生成决策文件。

示例四

焦化异常诊断：

对配合煤和焦炭的质量指标、配比、关键工艺参数绘制波动曲线，把原料指标、配比、关键工艺参数的数据在波动图上一一显示出来；然后针对焦炭质量指标控制图的异常情况，对焦炭质量指标进行灰色关联分析，在关联分析的基础上，得出影响焦炭质量指标的各个因素关联度的大小；并根据波动图来查找原因，输出原因并给出相应的建议。

示例五

烧结异常诊断：

对烧结矿的质量指标、配比、关键工艺参数绘制波动曲线，把原料指标、配比、关键工艺参数的数据在波动图上一一显示出来；然后针对烧结矿质量指标控制图的异常情况，对烧结矿质量指标进行灰色关联分析，在关联分析的基础上，得出影响烧结矿质量指标的各个因素关联度的大小；并根据波动图来查找原因，输出原因并给出相应的建议。

诊断分析结果，由数学分析，和专家经验分析两部分结合而成，由于流程工业的复杂性，其产品质量影响因素众多，单一的数学很难准确描述整个生产过程，因此，针对质量异常信息，在系统中提供接口供相关的技术人员录入他们的分析结果。

本实施例通过给出具体示例的方式对实施例一种公开的生产数据分析方法，进行了详细说明，更明确的表现了，基于实施例一的生产数据分析方法，煤种配比、数据信息输入、数据信息分析以及处理异常信息，甚至针对异常的决策文件的给出，均不依赖人工操作，自动化程度高，操作简单，准确性高，进而保证了钢铁产品的生产质量及生产效率。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的系统实现，因此本发明还公开了一种系统，下面给出具体的实施例进行详细说明。

实施例三

请参阅附图5，为本实施例公开的一种生产数据分析系统具体结构示意图。该生产数据分析系统具体包括如下单元。

主成分分析单元11，用于获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据；

灰色关联优势分析单元12，用于分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标；

控制图绘制单元13，用于获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；

控制图分析单元14，用于判断所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与所述控制图的控制界限的位置关系，并依据所述位置关系触发异常诊断模块生成对应的决策文件。

具体的，请参阅附图6，为主成分分析单元11的具体结构示意图。其主要结构如下：

第一计算子单元110，用于计算所述质量指标数据的样本协方差矩阵以及相关系数矩阵；

第二计算子单元111，用于计算所述相关系数矩阵的特征根以及正交单位化特征向量，所述特征根以及所述正交单位化特征向量与所述相关系数矩阵相对应；

第三计算子单元112，用于根据所述特征根计算所述质量指标数据的方差贡献率；

主成分数据确定子单元113，用于根据所述方差贡献率，得到所述各个样本的主成分数据。

进一步的，主成分数据确定子单元113包括，累加模块，用于按照从大到小的顺序对所述方差贡献率进行累加，得到和值；

确定模块，用于当所述和值大于等于85%时，确定所述各个样本的主成分数据为所述参与累加的方差贡献率对应的成分。

具体的，请参阅附图7，为灰色关联优势分析单元12的具体结构示意图。其主要结构如下：

序列确定子单元120，用于依据所述工艺参数数据和所述各个样本的主成分数据，确定母序列和子序列；

无量纲化子单元121，用于按照预设的无量纲化方法，对所述母序列和所述子序列中的数据进行无量纲化处理；

关联系数计算子单元122，用于根据进行无量纲化处理后的母序列和子序列，计算得到关联系数；

关联度计算子单元123，用于根据所述关联系数，计算得到关联度；

关联度矩阵生成子单元124，用于将所述关联度构造成关联度矩阵；

关联度矩阵分析子单元125，用于根据所述关联度矩阵中关联度的大小，得到所述各个样本的关键工艺参数和主要质量指标。

需要说明的是，本实施例中各个功能模块与实施例一中方法是相对应的，因此，本实施例中各个功能模块的功能实现原理，将不在本实施例中再次描述，具体请参见实施例一中的相关描述。

本实施例公开了一种生产数据分析系统，首先，获取各个样本的质量指标数据和工艺参数数据，并分析质量指标数据，得到所述各个样本的主成分数据；然后，分析工艺参数数据和各个样本的主成分数据，得到各个样本的关键工艺参数和主要质量指标；然后，获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；最后，判断各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与控制图的控制界限的位置关系，并依据位置关系触发异常诊断模块生成对应的决策文件。基于上述系统，煤种配比、数据信息输入、数据信息分析以及处理异常信息，甚至针对异常的决策文件的给出，均不依赖人工操作，自动化程度高，操作简单，准确性高，进而保证了钢铁产品的生产质量及生产效率。

综上所述：

本申请通过对配合煤质量、焦炭质量、中和矿质量、烧结矿质量、球团矿质量进行主成分分析，然后对焦炭质量、烧结矿质量、球团矿质量进行关联性分析，得出影响焦炭质量、烧结矿质量、球团矿质量的主要质量指标以及关键的工艺参数，为控制图的绘制提供了主要依据。同时对控制图进行分析，针对控制图中出现的异常情况，通过建立异常诊断分析系统，分析失控原因，给出解决问题的建议措施，最终达到稳顺生产、稳定质量、为管理层正确决策提供支持的目的。

通过对所有质量指标进行主成分分析，得出代表原始指标绝大部分信息的新指标，通过对质量进行灰色关联优势分析，得出影响质量的主要因素。对各生产线生产过程质量数据生成控制图，对控制图进行分析并对异常情况发出警报，为生产过程控制提供决策支持，并提供指标查询、曲线显示等功能。最终建立异常诊断分析系统。针对控制图出现的异常情况，采用异常诊断系统分析失控原因，给出解决问题的建议措施。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种生产数据分析方法，其特征在于，包括：

获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据；

分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标；

获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；

判断所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与所述控制图的控制界限的位置关系，并依据所述位置关系触发异常诊断模块生成对应的决策文件。

2.根据权利要求1所述的方法，其特征在于，所述获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据的过程包括：

计算所述质量指标数据的样本协方差矩阵以及相关系数矩阵；

计算所述相关系数矩阵的特征根以及正交单位化特征向量，所述特征根以及所述正交单位化特征向量与所述相关系数矩阵相对应；

根据所述特征根计算所述质量指标数据的方差贡献率；

根据所述方差贡献率，得到所述各个样本的主成分数据。

3.根据权利要求1所述的方法，其特征在于，所述分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标的过程包括：

依据所述工艺参数数据和所述各个样本的主成分数据，确定母序列和子序列；

按照预设的无量纲化方法，对所述母序列和所述子序列中的数据进行无量纲化处理；

根据进行无量纲化处理后的母序列和子序列，计算得到关联系数；

根据所述关联系数，计算得到关联度；

将所述关联度构造成关联度矩阵；

根据所述关联度矩阵中关联度的大小，得到所述各个样本的关键工艺参数和主要质量指标。

4.根据权利要求2所述的方法，其特征在于，所述根据所述方差贡献率，得到所述各个样本的主成分数据的过程包括：

按照从大到小的顺序对所述方差贡献率进行累加，得到和值；

当所述和值大于等于85%时，确定所述各个样本的主成分数据为所述参与累加的方差贡献率对应的成分。

5.一种生产数据分析系统，其特征在于，包括：

主成分分析单元，用于获取各个样本的质量指标数据和工艺参数数据，并分析所述质量指标数据，得到所述各个样本的主成分数据；

灰色关联优势分析单元，用于分析所述工艺参数数据和所述各个样本的主成分数据，得到所述各个样本的关键工艺参数和主要质量指标；

控制图绘制单元，用于获取预设数量的各个样本的关键工艺参数数据和主要质量指标数据，计算并绘制控制图的控制界限，并确定所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置；

控制图分析单元，用于判断所述各个样本的关键工艺参数数据和主要质量指标数据在所述控制图上的位置与所述控制图的控制界限的位置关系，并依据所述位置关系触发异常诊断模块生成对应的决策文件。

6.根据权利要求5所述的系统，其特征在于，所述主成分分析单元包括：

第一计算子单元，用于计算所述质量指标数据的样本协方差矩阵以及相关系数矩阵；

第二计算子单元，用于计算所述相关系数矩阵的特征根以及正交单位化特征向量，所述特征根以及所述正交单位化特征向量与所述相关系数矩阵相对应；

第三计算子单元，用于根据所述特征根计算所述质量指标数据的方差贡献率；

主成分数据确定子单元，用于根据所述方差贡献率，得到所述各个样本的主成分数据。

7.根据权利要求5所述的系统，其特征在于，所述灰色关联优势分析单元包括：

序列确定子单元，用于依据所述工艺参数数据和所述各个样本的主成分数据，确定母序列和子序列；

无量纲化子单元，用于按照预设的无量纲化方法，对所述母序列和所述子序列中的数据进行无量纲化处理；

关联系数计算子单元，用于根据进行无量纲化处理后的母序列和子序列，计算得到关联系数；

关联度计算子单元，用于根据所述关联系数，计算得到关联度；

关联度矩阵生成子单元，用于将所述关联度构造成关联度矩阵；

关联度矩阵分析子单元，用于根据所述关联度矩阵中关联度的大小，得到所述各个样本的关键工艺参数和主要质量指标。

8.根据权利要求6所述的系统，其特征在于，所述主成分数据确定子单元包括：

累加模块，用于按照从大到小的顺序对所述方差贡献率进行累加，得到和值；

确定模块，用于当所述和值大于等于85%时，确定所述各个样本的主成分数据为所述参与累加的方差贡献率对应的成分。

Images