CN104985003A - 一种基于数据驱动的轧制过程打滑诊断及预测的方法 - Google Patents

Abstract

一种基于数据驱动的轧制过程打滑诊断及预测的方法，利用正常轧制状态下的正常数据进行非线性分析，抽取核主元信息，建立核主元模型。将测试数据映射到核主元模型，检验测试数据的统计量T²和SPE是否超过控制限，判断轧机是否存在打滑故障。如果存在打滑故障，利用贡献图法对变量进行故障分离，准确判断打滑原因，修改相应轧制参数设定值，避免打滑现象的发生。本发明方法可在线监测轧制过程打滑故障的发生，还可对预设定的轧制规程进行诊断。

Description

一种基于数据驱动的轧制过程打滑诊断及预测的方法

技术领域

本发明涉及轧机自动控制领域，尤其是一种轧制过程打滑诊断及预防的方法。

背景技术

随着工业技术的进步，轧制设备继续向着大型化、高速化、自动化与高精度方向发展。与此同时轧件重量、轧制速度的不断增加和对产品质量要求的不断提高，轧制过程中主传动系统打滑现象频繁发生。为了实现安全生产，必须采取有效的措施来避免打滑现象的发生。因此，如何避免轧机在高速轧制时发生打滑是提高轧机生产能力的一个重要课题。

到目前为止，国内外很多学者都对轧机的打滑现象做出一些研究。例如：白振华、王骏飞在“2002年薄钢板质量研讨会”上作的名为“冷连轧机打滑判断条件及其影响因素的研究”的报告，采用统计学的观点给出了打滑判断条件，并对冷连轧机打滑影响因素进行了分析，提出防治打滑的相关措施；陈俊在“2006年全国冷轧板带生产技术交流会”上作的关于“冷连轧机打滑问题的新解和思考”的报告，分析了轧制打滑是一个受张力制度、变形分配、工艺润滑冷却条件和轧制接触表面粗糙度等诸多工艺要素所控制的现象；张建成、蔡恒君等人在“2011年全国冷轧板带技术交流会”上发表的“冷连轧机打滑问题的分析”从生产实践的角度并结合相关理论阐述影响打滑的因素，提出了防治打滑的若干措施。但是，很少有通过核主元分析法对轧机在轧制过程中是否会出现打滑现象进行诊断。

发明内容

本发明目的在于提供一种容易判断、预测方法方便简单、打滑原因直观准确的基于数据驱动的轧制过程打滑诊断及预测的方法。

为实现上述目的，本发明所述方法包括以下步骤：

(1)采集数据，在轧制过程中，根据轧制理论和生产实际确定采集的正常数据，需采集的数据包括：乳化液浓度、轧件温度、轧机的前后张力、轧辊速度、轧机的入口厚度和出口厚度、轧辊直径、轧件宽度、轧辊表面粗糙度，对所采集的数据进行去噪和标准化处理；

(2)利用正常轧制状态下的正常数据进行非线性分析，计算正常状态下正常数据的核矩阵，对核矩阵进行中心化处理，建立打滑相关的核主元模型，利用自由搜索法确定核主元参数，计算正常数据的T²和SPE统计量，确定统计量T²和SPE的控制限；所述控制限对应于99％置信限；

其中，正常数据的T²统计量的表达式为：

T²＝[t₁,...,t_p]Λ^-1[t₁,...,t_p]^T

式中，t_i(i＝1,...,p)是第i个非线性主元，p为主元个数，λ_i为特征值，Λ^-1为相应特征值λ_i的倒数；

T²的控制限可根据F分布求得：

$T_{p,n,\mathrm{\α}}^2=\frac{p(n-1)}{n-p}{F}_{p,n-p,\mathrm{\α}}$

式中，n表示为样本数目，α表示为置信度，p为主元个数，F_p,n-p,α表示置信度为α的F分布；

SPE统计量的表达式为：

$\mathrm{SPE}={\left|\right|\mathrm{\φ}\left(x\right)-{\widehat{\mathrm{\φ}}}_p\left(x\right)\left|\right|}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i^2-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{t}_i^2$

式中，φ(x)是原始样本数据x在特征空间F的映射,是特征空间的主元向量，n表示为样本数目，p为主元个数，t_i(i＝1,...,p)是第i个非线性主元；

正常数据的SPE的控制限为：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{(\frac{c_{\mathrm{\α}}\sqrt{{2\mathrm{\θ}}_2{h}_0^2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2})}^{1/h_0}$

式中， ${\mathrm{\θ}}_i=\underset{i=p+1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^j(j=\mathrm{1,2,3}),h_0=1-2{\mathrm{\θ}}_1{\mathrm{\θ}}_3/{3\mathrm{\θ}}_1^2,$ λ_i为特征值，m为样本的维数，c_α为标准正态分布在置信水平α下的阈值。

(3)将实际轧制过程的测试数据或轧制规程预设定值进行去噪和标准化处理，计算测试数据的核矩阵，对测试数据的核矩阵进行中心化处理，建立核主元模型，将测试数据或预设定值映射到核主元模型，计算测试数据的T²和SPE统计量；将测试数据的T²和SPE统计量与正常数据统计量T²和SPE的控制限进行比较，判断测试数据的统计量T²和SPE是否超过控制限，如果超限，则判断出现打滑故障，并输出打滑故障数据；

(4)对故障数据利用核主元贡献图法对变量进行故障分离，计算贡献量，画出贡献图，判断打滑故障原因，修改造成打滑故障的相应轧制变量，避免打滑现象发生。

进一步的，所述去噪处理采用小波去噪方法。

进一步的，利用核主元分析方法计算正常数据的T²和SPE统计量，

其中，核函数K(x_i，x_j)采用径向基函数，即：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{c})$

式中，x_i,x_j∈x表示样本，c表示核主元参数；核主元参数c采用自由搜索法确定。

进一步的，实际轧制过程中的测试数据或轧制规程预设定值与历史数据的采集种类相同，均包括乳化液浓度、轧件温度、轧机的前后张力、轧辊速度、轧机的入口厚度和出口厚度、轧辊直径、轧件宽度、轧辊表面粗糙度。

应用本发明方法的工作过程大致如下：

利用正常轧制状态下的历史数据进行非线性分析，抽取核主元信息，建立核主元模型。将测试数据(预设定轧制规程的相关数据或监测的实际生产数据)映射到核主元模型，判断轧机是否存在打滑故障。如果存在打滑故障，利用核主元贡献图法对变量进行故障分离，准确判断打滑原因，修改相应轧制参数设定值，避免打滑现象的发生。

与现有技术相比，本发明方法具有如下优点：提高生产过程的安全性并使检修得到优化；在线监测轧制过程打滑故障的发生，还可对预设定的轧制规程进行诊断，如果存在问题可及时修正，防患于未然，提高生产安全性和生产效率。

附图说明

图1是本发明方法的流程图。

图2a是实施例1各采样点的T²统计量。

图2b是实施例1各采样点的SPE统计量。

图3a是实施例1的各变量T²贡献图。

图3b是实施例1的各变量SPE贡献图。

图4a是实施例1三个变量改为正常值后的T²仿真图。

图4b是实施例1三个变量改为正常值后的SPE仿真图。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，利用正常轧制状态下的正常数据进行非线性分析，抽取核主元信息，建立核主元模型。将测试数据映射到核主元模型，检验测试数据的统计量T²和SPE是否超过控制限，判断轧机是否存在打滑故障。如果存在打滑故障，利用核主元贡献图法对变量进行故障分离，准确判断打滑原因，修改相应轧制参数设定值，避免打滑现象的发生。

具体步骤如下：

(1)采集数据，在轧制过程中，根据轧制理论和生产实际确定采集的正常数据，需采集的数据包括：乳化液浓度、轧件温度、轧机的前后张力、轧辊速度、轧机的入口厚度和出口厚度、轧辊直径、轧件宽度、轧辊表面粗糙度，把数据分为正常数据和测试数据，对所采集的数据进行小波去噪和标准化处理；

将所有变量数据通过标准化转化为均值为0，方差为1的无量纲数值。其计算公式为：

$y_i=\frac{x_i-\stackrel{\‾}{x}}{s}$

式中，y_i为标准化后的数据，x_i为采集的原始数据，为平均值：n是样本数量，s为标准偏差：

(2)利用正常轧制状态下的正常数据进行非线性分析，计算正常状态下历史数据的核矩阵，对核矩阵进行中心化处理，建立打滑相关的核主元模型，利用自由搜索法确定核主元参数，计算历史数据的T²和SPE统计量，确定统计量T²和SPE的控制限；所述控制限对应于99％置信限；

正常数据的T²统计量的表达式为：

T²＝[t₁,...,t_p]Λ^-1[t₁,...,t_p]^T

式中，t_i(i＝1,...,p)是第i个非线性主元，p为主元个数，λ_i为特征值，Λ^-1为相应特征值λ_i的倒数；

T²的控制限可根据F分布求得：

$T_{p,n,\mathrm{\α}}^2=\frac{p(n-1)}{n-p}{F}_{p,n-p,\mathrm{\α}}$

式中，n表示为样本数目，α表示为置信度，p为主元个数，F_p,n-p,α表示置信度为α的F分布；

正常数据的SPE统计量的表达式为：

$\mathrm{SPE}={\left|\right|\mathrm{\φ}\left(x\right)-{\widehat{\mathrm{\φ}}}_p\left(x\right)\left|\right|}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i^2-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{t}_i^2$

式中，φ(x)是原始样本数据x在特征空间F的映射,是特征空间的主元向量，n表示为样本数目，p为主元个数，t_i(i＝1,...,p)是第i个非线性主元；

SPE的控制限为：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{(\frac{c_{\mathrm{\α}}\sqrt{{2\mathrm{\θ}}_2{h}_0^2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2})}^{1/h_0}$

式中， ${\mathrm{\θ}}_i=\underset{i=p+1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^j(j=\mathrm{1,2,3}),h_0=1-2{\mathrm{\θ}}_1{\mathrm{\θ}}_3/{3\mathrm{\θ}}_1^2,$ λ_i为特征值，m为样本的维数，c_α为标准正态分布在置信水平α下的阈值；

核函数K(x_i，x_j)采用径向基函数：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{c})$

式中，x_i,x_j∈x表示样本，c表示核主元参数；核主元参数c采用自由搜索法确定。

用核函数将正常轧制状态下样本变换成为核函数矩阵，将输入数据映射到高维特征空间，建立打滑相关的核主元模型，计算正常历史数据的统计量T²和SPE，确定统计量T²和SPE的控制限(对应于99％置信限)。

(3)将实际轧制过程的测试数据或轧制规程预设定值进行去噪和标准化处理，测试数据或轧制规程预设定值包括乳化液浓度、轧件温度、轧机的前后张力、轧辊速度、轧机的入口厚度和出口厚度、轧辊直径、轧件宽度、轧辊表面粗糙度；计算测试数据的核矩阵，对测试数据的核矩阵进行中心化处理，建立核主元模型，将测试数据或预设定值映射到核主元模型，计算测试数据的T²和SPE统计量；将测试数据的T²和SPE统计量与正常历史数据统计量T²和SPE的控制限进行比较，判断测试数据的统计量T²和SPE是否超过控制限，如果超限，则判断出现打滑故障，并输出打滑故障数据；

(4)利用核主元贡献图法对变量进行故障分离，计算贡献量，画出贡献图，判断打滑故障原因，对故障数据的统计量T²和SPE对每个变量求偏导数，进而得到每个变量对统计量T²和SPE的贡献率，对统计量T²和SPE影响较大的变量就是故障变量，修改造成打滑故障的相应轧制变量，避免打滑现象发生。

实施例1：以某一实际工业环境下轧制过程采集的数据进行打滑故障诊断，67采样点开始出现打滑想象，图2a和图2b是测试数据的T²和SPE统计量，从67采样点开始超限；对故障数据进行故障分离，图3a和图3b是67采样点的各变量的T²和SPE贡献图；确定有三个变量2,4,6出现故障，对这三个变量进行修改，避免故障发生。图4a和图4b是三个变量修改后的T²和SPE统计量，从图4可以看出，对三个故障变量进行修改后，T²和SPE统计量都低于控制限，可明显消除打滑故障。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于数据驱动的轧制过程打滑诊断及预测的方法，其特征在于，所述方法包括以下步骤：

(1)采集数据，在轧制过程中，根据轧制理论和生产实际确定采集的正常数据，需采集的数据包括：乳化液浓度、轧件温度、轧机的前后张力、轧辊速度、轧机的入口厚度和出口厚度、轧辊直径、轧件宽度、轧辊表面粗糙度，对所采集的数据进行去噪和标准化处理；

(2)利用正常轧制状态下的正常数据进行非线性分析，计算正常状态下正常数据的核矩阵，对核矩阵进行中心化处理，建立打滑相关的核主元模型，利用自由搜索法确定核主元参数，计算正常数据的T²和SPE统计量，确定统计量T²和SPE的控制限；所述控制限对应于99％置信限；

(3)将实际轧制过程的测试数据或轧制规程预设定值进行去噪和标准化处理，计算测试数据的核矩阵，对测试数据的核矩阵进行中心化处理，建立核主元模型，将测试数据或预设定值映射到核主元模型，计算测试数据的T²和SPE统计量；将测试数据的T²和SPE统计量与正常数据统计量T²和SPE的控制限进行比较，判断测试数据的统计量T²和SPE是否超过控制限，如果超限，则判断出现打滑故障，并输出打滑故障数据；

(4)对故障数据利用核主元贡献图法对变量进行故障分离，计算贡献量，画出贡献图，判断打滑故障原因，修改造成打滑故障的相应轧制变量，避免打滑现象发生。

2.根据权利要求1所述的基于数据驱动的轧制过程打滑诊断及预测的方法，其特征在于：步骤(1)中所述去噪处理采用小波去噪方法。

3.根据权利要求1所述的基于数据驱动的轧制过程打滑诊断及预测的方法，其特征在于，步骤(2)中，正常数据的T²统计量的表达式为：

T²＝[t₁,...,t_p]Λ^-1[t₁,...,t_p]^T

式中，t_i(i＝1,...,p)是第i个非线性主元，p为主元个数，λ_i为特征值，Λ^-1为相应特征值λ_i的倒数；

T²的控制限可根据F分布求得：

$T_{p,n,\mathrm{\α}}^2=\frac{p(n-1)}{n-p}{F}_{p,n-p,\mathrm{\α}}$

式中，n表示为样本数目，α表示为置信度，p为主元个数，F_p,n-p,α表示置信度为α的F分布；

正常数据的SPE统计量的表达式为：

$\mathrm{SPE}={\left|\right|\mathrm{\φ}\left(x\right)-{\widehat{\mathrm{\φ}}}_p\left(x\right)\left|\right|}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i^2-\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{t}_i^2$

式中，φ(x)是原始样本数据x在特征空间F的映射,是特征空间的主元向量，n表示为样本数目，p为主元个数，t_i(i＝1,...,p)是第i个非线性主元。

SPE的控制限为：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{(\frac{c_{\mathrm{\α}}\sqrt{{2\mathrm{\θ}}_2{h}_0^2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2})}^{1/h_0}$

式中， λ_i为特征值，m为样本的维数，c_α为标准正态分布在置信水平α下的阈值。

4.根据权利要求1所述的基于数据驱动的轧制过程打滑诊断及预测的方法，其特征在于：步骤(2)中利用核主元分析方法计算正常数据的T²和SPE统计量，

其中，核函数K(x_i，x_j)采用径向基函数，即：

$K(x_i,x_j)=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{c})$

式中，x_i,x_j∈x表示样本，c表示核主元参数；核主元参数c采用自由搜索法确定。

5.根据权利要求1所述的基于数据驱动的轧制过程打滑诊断及预测的方法，其特征在于：步骤(3)所述实际轧制过程中的测试数据或轧制规程预设定值包括乳化液浓度、轧件温度、轧机的前后张力、轧辊速度、轧机的入口厚度和出口厚度、轧辊直径、轧件宽度、轧辊表面粗糙度。