CN106845825B - 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 - Google Patents
一种基于改进pca的带钢冷轧质量问题溯源及控制方法 Download PDFInfo
- Publication number
- CN106845825B CN106845825B CN201710035587.3A CN201710035587A CN106845825B CN 106845825 B CN106845825 B CN 106845825B CN 201710035587 A CN201710035587 A CN 201710035587A CN 106845825 B CN106845825 B CN 106845825B
- Authority
- CN
- China
- Prior art keywords
- parameters
- quality problem
- data
- parameter
- process parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,首先根据经验知识,针对不同的冷轧带钢质量问题进行相关过程参数选择配置,然后基于网格密度的K‑means方法的生产过程建立标准模型库,其次检测带钢冷轧生产过程中质量问题的发生,获取质量问题发生信息,再次将各个过程参数和控制上下限进行比较,再次若没有过程参数超过上下限,则基于改进的主元分析(PCA)方法的质量问题发生原因参数的分析,计算各个参数对质量问题发生的影响率,并确定质量问题发生的原因参数以及非原因参数,根最后据得到的非原因参数识别匹配标准模型,确定质量问题发生原因参数的控制方式。分析结果可靠,使生产过程能够长时间持续、稳定。
Description
技术领域
本发明涉及一种生产质量问题溯源及控制方法,具体涉及一种基于改进PCA的带钢冷轧质量问题溯源及控制方法。
背景技术
近年来,随着数字化、信息化、网络化以及人工智能技术的发展,特别是德国工业4.0、中国制造2025的提出,企业生产过程的自动化已经达不到市场发展的要求,智能制造成为先进制造业新的发展方向。冷轧带钢作为制造业的一个重要的组成部分,在一定程度上代表了国家钢铁工业的发展水平。随着冷轧带钢生产的发展,冷轧机组设备规模日益增大,系统复杂程度越来越高,精度要求越来越严格,智能化水平要求越来越高,对产品的质量和精度要求也越来越高,提高生产线的智能化程度,持续、稳定、高效的生产高合格率的产品,已成为企业在市场中以及在未来的发展中具有竞争力的重要筹码。
因此,在冷轧带钢生产过程中需要及时检测质量问题的发生,追溯质量问题发生的原因并对产生因素进行控制,消除质量问题的发生不利因素,从而使企业生产过程能够长时间持续、稳定的进行,提高企业智能化水平和市场竞争力。
主元分析(PCA)是过程监测常用的一种技术主元分析方法的基本思想就是在保持尽可能多的过程信息变化量的情况下,对由一个相互之间存在相关性变量所组成的数集进行降维以获得相互之间不相关的特征信号(主元信号)的过程,即较少维数的主元信号表征过程数据矩阵的动态变化。主元分析通过构造基于过程主元特征信号子空间信息的过程统计量T2和残差信息子空间信息的统计量Q,确定其控制限,从而实现过程控制。在监测到系统异常时,通过构建贡献图或者标准残差识别故障变量。
传统的PCA方法在实际应用中存在很多不足,例如虽然利用贡献图或者标准残差可以给出与质量问题参数密切相关的过程控制变量,但一方面变化比较大的变量通常不是问题发生的原因,而且只给出了原因变量,并没有给出原因变量的控制方向,造成分析结果的不可靠。
发明内容
为了解决现有技术中的问题,本发明提出一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,针对过程参数众多关系复杂、离散的设备之间相互关联高度耦合的情况,冷轧带钢在线质量问题分析结果可靠,能够更好的追溯质量问题发生的原因并对产生因素进行控制,消除质量问题发生的不利因素,从而使企业生产过程能够长时间持续、稳定的进行,提高企业智能化水平和市场竞争力。
为了实现以上目的,本发明所采用的技术方案为:包括以下步骤:
1)配置质量问题参数:将不同的质量问题与该质量问题发生相关的过程参数进行关联;
2)建立标准模型库:首先从冷轧带钢生产过程积累的数据信息中选取没有质量问题发生阶段的工艺参数,然后对没有质量问题发生阶段的工艺参数进行聚类分析,得到标准模型库;
3)获取质量问题发生信息:在带钢冷轧生产过程中采集质量问题数据,并对质量问题数据进行分析获取质量问题发生的类型、时间、位置和级别信息;
4)过程参数一次处理:根据质量问题发生的时间,提取质量问题发生前的若干个与该质量问题发生相关的过程参数的样本点为分析目标,将过程参数与该过程参数的上下限进行比对,如果过程参数超过了上下限,则认为该过程参数是质量问题发生的原因参数;若没有过程参数超过上下限,则执行步骤5);
5)过程参数二次处理:以质量问题发生前的若干个与待分析的质量问题关联的过程参数为原始数据,先对原始数据进行标准化处理,然后运用主元分析方法对原始数据进行降维处理,最后利用方差累积贡献率法来确定主元个数;
6)计算贡献率和每个主元中每个参数的负荷值的乘积和,将结果作为各个过程参数对质量问题发生的影响率,根据影响率对过程参数进行排列,取其中影响率超过阈值的过程参数作为引起质量问题发生的原因参数,影响率未超过阈值的过程参数为正常参数;
7)将正常参数在步骤2)建立的标准模型库中进行模式识别,确定模型后将原因参数与模型中的标准参数进行比较,确定原因参数的偏差大小和控制方式。
所述步骤2)建立标准模型库的具体包括以下步骤:
2.1)取质量问题发生前的J个过程参数的样本为原始数据,与待分析的质量问题关联的过程参数有n个,则原始数据表示为:
O=O1×O2×O3×...×On (1)
其中,Oi(i=1,2,3,…,n)为第i维空间;
将每维数据空间划分为等长的R段,记为:
Oi=Oi,1∪Oi,2∪Oi,3∪...∪Oi,R (2)
将每维数据等长划分后,每个网格单元由O1,01×O2,i2×O3,i3×...On,in组成,其中,On,in表示第n维空间第in段;
2.2)对步骤2.1)获得数据进行聚类分析,得到标准模型库。
所述步骤2.2)中首先将每个网格单元中的数据按密度方法进行聚类,找出超过阈值的数据簇,将获得的数据簇的个数作为K-means方法的聚类中心的个数,然后用K-means方法进行聚类,将聚类中心作为标准模型数据,即一个类代表一种标准的生产过程;如果网格单元中的数据不存在超过该阈值的数据簇,则网格中的数据直接作为标准模型数据;最后将每个网格单元中获得标准模型数据存入标准模型库。
所述步骤6)具体包括以下步骤:
6.1)根据主元分析贡献图法,当原始数据的SPE统计量超过其控制限后,第i个变量在第j个时刻对SPE统计量的贡献为SPEij;
6.2)标准化后的原始数据的协方差的特征值为λ1>λ2>λ3>….>λm,以及与其相对应的单位特征向量p1,p2,p3,···pm,其中m为主元个数;
6.3)根据步骤6.1)和6.2)的结果,过程参数影响数权重计算公式如下:
其中,λh为第h个主元的得分值,phi为第h个主元第i个参数的负荷值,h=1,2,3…m;
则在j个时刻,过程参数对质量问题发生的影响数为:
ERi=wi*SPEij (4)
6.4)按照计算结果ERi对过程参数进行排列,ER1>ER2>ER3>…>ER0,将每个过程参数对应的影响数与总的影响数的比作为该过程参数对质量问题发生的影响率;
6.5)确定质量问题发生的原因参数的计算公式为:
若前K个过程参数的影响率百分比均超过设定的阈值,则认为该K个过程参数是质量问题发生的原因参数,剩余的M-K个过程参数为正常参数。
所述步骤7)中模式识别具体包括:
7.1)利用M-K个正常参数在标准模型库中进行模式识别匹配,匹配计算公式如下:
其中MD(l)为第l个模型的匹配数的计算结果,wi为第i个参数权重,Ai为第i个参数的实际值,Mli为第l个模型中第i个参数的值;
7.2)将获得的MD(l)中的最小值所对应的模型作为匹配结果的最佳模型,对K个原因参数进行控制。
所述原因参数的控制包括确定偏差大小和控制方向,计算公式为:
c(i)=MLi-Ai (7)
其中,c(i)为参数控制值,若计算结果为正,则控制方向为使参数增大;若计算结果为负,则控制方向为使参数减小;ML0为最佳匹配模型第i个参数的值。
与现有技术相比,本发明首先根据经验知识,针对不同的冷轧带钢质量问题进行相关过程参数选择配置,然后基于网格密度的K-means方法的生产过程建立标准模型库,其次检测带钢冷轧生产过程中质量问题的发生,获取质量问题发生信息,再次将各个过程参数和控制上下限进行比较,再次若没有过程参数超过上下限,则基于改进的主元分析(PCA)方法的质量问题发生原因参数的分析,计算各个参数对质量问题发生的影响率,并确定质量问题发生的原因参数以及非原因参数,根最后据得到的非原因参数识别匹配标准模型,确定质量问题发生原因参数的控制方式。本发明在积累的大量的过程工艺的基础上,针对过程参数众多关系复杂、离散的设备之间相互关联高度耦合的情况,对冷轧带钢生产线系统的质量问题原因进行追溯和控制,及时检测质量问题的发生,追溯质量问题发生的原因并对产生因素进行控制,消除质量问题的发生不利因素,本发明是基PCA的冷轧带钢在线质量问题溯源及控制的方法,分析结果可靠,从而使企业生产过程能够长时间持续、稳定的进行,提高企业智能化水平和市场竞争力。
附图说明
图1为质量问题参数配置模型图;
图2为生产过程的标准模型库建立方法流程图;
图3为本发明的方法流程图;
图4为质量问题追溯与控制方法流程图。
具体实施方式
下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。
参见图3,本发明具体包括以下步骤:
步骤一:参见图1的质量问题参数配置模型,首先是对不同的质量问题进行参数配置,根据经验知识,对于不同的质量问题,相关的过程参数不同,为了减少计算负担,同时去掉不必要的噪声信息,应针对不同的质量问题对过程变量进行选择;
步骤二:参见图2生产过程标准模型库建立方法流程,根据生产过程中积累的大量数据信息,剔除劣质的信息,选出没有质量问题发生阶段的优秀工艺参数,然后基于网格密度的K-means方法对得到的数据信息进行聚类分析,对于每种质量问题建立相应的标准模型,模型中应包括质量问题所对应的所有相关过程控制参数,并且保证在此类过程参数的条件下,生产过程能够正常进行,将获得标准模型,存放到数据库中;
建模方法具体如下:
首先取质量问题发生前的J个过程参数的样本为原始数据,与要分析的质量问题关联的过程参数有n个,则原始数据可表示为:
O=O1×O2×O3×...×On (1)
其中,Oi(i=1,2,3,…,n)为第i维空间;
将每维数据空间划分为等长的R段,记为:
Oi=Oi,1∪Oi,2∪Oi,3∪...∪Oi,R (2)
将每维数据等长划分后,每个网格单元由O1,i10O2,i2×O3,i3×...On,in组成,其中On,in表示第n维空间第in段;
然后将每个网格单元中的数据按密度方法进行聚类,找出超过某个阈值的数据簇,将获得的数据簇的个数作为K-means方法的聚类中心的个数,然后用K-means方法进行聚类,将聚类中心作为标准模型数据,即一个类代表一种标准(即正常)的生产过程,如果网格单元中的数据不存在超过该阈值的数据簇,则网格中的数据可以直接作为标准模型数据;最后将每个网格单元中获得标准模型数据存入标准模型数据库;
步骤三:检测质量问题的发生,利用生产线的传感器,获得质量问题数据,对数据进行分析,获得质量问题发生的类型、时间和位置等信息;
步骤四:对过程参数的第一次处理:根据质量问题发生的时间,提取质量问题发生前的若干个过程数据的样本点为分析目标,并根据过程参数的上下限对过程参数进行第一次分析,如果过程参数超过了设定的上下限,则认为是该参数是质量问题发生的原因参数:若没有参数超过控制范围,即所有相关参数都在控制范围内波动,进入步骤五继续对质量问题进行原因分析;
步骤五:若没有参数超过设定的控制范围,取质量问题发生前的J个过程参数的样本为原始数据,与要分析的质量问题关联的过程参数有n个,则原始数据的为J×n的矩阵,先对原始数据进行标准化处理,然后运用主元分析(PCA)方法,对数据进行降维处理,利用方差累积贡献率法(Cumulative percent variance,CPV)确定主元个数m;
步骤六:参见图4的质量问题追溯与控制方法流程图,计算贡献率和每个主元中每个参数的负荷值的乘积和,将结果作为各个参数对质量问题发生的影响率,即,对于每一个参数,求得每个主元的贡献率和该参数负荷值的乘积,并求和,我们将获得的和值作为该过程参数对质量问题发生影响的影响率,根据获得的影响率,对参数重新排列,取其中影响率最大的K个过程参数,作为引起质量问题发生的原因参数;
根据计算结果影响率对参数的重新排序,并获得引起质量问题发生的K个原因参数的方法,方法的实现具体如下:
根据主元分析贡献图法,当SPE统计量超过其控制限后,第i个变量在第j个时刻对SPE统计量的贡献为SPEij;
求得标准化后的数据矩阵的协方差的特征值为λ1>λ2>λ3>….>λm,以及与其相对应的单位特征向量p1,p2,p3,···pm,其中m为主元个数;
根据以上结果,过程参数影响数权重计算公式如下:
其中,λh为第h个主元的得分值,phi为第h个主元第i个参数的负荷值,h=1,2,3…m;
则在j个时刻,过程参数对质量问题发生的影响数为:
ERi=wi*SPEij (4)
按照计算结果ERi对参数重新排列,ER1>ER2>ER3>…>ERn,最后将每个参数对应影响数与总的影响数的比成为该参数对质量问题发生的影响率,确定质量问题发生原因参数的计算公式为:
如果前K个参数的影响率百分比超过设定的阈值,就认为该K个参数是质量问题发生的原因参数,阈值可以根据实际情况调整,一般情况下选80%;
步骤七:利用剩余的M-K个非原因参数,根据标准模型知识库进行模式识别,确定模型后,将产生质量问题的K个过程参数与模型中的标准参数进行比较,将差值作为调整量对K个参数进行控制;
根据步骤六中所确定的引起质量问题发生的K个原因参数,认为剩余的M-k个参数是正常的,利用M-K个正常的过程参数在标准模型库中进行模式匹配,匹配计算公式如下:
其中MD(l)为第l个模型的匹配数的计算结果,wi为第i个参数权重,Ai为第i个参数的实际值,Mli为第l个模型中第i个参数的值;
将获得的MD(l)中的最小值所对应的模型作为匹配结果的最佳模型,对K个原因参数进行控制,其偏差大小和控制方向为:
c(i)=MLi-Ai (7)
其中c(i)为参数控制值,如果计算结果为正,控制方向为使参数增大,计算结果为负,控制方向为使参数减小;MLi为最佳匹配模型第i个参数的值。
本发明是基PCA的冷轧带钢在线质量问题溯源及控制的方法,分析结果可靠,可以提高企业的自动化水平,加强企业的市场竞争力。
Claims (6)
1.一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,其特征在于,包括以下步骤:
1)配置质量问题参数:将不同的质量问题与该质量问题发生相关的过程参数进行关联;
2)建立标准模型库:首先从冷轧带钢生产过程积累的数据信息中选取没有质量问题发生阶段的工艺参数,然后对没有质量问题发生阶段的工艺参数进行聚类分析,得到标准模型库;
3)获取质量问题发生信息:在带钢冷轧生产过程中采集质量问题数据,并对质量问题数据进行分析获取质量问题发生的类型、时间、位置和级别信息;
4)过程参数一次处理:根据质量问题发生的时间,提取质量问题发生前的若干个与该质量问题发生相关的过程参数的样本点为分析目标,将过程参数与该过程参数的上下限进行比对,如果过程参数超过了上下限,则认为该过程参数是质量问题发生的原因参数;若没有过程参数超过上下限,则执行步骤5);
5)过程参数二次处理:以质量问题发生前的若干个与待分析的质量问题关联的过程参数为原始数据,先对原始数据进行标准化处理,然后运用主元分析方法对原始数据进行降维处理,最后利用方差累积贡献率法来确定主元个数;
6)计算贡献率和每个主元中每个参数的负荷值的乘积和,将结果作为各个过程参数对质量问题发生的影响率,根据影响率对过程参数进行排列,取其中影响率超过阈值的过程参数作为引起质量问题发生的原因参数,影响率未超过阈值的过程参数为正常参数;
7)将正常参数在步骤2)建立的标准模型库中进行模式识别,确定模型后将原因参数与模型中的标准参数进行比较,确定原因参数的偏差大小和控制方式。
2.根据权利要求1所述的一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,其特征在于,所述步骤2)建立标准模型库的具体包括以下步骤:
2.1)取质量问题发生前的J个过程参数的样本为原始数据,与待分析的质量问题关联的过程参数有n个,则原始数据表示为:
O=O1×O2×O3×…×On (1)
其中,Oi(i=1,2,3,…,n)为第i维空间;
将每维数据空间划分为等长的R段,记为:
Oi=Oi,1∪Oi,2∪Oi,3∪…∪Oi,R (2)
将每维数据等长划分后,每个网格单元由O1,i1×O2,i2×O3,i3×…On,in组成,其中,On,in表示第n维空间第in段;
2.2)对步骤2.1)获得数据进行聚类分析,得到标准模型库。
3.根据权利要求2所述的一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,其特征在于,所述步骤2.2)中首先将每个网格单元中的数据按密度方法进行聚类,找出超过阈值的数据簇,将获得的数据簇的个数作为K-means方法的聚类中心的个数,然后用K-means方法进行聚类,将聚类中心作为标准模型数据,即一个类代表一种标准的生产过程;如果网格单元中的数据不存在超过该阈值的数据簇,则网格中的数据直接作为标准模型数据;最后将每个网格单元中获得标准模型数据存入标准模型库。
4.根据权利要求1所述的一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,其特征在于,所述步骤6)具体包括以下步骤:
6.1)根据主元分析贡献图法,当原始数据的SPE统计量超过其控制限后,第i个变量在第j个时刻对SPE统计量的贡献为SPEij;
6.2)标准化后的原始数据的协方差的特征值为λ1>λ2>λ3>….>λm,以及与其相对应的单位特征向量p1,p2,p3,…pm,其中m为主元个数;
6.3)根据步骤6.1)和6.2)的结果,过程参数影响数权重计算公式如下:
其中,λh为第h个主元的得分值,phi为第h个主元第i个参数的负荷值,h=1,2,3…m;
则在j个时刻,过程参数对质量问题发生的影响数为:
ERi=wi*SPEij (4)
6.4)按照计算结果ERi对过程参数进行排列,ER1>ER2>ER3>…>ERn,将每个过程参数对应的影响数与总的影响数的比作为该过程参数对质量问题发生的影响率;
6.5)确定质量问题发生的原因参数的计算公式为:
若前K个过程参数的影响率百分比均超过设定的阈值,则认为该K个过程参数是质量问题发生的原因参数,剩余的M-K个过程参数为正常参数。
6.根据权利要求5所述的一种基于改进PCA的带钢冷轧质量问题溯源及控制方法,其特征在于,所述原因参数的控制包括确定偏差大小和控制方向,计算公式为:
c(i)=MLi-Ai (7)
其中,c(i)为参数控制值,若计算结果为正,则控制方向为使参数增大;若计算结果为负,则控制方向为使参数减小;MLi为最佳匹配模型第i个参数的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710035587.3A CN106845825B (zh) | 2017-01-18 | 2017-01-18 | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710035587.3A CN106845825B (zh) | 2017-01-18 | 2017-01-18 | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845825A CN106845825A (zh) | 2017-06-13 |
CN106845825B true CN106845825B (zh) | 2020-04-28 |
Family
ID=59123858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710035587.3A Active CN106845825B (zh) | 2017-01-18 | 2017-01-18 | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845825B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808241B (zh) * | 2017-10-16 | 2021-08-06 | 山西太钢不锈钢股份有限公司 | 一种不锈钢表面检测结果综合分析系统 |
CN109692877B (zh) * | 2018-12-29 | 2020-11-10 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN111461746A (zh) * | 2020-03-27 | 2020-07-28 | 中国航天系统科学与工程研究院 | 一种面向装配的质量智能追溯方法 |
CN111861236B (zh) * | 2020-07-27 | 2023-10-27 | 东北大学 | 一种棒材精整工艺数据同步方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008079695A1 (en) * | 2006-12-21 | 2008-07-03 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN103100678A (zh) * | 2013-01-15 | 2013-05-15 | 中冶南方工程技术有限公司 | 连铸坯缺陷影响参数的在线控制系统与方法 |
CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其系统 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
CN105929812A (zh) * | 2016-04-18 | 2016-09-07 | 北京科技大学 | 带钢热连轧质量的故障诊断方法及装置 |
CN105964687A (zh) * | 2016-06-27 | 2016-09-28 | 河北钢铁股份有限公司承德分公司 | 跟踪单支铸坯和单卷钢材质量状态的高速线材生产方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7447609B2 (en) * | 2003-12-31 | 2008-11-04 | Honeywell International Inc. | Principal component analysis based fault classification |
-
2017
- 2017-01-18 CN CN201710035587.3A patent/CN106845825B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008079695A1 (en) * | 2006-12-21 | 2008-07-03 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其系统 |
CN103100678A (zh) * | 2013-01-15 | 2013-05-15 | 中冶南方工程技术有限公司 | 连铸坯缺陷影响参数的在线控制系统与方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
CN105929812A (zh) * | 2016-04-18 | 2016-09-07 | 北京科技大学 | 带钢热连轧质量的故障诊断方法及装置 |
CN105964687A (zh) * | 2016-06-27 | 2016-09-28 | 河北钢铁股份有限公司承德分公司 | 跟踪单支铸坯和单卷钢材质量状态的高速线材生产方法 |
Non-Patent Citations (1)
Title |
---|
"A dual-parameter optimization KPCA method for process fault diagnosis";Hongquan Jiang et al.;《2015 Annual Reliability and Maintainability Symposium (RAMS)》;20150511;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106845825A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845825B (zh) | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 | |
Ge et al. | Batch process monitoring based on support vector data description method | |
Ge et al. | Semiconductor manufacturing process monitoring based on adaptive substatistical PCA | |
US9829415B2 (en) | Metrology sampling method and computer program product thereof | |
Zhang et al. | Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes | |
Chen et al. | Exponential stationary subspace analysis for stationary feature analytics and adaptive nonstationary process monitoring | |
Guh et al. | An effective application of decision tree learning for on-line detection of mean shifts in multivariate control charts | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN113012766B (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
He et al. | Dynamic mutual information similarity based transient process identification and fault detection | |
CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN112000081A (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN115187064A (zh) | 基于主成分和聚类法的青岛市地产发展指标分析 | |
Sallehuddin et al. | Forecasting small data set using hybrid cooperative feature selection | |
Ron et al. | Density based clustering for detection of robotic operations | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN116904673B (zh) | 一种基于平稳特征提取的高炉异常炉况检测方法 | |
CN115982579A (zh) | 一种基于层级波动窗口的多模态工业过程识别与监控方法 | |
Liu et al. | Performance similarity based method for enhanced prediction of manufacturing process performance | |
Xie et al. | Statistical processes monitoring based on improved ICA and SVDD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |