CN111563686A - 一种基于全流程数据的冷轧硅钢质量判定方法 - Google Patents

Abstract

本发明涉及一种基于全流程数据的冷轧硅钢质量判定方法，该冷轧硅钢质量判定方法通过获取全流程过程中影响硅钢质量的工艺参数，并对这些工艺参数进行特征降维分析，再采用回归模型进行回归分析来判断冷轧硅钢的质量，该判断方法结合全流程工艺参数进行综合判定，具有判定精度高、判断及时的优势。

Description

一种基于全流程数据的冷轧硅钢质量判定方法

技术领域

本发明属于冷轧硅钢生产的信息化技术领域，特别是涉及一种基于全流程数据的冷轧硅钢质量判定方法。

背景技术

硅钢属于高附加值钢品种，尤其在冷轧各工序生产过程中的工艺参数对其最终质量有决定性作用。质量管理是硅钢生产管理的核心，其直接影响生产效率与成本。

现阶段各冷轧硅钢厂大都具有基础自动化控制系统、过程控制系统、制造执行系统、检化验系统等多种流程系统，这些系统都包括了不少数据。但钢厂对于质量判定主要还是依靠对比关键工艺的上下限或者线下抽检来确定。这些质量判定方式至少存在如下缺点或者待改进的地方：

1.线下抽检无法对每卷硅钢进行检测，质量检验不全面。

2.鉴定结果时效性差，其中检化验结果滞后数小时甚至1天以上。

3.工艺上下限范围检测不科学，例如工艺温度偏高的同时机组速度偏大，是有可能达到质量正常的；同时多个工艺参数虽然都在上下限范围内，但是其相关关系不合理，也会造成质量异常。

4.未考虑跨工序的工艺参数影响，例如前工序的工艺参数对后工序的质量判定是有影响的。

5.基本无法在生产过程中进行预防和控制。

6.传统判定是针对整卷进行判定，未能锁定具体判废位置是带钢长度的第多少米。

虽然现有技术中还存有其它的质量判定方式，例如公开号为CN107764837A的中国专利公开了一种无取向电工钢表面质量的判定方法及系统，其主要是通过表面缺陷检查仪获取缺陷数据，并进行相关计算来判定带钢质量。但是表面缺陷检测仪不仅昂贵，而且其维护难度高，不少钢厂使用几年后就弃用了；另外其只能测出一部分已知的表面缺陷，对于硅钢力能参数缺陷仍旧无法鉴定。

发明内容

本发明旨在提供一种基于全流程数据的冷轧硅钢质量判定方法。

具体方案如下：

一种基于全流程数据的冷轧硅钢质量判定方法，包括如下步骤：

S1：获取全流程过程中影响硅钢质量的工艺参数，并利用这些工艺参数的数据构成矩阵X，X＝(X₁，X₂，…，X_p)，其中X_i表示第i个工艺参数所采集的n组数据，p为工艺参数总数，i≤p，n>2p；

S2：对步骤S1中的矩阵X通过特征降维变化为含有k个主成分F的工艺参数数据的矩阵Z，Z＝(Z₁，Z₂，…，Z_k)，其中Z_i表示X_i经特征降维变化后的n组数据，k<p；

S3：采用Logistic回归模型对数据矩阵Z以及其是否有质量缺陷进行回归分析，其方程为：

输入样本为经S2步骤处理之后的样本，目标参数为S1采集的是否有缺陷；有缺陷表示1，无缺陷表示0；

式中，y_i为判定影响变量，β_j为相关系数，其求解方法采用极大似然函数法求解；

S4：采用回归模型对生产完成的冷轧硅钢的质量信息进行判定，P_i≥0.5表示有缺陷，P_i<0.5表示无缺陷。

优选的，步骤S2中的k个主成分F之间互不相关，且方差递减，主成分F的相关系数矩阵的特征值为λ₁≥λ₂≥…λ_p，且向量L₁，L₂，…，L_p为相应的单位特征向量，第i个主成分工艺参数数据的矩阵Z_i＝L_iX(i＝1，2，…，p)。

优选的，步骤S2的具体计算过程如下：

S201：对矩阵X的p个工艺参数进行标准化，标准化公式为：

其中，i＝1，2，…，n；j＝1，2，…，p；n为样本总数，p为工艺参数总数，x为原始样本值，s为样本标准差；

S202：求解标准化后的数据矩阵Z的相关系数矩阵R；

S203：求出相关系数矩阵R的特征值λ、特征向量L，以及贡献率

S204：确定出主成分F₁，F₂，…，F_k，k<p；

S205：计算所有主成分的综合评价值F，

优选的，步骤S1中硅钢工艺参数的采集是基于硅钢的指定长度处的。

本发明提供的基于全流程数据的冷轧硅钢质量判定方法与现有技术相比较具有以下优点：

1.充分考虑了硅钢生产过程中众多的工艺参数对质量的影响，并且根据硅钢跨工序的各工艺参数，综合鉴定最终硅钢质量，具有判定精度高的优势。

2.在生产完成后即可以完成判定，甚至可以实现实时判定已生产带钢的质量，在等待检化验结果前可以预先判定质量。

3.节省了表面缺陷检测仪的购买以及维护成本。

附图说明

图1示出了基于全流程数据的冷轧硅钢质量判定方法的流程图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

参考图1，本发明提供了一种基于全流程数据的冷轧硅钢质量判定方法，其步骤包括：

S1：获取全流程过程中影响硅钢质量的工艺参数，并利用这些工艺参数的数据构成矩阵X，X＝(X₁，X₂，…，X_p)，其中X_i表示第i个工艺参数所采集的n组数据，p为工艺参数总数，i≤p，n>2p；

S2：对步骤S1中的矩阵X通过特征降维变化为含有k个主成分F的工艺参数数据的矩阵Z，Z＝(Z₁，Z₂，…，Z_k)，其中Z_i表示X_i经特征降维变化后的n组数据，k<p；

S3：采用Logistic回归模型对数据矩阵Z以及其是否有质量缺陷进行回归分析，其方程为：

输入样本为经S2步骤处理之后的样本，目标参数为S1采集的是否有缺陷；有缺陷表示1，无缺陷表示0；

式中，y_i为判定影响变量，β_j为相关系数，其求解方法采用极大似然函数法求解；

S4：采用回归模型对生产完成的冷轧硅钢的质量信息进行判定，P_i≥0.5表示有缺陷，P_i<0.5表示无缺陷。

优选的，步骤S2中的k个主成分F之间互不相关，且方差递减，主成分F的相关系数矩阵的特征值为λ₁≥λ₂≥…λ_p，且向量L₁，L₂，…，L_p为相应的单位特征向量，第i个主成分工艺参数数据的矩阵Z_i＝L_iX(i＝1，2，…，p)。

优选的，步骤S2的具体计算过程如下：

S201：对矩阵X的p个工艺参数进行标准化，标准化公式为：

其中，i＝1，2，…，n；j＝1，2，…，p；n为样本总数，p为工艺参数总数，x为原始样本值，s为样本标准差；

S202：求解标准化后的数据矩阵Z的相关系数矩阵R；

S203：求出相关系数矩阵R的特征值λ、特征向量L，以及贡献率

S204：确定出主成分F₁，F₂，…，F_k，k<p；

S205：计算所有主成分的综合评价值F，

优选的步骤S1中硅钢工艺参数的采集是基于硅钢的指定长度处的。

现以某冷轧硅钢企业高牌号无取向硅钢(440级别)为例，现通过本发明提供的冷轧硅钢质量判定方法来判断冷轧硅钢的质量，具体步骤如下：

S1：采集数据

获取全流程过程中影响硅钢质量的核心工艺参数，该冷轧硅钢主要生产工序包括常化酸洗、单机架可逆轧制、连续退火涂层、重卷分切和包装。采集的参数包括但不限于常化酸洗机组的常化温度、酸液浓度，单机架可逆轧制时的各道次的轧制力、张力、出口厚度、板形，连退退火涂层各炉段温度和涂层参数。

利用上述工艺参数的数据构成矩阵X，X＝(X₁，X₂，…，X_p)，其中X_i表示第i个工艺参数所采集的n组数据，p为工艺参数总数，i≤p。工艺参数采集的n组数据需要远大于工艺参数数量，例如n>2p。

上述工艺参数的数据来源于各机组的基础自动化系统、过程控制系统、以及厂级制造执行系统、检化验系统中自动记录的数据。

另外，由于这些系统记录的数据通常是以特定时间间隔进行采集(例如每隔100ms采集一次)，因而上述工艺参数是基于硅钢的指定长度处的，相对于现有技术中对整卷硅钢在一工序完成后再进行取样分析的方式，仅能针对整卷硅钢进行判定，并不能锁定具体的判废位置，而采用本实施例中的工艺参数的采集基于硅钢的指定长度处，可以实现多点连续采集，能够对整卷硅钢进行特定长度间的多点判定，若出现异常，能够锁定具体的异常位置，而且还可实现不同卷的带钢之间的横向对照，可实现更高的判定精度。

此外，还可进行物料跟踪，以对应同一物料在不同工序中的数据，实现同一物料纵向的比较，在产品出现异常的情况下可以快速追踪出异常工艺。

S2：特征降维分析

对步骤S1中的矩阵X通过特征降维变化为含有k个主成分F的工艺参数数据的矩阵Z，Z＝(Z₁，Z₂，…，Z_k)，其中Z_i表示第i个工艺参数X_i所采集的n组数据经特征降维变化后的n组数据，k<p。

由于从冷轧硅钢生产过程中所采样数据都会含有一定的噪声，通过主成分分析可去除由噪声引起的成分，去除这些噪声引起的成分，不仅可实现对噪声的过滤，而且也降低了数据空间的维数，因此，通过对输入数据进行主成分分析，在提高模型准确度的同时，还可提高计算速度。

在本实施例中k个主成分F之间互不相关，且方差递减。

因此，计算主成分F相关系数矩阵的特征值为λ₁≥λ₂≥…λ_p，且向量L₁，L₂，…，L_p为相应的单位特征向量，则第i个主成分为Z_i＝L_iX(i＝1，2，…，p)。采用方差的计算方式来相关系数，并按累计贡献量的大小取前k个，在多数情况下前几个主成分就已经能够代表原来全部工艺参数的绝大部分信息，从而实现特征降维的目的。例如以累计超过80％贡献量的主成分，通常情况下前3～5个工艺参数的贡献量的累计就大于80％了，大大提高了计算的速度。

本实施例中步骤S2的具体计算过程如下：

S201：对矩阵X的p个工艺参数进行标准化，标准化公式为：

其中，i＝1，2，…，n；j＝1，2，…，p；n为样本总数，p为工艺参数总数，x为原始样本值，s为样本标准差。

S202：求解标准化后的数据矩阵Z的相关系数矩阵R。

S203：求出相关系数矩阵R的特征值λ、特征向量L，以及贡献率

S204：确定出主成分F₁，F₂，…，F_k，k<p。

S205：计算所有主成分的综合评价值F，

上述过程可以采用SPSS，Matlab，Origin等软件来进行计算，或者自行编程完成计算。

S3：特征分类

利用回归模型对数据矩阵Z以及其是否有质量缺陷进行回归分析。

步骤S3的数据回归采用Logistic回归，其方程为：

输入样本为经S2步骤处理之后的样本，目标参数为S1采集的是否有缺陷。有缺陷表示1，无缺陷表示0。

式中，y_i为判定影响变量，β_j为相关系数，其求解方法采用极大似然函数法求解，求解过程可以采用SPSS，Matlab，Origin等软件来进行计算，或者自行编程完成计算。

S4：质量判定

采用回归模型对生产完成的钢卷质量信息进行判定。输入为冷轧硅钢生产过程中的工艺数据，输出为产品是否存在质量缺陷。由于P_i是一个单调递增的指数曲线，其最大值无限接近1，最小值无限接近0，因此只需判定P_i的数值即可判断出产品是否有缺陷，P_i≥0.5表示有缺陷，P_i<0.5表示无缺陷。

此外，还可以将产品最终检化验参数(产品的实际检测数据)加入至回归模型中，与回归模型的质量判断进行对照，并通过自动机器学习的方式来实现最优的质量判定方法。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (4)

1.一种基于全流程数据的冷轧硅钢质量判定方法，其特征在于，包括如下步骤：

S1：获取全流程过程中影响硅钢质量的工艺参数，并利用这些工艺参数的数据构成矩阵X，X＝(X₁，X₂，…，X_p)，其中X_i表示第i个工艺参数所采集的n组数据，p为工艺参数总数，i≤p，n>2p；

S2：对步骤S1中的矩阵X通过特征降维变化为含有k个主成分F的工艺参数数据的矩阵Z，Z＝(Z₁，Z₂，…，Z_k)，其中Z_i表示X_i经特征降维变化后的n组数据，k<p；

S3：采用Logistic回归模型对数据矩阵Z以及其是否有质量缺陷进行回归分析，其方程为：

输入样本为经S2步骤处理之后的样本，目标参数为S1采集的是否有缺陷；有缺陷表示1，无缺陷表示0；

式中，y_i为判定影响变量，β_j为相关系数，其求解方法采用极大似然函数法求解；

S4：采用回归模型对生产完成的冷轧硅钢的质量信息进行判定，P_i≥0.5表示有缺陷，P_i<0.5表示无缺陷。

2.根据权利要求1所述的冷轧硅钢质量判定方法，其特征在于：步骤S2中的k个主成分F之间互不相关，且方差递减，主成分F的相关系数矩阵的特征值为λ₁≥λ₂≥…λ_p，且向量L₁，L₂，…，L_p为相应的单位特征向量，第i个主成分工艺参数数据的矩阵Z_i＝L_iX(i＝1，2，…，p)。

3.根据权利要求2所述的冷轧硅钢质量判定方法，其特征在于，步骤S2的具体计算过程如下：

S201：对矩阵X的p个工艺参数进行标准化，标准化公式为：

其中，i＝1，2，…，n；j＝1，2，…，p；n为样本总数，p为工艺参数总数，x为原始样本值，s为样本标准差；

S202：求解标准化后的数据矩阵Z的相关系数矩阵R；

S203：求出相关系数矩阵R的特征值λ、特征向量L，以及贡献率

S204：确定出主成分F₁，F₂，…，F_k，k<p；

S205：计算所有主成分的综合评价值F，

4.根据权利要求1所述的冷轧硅钢质量判定方法，其特征在于：步骤S1中硅钢工艺参数的采集是基于硅钢的指定长度处的。

Images