CN113780852A - 一种板带轧制过程质量缺陷的诊断方法 - Google Patents

一种板带轧制过程质量缺陷的诊断方法 Download PDF

Info

Publication number
CN113780852A
CN113780852A CN202111088507.3A CN202111088507A CN113780852A CN 113780852 A CN113780852 A CN 113780852A CN 202111088507 A CN202111088507 A CN 202111088507A CN 113780852 A CN113780852 A CN 113780852A
Authority
CN
China
Prior art keywords
index
matrix
indexes
calculating
process index
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.)
Granted
Application number
CN202111088507.3A
Other languages
English (en)
Other versions
CN113780852B (zh
Inventor
彭文
辛洪伞
魏晨光
武文腾
吴豪
魏臻
孙杰
张殿华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202111088507.3A priority Critical patent/CN113780852B/zh
Publication of CN113780852A publication Critical patent/CN113780852A/zh
Application granted granted Critical
Publication of CN113780852B publication Critical patent/CN113780852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Control Of Metal Rolling (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

一种板带轧制过程质量缺陷的诊断方法，属于工业生产过程故障检测技术领域，具体包括：步骤1：数据采集处理；步骤2：构建工艺指标的比重矩阵；步骤3：计算工艺指标信息熵，得到信息熵矩阵；步骤4：计算工艺指标的差异系数，得到差异系数矩阵；步骤5：计算工艺指标的权重，得到权重矩阵；步骤6：比较各工艺指标的权重值，确定工艺指标对质量缺陷影响程度。本发明方法求解步骤计算量小，简便快捷；可以克服指标过多、数据量大以及板带轧制过程中多变量耦合等难点。该方法能够根据各项监测指标值自身的差异程度，确定各指标的权重。从而准确判断出导致板带轧制过程产品质量缺陷的原因，为提升产品质量提供指导。

Description

一种板带轧制过程质量缺陷的诊断方法
技术领域
本发明属于工业生产过程故障检测技术领域，具体涉及一种板带轧制过程质量缺陷的诊断方法。
背景技术
板带轧制生产过程中，生产环境复杂，与产品质量相关的工艺指标众多，工艺指标与最终的产品质量之间存在之相关性，虽然有一部分工艺指标和产品质量之间的关联关系可以用数学模型进行直观的描述，但是由于部分质量指标难以在线实时进行在线测量，如厚度指标、宽度指标只能在轧线出口布置有测量仪表的位置进行测量，在生产过程中的质量变化情况难以实时测量，导致中间过程出现的产品质量缺陷的原因无法准确追溯；另一方面，由于钢铁生产过程中工艺参数间、质量指标间、工艺参数与质量指标之间往往存在多重耦合相关性，工艺参数与质量指标间不可避免地存在着非线性关系，难以通过分析得到导致产品头部质量缺陷的原因，无法实现产品头部质量缺陷的追溯，不利于后续生产过程的稳定性和产品质量的提升。
为了确保轧制过程顺利运行，提高生产过程中产品的质量，需要对板带轧制过程中产品质量缺陷的原因进行分析，通过定位到导致质量缺陷产生的工艺变量，从而进行有针对性进行工艺参数的优化，提高模型的计算精度，提升后续产品生产过程的稳定性。
针对板带轧制质量缺陷的监控与诊断过程，前人已经进行了大量的研究工作。文献《基于核主成分分析的热轧带钢头部拉窄分析》，将核主成分分析的数据重构方法和优化的邻域选取策略算法引入到故障诊断中，找到了导致过程故障的变量；文献《On fuzzylogic applications for automatic control,supervision and fault diagnosis》，基于模糊逻辑故障诊断系统将采集到的数据量模糊化，然后根据模糊规则库推断由这些输入引起某种故障发生的可能性；文献《基于多变量统计方法的产品质量控制》，基于偏最小二乘法得到生产过程多变量统计控制图，采用多元投影的方法将数据从高维数据空间投影到低维特征空间，得到了特征变量蕴含了原始数据的核心特征信息，实现了生产过程中缺陷监控和诊断。
在以上文献中，针对非线性变量耦合的复杂问题难以进行良好的适应，难以对板带轧制过程导致产品质量缺陷众多的影响因素进行分析，未能准确给出各工艺参数对质量缺陷的贡献程度。
偏最小二乘法可以有效地解决基于线性数据的多变量统计过程中等问题。但解决不了非线性变量耦合的复杂问题。核主成分分析法虽然应用于产品质量监控中已有一些研究，但出现过程故障后的诊断问题依然存在大量难点。模糊逻辑方法计算十分复杂，难以应用到实际工业生产中。
发明内容
本发明的目的是提供一种将熵值法用于板带轧制过程产品质量缺陷诊断的方法，该诊断方法不但能解决非线性变量耦合的复杂问题，准确给出各工艺参数对质量缺陷的贡献程度，且计算过程快捷简便。熵值法能够根据各项监测指标值自身的差异程度，确定各指标的权重。权重越大，则说明该项指标对最终的产品质量影响越大；反之，权重越小，则说明该项指标对最终的产品质量影响越小。由此，准确判断出导致板带轧制过程产品质量缺陷的原因，为提升产品质量提供指导。
本发明为解决问题采用如下技术方案：
一种板带轧制过程质量缺陷的诊断方法，如图1所示，包括以下步骤：
步骤1：数据采集处理；
步骤1.1：从板带轧制现场实际数据中选取与质量缺陷相关的工艺指标n个、样本m个，构成一个由m个样本和n个工艺指标组成的初始数据矩阵：
Figure BDA0003266424110000021
其中，xij表示第i个样本第j项评价指标的数值；
步骤1.2：确定第j项工艺指标的最大值xjmax和第j项工艺指标的最小值xjmin；
步骤1.3：对各项工艺指标进行标准化处理；
标准化处理过程如下：
Figure BDA0003266424110000022
其中，xij为第j项工艺指标的值，xjmax为第j项工艺指标的最大值，xjmin为第j项工艺指标的最小值，
Figure BDA0003266424110000023
为第j项工艺指标标准化处理后的值；
步骤2：构建工艺指标的比重矩阵
步骤2.1：计算j项工艺指标下第i个样本的比重，如下式所示：
Figure BDA0003266424110000031
其中，yij为第j项工艺指标值所占的比重，
Figure BDA0003266424110000032
为
Figure BDA0003266424110000033
从第1行到第m行绝对值的和；步骤2.2：构建工艺指标的比重矩阵：
Figure BDA0003266424110000034
其中，m为矩阵行数，n为矩阵列数；
步骤3：计算工艺指标信息熵，得到信息熵矩阵；
步骤3.1：计算第j项工艺指标的信息熵的值，计算公式如下：
Figure BDA0003266424110000035
其中，ej为第j项工艺指标的信息熵的值，
Figure BDA0003266424110000036
m为矩阵行数；
步骤3.2：得到工艺参数信息熵矩阵，如下所示：
Figure BDA0003266424110000037
步骤4：计算工艺指标的差异系数，得到差异系数矩阵；
步骤4.1：计算第j项工艺指标的差异系数，计算公式如下：
dj＝1-∑ej
其中，dj为第j项工艺指标的差异系数，∑ej为第j项工艺指标的差异系数之和；
步骤4.2：得到工艺参数差异系数矩阵，如下所示：
Figure BDA0003266424110000041
步骤5：计算工艺指标的权重，得到权重矩阵；
步骤5.1；计算第j项工艺指标的权重，计算公式如下：
Figure BDA0003266424110000042
其中，ωj为第j项工艺指标的权重，
Figure BDA0003266424110000043
为dj从第1行到第m行的和；
步骤5.2：得到工艺参数权重矩阵，如下所示：
Figure BDA0003266424110000044
步骤6：比较各工艺指标的权重值，确定工艺指标对质量缺陷影响程度。
工艺指标的权重值越大，则该工艺指标对产品质量缺陷影响程度越大；工艺指标的权重值越小，则该工艺指标对产品质量缺陷影响程度越小。
本发明的有益效果：
本发明将熵值法用于板带轧制过程产品质量缺陷诊断过程，本发明方法求解步骤计算量小，简便快捷；可以克服指标过多、数据量大以及板带轧制过程中多变量耦合等难点；相比其他确定指标权重的方法，熵值法确定权重不涉及人为主观因素。该方法能够根据各项监测指标值自身的差异程度，确定各指标的权重。从而准确判断出导致板带轧制过程产品质量缺陷的原因，为提升产品质量提供指导。
附图说明
图1为本发明采用熵值法诊断板带轧制过程质量缺陷的方法的流程图；
图2为本发明实施例采用熵值法计算得到的各工艺变量权重。
具体实施方式
以下实例中，数据的计算结果都是通过python编程软件计算的，由于数据复杂繁多，计算的结果与实际结果相比会有误差，在可控范围内，并不影响权重结果的大小对比及该方法的可行性。
实施例
一种板带轧制过程质量缺陷的诊断方法，以精轧机组为6个的板带热轧生产过程头部宽度缺陷为例进行分析，具体按如下步骤进行：
步骤1：数据采集处理
步骤1.1：从板带轧制现场实际数据中选取与质量缺陷相关的工艺指标49个；每个指标选取样本119个，具体的指标如表1所示。
表1头部宽度缺陷相关的工艺指标
Figure BDA0003266424110000051
Figure BDA0003266424110000061
由此构成一个由119个样本和49个工艺指标组成的初始数据矩阵：
Figure BDA0003266424110000062
步骤1.2：确定第j项工艺指标的最大值xjmax和第j项工艺指标的最小值xjmin
以第2项工艺指标为例(j＝2)，第2项工艺指标的最大值x2max为906.7178，第2项工艺指标的最小值x2min为850.0437。
步骤1.3：对各项工艺指标进行标准化处理。以i＝2，j＝2为例，
Figure BDA0003266424110000063
Figure BDA0003266424110000064
其它各工艺指标数据经过标准化处理结果如表2所示。
表2标准化处理后的数据
Figure BDA0003266424110000065
步骤2：构建工艺指标的比重矩阵
步骤2.1：计算j项工艺指标下第i个样本的比重，以i＝2，j＝2，m＝119为例，有
Figure BDA0003266424110000071
其它各工艺指标计算结果如表3所示：
表3样本比重
Figure BDA0003266424110000072
步骤2.2：构建工艺参数的比重矩阵
Figure BDA0003266424110000073
步骤3：计算工艺指标信息熵，得到信息熵矩阵
步骤3.1：计算第j项指标的信息熵的值
取m＝2，j＝2为例，
Figure BDA0003266424110000074
结果如表4所示。
表4各工艺指标信息熵的值
Figure BDA0003266424110000075
Figure BDA0003266424110000081
步骤3.2：得到工艺参数信息熵矩阵
Figure BDA0003266424110000082
步骤4：计算第j项工艺指标的差异系数，得到差异系数矩阵
步骤4.1：计算第j项工艺指标的差异系数取j＝2为例，dj＝1-∑ej＝1-0.9731＝0.0269，结果如表5所示。
表5各工艺指标的差异系数
Figure BDA0003266424110000083
Figure BDA0003266424110000091
步骤4.2：得到工艺参数差异系数矩阵：
Figure BDA0003266424110000092
步骤5：计算工艺指标的权重，得到权重矩阵
步骤5.1：计算第j项工艺指标的权重
取i＝1，j＝2，m＝119为例，
Figure BDA0003266424110000093
结果如表6及图2所示。
表6各工艺指标权重值表
Figure BDA0003266424110000094
Figure BDA0003266424110000101
步骤5.2：得到工艺参数权重矩阵
Figure BDA0003266424110000102
步骤6：比较各工艺指标的权重值，确定工艺指标对质量缺陷影响程度。
比较之后，第33号工艺指标(F2弯辊力)的权重最大，说明该指标对热连轧生产过程头部宽度质量缺陷影响最大；此外，第32号工艺指标(F1弯辊力)、第42号工艺指标(F5辊缝实测值)和第48号工艺指标(F5辊缝调节量)对热连轧生产过程头部宽度质量缺陷产生的影响依次减小。

Claims (7)

1.一种板带轧制过程质量缺陷的诊断方法，其特征在于，包括以下步骤：
步骤1：数据采集处理；
步骤2：构建工艺指标的比重矩阵；
步骤3：计算工艺指标信息熵，得到信息熵矩阵；
步骤4：计算工艺指标的差异系数，得到差异系数矩阵；
步骤5：计算工艺指标的权重，得到权重矩阵；
步骤6：比较各工艺指标的权重值，确定工艺指标对质量缺陷影响程度。
2.根据权利要求1所述的一种板带轧制过程质量缺陷的诊断方法，其特征在于，所述步骤1数据采集处理，具体包括：
步骤1.1：从板带轧制现场实际数据中选取与质量缺陷相关的工艺指标n个、样本m个，构成一个由m个样本和n个工艺指标组成的初始数据矩阵：
Figure FDA0003266424100000011
其中，xij表示第i个样本第j项评价指标的数值；
步骤1.2：确定第j项工艺指标的最大值xjmax和第j项工艺指标的最小值xjmin；
步骤1.3：对各项工艺指标进行标准化处理；
标准化处理过程如下：
Figure FDA0003266424100000012
其中，xij为第j项工艺指标的值，xjmax为第j项工艺指标的最大值，xjmin为第j项工艺指标的最小值，
Figure FDA0003266424100000013
为第j项工艺指标标准化处理后的值。
3.根据权利要求2所述的一种板带轧制过程质量缺陷的诊断方法，其特征在于，所述步骤2构建工艺指标的比重矩阵，具体包括：
步骤2.1：计算j项工艺指标下第i个样本的比重，如下式所示：
Figure FDA0003266424100000014
其中，yij为第j项工艺指标值所占的比重，
Figure FDA0003266424100000021
为
Figure FDA0003266424100000022
从第1行到第m行绝对值的和；
步骤2.2：构建工艺指标的比重矩阵：
Figure FDA0003266424100000023
其中，m为矩阵行数，n为矩阵列数。
4.根据权利要求3所述的一种板带轧制过程质量缺陷的诊断方法，其特征在于，步骤3计算工艺指标信息熵，得到信息熵矩阵，具体包括：
步骤3.1：计算第j项工艺指标的信息熵的值，计算公式如下：
Figure FDA0003266424100000024
其中，ej为第j项工艺指标的信息熵的值，
Figure FDA0003266424100000025
m为矩阵行数；
步骤3.2：得到工艺参数信息熵矩阵，如下所示：
Figure FDA0003266424100000026
5.根据权利要求4所述的一种板带轧制过程质量缺陷的诊断方法，其特征在于，步骤4计算工艺指标的差异系数，得到差异系数矩阵，具体包括：
步骤4.1：计算第j项工艺指标的差异系数，计算公式如下：
dj＝1-∑ej
其中，dj为第j项工艺指标的差异系数，∑ej为第j项工艺指标的差异系数之和；
步骤4.2：得到工艺参数差异系数矩阵，如下所示：
Figure FDA0003266424100000031
6.根据权利要求5所述的一种板带轧制过程质量缺陷的诊断方法，其特征在于，步骤5计算工艺指标的权重，得到权重矩阵，具体包括：
步骤5.1；计算第j项工艺指标的权重，计算公式如下：
Figure FDA0003266424100000032
其中，ωj为第j项工艺指标的权重，
Figure FDA0003266424100000033
为dj从第1行到第m行的和；
步骤5.2：得到工艺参数权重矩阵，如下所示：
Figure FDA0003266424100000034
7.根据权利要求6所述的一种板带轧制过程质量缺陷的诊断方法，其特征在于，步骤6比较各工艺指标的权重值，确定工艺指标对质量缺陷影响程度，工艺指标的权重值越大，则该工艺指标对产品质量缺陷影响程度越大；工艺指标的权重值越小，则该工艺指标对产品质量缺陷影响程度越小。
CN202111088507.3A 2021-09-16 2021-09-16 一种板带轧制过程质量缺陷的诊断方法 Active CN113780852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111088507.3A CN113780852B (zh) 2021-09-16 2021-09-16 一种板带轧制过程质量缺陷的诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088507.3A CN113780852B (zh) 2021-09-16 2021-09-16 一种板带轧制过程质量缺陷的诊断方法

Publications (2)

Publication Number Publication Date
CN113780852A true CN113780852A (zh) 2021-12-10
CN113780852B CN113780852B (zh) 2024-03-05

Family

ID=78851599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088507.3A Active CN113780852B (zh) 2021-09-16 2021-09-16 一种板带轧制过程质量缺陷的诊断方法

Country Status (1)

Country Link
CN (1) CN113780852B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117019889A (zh) * 2023-07-18 2023-11-10 常州润来科技有限公司 一种三辊旋轧设备智能检测故障的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103100564A (zh) * 2011-11-10 2013-05-15 上海优控科技有限公司 一种新型的轧制过程自适应控制方法
WO2016038705A1 (ja) * 2014-09-10 2016-03-17 東芝三菱電機産業システム株式会社 圧延シミュレーション装置
CN112651622A (zh) * 2020-12-22 2021-04-13 昆明自动化成套集团股份有限公司 一种电能量质量评估方法和系统
WO2021073083A1 (zh) * 2019-10-15 2021-04-22 南京莱斯网信技术研究院有限公司 一种基于节点负载的数据动态分区系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103100564A (zh) * 2011-11-10 2013-05-15 上海优控科技有限公司 一种新型的轧制过程自适应控制方法
WO2016038705A1 (ja) * 2014-09-10 2016-03-17 東芝三菱電機産業システム株式会社 圧延シミュレーション装置
WO2021073083A1 (zh) * 2019-10-15 2021-04-22 南京莱斯网信技术研究院有限公司 一种基于节点负载的数据动态分区系统
CN112651622A (zh) * 2020-12-22 2021-04-13 昆明自动化成套集团股份有限公司 一种电能量质量评估方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋健: "基于数据挖掘方法的热轧带钢表面质量缺陷分析", 基于数据挖掘方法的热轧带钢表面质量缺陷分析, no. 06, 15 June 2008 (2008-06-15), pages 022 - 74 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117019889A (zh) * 2023-07-18 2023-11-10 常州润来科技有限公司 一种三辊旋轧设备智能检测故障的方法及系统

Also Published As

Publication number Publication date
CN113780852B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
US10739752B2 (en) Computer system and method for causality analysis using hybrid first-principles and inferential model
Kano et al. Data-based process monitoring, process control, and quality improvement: Recent developments and applications in steel industry
CN108062565B (zh) 基于化工te过程的双主元-动态核主元分析故障诊断方法
JP4911055B2 (ja) バッチプロセスデータの解析装置およびそれを用いた異常検出／品質推定装置
CN113468479B (zh) 一种基于数据驱动的冷连轧工业过程监测与异常检测方法
CN110929347A (zh) 一种基于梯度提升树模型的热连轧带钢凸度预测方法
Pani et al. A survey of data treatment techniques for soft sensor design
CN112287550B (zh) 基于主成分分析控制器的带钢头部厚差过程参数优化方法
CN109675935A (zh) 一种变控制限的ipca轧制过程在线故障诊断方法
CN113780852A (zh) 一种板带轧制过程质量缺陷的诊断方法
CN110209145B (zh) 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法
CN117312816A (zh) 一种特种钢材的冶炼效果评估方法及系统
CN114896735A (zh) 改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法
CN115985411A (zh) 基于高斯过程回归模型的高分子熔融指数软测量方法
CN116384732A (zh) 场站管道风险智能评估方法、系统、存储介质及计算设备
Lakshmanan et al. Data modelling and Remaining Useful Life estimation of rolls in a steel making cold rolling process
RU2470352C1 (ru) Способ статистического регулирования технологического процесса (варианты)
CN113253682B (zh) 非线性化工过程故障检测方法
JPH10122917A (ja) 設備及び製品プロセス異常状態の診断方法及び診断装置
Höskuldsson Analysis of latent structures in linear models
CN111966966A (zh) 一种传感器测量误差模型参数可行域分析方法及系统
CN111580463A (zh) 机床热关键点选取方法
CN116702632B (zh) 一种基于全流程冷轧硅钢磁性能在线预测方法及装置
CN112348358A (zh) 一种基于pls分析的流程工业故障检测与预测的方法
CN114819743B (zh) 一种化工企业能耗诊断分析方法

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