CN114192583A - 一种基于Scada平台的带钢轧制过程质量监控方法和系统 - Google Patents

Abstract

一种基于Scada平台的带钢轧制过程质量监控方法，基于Scada平台的数据采集系统，采集带钢轧制生产过程的正常历史数据以及实时数据；构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；基于处理后所得的数据，建立典型变量分析的质量监控模型；通过HMI监控平台实时显示质量监控结果。本发明通过将传统的多元统计分析方法典型相关分析与深度学习模型栈式自编码器结合，克服了传统方法特征提取能力上的不足，有效的检测轧制生产过程中出现的故障。本发明提出的方法，不仅精度高，而且运算速度快，利用大量的生产过程数据通过直接在计算机上编程，即可实现在线投入使用，成本十分低廉。

Description

一种基于Scada平台的带钢轧制过程质量监控方法和系统

技术领域

本发明涉及的是轧制过程质量监控领域,特别涉及一种基于Scada平台的带钢轧制过程质量监控方法和系统。

背景技术

近年来钢铁行业的轧制生产过程不断向大规模、复杂化、集成化发展，通过基础自动化系统、过程控制系统、制造执行系统、企业计划管理系统和商务智能等信息系统的构建，设置了各类传感器与通信网络，但是其所涉及的工序多，业务复杂程度高，控制系统内部联系紧密，一旦某个环节出现故障，必会对产品的质量造成影响，所以轧制过程的质量监控技术是具有重要的科学意义与应用价值的。

数据采集与监控(Scada)系统广泛应用于工业控制、物联网等行业，由于这些行业使用了各种传感器与执行器，这些设备又与PLC、计算机等设备连接，Scada系统通过其可以实时采集并记录工业生产过程中的各个部件以及子系统的状态信息。传统的Scada系统缺乏有效的系统状态评估算法，只有当采集的数据越过规定的限制时，系统才会给出相应的报警信息，但是此时故障已经恶化到一定程度。因此，为了有效的监控钢铁轧制过程中的质量问题，通过现有的Scada系统获取的大量设备信息，并与质量监控算法结合，实时反映设备状态，及时有效地报警，来保障生产过程持续可靠地稳定运行。

发明内容

针对现有技术的不足，本发明提出一种基于Scada平台的带钢轧制过程质量监控方法和系统，基于Scada平台采集轧制过程中的大量数据，依据典型变量分析方法构建轧制过程的质量监控模型，通过HMI平台实现轧制过程的实时监控，保证生产过程的正常运行。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于Scada平台的带钢轧制过程质量监控方法，包括：

S100.基于Scada平台的数据采集系统，采集带钢轧制生产过程的正常历史数据以及实时数据；

S200.构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；

S300.基于处理后所得的数据，建立典型变量分析的质量监控模型；

S400.通过HMI监控平台实时显示质量监控结果。

进一步地，S100的具体方法为：在带钢轧制生产过程中，基于Scada的数据采集系统，通过调用系统所提供的配置接口从配置数据库中得到设备和采集点的信息，实时数据库会对这些数据点进行分片管理，之后系统根据所需的数据点所在的设备自动调用设备驱动库进行链接和采集数据点的实时数据，通过数据服务接口将数据传送到相关的请求客户端，完成带钢轧制生产过程的正常历史数据以及实时数据的采集工作。

进一步地，S200的具体方法为：

S201.构建轧制过程数据的信息向量：对于轧制过程中过程变量x_k∈R^l以及质量变量y_k∈R^m，取某一时刻k为当前时刻，定义过去的信息变量公式如下：

定义未来的信息变量公式如下：

其中，p和f为延迟时间数；

S202.数据均值化处理：采用数据均值化处理，使得轧制过程信息变量数据处理后其均值为零，公式如下：

S203.构建Hankel矩阵：根据S202计算所得的均值化处理后的过去以及未来的信息变量，计算过去信息变量的Hankel矩阵Y_p以及未来信息变量的Hankel矩阵Y_f。

进一步地，S203中，过去信息变量的Hankel矩阵Y_p以及未来信息变量的Hankel矩阵Y_f，公式为：

进一步地，S300中，基于处理后所得的数据，建立典型变量分析的质量监控模型的具体方法为：

S301.计算协方差矩阵：根据S203计算出的过去信息变量以及未来信息变量的Hankel矩阵Y_p和Y_f，计算其自身的协方差矩阵cov(Y_p,Y_p)和cov(Y_f,Y_f)以及它们之间的协方差矩阵cov(Y_p,Y_f)；

S302.计算目标函数：为了使

和

的线性组合

和

之间相关性最大，构建相关性系数如下：

通过u＝cov(Y_p,Y_p)^0.5J，v＝cov(Y_f,Y_f)^0.5L，则目标函数如下：

其中，u^Tu＝1，v^Tv＝1；

S303.对于通过Scada平台采集而来的轧制过程正常历史数据，计算其系数矩阵J和L,依据S302计算所得目标函数，则相关性评估依据如下：

γ＝cov(Y_p,Y_p)^-0.5cov(Y_p,Y_f)cov(Y_f,Y_f)^-0.5

对γ进行SVD分解，公式如下：

γ＝EΛΘ^T

得到系数矩阵J和L：

J＝cov(Y_p)^-0.5E(:,1:λ)∈R^p(m+l)×λ

L＝cov(Y_f,Y_f)^-0.5Θ(:,1:k)∈R^fm×λ

其中λ为需要保留的典型变量的个数；

S304.计算统计量值：λ个典型变量构成了状态变量空间，剩下的p(m+l)-λ个典型变量构成了残差空间，状态变量空间和残差空间共同构成了典型变量空间；依据上述S303提取出了系数矩阵之后，状态变量空间监测统计量如下所示：

残差空间监测统计量如下所示：

由此可得与采集的数据个数相同的T_s ²和T_r ²统计量的值；

S305.计算控制限值：给定一个置信度水平a＝0.1，采用高斯核函数用于密度估计，其中正数σ＝0.5为核函数的带宽，之后基于S100中由Scada平台采集而来的带钢正常生产过程中历史数据，根据S200-S300计算出多个样本的T_s ²统计量以及T_r ²统计量，之后计算相应的控制限的值；

S306.对于通过Scada平台采集而来的轧制过程实时数据，基于轧制过程正常历史数据所构建的典型变量分析模型，实时计算其相应的T_s ²(t_now)和T_r ²(t_now)统计量的值，并通过计算的T_s ²(t_now)和T_r ²(t_now)统计量的值，对实时数据进行监测。

进一步地，S301中，自身的协方差矩阵cov(Y_p,Y_p)和cov(Y_f,Y_f)以及它们之间的协方差矩阵cov(Y_p,Y_f)的计算公式为：

进一步地，通过计算的T_s ²(t_now)和T_r ²(t_now)统计量的值，对实时数据进行监测的方法为：对于实时数据状态变量空间监测统计量T_s ²(t_now)和实时数据残差空间监测统计量T_r ²(t_now)，若

或

则认为系统出现了故障。

进一步地，S400中，通过HMI监控平台实时显示质量监控结果的具体方法包括：通过S100的Scada数据采集系统采集数据，通过S200-S300构建轧制过程正常历史数据的典型变量分析的质量监控模型，之后依据实时采集的轧制过程数据，计算得到实时数据的监测统计量，依据HMI编辑系统设计好具体的画面，将轧制过程的实时监测数据显示在监控平台上，当监测数据出现异常时，及时有效地给出报警信息，提醒相关的操作人员。

本发明还公开了一种基于Scada平台的带钢轧制过程质量监控系统，包括：轧制过程采集单元、过程变量和质量变量矩阵构建单元、质量监控模型建立单元、实时质量监控显示单元；其中：

轧制过程采集单元，基于Scada平台的数据采集系统，用于采集带钢轧制生产过程的正常历史数据以及实时数据；

过程变量和质量变量矩阵构建单元，用于构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；

质量监控模型建立单元，用于基于处理后所得的数据，建立典型变量分析的质量监控模型；

实时质量监控显示单元，用于通过HMI监控平台实时显示质量监控结果。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明提出了一种基于Scada平台的带钢轧制过程质量监控方法，基于Scada平台的数据采集系统，采集带钢轧制生产过程的正常历史数据以及实时数据；构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；基于处理后所得的数据，建立典型变量分析的质量监控模型；通过HMI监控平台实时显示质量监控结果。本发明通过将传统的多元统计分析方法典型相关分析与深度学习模型栈式自编码器结合，克服了传统方法特征提取能力上的不足，有效的检测轧制生产过程中出现的故障。本发明提出的方法，不仅精度高，而且运算速度快，利用大量的生产过程数据通过直接在计算机上编程，即可实现在线投入使用，成本十分低廉。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例1中，一种基于Scada平台的带钢轧制过程质量监控方法的流程图；

图2为本发明实施例1中，一种基于Scada平台的带钢轧制过程质量监控方法的示意框图；

图3为本发明实施例1中，一种基于Scada平台的数据采集系统原理图；

图4为本发明实施例1中，典型变量分析质量监控算法的原理图；

图5为本发明实施例1中，质量监控在HMI上展示的界面图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决现有技术中存在的问题，本发明实施例提供一种基于Scada平台的带钢轧制过程质量监控方法和系统。

实施例1

本实施例公开了一种基于Scada平台的带钢轧制过程质量监控方法，如图1和2，包括：

S100.基于Scada平台的数据采集系统，采集带钢轧制生产过程的正常历史数据以及实时数据；

在本实施例中，如图3，S100的具体方法为：在带钢轧制生产过程中，基于Scada的数据采集系统，通过调用系统所提供的配置接口从配置数据库中得到设备和采集点的信息，实时数据库会对这些数据点进行分片管理，之后系统根据所需的数据点所在的设备自动调用设备驱动库进行链接和采集数据点的实时数据，通过数据服务接口将数据传送到相关的请求客户端，完成带钢轧制生产过程的正常历史数据以及实时数据的采集工作。

S200.构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理。

在本实施中，如图4，S200的具体方法为：

S201.构建轧制过程数据的信息向量：对于轧制过程中过程变量x_k∈R^l以及质量变量y_k∈R^m，取某一时刻k为当前时刻，定义过去的信息变量公式如下：

定义未来的信息变量公式如下：

其中，p和f为延迟时间数；

S202.数据均值化处理：采用数据均值化处理，使得轧制过程信息变量数据处理后其均值为零，公式如下：

S203.构建Hankel矩阵：根据S202计算所得的均值化处理后的过去以及未来的信息变量，计算过去信息变量的Hankel矩阵Y_p以及未来信息变量的Hankel矩阵Y_f。

在一些优选实施例中，S203中，过去信息变量的Hankel矩阵Y_p以及未来信息变量的Hankel矩阵Y_f，公式为：

S300.基于处理后所得的数据，建立典型变量分析的质量监控模型。

在本实施的S300中，如图4，基于处理后所得的数据，建立典型变量分析的质量监控模型的具体方法为：

S301.计算协方差矩阵：根据S203计算出的过去信息变量以及未来信息变量的Hankel矩阵Y_p和Y_f，计算其自身的协方差矩阵cov(Y_p,Y_p)和cov(Y_f,Y_f)以及它们之间的协方差矩阵cov(Y_p,Y_f)；

S302.计算目标函数：为了使

和

的线性组合

和

之间相关性最大，构建相关性系数如下：

通过u＝cov(Y_p,Y_p)^0.5J，v＝cov(Y_f,Y_f)^0.5L，则目标函数如下：

其中，u^Tu＝1，v^Tv＝1；

S303.对于通过Scada平台采集而来的轧制过程正常历史数据，计算其系数矩阵J和L,依据S302计算所得目标函数，则相关性评估依据如下：

γ＝cov(Y_p,Y_p)^-0.5cov(Y_p,Y_f)cov(Y_f,Y_f)^-0.5

对γ进行SVD分解，公式如下：

γ＝EΛΘ^T

得到系数矩阵J和L：

J＝cov(Y_p)^-0.5E(:,1:λ)∈R^p(m+l)×λ

L＝cov(Y_f,Y_f)^-0.5Θ(:,1:k)∈R^fm×λ

其中λ为需要保留的典型变量的个数；

S304.计算统计量值：λ个典型变量构成了状态变量空间，剩下的p(m+l)-λ个典型变量构成了残差空间，状态变量空间和残差空间共同构成了典型变量空间；依据上述S303提取出了系数矩阵之后，状态变量空间监测统计量如下所示：

残差空间监测统计量如下所示：

由此可得与采集的数据个数相同的T_s ²和T_r ²统计量的值；

S305.计算控制限值：给定一个置信度水平a＝0.1，采用高斯核函数用于密度估计，其中正数σ＝0.5为核函数的带宽，之后基于S100中由Scada平台采集而来的带钢正常生产过程中历史数据，根据S200-S300计算出多个样本的T_s ²统计量以及T_r ²统计量，之后计算相应的控制限的值；

S306.对于通过Scada平台采集而来的轧制过程实时数据，基于轧制过程正常历史数据所构建的典型变量分析模型，实时计算其相应的T_s ²(t_now)和T_r ²(t_now)统计量的值，并通过计算的T_s ²(t_now)和T_r ²(t_now)统计量的值，对实时数据进行监测。

进一步地，S301中，自身的协方差矩阵cov(Y_p,Y_p)和cov(Y_f,Y_f)以及它们之间的协方差矩阵cov(Y_p,Y_f)的计算公式为：

进一步地，通过计算的T_s ²(t_now)和T_r ²(t_now)统计量的值，对实时数据进行监测的方法为：对于实时数据状态变量空间监测统计量T_s ²(t_now)和实时数据残差空间监测统计量T_r ²(t_now)，若

或

则认为系统出现了故障。

S400.通过HMI监控平台实时显示质量监控结果。在本实施例的S400中，通过HMI监控平台实时显示质量监控结果的具体方法包括：通过S100的Scada数据采集系统采集数据，通过S200-S300构建轧制过程正常历史数据的典型变量分析的质量监控模型，之后依据实时采集的轧制过程数据，计算得到实时数据的监测统计量，依据HMI编辑系统设计好具体的画面，将轧制过程的实时监测数据显示在监控平台上，当监测数据出现异常时，及时有效地给出报警信息，提醒相关的操作人员。基于HMI的质量监控界面图如图5所示。

本实施例还公开了一种基于Scada平台的带钢轧制过程质量监控系统，其特征在于，包括：轧制过程采集单元、过程变量和质量变量矩阵构建单元、质量监控模型建立单元、实时质量监控显示单元；其中：

轧制过程采集单元，基于Scada平台的数据采集系统，用于采集带钢轧制生产过程的正常历史数据以及实时数据；

过程变量和质量变量矩阵构建单元，用于构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；

质量监控模型建立单元，用于基于处理后所得的数据，建立典型变量分析的质量监控模型；

实时质量监控显示单元，用于通过HMI监控平台实时显示质量监控结果。

在本实施例中，轧制过程采集单元、过程变量和质量变量矩阵构建单元、质量监控模型建立单元和实时质量监控显示单元；

本实施例提出了一种基于Scada平台的带钢轧制过程质量监控方法，基于Scada平台的数据采集系统，采集带钢轧制生产过程的正常历史数据以及实时数据；构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；基于处理后所得的数据，建立典型变量分析的质量监控模型；通过HMI监控平台实时显示质量监控结果。本发明通过将传统的多元统计分析方法典型相关分析与深度学习模型栈式自编码器结合，克服了传统方法特征提取能力上的不足，有效的检测轧制生产过程中出现的故障。本发明提出的方法，不仅精度高，而且运算速度快，利用大量的生产过程数据通过直接在计算机上编程，即可实现在线投入使用，成本十分低廉。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (9)

1.一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，包括：

S100.基于Scada平台的数据采集系统，采集带钢轧制生产过程的正常历史数据以及实时数据；

S200.构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；

S300.基于处理后所得的数据，建立典型变量分析的质量监控模型；

S400.通过HMI监控平台实时显示质量监控结果。

2.如权利要求1所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，S100的具体方法为：在带钢轧制生产过程中，基于Scada的数据采集系统，通过调用系统所提供的配置接口从配置数据库中得到设备和采集点的信息，实时数据库会对这些数据点进行分片管理，之后系统根据所需的数据点所在的设备自动调用设备驱动库进行链接和采集数据点的实时数据，通过数据服务接口将数据传送到相关的请求客户端，完成带钢轧制生产过程的正常历史数据以及实时数据的采集工作。

3.如权利要求1所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，S200的具体方法为：

S201.构建轧制过程数据的信息向量：对于轧制过程中过程变量x_k∈R^l以及质量变量y_k∈R^m，取某一时刻k为当前时刻，定义过去的信息变量公式如下：

定义未来的信息变量公式如下：

其中，p和f为延迟时间数；

S202.数据均值化处理：采用数据均值化处理，使得轧制过程信息变量数据处理后其均值为零，公式如下：

S203.构建Hankel矩阵：根据S202计算所得的均值化处理后的过去以及未来的信息变量，计算过去信息变量的Hankel矩阵Y_p以及未来信息变量的Hankel矩阵Y_f。

4.如权利要求3所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，S203中，过去信息变量的Hankel矩阵Y_p以及未来信息变量的Hankel矩阵Y_f，公式为：

5.如权利要求1所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，S300中，基于处理后所得的数据，建立典型变量分析的质量监控模型的具体方法为：

S301.计算协方差矩阵：根据S203计算出的过去信息变量以及未来信息变量的Hankel矩阵Y_p和Y_f，计算其自身的协方差矩阵cov(Y_p,Y_p)和cov(Y_f,Y_f)以及它们之间的协方差矩阵cov(Y_p,Y_f)；

S302.计算目标函数：为了使

和

的线性组合

和

之间相关性最大，构建相关性系数如下：

通过u＝cov(Y_p,Y_p)^0.5J，v＝cov(Y_f,Y_f)^0.5L，则目标函数如下：

其中，u^Tu＝1，v^Tv＝1；

S303.对于通过Scada平台采集而来的轧制过程正常历史数据，计算其系数矩阵J和L,依据S302计算所得目标函数，则相关性评估依据如下：

γ＝cov(Y_p,Y_p)^-0.5cov(Y_p,Y_f)cov(Y_f,Y_f)^-0.5

对γ进行SVD分解，公式如下：

γ＝EΛΘ^T

得到系数矩阵J和L：

J＝cov(Y_p)^-0.5E(:,1:λ)∈R^p(m+l)×λ

L＝cov(Y_f,Y_f)^-0.5Θ(:,1:k)∈R^fm×λ

其中λ为需要保留的典型变量的个数；

S304.计算统计量值：λ个典型变量构成了状态变量空间，剩下的p(m+l)-λ个典型变量构成了残差空间，状态变量空间和残差空间共同构成了典型变量空间；依据上述S303提取出了系数矩阵之后，状态变量空间监测统计量如下所示：

残差空间监测统计量如下所示：

由此可得与采集的数据个数相同的

和

统计量的值；

S305.计算控制限值：给定一个置信度水平a＝0.1，采用高斯核函数用于密度估计，其中正数σ＝0.5为核函数的带宽，之后基于S100中由Scada平台采集而来的带钢正常生产过程中历史数据，根据S200-S300计算出多个样本的

统计量以及

统计量，之后计算相应的控制限的值；

S306.对于通过Scada平台采集而来的轧制过程实时数据，基于轧制过程正常历史数据所构建的典型变量分析模型，实时计算其相应的

和

统计量的值，并通过计算的

和

统计量的值，对实时数据进行监测。

6.如权利要求5所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，S301中，自身的协方差矩阵cov(Y_p,Y_p)和cov(Y_f,Y_f)以及它们之间的协方差矩阵cov(Y_p,Y_f)的计算公式为：

7.如权利要求5所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，通过计算的

和

统计量的值，对实时数据进行监测的方法为：对于实时数据状态变量空间监测统计量

和实时数据残差空间监测统计量

若

或

则认为系统出现了故障。

8.如权利要求5所述的一种基于Scada平台的带钢轧制过程质量监控方法，其特征在于，S400中，通过HMI监控平台实时显示质量监控结果的具体方法包括：通过S100的Scada数据采集系统采集数据，通过S200-S300构建轧制过程正常历史数据的典型变量分析的质量监控模型，之后依据实时采集的轧制过程数据，计算得到实时数据的监测统计量，依据HMI编辑系统设计好具体的画面，将轧制过程的实时监测数据显示在监控平台上，当监测数据出现异常时，及时有效地给出报警信息，提醒相关的操作人员。

9.一种基于Scada平台的带钢轧制过程质量监控系统，其特征在于，包括：轧制过程采集单元、过程变量和质量变量矩阵构建单元、质量监控模型建立单元和实时质量监控显示单元；其中：

轧制过程采集单元，基于Scada平台的数据采集系统，用于采集带钢轧制生产过程的正常历史数据以及实时数据；

过程变量和质量变量矩阵构建单元，用于构建过程变量和质量变量历史测量数据的Hankel矩阵以及质量变量未来测量数据的Hankel矩阵，并对所构建的矩阵进行均值化处理；

质量监控模型建立单元，用于基于处理后所得的数据，建立典型变量分析的质量监控模型；

实时质量监控显示单元，用于通过HMI监控平台实时显示质量监控结果。

Images