CN116203903A - 一种热连轧过程质量异常的时空根源诊断方法 - Google Patents
一种热连轧过程质量异常的时空根源诊断方法 Download PDFInfo
- Publication number
- CN116203903A CN116203903A CN202310198744.8A CN202310198744A CN116203903A CN 116203903 A CN116203903 A CN 116203903A CN 202310198744 A CN202310198744 A CN 202310198744A CN 116203903 A CN116203903 A CN 116203903A
- Authority
- CN
- China
- Prior art keywords
- sub
- quality
- fault
- space
- time
- 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.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 169
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 230000005856 abnormality Effects 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 93
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 77
- 239000010959 steel Substances 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000007323 disproportionation reaction Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000011897 real-time detection Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000010219 correlation analysis Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 28
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 28
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013000 roll bending Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种热连轧过程质量异常的时空根源诊断方法，包括：建立热连轧过程历史数据库；对数据样本按照轧钢位置百分比进行数据对齐，并将整个热连轧过程分为多个层级和子块；分别构建各子块对应的故障检测模型，并基于历史数据库对各故障检测模型进行训练，实现对各子块的质量相关故障的实时检测；当有故障发生时，根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置；计算故障机架中各过程变量歧化系数的大小，实现对故障根源变量的定位，确定引起故障的根源变量，定位发生故障的设备，实现对故障的时空根源诊断。本发明可更好地指导企业生产，进一步提高企业的经济效益。
Description
技术领域
本发明涉及流程工业质量相关的故障监测与诊断技术领域，特别涉及一种可实现对工业现场进行实时地故障检测与时空根源诊断的热连轧过程质量异常的时空根源诊断方法。
背景技术
现代流程工业的发展目标是绿色化、智能化、高效化，典型的流程工业包括石化、钢铁、有色等。以上的流程工业都具有长流程、多层级、多工况等特点，其中任何一个工序发生故障，故障都会随着信息流、物质流、能量流在多个系统层级间不断地传播和演化，进一步会影响现场设备运行的稳定性以及工业产品质量的稳定性。由于产品质量和实时工况无法在线监测，使得流程工业的故障检测和根源诊断成为了一个难点。
流程工业的故障检测和根源诊断技术已经成为学者们的研究热点。但是，很多研究成果并没有将最终的产品质量考虑进来，实际工业过程并不是所有故障都会造成产品的质量异常，现场的操作人员更关注能够引起产品质量异常的故障并及时采取相应的优化调控策略。因此，研究质量相关的故障检测与根源诊断技术就显得至关重要。
热连轧过程是一种典型的现代流程工业，包含加热炉、粗轧机组、热输出辊道和飞剪、精轧机组、层流冷却、卷曲机组等多个工序。其中粗轧机组和精轧机组的稳定安全运行对成品带钢的质量至关重要。为了成品带钢生产的安全性和高效性需要对热连轧过程进行监测，一旦发生故障，需要对整个热连轧过程进行全方面的故障诊断。然而，传统的故障诊断方法在检测到故障发生后，只能粗略地定位引起故障的变量，而且定位得到的变量往往是多个，这样的根源诊断方法并不能很好地满足实际生产需求。主要存在以下待解决的问题：
第一，热连轧过程具有全流程、多层级等特性，同时各个工序相互耦合，导致传统集中式的故障检测和根源诊断方法难以适用，为了满足实际生产过程的需求，方便现场工作人员监测和维护生产设备，需要结合热连轧过程的工艺知识，提出一种分散式的故障检测和根源诊断方法。
第二，热连轧过程中发生的故障并不都会引起最终钢板的质量波动，然而，传统的故障检测方法只能监测是否有异常工况的出现，一旦有异常工况的出现，为了保证生产的安全性，现场操作人员往往会采取停止生产、排除隐患的措施，然而，这种做法不符合现代流程工业绿色化、高效化的发展目标，不利于提高企业的经济效益。所以，需要针对热连轧过程的生产特点以及企业需求，致力于将过程变量和质量变量关联起来，提出一种质量相关的故障检测与根源诊断方法。
第三，一般情况下，传统的故障根源诊断方法只能定位到多个过程变量，这样的根源诊断方法往往过于粗略，不能给现场操作人员提供明确的指导。同时，传统的诊断方法将故障定位到设备层，但是并没有定位到产品层，即无法确定获得的工业产品在何处发生质量波动。不难发现，传统的根源诊断方法获得的诊断结果不够全面。为此，需要设计一种新颖的故障根源时空诊断方法，从时间上来看，可以检测出故障发生的时间位置。从空间上来看，不仅要确切定位到发生故障的生产单元，即实现设备层的故障根源诊断，而且要定位到工业产品发生质量波动的空间位置，即实现产品层的故障根源诊断。
由上可知，研究更为精细化和全面化的故障根源诊断方法的意义十分重大，即需要对热连轧过程进行质量异常的时空诊断，“时空”包含时间和空间两个维度。从时间维度来说，热连轧过程的故障诊断需要定位故障发生的确切时间；从空间维度来说，热连轧过程的故障诊断不仅要定位到引起故障的根源变量，还需要定位到成品带钢在长度方向上具体哪个位置存在质量异常。这种从时间和空间两个维度进行故障诊断，可以更好地指导企业生产，进一步提高企业的经济效益。
发明内容
本发明提供了一种热连轧过程质量异常的时空根源诊断方法，以解决现有的故障根源诊断方法缺乏精细化和全面化的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一种热连轧过程质量异常的时空根源诊断方法，其包括以下步骤：
获得热连轧过程历史数据样本，建立热连轧过程历史数据库；
对获取的数据样本按照轧钢位置百分比进行数据对齐，同时，将整个热连轧过程分为多个层级和子块；其中，每一子块对应轧制过程中的一个机架；
分别构建各子块对应的故障检测模型，并基于所述热连轧过程历史数据库，对构建的各故障检测模型进行训练，利用训练好的故障检测模型实现对各子块的质量相关故障的实时检测；
当有故障发生时，根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置；
计算故障机架中各过程变量歧化系数的大小，实现对故障根源变量的定位，确定引起故障的根源变量，定位发生故障的设备，实现对故障的时空根源诊断。
进一步地，所述将整个热连轧过程分为多个层级和子块，包括：
纵向来看，将整个热连轧过程分为产品层、全流程层、子系统层和设备层，从横向来看，将整个热连轧过程分为第一子块、第二子块、第三子块、第四子块、第五子块、第六子块、第七子块和第八子块，其中，第一子块对应粗轧过程中的机架，第二子块到第八子块分别对应精轧过程中的第一机架到第七机架。
进一步地，所述对获取的数据样本按照轧钢位置百分比进行数据对齐，包括：从时间维度到空间维度的数据正对齐，以及从空间维度到时间维度的数据反对齐；
针对从时间维度到空间维度的数据正对齐，其实现过程如下：
按照时间顺序读取某板坯轧制过程中的过程数据，并存入到对应的向量中；
对各机架对应的向量进行归一化处理，将各个时刻下轧制的钢板长度分别除以机架轧制得到的钢板总长度值，得到各机架轧钢位置百分比；
对得到的各机架轧钢位置百分比数据拓列构建索引列，在第一列构建索引列，第二列为各机架轧钢位置百分比数据；
获取各机架轧钢位置百分比数据的数据长度，并比较得到最长的数据长度；
对构建索引列之后的各机架轧钢位置百分比的索引列进行重写、拼接，并以最长的数据长度的轧钢位置百分比作为基准，按轧钢百分比位置重写；其中，轧钢百分比位置不大于基准轧钢百分比位置时写入相同行的索引，否则取下一行的索引；依次拼接构成各机架数据和出口温度、实际厚度的索引矩阵；
依据构建的索引矩阵对过程数据进行重新读取，得到数据对齐后的各机架轧钢位置百分比数据，不同数据重写为列向量，行数均为长的数据长度；
针对从空间维度到时间维度的数据反对齐，通过各机架轧钢位置百分比反向索引得到时间信息，以实现空间维度到时间维度的数据反对齐。
进一步地，热连轧过程的变量包含过程变量和质量变量；
所述分别构建各子块对应的故障检测模型，并基于所述热连轧过程历史数据库，对构建的各故障检测模型进行训练，利用训练好的故障检测模型实现对各子块的质量相关故障的实时检测，包括：
采用最大信息系数来代替最大相关最小冗余算法中的互信息，得到改进的最大相关最小冗余算法；
针对各子块对应的热连轧过程的过程变量和质量变量，分别通过所述改进的最大相关最小冗余算法筛选出每一子块对应的质量相关的过程变量；
将核函数引入到典型相关分析中，得到核典型相关分析模型；
将各子块对应的筛选出来的质量相关的过程变量和相应的质量变量送入所述核典型相关分析模型中，进行质量相关的过程监测。
进一步地，所述将各子块对应的筛选出来的质量相关的过程变量和相应的质量变量送入所述核典型相关分析模型中，进行质量相关的过程监测，包括：
通过非线性映射将各子块筛选出来的过程变量映射到高维空间中；
利用映射后的过程变量与相应的质量变量进行典型相关分析，确定各子块对应的统计量和控制限，进行质量相关的过程监测。
进一步地，通过非线性映射将各子块筛选出来的过程变量映射到高维空间中，包括：
运用核函数将筛选出的质量相关的过程变量映射到一个特征空间中；其中，所述核典型相关分析模型将多项式核和径向基函数核结合在一起。
进一步地，所述根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置，包括：
根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过发生故障时故障机架的轧钢位置百分比，反向索引出对应发生故障的时间戳，确定故障发生的时间位置，并对此时各机架轧制的钢板长度进行求和，结合发生故障时故障机架的轧钢位置百分比，得到整个钢板在何处发生质量波动。
进一步地，所述歧化系数的计算公式为：
其中，difference(i)表示第i个过程变量的歧化系数，n是样本点的数目，
表示故障数据集，/>
表示正常数据集；
故障机架中过程变量的歧化系数越大，表示这个过程变量越会是引起当前故障的根源变量。
本发明提供的技术方案带来的有益效果至少包括：
1、本发明解决了传统集中式方法的弊端。本发明针对热连轧过程中的粗轧和精轧机架组采用了分散式的方法，将整个过程分为多个层级和子块，这样多层级多子块的故障检测与根源诊断方法，便于工程师及时确定故障发生的精确位置以及对现场生产设备进行有针对性地维护，更好地满足了企业的生产需求；
2、本发明能够更好地挖掘过程变量和质量变量之间的关系。实现了热连轧过程质量相关的故障检测，可以更好地指导企业生产实践，提高产品质量。
3、相较于传统的根源诊断方法只能实现设备层的故障定位，本发明提出的时空诊断方法，不仅实现了时间维度的故障定位，同时实现了空间维度的故障定位，其中，空间维度的故障定位又包含两个方面，一方面，完成了设备层的故障定位，即定位到发生故障的生产单元，另一方面，完成了产品层的故障定位，即定位到产品发生质量波动的详细位置。这样的故障根源时空诊断方法，有利于企业及时定位故障发生根源，并采取相应的优化调控措施。同时，及时检测生产出来的产品有无质量问题，避免了次品流入市场，损害企业形象，因此，对提高企业的经济价值和品牌价值有很大程度上的帮助。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的热连轧过程质量异常的时空根源诊断方法的内涵示意图；
图2是本发明实施例提供的热连轧过程质量异常的时空根源诊断方法的执行流程示意图；
图3是本发明实施例提供的热连轧过程质量异常的时空根源诊断方法的具体执行流程示意图；
图4是本发明实施例提供的热连轧过程数据对齐方法原理示意图；
图5是本发明实施例提供的热连轧过程质量异常的时空根源诊断方法的故障检测结果示意图；其中，(a)表示故障开始于精轧过程中的第三机架，第三机架在区间[16.7％,50％]发生故障；(b)表示故障开始于精轧过程中的第四机架，第四机架在区间[16.7％,50％]发生故障；(c)为粗轧过程机架的故障检测结果以及精轧过程第一、第二、第五、第六、第七机架的故障检测结果；
图6是本发明实施例提供的热连轧过程质量异常的时空根源诊断方法的故障时空根源诊断结果示意图；其中，(a)为第三机架的时间维度监测结果，(b)为第四机架的时间维度监测结果，(c)为第三机架各变量的歧化系数示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
针对现有的故障根源诊断方法缺乏精细化和全面化的问题，本实施例提供了一种知识和数据联合驱动的热连轧过程质量异常的时空根源诊断方法，以解决背景技术中所提出的现有技术存在的三个问题，具体的解决方法如下所示。
为了解决第一个问题，本实施例提出了一种多层级多子块的故障检测与根源诊断策略，解决了传统集中式方法的弊端。本实施例针对热连轧过程中的粗轧和精轧机架组采用了分散式的方法。从纵向来看，形成了产品层、全流程层、子系统层、设备层四个层次，同时，从横向来看，形成了第一子系统到第八子系统八个子块。这样多层级多子块的故障检测与根源诊断方法，便于工程师及时确定故障发生的精确位置以及对现场生产设备进行有针对性地维护，更好地满足了企业的生产需求，热连轧过程的各个生产工序如图1所示。
为了解决第二个问题，本实施例提出了一种基于改进的最大相关最小冗余-核典型相关分析的质量相关故障检测方法。考虑到工业过程的数据具有强非线性，引入核函数的思想改进典型相关分析，同时，用最大信息系数代替传统的互信息来改进最大相关最小冗余算法，这样能够更好地挖掘过程变量和质量变量之间的关系。核典型相关分析将过程变量和质量变量联系在一起，利用质量变量将过程变量分解为质量相关的输入子空间和质量不相关的输入子空间，在质量相关的输入子空间里设计统计量以及控制限，监测热连轧过程是否发生质量相关的故障，这样就实现了热连轧过程质量相关的故障检测，可以更好地指导企业生产实践，提高产品质量。
为了解决第三个问题，本实施例提出了一种新颖的故障根源时空诊断方法，即根据每个机架的轧钢位置百分比进行数据对齐，这种数据对齐方式将采样点与时间戳和每个机架的轧制长度建立起来关系，最后通过比较故障机架中过程变量歧化系数的大小实现对故障根源变量的辨识。相较于传统的根源诊断方法只能实现设备层的故障定位，本发明提出的时空诊断方法，不仅实现了时间维度的故障定位，同时实现了空间维度的故障定位，其中空间维度的故障定位又包含两个方面，一方面，完成了设备层的故障定位，即定位到发生故障的生产单元，另一方面，完成了产品层的故障定位，即定位到产品发生质量波动的详细位置。这样的故障根源时空诊断方法，有利于企业及时定位故障发生根源，并采取相应的优化调控措施。同时，及时检测生产出来的产品有无质量问题，避免了次品流入市场，损害企业形象，因此，对提高企业的经济价值和品牌价值有很大程度上的帮助。
基于上述，本实施例的热连轧过程质量异常的时空根源诊断方法的核心思想是从时间维度和空间维度对热连轧过程进行监测和故障根源诊断，大致的流程为：首先，通过工业现场的传感器感知并采集到实时数据。然后，将各机架数据按照长度方向以轧钢位置百分比进行空间数据对齐。紧接着，在各机架建立质量相关的异常空间监测模型，一旦识别到有质量异常情况的发生，进一步结合相应的故障根源变量辨识方法，确定引发故障的根源变量。最后结合故障发生的空间位置反向索引出故障发生的时间位置，并将各机架已轧制带钢的长度进行求和，锁定整个带钢在何处开始发生质量波动。从而实现热连轧过程质量异常的时空诊断，为企业的优化调控提供宝贵的指导意见。该方法的内涵示意图如图1所示，执行步骤如图2和图3所示，包括以下步骤：
S1，获得热连轧过程历史数据样本，建立热连轧过程历史数据库；
其中，需要说明的是，热连轧过程某一批次的轧钢数据分为两个部分，一部分是粗轧数据，另外一部分是精轧数据。具体地，在本实施例中，采样周期为0.01s，轧钢数据通过工业现场的传感器测量得到。
S2，对获取的数据样本按照轧钢位置百分比进行数据对齐，同时，将整个热连轧过程分为多个层级和子块；其中，每一子块对应轧制过程中的一个机架；
需要说明的是，传统的数据对齐方式是以时间作为横坐标，但是这样的数据对齐方法，对于故障的根源诊断存在一些弊端。考虑到热连轧过程的实际生产情景，即钢板的同一部分会在不同采样时刻依次经过粗轧机架和精轧机架，换言之，在相同的采样时间下，粗轧机架和精轧机架对应的轧制位置并不是钢板的相同位置，同时，粗制和精轧机架各自轧制钢板的长度也各不相同。为了更好地进行热连轧过程的故障根源诊断，本实施例将粗轧和精轧过程的数据，以钢板的长度进行数据对齐，为了让横坐标的长度一致，将粗轧和精轧过程的数据，采用轧钢长度的百分比(空间位置)进行对齐，如图4所示。
具体的数据对齐算法实现如下：
⑴按照时间顺序读取某个板坯轧制过程中粗轧和精轧过程数据，分别存入到对应的向量中；
⑵对各机架对应的向量进行归一化处理，各个时刻下轧制的钢板长度分别除以机架轧制得到的钢板总长度值，得到数值范围在[0％,100％]，即各机架轧钢位置百分比；
⑶对以上两个步骤中得到的各机架轧钢位置百分比数据拓列构建索引列。在第一列构建索引列，第二列为各机架轧钢位置百分比数据；
⑷获取各机架轧钢位置百分比数据的数据长度，并比较得到最长的数据长度，后面会以此为基准为其余机架的数据扩行；
⑸对构建索引列之后的各机架轧钢位置百分比的索引列进行重写、拼接，并以最长的数据长度的轧钢位置百分比作为基准，按轧钢百分比位置重写，具体的操作如下，轧钢百分比位置不大于基准轧钢百分比位置时写入相同行的索引，否则取下一行的索引。依次拼接构成各机架数据和出口温度、实际厚度的索引矩阵；
⑹依据构建的索引矩阵对粗轧和精轧数据进行重新读取，得到数据对齐后的各机架轧钢位置百分比数据，不同数据重写为列向量，行数均为长的数据长度；
⑺以上六个步骤实现了粗轧和精轧数据从时间维度到空间维度的数据对齐，为了实现空间维度到时间维度的数据反对齐，可以通过空间信息(各机架轧钢位置百分比)反向索引得到时间信息。
进一步地，在实现粗轧和精轧过程数据时空维度的正对齐和反对齐后，考虑到热连轧过程的实际生产需要，本实施例根据工艺特点和专家知识并结合企业生产的需求，将热连轧过程分为四个层级和八个子块，纵向来看，四个层级包含产品层、全流程层、子系统层、设备层，从横向来看，八个子块包含第一子块到第八子块，其中第一子块对应粗轧过程中的机架，第二子块到第八子块分别对应精轧过程中的第一机架到第七机架。
S3，分别构建各子块对应的故障检测模型，并基于所述热连轧过程历史数据库，对构建的各故障检测模型进行训练，利用训练好的故障检测模型实现对各子块的质量相关故障的实时检测；
需要说明的是，热连轧过程的变量包含两个部分，这两个部分分别为过程变量和质量变量。其中，过程变量包含轧制力、弯辊力、窜辊力、轧制力差、机架之间张力、辊缝、功率、辊速、电流等，质量变量包含厚度、温度、凸度、平整度、宽度等。粗轧机架子块到精轧第七机架子块所包含的过程变量分别用X1,X2......X8来表示，同理质量变量用Y1,Y2......Y8来表示。对此，本实施例利用ImRMR-KCCA的方法在各子系统建立相应的故障检测模型，并基于S1建立的热连轧过程历史数据库，训练各系统的模型，确定对对应的统计量和控制限，分别实现对各子系统的过程监测。具体实现过程如下：
S31，假设过程变量X＝[X1,X2,X3,X4,X5,X6,X7,X8]∈RN×m，质量变量Y＝[Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8]∈RN×n，为了能够更好地揭示和量化过程变量和质量相关变量之间的关系，本实施例采用改进的最大相关最小冗余算法(ImRMR)进行质量相关的过程变量筛选，考虑到最大信息系数(MIC)具有一般性、均衡性、对称性等特点，本实施例用最大信息系数来代替最大相关最小冗余算法中的互信息(MI)来进一步提高算法的性能。最大信息系数的变化范围是0到1，对于任意的两个变量xi和xj,他们之间的最大信息系数为
上式中a,b是在xi,xj坐标轴方向上的划分格子的个数，需要满足a*b<C,其中C的大小通常设置为数据量的0.6次方。I(xi,xj)表示xi,xj之间的互信息。
各子系统中过程变量与质量相关变量的最大相关度的计算公式为：
maxD(XB,YB),
上式中B＝{1,2,3,…,8}。
各子系统中过程变量之间的最小冗余度的计算公式为
minR(XB),
上式中B＝{1,2,3,…,8}。
在各子系统将二者结合在一起的计算公式为
maxα(XB,YB),
上式中B＝{1,2,3,…,8}。
将
作为α的阈值，其中，MICmean为过程变量和质量变量的最大信息系数的平均值。
粗轧和精轧各子块通过改进的最大相关最小冗余算法筛选出质量相关的过程变量为
质量变量仍然为Y＝[Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8]∈RN×n。
S32，将各子系统筛选出来的质量相关的过程变量和相应的质量相关变量送入核典型相关分析(KCCA)中进行质量相关的过程监测。考虑到工业过程数据具有强非线性，本实施例将核函数引入到典型相关分析中，即通过非线性映射将各子系统筛选出来的过程变量映射到高维空间中，紧接着利用映射后的过程变量与质量相关变量进行典型相关分析，具体的步骤如下：
首先，运用核函数将筛选出质量相关的过程变量X′B映射到一个特征空间F中，存在一个非线性映射
使得/>
然而，这个非线性映射函数/>
很难被直接计算得到，需要定义一个正半定矩阵K来代替/>
满足/>
K矩阵可以通过核函数计算得到，
表示/>
和/>
之间的点积。K(i,j)表示核函数，
分别表示B子块中的第i个变量和第j个变量。
为了保证更好的泛化能力，本实施例将多项式核和径向基函数核结合在一起，结合的方式如下所示：
前者为多项式核，后者为径向基函数核，其中ω是权重系数，ω∈[0,1]；σ表示径向基函数的宽度参数。
为了集中映射的过程变量，消除特征空间中的均值效应，首先对过程变量进行如下预处理:
其中，
K(0)表示处理后的核函数，N表示样本数；
将筛选出质量相关的过程变量X′B通过核函数映射为X* B，质量相关变量仍为YB。那么映射后的过程变量为
质量变量为Y＝[Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8]∈RN×n。
典型相关分析(CCA)是利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。它的基本原理是：为了从总体上研究两组变量之间的相关关系，分别在两组变量中提取有代表性的两个变量G和Q(分别为两个变量组中各变量的线性组合)，利用这两个变量之间的相关关系来反映两组变量之间的整体相关性。即为了研究变量X* B与变量YB之间的相关性，引入了两组新的变量G＝ATX* B和Q＝CTYB，通过研究G和Q之间相关性来得到X* B和YB之间的相关性,B＝{1,2,3,…,8}。A表示对X* B的变换矩阵，C表示对YB的变换矩阵。
Pearson相关性系数是用来计算变量之间相关性的度量工具，它的范围为-1到1，正值代表正相关，0代表无相关，负值代表负相关，具体的公式如下
其中，
表示X* B的均值，/>
表示YB的均值，/>
表示X* B的标准差，/>
表示YB的标准差；
为了让X* B和YB之间的Pearson相关性系数最大，只需要将G和Q之间Pearson相关性系数最大，所以
CCA算法就变成了求解一个优化问题，即：
J＝max(ρ)＝max(ATcov(X* B,YB)C)
其中ATcov(X* B,X* B)A＝CTcov(YB,YB)C＝1是约束条件。
令A＝cov(X* B,X* B)-1/2u,C＝cov(YB,YB)-1/2v，带入到约束条件中得到：
uTcov(X* B,X* B)-1/2cov(X* B,X* B)cov(X* B,X* B)-1/2u＝1
vTcov(YB,YB)-1/2cov(YB,YB)cov(YB,YB)-1/2v＝1
进一步得到：uTu＝vTv＝1。
那么优化目标函数J可以转换为：
其中uTu＝vTv＝1是新的约束条件。对cov(X* B,X* B)-1/2cov(X* B,YB)cov(YB,YB)-1/2进行SVD分解得到
cov(X* B,X* B)-1/2cov(X* B,YB)cov(YB,YB)-1/2＝ΓΛΔT
最后可以计算得到A,B的值分别为
A＝cov(X* B,X* B)-1/2Γ(:,1:κ)
C＝cov(YB,YB)-1/2Δ(:,1:κ)
其中rank(ΓΛΔT)＝κ。
由此可知：
G＝cov(X* B,X* B)-1/2Γ(:,1:κ)TX* B
Q＝Bcov(YB,YB)-1/2Δ(:,1:κ)TYB
构造T2统计量来监测发生在输入子空间并且与输出相关的故障(质量相关的故障)，具体T2统计量的计算公式如下
T2＝X* B TAATX* B
其中F1-α(κ,N-κ)表示F分布的临界值，该F分布的自由度为κ和N-κ，置信度为1-α。
当没有质量相关的故障发生时，
即T2统计量位于控制限的下方。当发生质量相关的故障时，/>
以上部分，实现了热连轧过程质量相关的故障检测，接下来需要实现热连轧过程的故障时空根源诊断。
S4，当有故障发生时，根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置；
需要说明的是，本实施例在构建热连轧过程历史数据库时，采用了一种以轧钢位置百分比的数据对齐方法，如图4所示，即将每个机架在一个批次内轧制的过程数据按照轧钢位置百分比进行对齐，这样的数据对齐方式将时间戳(时间维度)和轧制的钢板长度(空间维度)建立联系，基于此，一旦上述S3中所述的基于ImRMR-KCCA的质量相关故障检测方法监测到了故障的发生，即可通过发生故障时故障机架的轧钢位置的百分比，反向索引出对应发生故障的时间戳，并对此时各机架轧制的钢板长度进行求和。即可得到整个钢板在何处(长度)发生质量波动，这样便于现场操作人员，对钢板的质量进行有针对性地检查，大大节省了企业的人力、物力和财力。
S5，计算故障机架中各过程变量歧化系数的大小，通过比较故障机架中过程变量歧化系数的大小实现对故障根源变量的定位，确定引起故障的根源变量，进一步定位发生故障的设备，进而实现对故障的时空根源诊断。
需要说明的是，在监测到质量异常相关的故障发生后，需要定位出引起故障的根源变量，为此需要计算故障机架中每个过程变量的歧化系数来进行故障分离，即比较故障实时数据与正常数据之间的相似性。
对于故障机架中过程变量的歧化系数，其计算公式为：
其中，n是样本点的数目，故障机架中过程变量的歧化系数越大，这个过程变量越会是引起该故障的根源变量，通过比较各过程变量的歧化系数大小即可定位出引起故障的根源变量。
根据以上的热连轧过程质量相关的故障检测和时空根源诊断模型并依据热连轧过程实际生产数据进行实验，获得的结果如图5和图6所示。
接下来详细分析图5的实验结果，其中，如图5中的(c)所示，该图为粗轧过程机架的故障检测结果以及精轧过程第一、第二、第五、第六、第七机架的故障检测结果。如图5中的(a)和(b)所示，故障开始于精轧过程中的第三机架，第三机架在区间[16.7％,50％]发生故障，并通过16.7％的轧钢位置百分比，可以反向索引得到相应的时间和空间维度信息，即Timeposition＝f(Spaceposition)，其中Spaceposition表示空间位置点。从时间上来看，利用上述的公式，计算得出故障发生在1点7分22.22秒这个时间点上，通过建立第三机架的时间维度监测模型不难发现，该故障确实发生在这个时间点上，如图6中的(a)所示，其中“0”代表正常，“1”代表故障。从空间上来看，通过计算精轧过程中的七个机架在该时间点之前已经轧制的钢板长度累加求和得出，即
lengthi表示第i个机架在某时间点上已经轧制的钢板长度，利用上面的公式，经过计算得到故障发生在钢板136912.56mm处，从这个位置以后，将钢板将发生质量波动。
同时，由于精轧过程第三机架的故障向下传播导致精轧过程中的第四机架发生故障，第四机架可以采用同样的方法，根据故障发生时的轧钢位置百分比(空间信息)结合上述公式反向索引出故障的时间信息，即从时间上来看，第四机架的故障发生在1点7分25.02秒这个时间点上，第四机架的故障发生的时间明显滞后于第三机架故障发生的时间，这符合热连轧过程的工艺特点。同时，通过建立第四机架的时间维度监测模型，显然可知，该故障确实发生在这个时间点上，如图6中的(b)所示，其中“0”代表正常，“1”代表故障。由于第三机架已经发生故障，即在1点7分22.22秒钢板已经发生质量波动，不需要针对滞后的第四机架进行产品层面故障空间维度的分析和讨论。
对比图5中各子图提供的信息，即根据上一部分的故障检测结果可知，故障起源于精轧过程中的第三机架，需要对第三机架的故障根源变量进行分离。通过计算第三机架轧制力、弯辊力、辊缝、辊速这四个过程变量的歧化系数得到，第三机架轧制力的歧化系数为0.513，第三机架弯辊力的歧化系数为0.0179，第三机架辊缝的歧化系数为0.7848，第三机架辊速的歧化系数为0.33261，第三机架辊缝的歧化系数最大，结果如图6中的(c)所示。通过比较上述四个变量的歧化系数的大小，可以得出引起故障的根源变量为精轧过程第三机架。
综上，本实施例提供了一种知识和数据联合驱动的热连轧过程质量异常的时空根源诊断方法，该方法不仅实现了时间维度的故障定位，同时实现了空间维度的故障定位，其中，空间维度的故障定位又包含两个方面，一方面，完成了设备层的故障定位，即定位到发生故障的生产单元，另一方面，完成了产品层的故障定位，即定位到产品发生质量波动的详细位置。这样的故障根源时空诊断方法，有利于企业及时定位故障发生根源，并采取相应的优化调控措施。同时，及时检测生产出来的产品有无质量问题，避免了次品流入市场，损害企业形象，因此，对提高企业的经济价值和品牌价值有很大程度上的帮助。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (8)
1.一种热连轧过程质量异常的时空根源诊断方法，其特征在于，包括：
获得热连轧过程历史数据样本，建立热连轧过程历史数据库；
对获取的数据样本按照轧钢位置百分比进行数据对齐，同时，将整个热连轧过程分为多个层级和子块；其中，每一子块对应轧制过程中的一个机架；
分别构建各子块对应的故障检测模型，并基于所述热连轧过程历史数据库，对构建的各故障检测模型进行训练，利用训练好的故障检测模型实现对各子块的质量相关故障的实时检测；
当有故障发生时，根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置；
计算故障机架中各过程变量歧化系数的大小，实现对故障根源变量的定位，确定引起故障的根源变量，定位发生故障的设备，实现对故障的时空根源诊断。
2.如权利要求1所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，所述将整个热连轧过程分为多个层级和子块，包括：
纵向来看，将整个热连轧过程分为产品层、全流程层、子系统层和设备层，从横向来看，将整个热连轧过程分为第一子块、第二子块、第三子块、第四子块、第五子块、第六子块、第七子块和第八子块，其中，第一子块对应粗轧过程中的机架，第二子块到第八子块分别对应精轧过程中的第一机架到第七机架。
3.如权利要求1所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，所述对获取的数据样本按照轧钢位置百分比进行数据对齐，包括：从时间维度到空间维度的数据正对齐，以及从空间维度到时间维度的数据反对齐；
针对从时间维度到空间维度的数据正对齐，其实现过程如下：
按照时间顺序读取某板坯轧制过程中的过程数据，并存入到对应的向量中；
对各机架对应的向量进行归一化处理，将各个时刻下轧制的钢板长度分别除以机架轧制得到的钢板总长度值，得到各机架轧钢位置百分比；
对得到的各机架轧钢位置百分比数据拓列构建索引列，在第一列构建索引列，第二列为各机架轧钢位置百分比数据；
获取各机架轧钢位置百分比数据的数据长度，并比较得到最长的数据长度；
对构建索引列之后的各机架轧钢位置百分比的索引列进行重写、拼接，并以最长的数据长度的轧钢位置百分比作为基准，按轧钢百分比位置重写；其中，轧钢百分比位置不大于基准轧钢百分比位置时写入相同行的索引，否则取下一行的索引；依次拼接构成各机架数据和出口温度、实际厚度的索引矩阵；
依据构建的索引矩阵对过程数据进行重新读取，得到数据对齐后的各机架轧钢位置百分比数据，不同数据重写为列向量，行数均为长的数据长度；
针对从空间维度到时间维度的数据反对齐，通过各机架轧钢位置百分比反向索引得到时间信息，以实现空间维度到时间维度的数据反对齐。
4.如权利要求1所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，热连轧过程的变量包含过程变量和质量变量；
所述分别构建各子块对应的故障检测模型，并基于所述热连轧过程历史数据库，对构建的各故障检测模型进行训练，利用训练好的故障检测模型实现对各子块的质量相关故障的实时检测，包括：
采用最大信息系数来代替最大相关最小冗余算法中的互信息，得到改进的最大相关最小冗余算法；
针对各子块对应的热连轧过程的过程变量和质量变量，分别通过所述改进的最大相关最小冗余算法筛选出每一子块对应的质量相关的过程变量；
将核函数引入到典型相关分析中，得到核典型相关分析模型；
将各子块对应的筛选出来的质量相关的过程变量和相应的质量变量送入所述核典型相关分析模型中，进行质量相关的过程监测。
5.如权利要求4所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，所述将各子块对应的筛选出来的质量相关的过程变量和相应的质量变量送入所述核典型相关分析模型中，进行质量相关的过程监测，包括：
通过非线性映射将各子块筛选出来的过程变量映射到高维空间中；
利用映射后的过程变量与相应的质量变量进行典型相关分析，确定各子块对应的统计量和控制限，进行质量相关的过程监测。
6.如权利要求5所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，通过非线性映射将各子块筛选出来的过程变量映射到高维空间中，包括：
运用核函数将筛选出的质量相关的过程变量映射到一个特征空间中；其中，所述核典型相关分析模型将多项式核和径向基函数核结合在一起。
7.如权利要求1所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，所述根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置，包括：
根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过发生故障时故障机架的轧钢位置百分比，反向索引出对应发生故障的时间戳，确定故障发生的时间位置，并对此时各机架轧制的钢板长度进行求和，结合发生故障时故障机架的轧钢位置百分比，得到整个钢板在何处发生质量波动。
8.如权利要求1所述的热连轧过程质量异常的时空根源诊断方法，其特征在于，所述歧化系数的计算公式为：
其中，difference(i)表示第i个过程变量的歧化系数，n是样本点的数目，
表示故障数据集，/>
表示正常数据集；
故障机架中过程变量的歧化系数越大，表示这个过程变量越会是引起当前故障的根源变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310198744.8A CN116203903A (zh) | 2023-03-01 | 2023-03-01 | 一种热连轧过程质量异常的时空根源诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310198744.8A CN116203903A (zh) | 2023-03-01 | 2023-03-01 | 一种热连轧过程质量异常的时空根源诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116203903A true CN116203903A (zh) | 2023-06-02 |
Family
ID=86509231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310198744.8A Pending CN116203903A (zh) | 2023-03-01 | 2023-03-01 | 一种热连轧过程质量异常的时空根源诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116203903A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116794967A (zh) * | 2023-06-15 | 2023-09-22 | 上海国宇智链航天科技有限公司 | 一种在轨服务型航天器软件系统 |
-
2023
- 2023-03-01 CN CN202310198744.8A patent/CN116203903A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116794967A (zh) * | 2023-06-15 | 2023-09-22 | 上海国宇智链航天科技有限公司 | 一种在轨服务型航天器软件系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Zhu et al. | Two-dimensional contribution map for fault identification [focus on education] | |
| DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
| WO2021241576A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| CN116203903A (zh) | 一种热连轧过程质量异常的时空根源诊断方法 | |
| DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
| WO2021241580A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| CN113219910A (zh) | 一种全流程的生产自诊断及优化系统 | |
| CN106408436A (zh) | 一种晶圆制造企业电压暂降损失风险模糊综合评价方法 | |
| CN116611817A (zh) | 一种饲料厂设备的故障管理方法及系统 | |
| Li et al. | Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger | |
| CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
| CN112101439A (zh) | 基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法 | |
| CN109719138B (zh) | 一种基于数据挖掘的变形抗力唯象模型计算方法 | |
| Liu et al. | Quality-relevant monitoring and diagnosis with dynamic concurrent projection to latent structures | |
| WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| US11692496B2 (en) | Method and device for capturing trip sign of turbine due to high bearing temperature based on correlation | |
| 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 | |
| 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 | |
| CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
| CN115345414A (zh) | 一种输油气管道工控网络信息安全性评价方法及系统 | |
| CN115081798A (zh) | 基于pls算法的板带热精轧过程分机架联合监控与诊断方法 | |
| CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
| 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 | |
| CN113036917A (zh) | 一种基于机器学习的配电网监控信息监视系统和方法 |
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 |