CN117112981A - 一种钢板测厚数据优化采集方法 - Google Patents
一种钢板测厚数据优化采集方法 Download PDFInfo
- Publication number
- CN117112981A CN117112981A CN202311368950.5A CN202311368950A CN117112981A CN 117112981 A CN117112981 A CN 117112981A CN 202311368950 A CN202311368950 A CN 202311368950A CN 117112981 A CN117112981 A CN 117112981A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- unimodal
- density
- temperature
- data
- 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
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 136
- 239000010959 steel Substances 0.000 title claims abstract description 136
- 238000005259 measurement Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005097 cold rolling Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005098 hot rolling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/02—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring thickness
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明涉及厚度测量领域,具体涉及一种钢板测厚数据优化采集方法,采集待测钢板各测量位置的温度数据组成温度补偿矩阵,构建各元素的温度分布序列,拟合得到温度拟合曲线,结合各元素温度拟合曲线上的数据分布构建各元素单峰数据集的单峰特征序列;计算元素的各单峰数据集的单峰变异程度及密度一致性指标;结合各元素密度一致性指标的LOF值得到各元素的密度偏差率;进而获取各元素的密度代表比率矢量;根据各元素密度代表比率矢量得到各元素的温度补偿系数,基于此获取待测钢板各测量位置的优化钢板厚度,完成待测钢板测厚标数据采集的优化。从而结合温度补偿系数对钢板测厚数据进行优化,具有较高的钢板测厚数据精度。
Description
技术领域
本申请涉及厚度测量领域,具体涉及一种钢板测厚数据优化采集方法。
背景技术
在轧钢工业中,热轧过程是整个轧钢过程中的第一道轧制工艺,热轧质量的好坏尤其是钢材厚度均匀性,直接影响到以后冷轧的轧制质量和工艺。如果能将热轧厚钢板的厚度控制在一定厚度范围内,不仅能节省原材料,而且对提高最后的冷轧成材质量以及冷轧速度都有着极其重要的作用。因此,先进的钢板厚度测量对生产有着重要意义。
传统钢板厚度测量工具大多采用非接触式测量方法,通常通过激光位移传感器发出X射线,打在钢板表面进行反射,被激光位移传感器信号接收窗口接收,基于此过程再结合机器视觉及图像处理技术对钢板厚度数据进行测量。但是该方法在进行测量过程中,没有考虑外界因素对于钢板测厚数据采集的影响,环境温度会对钢板厚度产生一定的影响,导致钢板测厚精度低、测量不准确等问题,故传统厚度测量方法难以满足高精度测量需求。
综上所述,本发明提出一种钢板测厚数据优化采集方法,获取钢板测厚过程中相关参数数据,提取待测钢板各位置的温度数据,根据温度补偿矩阵中温度的分布情况获取每个位置上的密度一致性指标,根据密度一致性指标越大的特点获取温度补偿系数,结合温度补偿系数对待测钢板的测厚数据进行优化,避免温度数据对钢板测厚精度的影响。
发明内容
为了解决上述技术问题,本发明提供一种钢板测厚数据优化采集方法,以解决现有的问题。
本发明的一种钢板测厚数据优化采集方法采用如下技术方案:
本发明一个实施例提供了一种钢板测厚数据优化采集方法,该方法包括以下步骤:
采集待测钢板各测量位置的温度数据组成温度补偿矩阵;
将温度补充矩阵中各元素局部窗口内的元素作为各元素的温度分布序列;根据各元素的温度分布序列得到各元素的温度拟合曲线,结合各元素温度拟合曲线上的数据分布构建各元素单峰数据集的单峰特征序列;根据元素的各单峰数据集的单峰特征序列得到元素的各单峰数据集的单峰变异程度;根据元素各单峰数据集的单峰变异程度及温度分布序列的信息熵得到元素的密度一致性指标;采用LOF算法获取各元素密度一致性指标中的LOF值,结合各元素密度一致性指标及对应LOF值得到各元素的密度偏差率;根据各元素密度偏差率、温度分布序列数据均值获取各元素的密度代表比率矢量;根据各元素密度代表比率矢量及标准钢板密度信息得到各元素的温度补偿系数;
根据各元素温度补偿系数获取待测钢板各位置的优化钢板厚度,完成待测钢板测厚标数据采集的优化。
进一步地,所述根据各元素的温度分布序列得到各元素的温度拟合曲线,包括:
对于各元素的温度分布序列,
统计温度分布序列中每个数据的出现频率,将每个数据的温度值作为自变量,每个数据的出现频率作为因变量进行拟合得到的曲线作为元素的温度拟合曲线。
进一步地,所述结合元素温度拟合曲线上的数据分布构建元素的各单峰数据集的单峰特征序列包括:
获取元素的温度拟合曲线的极小值点,将各极小值点作为断点对温度拟合曲线进行划分获取温度拟合曲线的各段子曲线,将每段子曲线上的数据集均作为元素的单峰数据集;
对于元素的各单峰数据集,将单峰数据集的众数、中位数及平均数作为单峰数据集的单峰特征序列中各参数的数值。
进一步地,所述根据元素的各单峰数据集的单峰特征序列得到元素的各单峰数据集的单峰变异程度,包括:
对于元素的各单峰数据集的单峰特征序列,获取单峰特征序列中任意两个参数之间的单峰参数差异值;
将单峰特征序列中所有任意两个参数之间的单峰参数差异值的和值作为单峰数据集的单峰变异程度。
进一步地,所述获取单峰特征序列中任意两个参数之间的单峰参数差异值包括:
将单峰特征序列中任意两个参数的数值差值绝对值作为单峰特征序列中任意两个参数之间的单峰参数差异值。
进一步地,所述根据元素各单峰数据集的单峰变异程度及温度分布序列的信息熵得到元素的密度一致性指标,包括:
获取元素温度分布序列的数据方差及信息熵,计算元素所有单峰数据集的单峰变异程度的和值与所述数据方差的乘积;
获取以所述信息熵的相反数为指数、自然常数为底数的指数函数的计算结果;
将所述计算结果与所述乘积的比值作为元素的密度一致性指标。
进一步地,所述结合各元素密度一致性指标及对应LOF值得到各元素的密度偏差率包括:
对于各元素,将元素的密度一致性指标作为以自然常数为底数的指数函数的负指数,获取所述指数函数的计算结果,将所述计算结果与元素的密度一致性指标对应的LOF值的乘积作为元素的密度偏差率。
进一步地,所述根据各元素密度偏差率、温度分布序列数据均值获取各元素的密度代表比率矢量,包括:
对于各元素,计算元素密度偏差率与元素温度分布序列数据均值的乘积;
获取温度补偿矩阵的数据均值,将所述数据均值与所述乘积的比值作为元素的密度代表比率矢量。
进一步地,所述根据各元素密度代表比率矢量得到各元素的温度补偿系数,表达式为:
式中,表示温度补偿矩阵中第x元素的密度代表比率矢量,/>表示温度补偿矩阵中第x个元素的温度补偿系数,/>分别表示待测钢板对应第x位置处的钢板密度、标准钢板正常密度。
进一步地,所述根据各元素温度补偿系数获取待测钢板各测量位置的优化钢板厚度包括:
将待测钢板各测量位置由探测器探测所得的厚度值及对应温度补偿系数作为多项式拟合的自变量,待测钢板各测量位置的优化钢板厚度作为多项式拟合的因变量,通过多项式拟合方程计算各测量位置的优化钢板厚度。
本发明至少具有如下有益效果:
本发明根据温度补偿矩阵中温度的分布情况获取每个位置上的密度一致性指标,根据密度一致性指标结合LOF异常检测算法,构建各元素的密度偏差率,对各元素对应的待测钢板的密度分布情况进行表征,提高了待测钢板测厚过程中的数据优化精度。同时,本发明根据密度一致性指标越大的特点获取温度补偿系数,考虑密度的代表性特征,使密度特征更加准确,进行使温度补偿系数更加准确,提高了厚度测量的准确性;
进一步,本发明基于温度补偿系数对钢板厚度测量值进行处理,防止钢板侧厚过程中温度外界因素的影响,避免测厚结果出现较大误差,对测厚数据进行数据优化,提高了钢板测厚数据的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明提供的一种钢板测厚数据优化采集方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种钢板测厚数据优化采集方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种钢板测厚数据优化采集方法的具体方案。
本发明一个实施例提供的一种钢板测厚数据优化采集方法,具体的,提供了如下的一种钢板测厚数据优化采集方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集测试过程中待测钢板的各测量位置的温度数据,并进行预处理构建温度补偿矩阵。
为了减小测厚误差,实现利用补偿标定的方式提高测厚的准确性。本实施例利用温度传感器获取待测钢板上每个测量位置的温度。待测钢板为平整的钢板,本实施例中待测钢板的每个测量位置是通过对待测钢板进行栅格均匀分块,将每个栅格块的几何中心作为每个测量位置,所述栅格块的数量实施者根据实际情况自行设定,本实施例对此不做限制,本实施例中将待测钢板分为30个栅格块。为了避免温度数据采集时出现的缺失,在此利用数据清洗技术对待测钢板上所有测量位置的温度值进行数据清洗,数据清洗为公知技术,不做多余赘述。
对数据清洗后的所有温度值,按照每个温度值的采集位置,形成温度补偿矩阵。比如,待测钢板上第一行第一个栅格块的数据清洗后的温度值作为温度补偿矩阵中的第一行第一列位置上的元素,待测钢板上第三行第四个栅格块的数据清洗后的温度值作为温度补偿矩阵中的第三行第四列位置上的元素,以此类推得到温度补偿矩阵。
至此,根据本实施例上述方法可获取温度补偿矩阵,用于对待测钢板各位置的温度情况进行分析,作为待测钢板测厚数据优化处理的基础数据。
步骤S002:根据温度补偿矩阵中温度的分布情况获取每个位置上的密度一致性指标,根据密度一致性指标构建温度补偿系数,用于对各元素对应的待测钢板各测量位置的钢板厚度数据进行优化。
在对钢板进行测厚的过程中,由于待测钢钢板质的密度以及温度之间的相关性关系,温度的差异必然导致厚度测量值产生误差。为提高钢板测厚过程中的测厚数据精度,防止外界温度因素对钢板测厚数据的影响,本实施例将根据待测钢板的温度信息对测厚数据进行优化处理,提高待测钢板厚度数据采集的准确性。
一般情况下,由于待测钢板的生产材料以及生产中存在的疏忽,往往导致待测钢板上不同位置之间的密度存在差异,而待测钢板上不同位置的密度存在不确定性。为了清楚的反应钢板上的密度信息,因为待测钢板上的温度越高的情况下,反映了位置上的密度越小,由此本实施例通过温度信息来度量不同位置上的密度信息。
本实施例考虑到由于密度信息往往是反映某个区域的密度信息,因此本实施例以温度补偿矩阵中的每个元素位置为中心,设置大小为的局部窗口,通过遍历整个温度补偿矩阵,获取每个位置上的密度变化情况。需要说明的是,局部窗口尺寸实施者可自行选取,本实施例对此不做特殊限制。
对于每个元素的局部窗口,为了获取元素的密度特征指标,需要对区域内密度的均匀性特征分析,若密度均匀性越好,那么整个局部窗口区域内的密度特征指标可以较好的表示为元素的密度特征指标;若密度均匀性较差,那么越靠近局部窗口中心元素位置区域上的密度越能代表元素的密度特征指标。在此,将每个元素的局部窗口内的元素按照元素大小由小到大的顺序且相同元素值大小连续排列的方式组成的序列作为每个元素的温度分布序列,由于温度的不同一定程度上反映密度的不同,在此考虑温度的分布的混乱程度,混乱程度越大,说明局部窗口内不同位置上的密度差异越大,同时结合温度分布的密集性,密集性越大,说明区域内密度的一致性程度较强,即密度均匀性较好。
基于上述的分析,通过所述每个元素的温度分布序列,统计其温度分布序列中每种温度大小在其温度分布序列中的频率,利用非线性拟合算法,将温度分布序列中温度大小按照升序的顺序组成的序列作为自变量,将每种温度大小对应的频率作为因变量,获取温度拟合曲线。理想条件下,区域内密度较为均匀,温度分布序列中元素的大小较为近似,即此时的温度拟合曲线图像趋近于单峰分布,此时区域内的测量的温度结果较为均匀。但是,为了提高计算的准确性,不能只考虑理想状态,需要考虑温度拟合曲线图像呈现多峰分布的情况。具体地,本实施例以温度补偿矩阵中第x个元素的温度拟合曲线为例,求取温度拟合曲线的所有极小值位置,极小值的计算方法为现有公知技术,不在本实施例保护范围内,在此不做相关阐述。将所有极小值点位置作为断点,通过断点将温度拟合曲线断开,得到温度拟合曲线的各子曲线,将每个子曲线上的数据集作为一个单峰数据集,由此,可以得到元素x的所有单峰数据集。为了后续计算密度一致性指标,获取每个单峰数据集的众数、中位数,以及平均数,本实施例将根据元素x的第b个单峰数据集的众数、中位数、平均数构建单峰特征序列,将众数、中位数、平均数作为单峰特征序列中的三个参数,温度补偿矩阵中第x个元素的第b个单峰数据集的单峰特征序列记为,表达式为:,/>分别为序列/>中的第一个、第二个、第三个参数的数值。
重复本实施例上述方法,获取温度补偿矩阵中第x个元素的各单峰数据集的单峰特征序列。基于上述分析,本实施例将根据各元素的单峰特征序列,计算温度补偿矩阵中各元素的密度一致性指标:
式中,表示温度补偿矩阵中元素x的第b个单峰数据集的单单峰特征序列中参数i与参数j之间的单峰参数差异值,/>和/>分别表示温度补偿矩阵中第x个元素的第b个单峰数据集的单峰特征序列中参数i、参数j的数值,/>表示温度补偿矩阵中第x个元素的温度拟合曲线图像中第b个单峰数据集的单峰变异程度,m表示单峰特征序列中参数的个数,/>表示温度补偿矩阵中第x个元素位置上的密度一致性指标,/>表示温度补偿矩阵中第x个元素的温度分布序列内数据的信息熵,/>表示温度补偿矩阵中第x个元素的温度分布序列的数据方差,/>表示温度补偿矩阵中第x个元素的温度拟合曲线图像中单峰数据集的数目,/>表示误差参数,避免分母取值为0,经验取值为0.001。
温度补偿矩阵中第x个元素的温度拟合曲线图像中第b个单峰数据集的单峰特征序列中第i个参数值与第j个参数值之间的差异越大,说明单峰数据集越不符合正态分布的特征,即局部来看,窗口内不同位置的温度差异较大,则密度一致性指标越小。同时,温度分布序列内数据的信息熵越大,数据方差/>越大,说明元素位置的窗口内温度分布的混乱程度较大,同时密集性较小,即整体来看,窗口内不同位置的温度较为复杂,则密度一致性指标越小。
温度补偿矩阵中每个元素位置上的密度一致性指标一定程度上反映了位置上密度分布情况,若密度一致性指标越大,区域整体的密度越能代表元素位置的密度;若密度一致性指标越小,区域整体的密度越不能代表元素位置的密度,对应待测钢板测量位置上温度越高,从而导致厚度测量值越大。
因此,本实施例将对各元素的密度一致性指标进行检测,采用LOF异常检测算法对各元素的密度一致性指标进行分析,获取各元素的密度一致性指标的LOF值。需要说明的是,LOF异常检测算法为现有公知技术,不在本实施例保护范围内,在此不做详细阐述。各元素的密度一致性指标的LOF值能够对待测钢板表面各位置的密度分布情况进行检测,LOF值越大,则对应元素的密度一致性指标离散性越强,局部区域温度分布越不均匀。
若密度一致性指标越小,区域整体的密度越不能代表对应元素所在位置的密度分布情况,此时越靠近元素位置上的温度,越具有位置上的密度特征。因此,本实施例取温度补偿矩阵中每个元素位置上的局部窗口对各元素的密度补偿情况进行分析,构建温度补偿系数:首先,根据各元素密度一致性指标及对应LOF值计算各元素的密度偏差率,表达式为:
式中,表示温度补偿矩阵中第x元素的密度偏差率,/>表示温度补偿矩阵中第x元素的密度一致性指标,/>为/>的LOF值。元素的密度一致性指标越大,密度一致性指标的LOF值越小,说明待测钢板的局部区域的温度越均匀,即密度越均匀,密度偏差率越小;
然后,结合各元素的密度偏差率及局部窗口内的数据分布构建密度代表比率矢量,最后计算各元素的温度补偿系数,密度代表比率矢量及温度补偿系数表达式分别为:
式中,表示温度补偿矩阵中第x元素的密度代表比率矢量,/>表示温度补偿矩阵中第x元素的密度偏差率,/>表示温度补偿矩阵中第x元素温度分布序列的数据均值,/>表示温度补偿矩阵的数据均值,/>表示温度补偿矩阵中第x个元素的温度补偿系数,分别为待测钢板对应第x位置处的钢板密度、标准钢板正常密度,需要说明的是,标准钢板与待测钢板型号及材料一致,标准钢板在正常环境下测量的密度作为标准钢板正常密度,标准钢板的选取以及正常密度的测量实施者根据实际情况自行选取设定,/>表示避免分母为零的参数,实施者可自行设定,本实施例中将补偿比例设定为/>。其中,对于钢板密度的测量可通过钢材密度测量仪进行测量提取,对于钢板密度的测量方式以及测量仪的选取本实施例不做特殊限制;
位置上的密度一致性指标越大,密度一致性指标的LOF值越小,则待测钢板的局部区域的温度越均匀,则密度偏差率/>越小;而密度偏差率/>越小,说明区域整体的密度越能代表元素在待测钢板上所在位置处的密度,则密度代表比率矢量越大;元素位置上的温度分布序列的数据均值/>越大,说明局部区域上的温度越高,对局部区域的密度影响越大,则密度代表比率矢量越小;而密度代表比例矢量越小,待测钢板厚度测量值越不准确,则温度补偿系数在数值上越大。进一步,考虑到待测钢板局部温度大小会对待测钢板的局部密度产生影响,局部温度越大,则对应局部区域的密度越小,测量值偏大,当待测钢板局部区域的密度低于标准钢板密度时,也即/>,此时待测钢板测量厚度偏大,对应温度补偿系数为负值。
重复本实施例上述方法,获取各元素的温度补偿系数,用于分析温度数据对钢板测厚数据的影响,以便对待测钢板厚度数据进行优化处理。
步骤S003:对待测钢板上每个位置上的测厚数据进行优化,完成钢板测厚数据的优化采集。
根据钢板各个位置上的温度补偿系数,利用多项式标定模型进行补偿,即通过每个位置上由探测器信号计算所得厚度值以及对应的温度补偿系数作为输入,待测钢板各位置的优化钢板厚度作为输出,采用多项式拟合的方式得到多项式标定模型,最终获取待测钢板各位置的准确测厚值,需要说明的是,多项式拟合过程为公知技术,不做多余赘述。在对待测钢板进行测厚过程中,考虑温度补偿使得到的钢板厚度更加具备完备性,保证测量结果更加准确。
综上所述,本发明实施例根据温度补偿矩阵中温度的分布情况获取每个位置上的密度一致性指标,根据密度一致性指标结合LOF异常检测算法,构建各元素的密度偏差率,对各元素对应的待测钢板的密度分布情况进行表征,提高了待测钢板测厚过程中的数据优化精度。同时,本发明实施例根据密度一致性指标越大的特点获取温度补偿系数,考虑密度的代表性特征,使密度特征更加准确,进行使温度补偿系数更加准确,提高了厚度测量的准确性;
进一步,本发明实施例基于温度补偿系数对钢板厚度测量值进行处理,防止钢板侧厚过程中温度外界因素的影响,避免测厚结果出现较大误差,对测厚数据进行数据优化,提高了钢板测厚数据的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种钢板测厚数据优化采集方法,其特征在于,该方法包括以下步骤:
采集待测钢板各测量位置的温度数据组成温度补偿矩阵;
将温度补充矩阵中各元素局部窗口内的元素作为各元素的温度分布序列;根据各元素的温度分布序列得到各元素的温度拟合曲线,结合各元素温度拟合曲线上的数据分布构建各元素单峰数据集的单峰特征序列;根据元素的各单峰数据集的单峰特征序列得到元素的各单峰数据集的单峰变异程度;根据元素各单峰数据集的单峰变异程度及温度分布序列的信息熵得到元素的密度一致性指标;采用LOF算法获取各元素密度一致性指标中的LOF值,结合各元素密度一致性指标及对应LOF值得到各元素的密度偏差率;根据各元素密度偏差率、温度分布序列数据均值获取各元素的密度代表比率矢量;根据各元素密度代表比率矢量及标准钢板密度信息得到各元素的温度补偿系数;
根据各元素温度补偿系数获取待测钢板各位置的优化钢板厚度,完成待测钢板测厚标数据采集的优化。
2.如权利要求1所述的一种钢板测厚数据优化采集方法,其特征在于,所述根据各元素的温度分布序列得到各元素的温度拟合曲线,包括:
对于各元素的温度分布序列,
统计温度分布序列中每个数据的出现频率,将每个数据的温度值作为自变量,每个数据的出现频率作为因变量进行拟合得到的曲线作为元素的温度拟合曲线。
3.如权利要求2所述的一种钢板测厚数据优化采集方法,其特征在于,所述结合各元素温度拟合曲线上的数据分布构建各元素单峰数据集的单峰特征序列包括:
获取元素的温度拟合曲线的极小值点,将各极小值点作为断点对温度拟合曲线进行划分获取温度拟合曲线的各段子曲线,将每段子曲线上的数据集均作为元素的单峰数据集;
对于元素的各单峰数据集,将单峰数据集的众数、中位数及平均数作为单峰数据集的单峰特征序列中各参数的数值。
4.如权利要求3所述的一种钢板测厚数据优化采集方法,其特征在于,所述根据元素的各单峰数据集的单峰特征序列得到元素的各单峰数据集的单峰变异程度,包括:
对于元素的各单峰数据集的单峰特征序列,获取单峰特征序列中任意两个参数之间的单峰参数差异值;
将单峰特征序列中所有任意两个参数之间的单峰参数差异值的和值作为单峰数据集的单峰变异程度。
5.如权利要求4所述的一种钢板测厚数据优化采集方法,其特征在于,所述获取单峰特征序列中任意两个参数之间的单峰参数差异值包括:
将单峰特征序列中任意两个参数的数值差值绝对值作为单峰特征序列中任意两个参数之间的单峰参数差异值。
6.如权利要求1所述的一种钢板测厚数据优化采集方法,其特征在于,所述根据元素各单峰数据集的单峰变异程度及温度分布序列的信息熵得到元素的密度一致性指标,包括:
获取元素温度分布序列的数据方差及信息熵,计算元素所有单峰数据集的单峰变异程度的和值与所述数据方差的乘积;
获取以所述信息熵的相反数为指数、自然常数为底数的指数函数的计算结果;
将所述计算结果与所述乘积的比值作为元素的密度一致性指标。
7.如权利要求6所述的一种钢板测厚数据优化采集方法,其特征在于,所述结合各元素密度一致性指标及对应LOF值得到各元素的密度偏差率包括:
对于各元素,将元素的密度一致性指标作为以自然常数为底数的指数函数的负指数,获取所述指数函数的计算结果,将所述计算结果与元素的密度一致性指标对应的LOF值的乘积作为元素的密度偏差率。
8.如权利要求1所述的一种钢板测厚数据优化采集方法,其特征在于,所述根据各元素密度偏差率、温度分布序列数据均值获取各元素的密度代表比率矢量,包括:
对于各元素,计算元素密度偏差率与元素温度分布序列数据均值的乘积;
获取温度补偿矩阵的数据均值,将所述数据均值与所述乘积的比值作为元素的密度代表比率矢量。
9.如权利要求8所述的一种钢板测厚数据优化采集方法,其特征在于,所述根据各元素密度代表比率矢量及标准钢板密度信息得到各元素的温度补偿系数,表达式为:
式中,表示温度补偿矩阵中第x元素的密度代表比率矢量,/>表示温度补偿矩阵中第x个元素的温度补偿系数,/>分别表示待测钢板对应第x位置处的钢板密度、标准钢板正常密度。
10.如权利要求9所述的一种钢板测厚数据优化采集方法,其特征在于,所述根据各元素温度补偿系数获取待测钢板各测量位置的优化钢板厚度包括:
将待测钢板各测量位置由探测器探测所得的厚度值及对应温度补偿系数作为多项式拟合的自变量,待测钢板各测量位置的优化钢板厚度作为多项式拟合的因变量,通过多项式拟合方程计算各测量位置的优化钢板厚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368950.5A CN117112981B (zh) | 2023-10-23 | 2023-10-23 | 一种钢板测厚数据优化采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368950.5A CN117112981B (zh) | 2023-10-23 | 2023-10-23 | 一种钢板测厚数据优化采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117112981A true CN117112981A (zh) | 2023-11-24 |
CN117112981B CN117112981B (zh) | 2024-01-09 |
Family
ID=88800513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311368950.5A Active CN117112981B (zh) | 2023-10-23 | 2023-10-23 | 一种钢板测厚数据优化采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117112981B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310455A (zh) * | 2023-11-30 | 2023-12-29 | 上海采起电子技术服务有限公司 | 一种基于电信号的口腔扫描仪电路板故障检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140091673A (ko) * | 2011-09-09 | 2014-07-22 | 트라이메크 테크놀로지 피티이 리미티드 | 열압착 공정에서 발열소자의 온도 제어장치 및 제어방법 |
CN110277275A (zh) * | 2019-07-04 | 2019-09-24 | 上海新远仪表厂有限公司 | 能对多个不同的密度值进行温度补偿的sf6气体密度开关 |
CN209471886U (zh) * | 2019-01-02 | 2019-10-08 | 上海峰信仪器仪表有限公司 | 一种波纹管式差压密度继电器 |
CN115879355A (zh) * | 2021-09-27 | 2023-03-31 | 中国石油化工股份有限公司 | 一种压电传感器的温度补偿方法 |
CN116756477A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市志奋领科技有限公司 | 基于菲涅尔衍射边缘特性的精密测量方法 |
-
2023
- 2023-10-23 CN CN202311368950.5A patent/CN117112981B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140091673A (ko) * | 2011-09-09 | 2014-07-22 | 트라이메크 테크놀로지 피티이 리미티드 | 열압착 공정에서 발열소자의 온도 제어장치 및 제어방법 |
CN209471886U (zh) * | 2019-01-02 | 2019-10-08 | 上海峰信仪器仪表有限公司 | 一种波纹管式差压密度继电器 |
CN110277275A (zh) * | 2019-07-04 | 2019-09-24 | 上海新远仪表厂有限公司 | 能对多个不同的密度值进行温度补偿的sf6气体密度开关 |
CN115879355A (zh) * | 2021-09-27 | 2023-03-31 | 中国石油化工股份有限公司 | 一种压电传感器的温度补偿方法 |
CN116756477A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市志奋领科技有限公司 | 基于菲涅尔衍射边缘特性的精密测量方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310455A (zh) * | 2023-11-30 | 2023-12-29 | 上海采起电子技术服务有限公司 | 一种基于电信号的口腔扫描仪电路板故障检测方法 |
CN117310455B (zh) * | 2023-11-30 | 2024-02-09 | 上海采起电子技术服务有限公司 | 一种基于电信号的口腔扫描仪电路板故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117112981B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117112981B (zh) | 一种钢板测厚数据优化采集方法 | |
CN102800096B (zh) | 一种摄像机参数的鲁棒性估计算法 | |
CN109918614B (zh) | 一种基于模态学习的全局动应变测量方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN106540968A (zh) | 冷轧板形测量值的补偿方法及装置 | |
CN115358026A (zh) | 一种基于多元线性回归与曲面拟合的五孔探针数据处理方法 | |
CN108225187B (zh) | 一种基于波前传感的非球面透镜误差检测方法 | |
CN117249922B (zh) | 一种用于温度测试仪的温度校准方法及系统 | |
CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
CN110275909A (zh) | 基于de-mic算法检测多变量相关性方法和系统 | |
CN110672058B (zh) | 结构监测用传感器的在线校准数据序列匹配方法和装置 | |
CN113158558A (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN103934287B (zh) | 一种精确测量精轧出口钢板宽度的方法 | |
CN116679611A (zh) | 一种基于三维建模的飞机钣金零件数控检测方法及系统 | |
CN114417230B (zh) | 基于人工智能抗菌生态棉花纸纸张柔软度测试分析系统 | |
CN114998329B (zh) | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 | |
CN115962731A (zh) | 一种板式换热器板片冲压几何尺寸误差检测方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN110196026B (zh) | 一种快速测算表面粗糙度与测量尺度关系的方法 | |
CN114441469A (zh) | 水分仪的校准方法、装置和计算机设备 | |
Klevtsov | Using the Method of Normalized Amplitude for Assessing the Quality of the Calibration Tests of the Pressure Sensor | |
CN111815171A (zh) | 一种基于双因素加权修正的设备状态评估方法 | |
Chen et al. | Criteria of determining the P/T upper limits of GR&R in MSA | |
CN110119567B (zh) | 一种齿轮齿面质量的热力图表示方法 | |
CN117109494B (zh) | 一种x射线测厚仪智能标定方法 |
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 |