CN117831659A - 宽厚板质量在线检测的方法、装置、电子设备及存储介质 - Google Patents
宽厚板质量在线检测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117831659A CN117831659A CN202410238496.XA CN202410238496A CN117831659A CN 117831659 A CN117831659 A CN 117831659A CN 202410238496 A CN202410238496 A CN 202410238496A CN 117831659 A CN117831659 A CN 117831659A
- Authority
- CN
- China
- Prior art keywords
- quality
- process information
- data
- information data
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 352
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 264
- 238000004519 manufacturing process Methods 0.000 claims abstract description 113
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 97
- 239000010959 steel Substances 0.000 claims abstract description 97
- 238000005096 rolling process Methods 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000009749 continuous casting Methods 0.000 claims abstract description 55
- 238000001816 cooling Methods 0.000 claims abstract description 38
- 238000010438 heat treatment Methods 0.000 claims abstract description 34
- 239000000126 substance Substances 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000010998 test method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000007689 inspection Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 229910045601 alloy Inorganic materials 0.000 claims description 9
- 239000000956 alloy Substances 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 239000003637 basic solution Substances 0.000 claims description 8
- 239000010955 niobium Substances 0.000 claims description 7
- 239000011651 chromium Substances 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 6
- 239000010936 titanium Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 229910052758 niobium Inorganic materials 0.000 claims description 5
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 claims description 5
- 229910052720 vanadium Inorganic materials 0.000 claims description 5
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims description 5
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 229910052804 chromium Inorganic materials 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000009863 impact test Methods 0.000 claims description 4
- 229910052750 molybdenum Inorganic materials 0.000 claims description 4
- 239000011733 molybdenum Substances 0.000 claims description 4
- 229910052759 nickel Inorganic materials 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 229910052719 titanium Inorganic materials 0.000 claims description 4
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011572 manganese Substances 0.000 description 4
- 238000001953 recrystallisation Methods 0.000 description 4
- 229910001566 austenite Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011143 downstream manufacturing Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种宽厚板质量在线检测的方法、装置、电子设备及存储介质，属于宽厚钢板质量在线检测技术领域。方法包括步骤：采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。本发明能对宽厚板质量进行在线检测，准确找到质量发生异常的根本原因。
Description
技术领域
本发明涉及一种宽厚板质量在线检测的方法、装置、电子设备及存储介质，属于宽厚钢板质量在线检测技术领域。
背景技术
宽厚板作为重要钢铁产品之一，在整个经济布局中占有举足轻重的地位。当前，随着宽厚板产品的应用领域不断拓展，对宽厚板生产过程提出了越来越高的质量要求，大规模定制化生产过程中存在大量的“不确定性”因素频繁引起工艺质量波动，工艺波动导致的同板质量稳定性和批次内各张钢板的质量稳定性控制难度日益加大，高生产节奏、多工序窄工艺窗口约束条件下的稳定均质高效协同制造面临前所未有的挑战。此外，潜在的工艺质量波动很大程度上限制了宽厚板产品的长寿命、高可靠、安全服役，亟需通过数字化模型手段来提升个性化产品的大规模定制化制造能力。
宽厚板普遍采用连铸坯制造，生产过程中包涵了板坯连铸、板坯加热、轧制成型、在线冷却、热处理等多个工艺过程，连铸板坯经过往复式厚板轧机控制轧制至目标尺寸，经过在线加速冷却、热处理后、定尺剪切等工序后，最终获得显微组织和力学性能、外观质量符合要求的成品钢板。上述制造工艺具有：流程长且上下游多工序间的影响相互耦合关联，制造过程中伴随着钢坯尺寸、显微组织、工艺温度等发生不可逆演变，上道工序的工艺质量将传递至下一道工序体现出明显的“遗传性”特点。当某个工序中的个别工艺参数发生变化超出设计范围后出现异常，工艺异常不仅会引起所在工序的过程质量发生变化，更重要的是发生变化的过程质量将迅速的被“遗传”至下游工序并进一步的放大，下游工序无法及时进行工艺调整形成新的工艺变化，近而引起批量生产钢板出现大批量质量波动。
强度、韧性、塑性是宽厚板的重要质量指标，对宽厚板产品的应用领域、服役场景等具有重要影响。其中，屈服强度和抗拉强度与钢中的碳、锰、铌、钒等合金元素添加种类、元素添加含量以及各个合金元素含量比例有关之外，还与钢板轧制过程中的奥氏体再结晶区轧制温度、未再结晶区轧制温度、在线冷却强度等加工工艺过程密切相关；钢中合金元素和晶粒尺寸等对韧性具有重要影响，合金中碳元素含量和晶粒尺寸与韧性呈现出反相关的关系。除此之外，连铸坯厚度、成材规格、奥氏体未再结晶区轧制阶段的轧制温度、轧制过程中待温、厚度压缩比、展宽比等均为显微组织的敏感性因素。宽厚板强度和韧性等力学性能指标异常产生的原因一般分为两种情况，一方面钢板制造过程的工艺参数超出设计范围，另外一种中制造过程中的实际工艺参数均符合设计要求但却存在不同程度的波动，当波动工艺参数较多或者个别敏感工艺参数同时出现时，在工艺“遗传”作用下将引起成品质量波动甚至超出质量设计范围。可见，在多工序协同制造过程中，准确分析并找到质量发生异常的根本原因十分困难。因此，本发明提出了一种宽厚板质量在线检测的方法，并提出了相应的装置、电子设备及存储介质。
发明内容
为了解决上述问题，本发明提出了一种宽厚板质量在线检测的方法、装置、电子设备及存储介质，能够对宽厚板质量进行在线检测，准确找到质量发生异常的根本原因。
本发明解决其技术问题采取的技术方案是：
第一方面，本发明实施例提供的一种宽厚板质量在线检测的方法，包括以下步骤：
步骤1，采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；所述工艺信息数据包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据和质量信息数据；
步骤2，基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；
步骤3，采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；
步骤4，计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；
步骤5，结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。
作为本实施例一种可能的实现方式，在步骤1中，
所述钢板属性信息数据至少包括钢板的材质、钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号、冶金编码和轧制模式；
所述化学成分信息数据至少包括碳、硅、锰、磷、硫、铬、镍、铜、钼、钒、铝、钛、铌和碳当量；
所述连铸工艺过程信息数据至少包括连铸坯拉速和过热度；
所述加热工艺过程信息数据至少包括连铸坯入炉温度、连铸坯出炉温度、连铸坯在炉加热时间和加热系数；
所述轧制与冷却工艺过程信息数据至少包括粗轧开轧温度、粗轧终轧温度、精轧开轧温度、精轧终轧温度、钢坯精轧开轧厚度、冷却开始温度、冷却终止温度、冷却速度、粗轧往返道次数、精轧往返道次数和轧制时间；
所述尺寸信息数据至少包括连铸坯厚度、连铸坯宽度、连铸坯长度、轧制钢板宽度、轧制钢板厚度和轧制钢板长度；
所述质量信息数据至少包括抗拉强度、屈服强度、冲击韧性和冲击试验温度。
作为本实施例一种可能的实现方式，所述步骤1，包括：
步骤11，采集钢板制造过程中工艺信息数据；
步骤12，通过钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号进行检索，按照钢板的材质-钢中合金成分-连铸-加热-轧制-冷却-质量的对应关系将所采集的数据进行数据对齐处理，构建出标准的结构化全流程钢板制造过程数据集K：
（1），
（2），
（3），
（4），
式中，为经过数据对齐处理后的第个i样本，/>；/>为第i个样本的工艺信息和质量信息集合；/>为第i个样本制造过程中包含的全部工艺信息；/>为第i个样本制造过程中包含的全部质量信息；D为样本工艺信息中的特征数量；E为样本质量信息中的特征数量；
步骤13，对数据集合K中的全部样本进行数据清洗处理：首先通过样本间的欧式距离来识别数据集中与缺失样本空间相近的k个样本；然后使用k个邻域样本的平均值对缺失数据进行填充处理；最后采用最大-最小归一化方法对填充处理后的数据进行规范化处理，消除特征变量数量级的影响。
作为本实施例一种可能的实现方式，所述步骤2，包括：
步骤21，通过标准差σ e描述集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，标准差σ e计算方法为：
（5），
（6），
式中，为N个样本中第/>个质量信息特征的标准差；/>为N个样本中第/>个质量信息特征均值；/>为第/>个样本中第/>个质量信息特征值；N为数据库中样本总数；
步骤22，采用控制上限和控制下限/>描述质量信息中第e个特征，其中和/>的计算方法为：
（7），
（8），
式中，为样本中第e个质量信息特征的控制上限；/>为样本中第e个质量信息特征的控制下限；/>为N个样本中第e个质量信息特征的标准差；/>为N个样本中第e个质量信息特征均值；
步骤23，通过零假设和备择假设/>检测质量信息中特征值异常性，/>和/>的计算方法为：
（9），
式中，当时，以99.7%的置信概率接受零假设，即/>为正常值；反之，/>为异常值。
作为本实施例一种可能的实现方式，所述步骤3，包括：
步骤31，计算中工艺信息标准差σ d和均值μ d，基于标准差σ d描述/>集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，工艺信息标准差σ d和均值μ d的计算方法为：
（10），
（11），
式中，为N个样本中第/>个制造工艺信息特征的标准差；/>为N个样本中第/>个制造工艺信息特征均值；/>为第/>个样本中第/>个制造工艺信息特征值；N为数据库中样本总数；
步骤32，采用最大最小的双边检验计算待检测工艺信息与第d个工艺信息特征值均值之间的统计量，/>的计算方法为：
（12），
式中，；
步骤33，按照置信水平和数据集大小计算的临界值，Grubbs检验临界值/>的计算方法为：
（13），
式中，A和 -/>为式（13）中各项置信度为95%所对应的系数；
步骤34，建立零假设和备择假设/>并采用Grubbs检验逐次检测制造工艺信息中各个特征变量的异常性，如果为异常数据则从数据集中删除该异常值，具体步骤如下：
步骤341，建立零假设和备择假设/>：
（14）；
步骤342，根据步骤31计算待检测数据的Z统计量，其中，
，以95%置信度接受零假设，表明制造工艺信息/>中的第/>个变量不存在异常值；
，以95%置信度接受备择假设，表明制造工艺信息/>中的第/>个变量中存在一个异常值，该异常值记作/>；
步骤343，从第个特征变量中删除/>，重复步骤342直至接受零假设；将所有被删除的值记为异常值；
步骤344，迭代上述步骤341~步骤343过程，直到不再检测出异常值为止。
作为本实施例一种可能的实现方式，所述步骤4，包括：
步骤41，采用PCA方法对通过步骤2检验得到的正常数据进行计算，获得载荷矩阵P：
步骤411，通过原始数据的标准化处理获得：
（15），
式中，为第i个样本制造工艺信息中的第/>个工艺特征；/>为N个样本的制造工艺信息中第/>个工艺特征的样本均值；/>为N个样本的制造工艺信息中第/>个工艺特征的标准差；
步骤412，计算的协方差矩阵R：
（16），
协方差矩阵R与之间的关系为：
（17）；
步骤413，构造协方差矩阵R的特征多项式：
（18），
令，求解获得制造过程D个工艺信息的特征值；
步骤414，构建计算协方差矩阵R的特征向量方程组：
（19），
通过式（19）计算出基础解系，该基础解系为特征值对应的特征向量；
步骤415，基于蕴藏制造工艺信息X集合大于85%方差信息的原则对原始数据集进行信息浓缩，对特征值大小进行排序得到，按照大小排序选择前/>个特征值且达到时确定相对应的载荷矩阵/>；
步骤42，通过载荷矩阵P和过程变量的标准差σ d计算经过步骤2检验到的异常质量信息所对应的工艺信息中各个特征的统计量和各个特征对/>统计量的贡献度得分/>：
步骤421，计算第个新样本与经过PCA预测值之间的差异并用残差向量/>进行表示：
（20），
其中，为第/>个新样本中包涵的工艺信息；/>为第/>个新样本的残差向量；P为正常质量信息对应工艺信息的载荷矩阵；P T为正常质量信息对应工艺信息的载荷矩阵的转置；
步骤422，计算新样本中D个工艺信息特征的统计量：
（21），
其中，为第/>样本中d个工艺信息特征统计量；/>为残差向量的第/>个元素；
步骤423，计算工艺信息中各个工艺特征对的贡献度得分/>：
（22）；
步骤43，对步骤42获得的贡献度得分进行排序得到，共计D个异常工艺信息特征对质量影响最大的制造过程工艺参数，并基于专家经验确定前p个特征变量记为高贡献变量。
作为本实施例一种可能的实现方式，所述步骤5，包括：
步骤51，对于步骤3中检验确定的异常参数，若其同时在步骤4中被记为高贡献变量，则表明/>是影响宽厚板力学性能的异常变量；
步骤52，若工艺参数的贡献得分排名低于设定的范围p，确定为无关变量，为正常参数。
第二方面，本发明实施例提供的一种宽厚板质量在线检测的装置，包括：
数据采集模块，用于采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；所述工艺信息数据包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据和质量信息数据；
诊断分析模块，用于基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；
异常值检测模块，用于采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；
贡献得分计算模块，用于计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；
质量在线诊断模块，用于结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。
第三方面，本发明实施例提供的一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器运行的程序，当所述电子设备运行时，所述处理器执行所述程序时实现如上述任意宽厚板质量在线检测的方法的步骤。
第四方面，本发明实施例提供的一种存储介质，该存储介质上存储有程序，该程序被处理器运行时执行如上述任意宽厚板质量在线检测的方法的步骤。
本发明实施例的技术方案可以具有的有益效果如下：
本发明在融合钢铁工艺生产过程中的工艺特点基础上，采集宽厚板制造过程中上下游全过程生产工艺信息，探寻并获得导致出现该质量波动的相关异常参数，寻找导致质量缺陷的根本原因，提高了宽厚钢板大规模定制生产过程中质量在线准确检测准确性，为宽厚钢板产品设计开发、全流程制造工艺优化提供了实时准确的质量信息，进而提高了个性化、小批量、大规模定制生产过程中的产品质量稳定性，降低了产品质量波动，进而增强宽厚钢板材料在各个领域的应用适应性，克服了具有流程特征的宽厚板多工序协同制造过程中异常质量发生根本原因难以快速并准确分析等行业技术缺点。
本发明将影响宽厚板质量的绝大数上下游多工序中的工艺参数考虑在内，并结合专家经验，弥补了数据模型可解释性差的问题；协同假设检验和贡献度分析方法在线检测大规模工业生产的宽厚板产品的异常质量和制造多工序异常工艺过程信息，当钢板的抗拉强度、屈服强度、断后伸长率、冲击韧性等质量指标出现异常时候，能够快速分析质量发生异常的根据原因。本发明可以预设的宽厚板实物质量的内控范围，根据内控范围分析制造过程多工序工艺参数的合理性，这对于进一步增强宽厚板大规模定制生产能力，提高质量稳定性控制，实现具有不同技术要求产品高效生产具有重要意义。
本发明实施例的技术方案的一种宽厚板质量在线检测的装置具备与本发明实施例的技术方案的一种宽厚板质量在线检测的方法同样的有益效果。
附图说明
图1是根据一示例性实施例示出的一种宽厚板质量在线检测的方法的流程图；
图2是根据一示例性实施例示出的一种宽厚板质量在线检测的装置的方框图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
为了解决当前质量分析方法忽略了冶金与轧制工艺学理论对力学性能的本质化影响，未能充分考虑显微组织、专家经验、产品类别以及工艺制造设计规范对宽厚钢板质量的综合影响，实际工业生产过程中的多变工艺条件，导致所构建的分析方法的分析精度不高、普遍存在“过拟合”现象，更为重要的是缺少足够的自适应能力和协调机制来满足生产实际过程中多变的工艺条件，在面向大规模个性化定制生产时难以进行稳定的工程化应用的问题。本发明提供了一种宽厚板质量在线检测的方法。
如图1所示，本发明实施例提供了一种宽厚板质量在线检测的方法，包括以下步骤：
步骤1，采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；所述工艺信息数据包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据和质量信息数据；
步骤2，基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；
步骤3，采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；
步骤4，计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；
步骤5，结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。
作为本实施例一种可能的实现方式，在步骤1中，
所述钢板属性信息数据至少包括钢板的材质、钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号、冶金编码和轧制模式；
所述化学成分信息数据至少包括：碳（C，%）、硅（Si），%、锰（Mn，%）、磷（P，%）、硫（S），%、铬（Cr，%）、镍（Ni，%）、铜（Cu，%）、钼（Mo，%）、钒（V，%）、铝（Al，%）、钛（Ti，%）、铌（Nb，%），碳当量（CEQ，%）；
所述连铸工艺过程信息数据至少包括：连铸坯拉速（m/min），过热度（℃）；
所述加热工艺过程信息数据包括：连铸坯入炉温度（℃）、连铸坯出炉温度（℃）、连铸坯在炉加热时间（min）、加热系数（mm/min）；
所述轧制与冷却工艺过程信息数据至少包括：粗轧开轧温度（℃）、粗轧终轧温度（℃）、精轧开轧温度（℃）、精轧终轧温度（℃）、钢坯精轧开轧厚度（mm）、冷却开始温度（℃）、冷却终止温度（℃）、冷却速度（℃/s）、粗轧往返道次数，精轧往返道次数、轧制时间（s）；
所述尺寸信息数据至少包括：连铸坯厚度（mm）、连铸坯宽度（mm）、连铸坯长度（mm）、轧制钢板宽度（mm）、轧制钢板厚度（mm）、轧制钢板长度（mm）；
所述质量信息数据至少包括：抗拉强度（MPa）、屈服强度（MPa）、冲击韧性（J）、冲击试验温度（℃）。
作为本实施例一种可能的实现方式，所述步骤1，包括：
步骤11，采集钢板制造过程中工艺信息数据；
步骤12，通过钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号进行检索，按照钢板的材质-钢中合金成分-连铸-加热-轧制-冷却-质量的对应关系将所采集的数据进行数据对齐处理，构建出标准的结构化全流程钢板制造过程数据集K：
（1），
（2），
（3），
（4），
式中，为经过数据对齐处理后的第个i样本，/>；/>为第i个样本的工艺信息和质量信息集合；/>为第i个样本制造过程中包含的全部工艺信息；/>为第i个样本制造过程中包含的全部质量信息；D为样本工艺信息中的特征数量；E为样本质量信息中的特征数量；
步骤13，对数据集合K中的全部样本进行数据清洗处理：首先通过样本间的欧式距离来识别数据集中与缺失样本空间相近的k个样本；然后使用k个邻域样本的平均值对缺失数据进行填充处理；最后采用最大-最小归一化方法对填充处理后的数据进行规范化处理，消除特征变量数量级的影响。
作为本实施例一种可能的实现方式，所述步骤2，包括：
步骤21，通过标准差σ e描述集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，标准差σ e计算方法为：
（5），
（6），
式中，为N个样本中第/>个质量信息特征的标准差；/>为N个样本中第/>个质量信息特征均值；/>为第/>个样本中第/>个质量信息特征值；N为数据库中样本总数；
步骤22，采用控制上限和控制下限/>描述质量信息中第e个特征，其中和/>的计算方法为：
（7），
（8），
式中，为样本中第e个质量信息特征的控制上限；/>为样本中第e个质量信息特征的控制下限；/>为N个样本中第e个质量信息特征的标准差；/>为N个样本中第e个质量信息特征均值；
步骤23，通过零假设和备择假设/>检测质量信息中特征值异常性，/>和/>的计算方法为：
（9），
式中，当时，以99.7%的置信概率接受零假设，即/>为正常值；反之，/>为异常值。
作为本实施例一种可能的实现方式，所述步骤3，包括：
步骤31，计算中工艺信息标准差σ d和均值μ d，基于标准差σ d描述/>集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，工艺信息标准差σ d和均值μ d的计算方法为：
（10），
（11），
式中，为N个样本中第/>个制造工艺信息特征的标准差；/>为N个样本中第/>个制造工艺信息特征均值；/>为第/>个样本中第/>个制造工艺信息特征值；N为数据库中样本总数；
步骤32，采用最大最小的双边检验计算待检测工艺信息与第d个工艺信息特征值均值之间的统计量，/>的计算方法为：
（12），
式中，；
步骤32，按照置信水平和数据集大小计算的临界值，Grubbs检验临界值/>的计算方法为：
（13），
式中，A和 -/>为式（13）中各项置信度为95%所对应的系数；
步骤33，建立零假设和备择假设/>并采用Grubbs检验逐次检测制造工艺信息中各个特征变量的异常性，如果为异常数据则从数据集中删除该异常值，具体步骤如下：
步骤331，建立零假设和备择假设/>：
（14）；
步骤332，根据步骤31计算待检测数据的Z统计量，其中，
，以95%置信度接受零假设，表明制造工艺信息/>中的第/>个变量不存在异常值；
，以95%置信度接受备择假设，表明制造工艺信息/>中的第/>个变量中存在一个异常值，该异常值记作/>；
步骤333，从第个特征变量中删除/>，重复步骤332直至接受零假设；将所有被删除的值记为异常值；
步骤334，迭代上述步骤331~步骤333过程，直到不再检测出异常值为止。
作为本实施例一种可能的实现方式，所述步骤4，包括：
步骤41，采用PCA方法对通过步骤2检验得到的正常数据进行计算，获得载荷矩阵P：
步骤411，通过原始数据的标准化处理获得：
（15），/>
式中，为第i个样本制造工艺信息中的第/>个工艺特征；/>为N个样本的制造工艺信息中第/>个工艺特征的样本均值；/>为N个样本的制造工艺信息中第/>个工艺特征的标准差；
步骤412，计算的协方差矩阵R：
（16），
协方差矩阵R与之间的关系为：
（17）；
步骤413，构造协方差矩阵R的特征多项式：
（18），
令，求解获得制造过程D个工艺信息的特征值；
步骤414，构建计算协方差矩阵R的特征向量方程组：
（19），
通过式（19）计算出基础解系，该基础解系为特征值对应的特征向量；
步骤415，基于蕴藏制造工艺信息X集合大于85%方差信息的原则对原始数据集进行信息浓缩，对特征值大小进行排序得到，按照大小排序选择前/>个特征值且达到时确定相对应的载荷矩阵/>；
步骤42，通过载荷矩阵P和过程变量的标准差σ d计算经过步骤2检验到的异常质量信息所对应的工艺信息中各个特征的统计量和各个特征对/>统计量的贡献度得分/>：
步骤421，计算第个新样本与经过PCA预测值之间的差异并用残差向量/>进行表示：
（20），
其中，为第/>个新样本中包涵的工艺信息；/>为第/>个新样本的残差向量；P为正常质量信息对应工艺信息的载荷矩阵；P T为正常质量信息对应工艺信息的载荷矩阵的转置；
步骤422，计算新样本中D个工艺信息特征的统计量：
（21），
其中，为第/>样本中d个工艺信息特征统计量；/>为残差向量/>的第/>个元素；
步骤423，计算工艺信息中各个工艺特征对的贡献度得分/>：
（22）；
步骤43，对步骤42获得的贡献度得分进行排序得到，共计D个异常工艺信息特征对质量影响最大的制造过程工艺参数，并基于专家经验确定前p个特征变量记为高贡献变量。
作为本实施例一种可能的实现方式，所述步骤5，包括：
步骤51，对于步骤3中检验确定的异常参数，若其同时在步骤4中被记为高贡献变量，则表明/>是影响宽厚板力学性能的异常变量；
步骤52，若工艺参数的贡献得分排名低于设定的范围p，确定为无关变量，为正常参数。
如图2所示，本发明实施例提供的一种宽厚板质量在线检测的装置，包括：
数据采集模块，用于采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；所述工艺信息数据包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据和质量信息数据；
诊断分析模块，用于基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；
异常值检测模块，用于采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；
贡献得分计算模块，用于计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；
质量在线诊断模块，用于结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。
如图1所示，采用本发明所述装置进行宽厚板质量在线检测的具体过程包括以下步骤。
步骤1，采集钢板制造过程中工艺信息数据并构建工艺信息数据库，对数据进行数据预处理。
本发明的实施例中，采集并构建钢板制造过程工艺和质量信息数据库，通过分类属性数据并按照“材质-合金成分-连铸-加热-轧制-冷却-质量”的对应关系将所采集的工艺质量信息数据进行对齐处理，构建出标准的结构化全流程钢板制造过程数据集并对全部样本进行数据清洗处理。
步骤11，采集钢板制造过程工艺信息，采集的钢板制造过程工艺信息至少包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据、质量信息数据等；
所述钢板属性信息数据至少包括：钢板的材质、钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号、冶金编码、轧制模式；
所述化学成分信息数据至少包括：碳（C，%）、硅（Si），%、锰（Mn，%）、磷（P，%）、硫（S），%、铬（Cr，%）、镍（Ni，%）、铜（Cu，%）、钼（Mo，%）、钒（V，%）、铝（Al，%）、钛（Ti，%）、铌（Nb，%），碳当量（CEQ，%）；
所述连铸工艺过程信息数据至少包括：连铸坯拉速（m/min），过热度（℃）；
所述加热工艺过程信息数据至少包括：连铸坯入炉温度（℃）、连铸坯出炉温度（℃）、连铸坯在炉加热时间（min）、加热系数（mm/min）；
所述轧制与冷却工艺过程信息数据至少包括：粗轧开轧温度（℃）、粗轧终轧温度（℃）、精轧开轧温度（℃）、精轧终轧温度（℃）、钢坯精轧开轧厚度（mm）、冷却开始温度（℃）、冷却终止温度（℃）、冷却速度（℃/s）、粗轧往返道次数，精轧往返道次数、轧制时间（s）；
所述尺寸信息数据至少包括：连铸坯厚度（mm）、连铸坯宽度（mm）、连铸坯长度（mm）、轧制钢板宽度（mm）、轧制钢板厚度（mm）、轧制钢板长度（mm）；
所述质量信息数据至少包括：抗拉强度（MPa）、屈服强度（MPa）、冲击韧性（J）、冲击试验温度（℃）；
所述钢板属性信息数据中的轧制模式是指：奥氏体再结晶轧制阶段只控制开轧温度的CR1模式、控制开轧温度和终轧温度的CR2模式、不控制轧制的温度的AR模式。
步骤12，通过材质牌号、炉号、钢板号、板坯号等分类属性数据进行检索，按照钢板的“材质-钢中合金成分-连铸-加热-轧制-冷却-质量”的对应关系，将采集数据进行对齐处理，构建出标准的结构化全流程钢板制造过程数据集K，具体如式（1）和式（2）所示：
（1），
（2），
式（2）中的和/>通过式（3）和式（4）进行描述：
（3），
（4），
式中，为经过数据对齐处理后的第个i样本，/>；/>为第i个样本的工艺信息和质量信息集合；/>为第i个样本制造过程中包含的全部工艺信息；/>为第i个样本制造过程中包含的全部质量信息；D为样本工艺信息中的特征数量；E为样本质量信息中的特征数量。
步骤13，对数据集合K中的全部样本进行数据清洗处理，数据清洗处理至少包含以下步骤：
step1：通过样本间的欧式距离来识别数据集中与缺失样本空间相近的k个样本；
step2：使用k个邻域样本的平均值对缺失数据进行填充处理；
step3：采用最大最小归一化方法对填充处理后的数据进行规范化处理，消除特征变量数量级的影响。
步骤2，采用3sigma方法对质量信息的异常值进行诊断分析。
步骤21，基于标准差描述集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，标准差（σ e）和均值（μ e）的计算方法如式（5）所示：
（5），
（6），
式中，为N个样本中第/>个质量信息特征的标准差；/>为N个样本中第/>个质量信息特征均值；/>为第/>个样本中第/>个质量信息特征值；N为数据库中样本总数。
步骤22，采用控制上限和控制下限/>描述质量信息中第e个特征，其中和/>的计算方法由式（7）和式（8）确定：
（7），
（8），
式中，为样本中第e个质量信息特征的控制上限；/>为样本中第e个质量信息特征的控制下限；/>为N个样本中第/>个质量信息特征的标准差；/>为N个样本中第/>个质量信息特征均值。
步骤23，通过零假设和备择假设/>检测质量信息中特征值异常性，/>和/>的计算方法由式（9）确定：
（9），
式（9）中，当时，以99.7%的置信概率接受零假设，即/>为正常值；反之，/>为异常值。
步骤3，采用Grubbs检测分别对化学成分、连铸、加热、轧制及冷却过程工艺信息参数进行异常值检测。
步骤31，计算中工艺信息标准差和均值，基于标准差描述/>集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，式（10）和式（11）为中工艺信息的标准差（σ d）和均值（μ d）的计算方法：
（10），
（11），
式中，为N个样本中第/>个制造工艺信息特征的标准差；/>为N个样本中第/>个制造工艺信息特征均值；/>为第/>个样本中第/>个制造工艺信息特征值；N为数据库中样本总数。
步骤32，采用最大最小的双边检验策略计算待检测工艺信息与第d个工艺信息特征值均值之间的Z统计量，如式（12）所示：
（12），/>
然后计算待检测的观测值与平均值之间的Z d，i统计量；对于第个力学性能指标，按照公式（10）计算其标准差/>。
步骤33，按照置信水平和数据集大小计算Z统计量临界值，Grubbs检验临界值的计算方法由式（13）确定：
（13），
式中，A为置信度为95%时的系数，取值为0.52231；为置信度为95%时的系数，取值为-4.22261；/>为置信度为95%时的系数，取值为27.51536；/>为置信度为95%时的系数，取值为-54.1607；/>为置信度为95%时的系数，取值为59.11521；/>为置信度为95%时的系数，取值为-38.9448；/>为置信度为95%时的系数，取值为15.41916；/>为置信度为95%时的系数，取值为-3.38469；/>为置信度为95%时的系数，取值为0.317026。
步骤34，建立零假设和备择假设/>并采用grubb’s test方法逐次检测制造工艺信息中各个特征变量的异常性，如果为异常数据则从数据集中删除该异常值；步骤34具体步骤如下：
步骤341，建立零假设和备择假设/>，建立方式如式（14）所示：
（14）；
步骤342，根据步骤31计算待检测数据的Z统计量，其中，
，以95%置信度接受零假设，表明制造工艺信息/>中的第/>个变量不存在异常值；
，以95%置信度接受备择假设，表明制造工艺信息/>中的第/>个变量中存在一个异常值，该异常值记作/>；
步骤343，从第个特征变量中删除/>，重复上述过程直至接受零假设；将所有被删除的值记为异常值；
步骤344，迭代上述过程，直到不再检测出异常值为止。
步骤4，通过计算制造工艺信息中过程参数的贡献得分表征确定对质量的影响能力，制造工艺信息中过程参数的贡献得分计算过程包括以下步骤：
步骤41，采用PCA方法对通过步骤2检验得到的正常数据进行计算，获得载荷矩阵P，P的计算过程包括以下步骤：
步骤411，通过原始数据的标准化处理获得，/>的计算方法为如式（15）所示：/>
（15），
式中，为第i个样本制造工艺信息中的第/>个工艺特征；/>为N个样本的制造工艺信息中第/>个工艺特征的样本均值；/>为N个样本的制造工艺信息中第/>个工艺特征的标准差；
步骤412，计算的协方差矩阵R，R由式（16）所示：
（16），
协方差矩阵R与之间的关系如式（17）所示：
（17）；
步骤413，构造协方差矩阵R的特征多项式，如式（18）所示：
（18），
令求解获得制造过程D个工艺信息的特征值/>；
步骤414，构建计算协方差矩阵R的特征向量方程组，如式（19）所示：
（19），
通过式（19）计算出基础解系，该基础解系为特征值对应的特征向量；
步骤415，基于蕴藏制造工艺信息X集合大于85%方差信息的原则对原始数据集进行信息浓缩，对特征值大小进行排序得到，按照大小排序选择前/>个特征值且达到时确定相对应的载荷矩阵/>。
步骤42，通过载荷矩阵P和过程变量的标准差σ d计算经过步骤2检验到的异常质量信息对应工艺信息中各个特征的统计量和各个特征对/>统计量的贡献度得分/>，具体计算步骤如下：
步骤421，计算第新样本与经过PCA预测值之间的差异并用残差向量/>进行表示，残差向量/>通过式（20）确定：
（20），
其中，为第/>个新样本中包涵的工艺信息；/>为第/>个新样本的残差向量；
P为正常质量信息对应工艺信息的载荷矩阵；P T为正常质量信息对应工艺信息的载荷矩阵的转置；
步骤422，计算新样本中D个工艺信息特征的统计量，计算方法通过式（21）确定：
（21）；
步骤423，计算工艺信息中各个工艺特征对的贡献度得分/>：
（22），
其中，为第/>样本中d个工艺信息特征统计量；/>为残差向量的第/>个元素。
步骤43，对上述获得的贡献度得分进行排序得到，个异常工艺信息特征对质量影响最大的制造过程工艺参数，并基于专家经验确定前p个特征变量记为高贡献变量。
步骤5，结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断，确定厚板异常质量产生的原因。
步骤51，对于步骤3中检验确定的异常参数，若其同时在步骤4中被记为高贡献变量，则表明/>是影响宽厚板力学性能的异常变量；
步骤52，若工艺参数的贡献得分排名低于设定的范围p，确定为无关变量，为正常参数。
本发明在采集全流程工艺质量数据的基础上，通过数据预处理获得标准的高质量的数据库，结合专家经验并基于假设检验和贡献分析的方法对宽厚板质量及制造过程中的工艺信息分析，运用数据解析、人工智能等数字化技术，探寻并获得导致出现该质量波动的相关异常参数，即实现通过3sigma和Grubbs检验方法对质量信息的异常值进行诊断分析，获得以此质量厚再通过计算制造工艺信息中过程参数的贡献得分表征确定对质量的影响能力，从化学成分、连铸、加热、轧制及冷却过程工艺信息参数角度进行全息解析，获得强度、韧性等异常质量指标产生的根本原因。
本发明实施例提供了一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器运行的程序，当所述电子设备运行时，所述处理器执行所述程序时实现如上述任意宽厚板质量在线检测的方法的步骤。
具体地，上述存储器和处理器能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述宽厚板质量在线检测的方法。
本领域技术人员可以理解，所述电子设备的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。
在一些实施例中，该电子设备还可以包括触摸屏可用于显示图形用户界面（例如，应用程序的启动界面）和接收用户针对图形用户界面的操作（例如，针对应用程序的启动操作）。具体的触摸屏可包括显示面板和触控面板。其中显示面板可以采用LCD(LiquidCrystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)等形式来配置。触控面板可收集用户在其上或附近的接触或者非接触操作，并生成预先设定的操作指令，例如，用户使用手指、触笔等任何适合的物体在触控面板上或在触控面板附近的操作。另外，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位、姿势，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成处理器能够处理的信息，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板，也可以采用未来发展的任何技术实现触控面板。进一步的，触控面板可覆盖显示面板，用户可以根据显示面板显示的图形用户界面，在显示面板上覆盖的触控面板上或者附近进行操作，触控面板检测到在其上或附近的操作后，传送给处理器以确定用户输入，随后处理器响应于用户输入在显示面板上提供相应的视觉输出。另外，触控面板与显示面板可以作为两个独立的部件来实现也可以集成而来实现。
对应于上述应用程序的启动方法，本发明实施例还提供了一种存储介质，该存储介质上存储有程序，该程序被处理器运行时执行如上述任意宽厚板质量在线检测的方法的步骤。
本申请实施例所提供的应用程序的启动装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
本申请是参照根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种宽厚板质量在线检测的方法，其特征在于，包括以下步骤：
步骤1，采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；所述工艺信息数据包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据和质量信息数据；
步骤2，基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；
步骤3，采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；
步骤4，计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；
步骤5，结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。
2.根据权利要求1所述的宽厚板质量在线检测的方法，其特征在于，在步骤1中，
所述钢板属性信息数据至少包括钢板的材质、钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号、冶金编码和轧制模式；
所述化学成分信息数据至少包括碳、硅、锰、磷、硫、铬、镍、铜、钼、钒、铝、钛、铌和碳当量；
所述连铸工艺过程信息数据至少包括连铸坯拉速和过热度；
所述加热工艺过程信息数据至少包括连铸坯入炉温度、连铸坯出炉温度、连铸坯在炉加热时间和加热系数；
所述轧制与冷却工艺过程信息数据至少包括粗轧开轧温度、粗轧终轧温度、精轧开轧温度、精轧终轧温度、钢坯精轧开轧厚度、冷却开始温度、冷却终止温度、冷却速度、粗轧往返道次数、精轧往返道次数和轧制时间；
所述尺寸信息数据至少包括连铸坯厚度、连铸坯宽度、连铸坯长度、轧制钢板宽度、轧制钢板厚度和轧制钢板长度；
所述质量信息数据至少包括抗拉强度、屈服强度、冲击韧性和冲击试验温度。
3.根据权利要求2所述的宽厚板质量在线检测的方法，其特征在于，所述步骤1，包括：
步骤11，采集钢板制造过程中工艺信息数据；
步骤12，通过钢板的牌号、制造钢板所用钢水的炉号、钢板号、板坯号进行检索，按照钢板的材质-钢中合金成分-连铸-加热-轧制-冷却-质量的对应关系将所采集的数据进行数据对齐处理，构建出标准的结构化全流程钢板制造过程数据集K：
（1），
（2），
式（2）中的和/>通过式（3）和式（4）进行描述：
（3），
（4），
式中，为经过数据对齐处理后的第个i样本，/>；/>为第i个样本的工艺信息和质量信息集合；/>为第i个样本制造过程中包含的全部工艺信息；/>为第i个样本制造过程中包含的全部质量信息；D为样本工艺信息中的特征数量；E为样本质量信息中的特征数量；
步骤13，对数据集合K中的全部样本进行数据清洗处理：首先通过样本间的欧式距离来识别数据集中与缺失样本空间相近的k个样本；然后使用k个邻域样本的平均值对缺失数据进行填充处理；最后采用最大-最小归一化方法对填充处理后的数据进行规范化处理，消除特征变量数量级的影响。
4.根据权利要求3所述的宽厚板质量在线检测的方法，其特征在于，所述步骤2，包括：
步骤21，通过标准差σ e描述集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，标准差σ e计算方法为：
（5），
（6），
式中，为N个样本中第/>个质量信息特征的标准差；/>为N个样本中第/>个质量信息特征均值；/>为第/>个样本中第/>个质量信息特征值；N为数据库中样本总数；
步骤22，采用控制上限和控制下限/>描述质量信息中第e个特征，其中/>和的计算方法为：
（7），
（8），
式中，为样本中第e个质量信息特征的控制上限；/>为样本中第e个质量信息特征的控制下限；/>为N个样本中第e个质量信息特征的标准差；/>为N个样本中第e个质量信息特征均值；
步骤23，通过零假设和备择假设/>检测质量信息中特征值异常性，和/>的计算方法为：
（9），
式中，当时，以99.7%的置信概率接受零假设，即/>为正常值；反之，/>为异常值。
5.根据权利要求4所述的宽厚板质量在线检测的方法，其特征在于，所述步骤3，包括：
步骤31，计算中工艺信息标准差σ d和均值μ d，基于标准差σ d描述/>集合中质量特征信息的变异性，通过确定质量信息的控制限标定异常质量，工艺信息标准差σ d和均值μ d的计算方法为：
（10），
（11），
式中，为N个样本中第/>个制造工艺信息特征的标准差；/>为N个样本中第/>个制造工艺信息特征均值；/>为第/>个样本中第/>个制造工艺信息特征值；N为数据库中样本总数；
步骤32，采用最大最小的双边检验计算待检测工艺信息与第d个工艺信息特征值均值之间的统计量，/>的计算方法为：
（12），
式中，；
步骤33，按照置信水平和数据集大小计算的临界值，Grubbs检验临界值/>的计算方法为：
（13），
式中，A和 -/>为式（13）中各项置信度为95%所对应的系数；
步骤34，建立零假设和备择假设/>并采用Grubbs检验逐次检测制造工艺信息中各个特征变量的异常性，如果为异常数据则从数据集中删除该异常值，具体步骤如下：
步骤341，建立零假设和备择假设/>：
（14）；
步骤342，根据步骤31计算待检测数据的Z统计量，其中，
，以95%置信度接受零假设，表明制造工艺信息/>中的第/>个变量不存在异常值；
，以95%置信度接受备择假设，表明制造工艺信息/>中的第/>个变量中存在一个异常值，该异常值记作/>；
步骤343，从第个特征变量中删除/>，重复步骤342直至接受零假设；将所有被删除的值记为异常值；
步骤344，迭代上述步骤341~步骤343过程，直到不再检测出异常值为止。
6.根据权利要求5所述的宽厚板质量在线检测的方法，其特征在于，所述步骤4，包括：
步骤41，采用PCA方法对通过步骤2检验得到的正常数据进行计算，获得载荷矩阵P：
步骤411，通过原始数据的标准化处理获得：
（15），
式中，为第i个样本制造工艺信息中的第/>个工艺特征；/>为N个样本的制造工艺信息中第/>个工艺特征的样本均值；/>为N个样本的制造工艺信息中第/>个工艺特征的标准差；
步骤412，计算的协方差矩阵R：
（16），
协方差矩阵R与之间的关系为：
（17）；
步骤413，构造协方差矩阵R的特征多项式：
（18），
令，求解获得制造过程D个工艺信息的特征值/>；
步骤414，构建计算协方差矩阵R的特征向量方程组：
（19），
通过式（19）计算出基础解系，该基础解系为特征值对应的特征向量；
步骤415，基于蕴藏制造工艺信息X集合大于85%方差信息的原则对原始数据集进行信息浓缩，对特征值大小进行排序得到/>，按照大小排序选择前/>个特征值且达到/>时确定相对应的载荷矩阵；
步骤42，通过载荷矩阵P和过程变量的标准差σ d计算经过步骤2检验到的异常质量信息所对应的工艺信息中各个特征的统计量和各个特征对/>统计量的贡献度得分/>：
步骤421，计算第个新样本与经过PCA预测值之间的差异并用残差向量/>进行表示：
（20），
其中，为第/>个新样本中包涵的工艺信息；/>为第/>个新样本的残差向量；P为正常质量信息对应工艺信息的载荷矩阵；P T为正常质量信息对应工艺信息的载荷矩阵的转置；
步骤422，计算新样本中D个工艺信息特征的统计量：
（21），
其中，为第/>样本中d个工艺信息特征统计量；/>为残差向量/>的第/>个元素；
步骤423，计算工艺信息中各个工艺特征对的贡献度得分/>：
（22）；
步骤43，对步骤42获得的贡献度得分进行排序得到，共计D个异常工艺信息特征对质量影响最大的制造过程工艺参数，并基于专家经验确定前p个特征变量记为高贡献变量。
7.根据权利要求6所述的宽厚板质量在线检测的方法，其特征在于，所述步骤5，包括：
步骤51，对于步骤3中检验确定的异常参数，若其同时在步骤4中被记为高贡献变量，则表明/>是影响宽厚板力学性能的异常变量；
步骤52，若工艺参数的贡献得分排名低于设定的范围p，确定为无关变量，为正常参数。
8.一种宽厚板质量在线检测的装置，其特征在于，包括：
数据采集模块，用于采集钢板制造过程中工艺信息数据，进行数据清理处理并构建工艺信息数据库；所述工艺信息数据包括钢板属性信息数据、化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据、轧制与冷却工艺过程信息数据、尺寸信息数据和质量信息数据；
诊断分析模块，用于基于3σ原则对质量信息数据的异常值进行诊断分析，并剔除异常值；
异常值检测模块，用于采用Grubbs检验法分别对化学成分信息数据、连铸工艺过程信息数据、加热工艺过程信息数据和轧制与冷却工艺过程信息数据中工艺信息参数进行异常值检测；
贡献得分计算模块，用于计算工艺信息数据中过程参数的贡献得分，以表征其对质量的影响能力；
质量在线诊断模块，用于结合假设检验结果和工艺信息数据中过程参数的贡献得分对宽厚板质量进行在线诊断。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器运行的程序，当所述电子设备运行时，所述处理器执行所述程序时实现如权利要求1-7任一所述的宽厚板质量在线检测的方法的步骤。
10.一种存储介质，其特征在于，该存储介质上存储有程序，该程序被处理器运行时执行如权利要求1-7任一所述的宽厚板质量在线检测的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238496.XA CN117831659B (zh) | 2024-03-04 | 2024-03-04 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238496.XA CN117831659B (zh) | 2024-03-04 | 2024-03-04 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117831659A true CN117831659A (zh) | 2024-04-05 |
| CN117831659B CN117831659B (zh) | 2024-05-03 |
Family
ID=90504322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410238496.XA Active CN117831659B (zh) | 2024-03-04 | 2024-03-04 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831659B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070124118A1 (en) * | 2002-12-20 | 2007-05-31 | Lam Research Corporation | Expert knowledge methods and systems for data analysis |
| CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| KR20180095294A (ko) * | 2017-02-17 | 2018-08-27 | 주식회사 포스코 | 강판 표면 결함 검출 시스템 및 이를 이용하는 결함 검출 방법 |
| US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
| WO2020175687A1 (ja) * | 2019-02-28 | 2020-09-03 | 株式会社Ihi | 超音波探傷装置 |
| WO2021156756A1 (en) * | 2020-02-05 | 2021-08-12 | Smartex Unipessoal Lda. | Systems and methods for defect detection |
| CN113468479A (zh) * | 2021-06-16 | 2021-10-01 | 北京科技大学 | 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 |
| CN114896735A (zh) * | 2022-05-25 | 2022-08-12 | 北京科技大学 | 改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法 |
| CN115081798A (zh) * | 2022-05-07 | 2022-09-20 | 燕山大学 | 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 |
| CN115096893A (zh) * | 2022-06-07 | 2022-09-23 | 东北大学 | 一种基于机器视觉的飞机结构件缺陷无损检测方法 |
| CN115100188A (zh) * | 2022-07-28 | 2022-09-23 | 北京科技大学 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
| WO2023274218A1 (zh) * | 2021-06-29 | 2023-01-05 | 武汉钢铁有限公司 | 一种热连轧极限厚度规格高强管线钢板卷及其制造方法 |
| CN116187180A (zh) * | 2023-02-03 | 2023-05-30 | 山东钢铁股份有限公司 | 一种中厚板镰刀弯状态分析识别方法、装置、设备、介质 |
| WO2023131257A1 (zh) * | 2022-01-10 | 2023-07-13 | 华东理工大学 | 一种基于大数据的炼油过程模式识别及优化方法 |
| CN116579654A (zh) * | 2023-05-15 | 2023-08-11 | 苏州宝联重工股份有限公司 | 一种用于if钢的质量在线智能监测方法和系统 |
| CN117349680A (zh) * | 2023-10-09 | 2024-01-05 | 中控技术股份有限公司 | 一种基于专家经验的工业硅炉炉况诊断方法 |
| CN117557827A (zh) * | 2023-10-10 | 2024-02-13 | 东北大学 | 一种基于自编码级联森林的板形异常检测方法 |
-
2024
- 2024-03-04 CN CN202410238496.XA patent/CN117831659B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070124118A1 (en) * | 2002-12-20 | 2007-05-31 | Lam Research Corporation | Expert knowledge methods and systems for data analysis |
| CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| KR20180095294A (ko) * | 2017-02-17 | 2018-08-27 | 주식회사 포스코 | 강판 표면 결함 검출 시스템 및 이를 이용하는 결함 검출 방법 |
| US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
| WO2020175687A1 (ja) * | 2019-02-28 | 2020-09-03 | 株式会社Ihi | 超音波探傷装置 |
| WO2021156756A1 (en) * | 2020-02-05 | 2021-08-12 | Smartex Unipessoal Lda. | Systems and methods for defect detection |
| CN113468479A (zh) * | 2021-06-16 | 2021-10-01 | 北京科技大学 | 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 |
| WO2023274218A1 (zh) * | 2021-06-29 | 2023-01-05 | 武汉钢铁有限公司 | 一种热连轧极限厚度规格高强管线钢板卷及其制造方法 |
| WO2023131257A1 (zh) * | 2022-01-10 | 2023-07-13 | 华东理工大学 | 一种基于大数据的炼油过程模式识别及优化方法 |
| CN115081798A (zh) * | 2022-05-07 | 2022-09-20 | 燕山大学 | 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 |
| CN114896735A (zh) * | 2022-05-25 | 2022-08-12 | 北京科技大学 | 改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法 |
| CN115096893A (zh) * | 2022-06-07 | 2022-09-23 | 东北大学 | 一种基于机器视觉的飞机结构件缺陷无损检测方法 |
| CN115100188A (zh) * | 2022-07-28 | 2022-09-23 | 北京科技大学 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
| CN116187180A (zh) * | 2023-02-03 | 2023-05-30 | 山东钢铁股份有限公司 | 一种中厚板镰刀弯状态分析识别方法、装置、设备、介质 |
| CN116579654A (zh) * | 2023-05-15 | 2023-08-11 | 苏州宝联重工股份有限公司 | 一种用于if钢的质量在线智能监测方法和系统 |
| CN117349680A (zh) * | 2023-10-09 | 2024-01-05 | 中控技术股份有限公司 | 一种基于专家经验的工业硅炉炉况诊断方法 |
| CN117557827A (zh) * | 2023-10-10 | 2024-02-13 | 东北大学 | 一种基于自编码级联森林的板形异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘昌;杨世文;吴澈;: "基于KPCA和Cam加权距离的带钢热镀锌生产过程监测", 汽车实用技术, no. 10, 26 October 2015 (2015-10-26) * |
| 孙勇;何飞;杨德斌;: "基于批次回归系数的热轧带钢头部拉窄过程监控与诊断", 中南大学学报(自然科学版), no. 03, 26 March 2018 (2018-03-26) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117831659B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3644152A1 (en) | Process abnormal state diagnosing device and abnormal state diagnosing method | |
| CN110321658B (zh) | 一种板材性能的预测方法及装置 | |
| WO2007080688A1 (ja) | 予測式作成装置及び予測式作成方法 | |
| JP2008112288A (ja) | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 | |
| CN106345823A (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN115815345A (zh) | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 | |
| CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
| JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
| CN110457550B (zh) | 一种烧结过程中异常运行数据的校正方法 | |
| CN109978059B (zh) | 一种原油蒸馏过程初馏塔冲塔故障预警方法 | |
| EP3913635A1 (en) | Metal material design support method and design support device | |
| CN117831659B (zh) | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 | |
| CN112631258B (zh) | 一种工业过程关键指标的故障预警方法 | |
| CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
| CN116224887A (zh) | 一种多工况间歇过程故障监测方法 | |
| CN116825253A (zh) | 基于特征选择的热轧带钢力学性能预测模型的建立方法 | |
| CN116258087A (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
| Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
| JP3943841B2 (ja) | 鋼材の材質推定装置 | |
| JP6662222B2 (ja) | 製造プロセスの異常状態診断方法及び異常状態診断装置 | |
| CN112765219B (zh) | 一种跳过平稳区域的流数据异常检测方法 | |
| JP2002241846A (ja) | 鋼材の製造プロセス異常判定装置 | |
| CN117807424B (zh) | 工业大数据驱动的宽厚钢板质量动态在线识别方法及装置 | |
| WO2023181127A1 (ja) | 製品品質分析支援システム |
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 |