带钢热连轧质量的故障诊断方法及装置的制造方法
【专利摘要】本发明提出了一种带钢热连轧质量的故障诊断方法及装置，该方法包括：采集带钢热连轧生产过程中的历史样本数据，所述历史样本数据包括带钢热连轧以往的生成生产过程中的数据组；基于所述历史样本数据进行聚类划分得到多个模态，并对应于每个模态建立模型；实时获取带钢热连轧当前生产过程中的数据组，并将实时获取的数据组中的数据划分到对应的模态中；对应于每个模态中的数据，基于检测指标以及每个模态对应的模型进行故障诊断。解决了现有技术中产品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定性和安全性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质量的问题。
【专利说明】
带钢热连轧质量的故障诊断方法及装置
技术领域
[0001] 本发明涉及钢铁生产过程检测与控制领域，尤其涉及一种带钢热连乳质量的故障 检测方法及装置。
【背景技术】
[0002] 在工业生产中，对产品质量的预测和监控十分必要。在带钢热连乳生产过程中产 品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定性和安全 性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质量。
【发明内容】
[0003] 本发明提供了一种带钢热连乳质量的故障诊断方法及装置，解决了现有技术中产 品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定性和安全 性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质量的问题。
[0004] 本发明第一方面提供一种带钢热连乳质量的故障诊断方法，包括:采集带钢热连 乳生产过程中的历史样本数据，所述历史样本数据包括带钢热连乳以往的生成生产过程中 的数据组，所述数据组包括辊缝、乳制力、弯辊力以及机架出口厚度;基于所述历史样本数 据进行聚类划分得到多个模态，并对应于每个模态建立模型；实时获取带钢热连乳当前生 产过程中的数据组，并将实时获取的数据组中的数据划分到对应的模态中；对应于每个模 态中的数据，基于检测指标以及每个模态对应的模型进行故障诊断。
[0005] 如上所述，所述基于所述历史样本数据进行聚类划分得到多个模态，包括:根据隶 属度矩阵以及聚类中心与数据点之间的欧式距离，构建核模糊C-聚类(Kernel Fuzzy C-Cluster，KFCC)算法的第一目标函数，隶属度矩阵中各元素取值为[0，1]之间；根据第一目 标函数以及约束式的拉格朗日乘子构建第二目标函数以获取第二目标函数达到最小值的 必要条件;根据所述第一目标函数、所述第二目标函数以及所述第二目标函数达到最小值 的必要条件，采用引入类间-类内划分(Between-Within Proportion，BWP)指标确定最佳模 态数，输出聚类结果，所述聚类结果包括有效性指标值和最佳聚类数。
[0006] 如上所述，所述第一目标函数： c a n
[0007] J{U= T i-1 f-1 j
[0008] 其中，U为隶属度矩阵，Uij的取值为[0，1]之间，Ci为模糊组i的聚类中心，dij= | Cl-Xj | |为第i个聚类中心与第j个数据点间的欧式距离，&为第j个数据点，mG [1，m )是加 权指数。
[0009] 如上所述，所述第二目标函数：
[0011 ]其中，人j(j = 1，…，n)是式lx = 1，= 1，…，順n个约束式的拉格朗日乘子，ci为模 ，二 1 糊组i的聚类中心，Uij是隶属度矩阵U中的元素，Uij的取值为[0,1]之间，dij = | | ci-xj | |为第 i个聚类中心与第j个数据点间的欧式距离，&为第j个数据点，mG[l，cx0是加权指数。
[0012]如上所述，所述第二目标函数达到最小值的必要条件为：
[0016] 其中，(^为模糊组i的聚类中心，Ulj是隶属度矩阵U中的元素，Ulj的取值为[0，1]之 间，x伪第j个数据点，屯=| |Cl_Xj| |为第i个聚类中心与第j个数据点间的欧式距离，dkj = I ck_Xj | |为第k个聚类中心与第j个数据点间的欧式距离，mG [1，m)是加权指数。
[0017] 如上所述，所述对应于每个模态建立模型，包括:建立带钢热连乳过程变量与出口 厚度的解析关系。
[0018] 如上所述，所述建立带钢热连乳过程变量与出口厚度的解析关系，包括:针对每一 类数据，利用核潜结构投影KPLS(Kernel Partial Least Squares，核潜结构投影)方法对 过程变量X和质量变量Y分别进行建模，所述过程变量包括所述数据组。
[0019] 如上所述，所述将所述实时数据组中的数据划分到对应的模态中，包括:利用KPLS 回归算法，产生k(k=l，…，4)个模态，确定每个模态相应的回归系数矩阵，其中，i表 示第k个模态对应的历史样本数据类别，i = 1，…，k)对于实时获取的数据组&@，利用相应 的均值和协方差信息对数据进行归一化，得到预测质量变量值其中， Xne3W表示新的实时在线采集的数据矩阵，T表示矩阵的转置，i表示第k个模型对应的历史样 本数据类别；利用先验概率公式：SI# - yfk，确定Xnew属于 第i类的先验概率，其中，i = l，…，k;yf代表第i类历史样本数据的第j个样本，f/1代表 第i类历史样本数据第j个样本的预测值；根据贝叶斯公式，确定后验概率：
'其中，P⑴为第i类的样本个数与总的样本个数之比;将Xn?划分 到后验概率最大的那一类。
[0020] 如上所述，所述对应于每个模态中的数据，基于检测指标以及每个模态对应的模 型进行故障诊断，包括:将基于KPLS方法的两种质量相关的检测指标T2和Q合成为一个指标 小，用于故障检测；其中，T 2表示HotellingT2统计，检测的是与质量变量直接相关的故障，Q 表示统计学中的Q统计，检测的是过程噪声;利用贡献率法实现质量相关的故障诊断问题。
[0021] 本发明第二方面提供了一种带钢热连乳质量的故障诊断装置，包括：
[0022] 采集单元，用于采集带钢热连乳生产过程中的历史样本数据，所述历史样本数据 包括带钢热连乳以往的生成生产过程中的数据组，所述数据组包括辊缝、乳制力、弯辊力以 及机架出口厚度；
[0023] 聚类划分单元，用于基于所述历史样本数据进行聚类划分得到多个模态，并对应 于每个模态建立模型；
[0024] 实时划分单元，用于实时获取带钢热连乳当前生产过程中的数据组，并将实时获 取的数据组中的数据划分到对应的模态中；
[0025] 故障诊断单元，用于对应于每个模态中的数据，基于检测指标以及每个模态对应 的模型进行故障诊断。
[0026] 如上所述，所述聚类划分单元，包括：
[0027] 第一构建模块，用于根据隶属度矩阵以及聚类中心与数据点之间的欧式距离，构 建核模糊C-聚类KFCC算法的第一目标函数，隶属度矩阵中各元素取值为[0，1]之间；
[0028] 第二构建模块，用于根据第一目标函数以及约束式的拉格朗日乘子构建第二目标 函数以获取第二目标函数达到最小值的必要条件；
[0029] 聚类划分模块，用于根据所述第一目标函数、所述第二目标函数以及所述第二目 标函数达到最小值的必要条件，采用引入类间-类内划分BWP指标确定最佳模态数，输出聚 类结果，所述聚类结果包括有效性指标值和最佳聚类数。
[0030] 如上所述，所述第一目标函数： c c n
[0031 ] ./(〇',) = 5]./; = if-1 j
[0032]其中，U为隶属度矩阵，Uij的取值为[0，1]之间，Ci为模糊组i的聚类中心，dij= | Cl-Xj | |为第i个聚类中心与第j个数据点间的欧式距离，x伪第j个数据点，mG [1，m )是加 权指数。
[0033]如上所述，，所述第二目标函数：
[0034] , ? " i=l j j-l i=l c
[0035] 其中，Aj(j = 1, ???,n)是式J]% = = 1，…一的n个约束式的拉格朗日乘子，(^为 模糊组i的聚类中心，Uij是隶属度矩阵U中的元素，Uij的取值为[0,1]之间，dij = | | ci-xj | |为 第i个聚类中心与第j个数据点间的欧式距离，&为第j个数据点，mG[l，cx0是加权指数。
[0036] 如上所述，所述第二目标函数达到最小值的必要条件为：
[0040] 其中，(^为模糊组i的聚类中心，Ulj是隶属度矩阵U中的元素，Ulj的取值为[0，1]之 间，x伪第j个数据点，屯=| |Cl_Xj| |为第i个聚类中心与第j个数据点间的欧式距离，dkj = I ck_Xj | |为第k个聚类中心与第j个数据点间的欧式距离，mG [1，m)是加权指数。
[0041] 如上所述，所述聚类划分单元，还用于建立带钢热连乳过程变量与出口厚度的解 析关系。
[0042]如上所述，所述聚类划分单元，具体还用于针对每一类数据，利用核潜结构投影 KPLS方法对过程变量X和质量变量Y分别进行建模，所述过程变量包括所述数据组。
[0043] 如上所述，所述实时划分单元，包括：
[0044] 第一确定模块，用于利用KPLS回归算法，产生k(k= 1，…，4)个模态，确定每个模态 相应的回归系数矩阵，其中，i表示第k个模态对应的历史样本数据类别，i = 1，…，k)
[0045] 预测模块，用于对于实时获取的数据组^?，利用相应的均值和协方差信息对数据 进行归一化，得到预测质量变量值:Ml ;其中，x_表示新的实时在线采集的 数据矩阵，T表示矩阵的转置，i表示第k个模型对应的历史样本数据类别；
[0046] 先验模块，用于利用先验概率公式：八x"OT|/) 叫的二-yf 1^ ||ff -#1，确 SXnew属于第i类的先验概率，其中，i = 1，…，k;y^代表第i类历史样本数据的第j个样本，
代表第i类历史样本数据第j个样本的预测值；
[0047] 后验模块，用于根据贝叶斯公式，确定后验概率： '其中， P(i)为第i类的样本个数与总的样本个数之比；
[0048] 实时划分模块，用于将^?划分到后验概率最大的那一类。
[0049] 如上所述，所述故障诊断单元，包括：
[0050] 合成模块，用于将基于KPLS方法的两种质量相关的检测指标T2和Q合成为一个指 标小，用于故障检测;其中，T2表示HotellingT 2统计，检测的是与质量变量直接相关的故障， Q表示统计学中的Q统计，检测的是过程噪声；
[0051] 诊断模块，用于利用贡献率法实现质量相关的故障诊断问题。
[0052] 本发明实施例提供的带钢热连乳质量的故障检测方法及装置，利用带钢热连乳现 场采集到的大量的能够反映生产过程的数据建立了生产过程变量与最终产品质量厚度之 间的关系，为生产过程监测、诊断并监控产品的质量提供重要的理论支撑与技术支持。解决 了现有技术中产品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程 的稳定性和安全性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证 产品质量的问题。
【附图说明】
[0053] 图1为本发明实施例提供的一种带钢热连乳质量的故障诊断方法的流程图；
[0054] 图2为本发明实施例提供的带钢热连乳质量的故障检测方法中步骤102的流程示 意图；
[0055] 图3为本发明实施例提供的带钢热连乳的工艺布置图；
[0056] 图4为本发明实施例提供的带钢热连乳质量的故障检测方法工艺流程示意图； [0057]图5是基于改进的KPLS方法的厚度相关的故障检测结果；
[0058]图6是基于贡献率法的厚度相关的故障诊断结果；
[0059] 图7为本发明实施例提供的一种带钢热连乳质量的故障诊断装置的结构示意图。
【具体实施方式】
[0060] 本发明属于钢铁生产过程检测与控制领域，特别是提出了一种带钢热连乳厚度质 量监测与故障诊断方法，它以保证最终的产品厚度质量符合要求为目标，建立了带钢热连 乳过程变量与出口厚度的关系，提供了一种带钢热连乳这一复杂非线性、多模态间歇过程 模态划分的新方法，为带钢热连乳厚度质量监测与故障诊断提供了理论支撑与技术支持。
[0061] 图1为本发明实施例提供的一种带钢热连乳质量的故障诊断方法的流程图。
[0062] 如图1所示，本发明实施例提供了一种带钢热连乳质量的故障诊断方法，包括：
[0063] 步骤101、采集带钢热连乳生产过程中的历史样本数据。
[0064] 其中，所述历史样本数据包括带钢热连乳以往的生成生产过程中的数据组，所述 数据组包括辊缝、乳制力、弯辊力以及机架出口厚度。
[0065] 步骤102、基于所述历史样本数据进行聚类划分得到多个模态，并对应于每个模态 建立模型。
[0066] 步骤103、实时获取带钢热连乳当前生产过程中的数据组，并将实时获取的数据组 中的数据划分到对应的模态中。
[0067]步骤104、对应于每个模态中的数据，基于检测指标以及每个模态对应的模型进行 故障诊断。
[0068] 本发明实施例提供的带钢热连乳质量的故障检测方法，利用带钢热连乳现场采集 到的大量的能够反映生产过程的数据建立了生产过程变量与最终产品质量厚度之间的关 系，为生产过程监测、诊断并监控产品的质量提供重要的理论支撑与技术支持。解决了现有 技术中产品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定 性和安全性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质 量的问题。
[0069] 图2为本发明实施例提供的带钢热连乳质量的故障检测方法中步骤102的流程示 意图。
[0070] 如图2所示，在一实施例中，所述基于所述历史样本数据进行聚类划分得到多个模 态，包括：
[0071] 步骤1021、根据隶属度矩阵以及聚类中心与数据点之间的欧式距离，构建KFCC算 法的第一目标函数，隶属度矩阵中各元素取值为[0，1]之间。
[0072] 在本实施例中，所述第一目标函数可以通过以下公式表达：
[0073] 1=1 1=1 j：
[0074]其中，U为隶属度矩阵，Ulj的取值为[0，1]之间，(^为模糊组i的聚类中心，c^= | Cl-Xj | |为第i个聚类中心与第j个数据点间的欧式距离，x伪第j个数据点，mG [1，m )是加 权指数。
[0075] 步骤1022、根据第一目标函数以及约束式的拉格朗日乘子构建第二目标函数以获 取第二目标函数达到最小值的必要条件；
[0076] 在本实施例中，所述第二目标函数可以通过以下公式表达： - _ C ，q "? ,，cc，4) = J职a七(2 〇
[0077] c " " c j J~l i=l c
[0078] 其中，人」〇 = 1，*"，11)是式1〃;.,_=1，\：?7 = ^..-/?的11个约束式的拉格朗日乘子，(^为 i-I 模糊组i的聚类中心，Uij是隶属度矩阵U中的元素，Uij的取值为[0,1]之间，dij = I I Ci-Xj I I为 第i个聚类中心与第j个数据点间的欧式距离，&为第j个数据点，mG[l，cx0是加权指数。
[0079] 在本实施例中，所述第二目标函数达到最小值的必要条件可以通过以下公式表 达：
[0083]其中，(^为模糊组i的聚类中心，Ulj是隶属度矩阵U中的元素，Ulj的取值为[0，1]之 间，x伪第j个数据点，屯=| |Cl_Xj| |为第i个聚类中心与第j个数据点间的欧式距离，dkj = I ck_Xj | |为第k个聚类中心与第j个数据点间的欧式距离，mG [1，m)是加权指数。
[0084]步骤1023、根据所述第一目标函数、所述第二目标函数以及所述第二目标函数达 到最小值的必要条件，采用引入类间-类内划分(Between-Within Proportion，BWP)指标确 定最佳模态数，输出聚类结果，所述聚类结果包括有效性指标值和最佳聚类数。
[0085]又一实施例中，所述对应于每个模态建立模型，包括:建立带钢热连乳过程变量与 出口厚度的解析关系。
[0086] 具体的，在一实施例中，所述建立带钢热连乳过程变量与出口厚度的解析关系，包 括:针对每一类数据，利用KPLS方法对过程变量X和质量变量Y分别进行建模，所述过程变量 包括所述数据组。
[0087] 其中，进行聚类时，在类内样本方面，应具有更多的相同点，而在类间样本方面，应 具有更多的相异点。本发明在进行聚类时，以距离测度为出发点，引入类间-类内划分 (Between-Within Proportion，BWP)指标，每一类数据应主要包括辑缝、乳制力和弯辑力及 相应的出口厚度。
[0088] 具体的，所述将所述实时数据组中的数据划分到对应的模态中，包括:利用KPLS回 归算法，产生k(k=l，…，4)个模态，确定每个模态相应的回归系数矩阵，其中，i表示 第k个模态对应的历史样本数据类别，i = 1，…，k)对于实时获取的数据组&@，利用相应的 均值和协方差信息对数据进行归一化，得到预测质量变量值:?，其中，Xnew 表示新的实时在线采集的数据矩阵，T表示矩阵的转置，i表示第k个模型对应的历史样本数 据类别；利用先验概率公式:作_|，) =-yllz I# -,确定Xnew属于第i类 的先验概率，其中，i = l，…，k;yf代表第i类历史样本数据的第j个样本>代表第i类历史 样本数据第j个样本的预测值;根据贝叶斯公式，确定后验概率：
其中，P(i)为第i类的样本个数与总的样本个数之比;将Xn?划分到后验概率最大的那一类。
[0089] 在一实施例中，所述对应于每个模态中的数据，基于检测指标以及每个模态对应 的模型进行故障诊断，包括:将基于KPLS方法的两种质量相关的检测指标T2和Q合成为一个 指标巾，用于故障检测；其中，T 2表示HotellingT2统计，检测的是与质量变量直接相关的故 障，Q表示统计学中的Q统计，检测的是过程噪声;利用贡献率法实现质量相关的故障诊断问 题。
[0090] 本发明实施例提供的带钢热连乳质量的故障检测方法，利用带钢热连乳现场采集 到的大量的能够反映生产过程的数据建立了生产过程变量与最终产品质量厚度之间的关 系，为生产过程监测、诊断并监控产品的质量提供重要的理论支撑与技术支持。解决了现有 技术中产品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定 性和安全性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质 量的问题。
[0091 ]图3为本发明实施例提供的带钢热连乳的工艺布置图；
[0092] 图4为本发明实施例提供的带钢热连乳质量的故障检测方法工艺流程示意图；
[0093] 为了使本领域技术人员更好的理解本发明实施例提供的带钢热连乳质量的故障 检测方法，现对带钢热连乳生产过程进行详细的说明。带钢热连乳过程是一个极其复杂的 工业生产过程。整个过程的工艺布置图如图3所示，整体上包含以下部分:加热炉、粗乳、热 输出辊道、卷取机、飞剪、精乳及层流冷却装置和卷取机等。加热炉保证板带钢材进入粗乳 的温度能达到1200°C，粗乳阶段一般可将板带乳制成28~45mm的中间坯，由此板坯的长度 也会成比例的增加，热输出辊道将带钢从粗乳区送入精乳区，进行更为精密的乳制。图3中， 精乳机组由7个机架组成，每个机架包含两个工作辊和两个支撑辊，每一个机架有自己的驱 动单元来为工作辊提供动力，两个工作辊之间的距离称为辊缝，它是通过调节支撑辊上的 液压压下来进行调节的。乳辊的速度设定为能满足最后一个机架的乳制要求。相对于粗乳 过程只有一个机架，精乳区的7个机架意味着精乳过程中整个板带要通过所有机架。由于加 热后的带钢的塑性系数大大降低，精乳区带钢的张力采用微张力控制，这样避免了带钢较 大的延展和变形。为此，精乳区每个机架之间都安装有张力控制环，这样控制能够使整块钢 板安全平稳的传输。
[0094]整个热乳过程，关心的质量变量为厚度、宽度、板型和出口温度等，尤其是出口厚 度，它是直接影响产品质量的最为关键的因素。出口厚度是由X-射线测厚仪在最后一个机 架的出口处测量，整个乳制过程是由AGC系统来控制的。但是，监测AGC系统的输入是出口厚 度，这就存在一个明显的滞后控制，发生在前面机架的故障要等到X-射线测厚仪测到异常 的厚度值才能针对厚度故障进行控制。所以，建立能够实时采集的过程变量与出口厚度的 关系，并通过实时测量过程变量来对厚度进行质量监测与故障诊断就变得十分有意义。 [0095] 如图4所示，具体内容如下：
[0096] 1.基于KFCC和BWP指标的模态划分方法
[0097] 根据隶属度大小，利用KFCC算法进行聚类时，主要是由隶属度的大小进行判定，某 个数据点对应某个聚类的隶属度的值越大，则属于某一类。KFCC算法将n个样本X={ X1， X2，…，xn}分成c个模糊组，然后求解每组的聚类中心，最终要使非相似性指标的目标函数达 到最小。隶属度矩阵U的取值为[0，1]间的元素。在归一化条件的约束下，一个数据集的隶属 C 度的总和等于1，即r 〃// =丄w = ^》，目标函数为： /=1
[0098] 人,,⑴ (=1 j=l
[00"]式中，Uij的取值为[0,1]之间，Ci为模糊组i的聚类中心，di,j= I I <i> (Xj)-Ci| |e为第 i个聚类中心与第j个数据点间的欧式距离，SG[l，cx0是加权指数。为了得到数据集合的最 佳模糊划分，利用拉格朗日乘数法，求得使式(1)达到最小值的必要条件：
[0102] 本发明进行模态划分时，采取KFCC算法是因为K-means算法是一种硬聚类算法，某 个样本确切的属于某一类，非此即彼。而KFCC算法则是一种柔性的模糊划分，在判断某个样 本属于某个聚类的程度时，主要利用隶属度来衡量，最后根据隶属度矩阵，按照模糊集合中 最大隶属原则确定每个样本的分类，这样可以使聚类结果更加准确。尤其针对带钢热连乳 这种复杂的间歇过程，不同模态之间的过渡过程会使过程数据呈现出更多的不确定性，通 过这种模糊的方法，可以尽量减少对监测精度的影响。
[0103]在确定最佳模态数时，本发明从距离测度考虑，引入了一种基于样本几何结构的 聚类有效性指标一类间-类内划分BWP指标：
[0105]式中，xf表示第m类的第p个样本，xf表示第j类的第q个样本，xp表示第j类的第 i个样本;b(j，i)定义为第j类的第i个样本的最小类间距离，w(j，i)定义第j类的第i个样本 的类内距离。
[0106]值得说明的是，所述距离是指n维欧式空间中的欧氏距离，具体在本发明中指样本 到其它每个类中样本的平均距离。
[0107] 通过该指标，结合聚类算法确定多模态的最佳模态数。然后，将KFCC算法与BWP指 标结合起来，提出了一种评价聚类效果、确定最佳聚类数的方法。具体实现步骤如下：
[0108] 1)选择聚类数的搜索范围[k_，kmax];
[0109] 2)从kmin开始，到kmax结束，运行KFCC算法，通过计算单个样本的BWP指标值来计算 所有样本的BWP指标值；
[0110] 3)通过比较所有样本的BWP指标值确定最佳聚类数，即其最大值为最佳聚类数； 4)输出聚类结果，包含有效性指标值和最佳聚类数。
[0112] 例如，该历史数据具有4个模态，每个模态有8个批次，每个批次含有800个采样。可 以看出该方法在没有先验知识的前提下，能够实现带钢热连乳生产过程历史数据的一致聚 类。
[0113] 2.基于改进的KPLS的质量相关的故障检测与诊断方法
[0114] 在确定好分类数、合理地将数据分类后，针对每一类数据，利用KPLS方法对历史样 本数据的过程变量X和质量变量Y分别进行建模，并将基于KPLS方法的两种质量相关的检测 指标T 2和Q合成为一个指标巾为：
[0116] 可简单表述为：
[0118]式中，Q GRnXn。从(}>函数的一阶泰勒展开式和核函数梯度出发，定义了一种新的 诊断方法，即贡献率法。该方法有着很明确的物理意义，可以表示各个变量对检测指标小的 影响程度，所述各个变量，包括机架的辊缝、乳制力和弯辊力及机架出口厚度。
[0119]以上方法实现了质量相关的故障检测，下一步就需要诊断引起该故障的变量。本 发明采用了贡献率法实现了质量相关的故障诊断问题。
[0120] 3.基于KPLS回归与贝叶斯分类混合的在线分类方法
[0121] 在以上对不同模态的数据建立好模型后，当有新的实时在线采集的数据Xnew时，首 先需要将它归为相应的类中，这样才能利用相应的模型进行故障检测。本发明中主要利用 贝叶斯方法实现分类。假设历史样本数据被分为k类，利用KPLS回归算法，可以产生k个模 型，每个模型都有相应的回归系数矩阵对于新数据 Xm5W，首先利用相应的均值和协 方差信息对数据进行归一化，通过下式，可以得到相应的预测质量变量值：
[0122] fl 二 ⑶
[0123] 定义如下先验概率公式：
[0124] 尸(X-1，)=芦I，|的丨-||五（8)
[0125] 该式给出了 Xnew属于第i类的先验概率，i = l，…，k。其中乂1代表第i类历史样本数 据的第j个样本，if代表第i类历史样本数据第j个样本的预测值。
[0126] 根据贝叶斯公式，后验概率可表示为：
[0128] 式中，P(i)为第i类的样本个数与总的样本个数之比。当某一类对应的后验概率最 大时，xne5W便属于那一类，即：
[0129] 产=max W卜（10)
[0130] 4.带钢热连乳厚度质量监测与故障诊断方法
[0131] 在乳制过程中，不同时段的钢的规格是不同的。因此，本发明将带钢热连乳生产线 看作是一个多模态的间歇生产过程，将以上提出的方法应用于该生产过程厚度质量监测与 故障诊断中，取得了良好的监测效果，故障诊断正确率较高。
[0132] 具体实现步骤如下：
[0133] 1)准备带钢热连乳数据
[0134] 本发明中，质量变量是精乳机出口厚度，过程变量主要考虑影响出口厚度的因素， 包括七机架的平均辊缝、乳制力和弯辊力，共20个过程变量，其中，第一机架无弯辊，采样间 隔为0.01s，如表1所不。
[0135] 表1精乳机过程变量和质量变量
[0138] 2)确定带钢热连乳最佳模态数
[0139]利用KFCC和BWP指标，实现了带钢热连乳生产数据模态的划分。
[0140] 3)基于KPLS回归与贝叶斯分类混合方法的带钢热连乳生产过程数据的在线分类
[0141] 在以上对不同模态的数据建立好模型后，当有新的数据Xnew时，需要利用KPLS回归 与贝叶斯分类混合的方法将它归为相应的类中，这样才能利用相应的模型进行故障检测。
[0142] 4)基于改进的KPLS的质量相关的带钢热连乳生产过程故障检测与诊断
[0143] 在将历史样本数据划分成不同模态后，利用KPLS的建模方法对不同模态的数据分 别进行建模。
[0144] 举例说明：考虑两个不同的故障情况：
[0145] 情况1:在采样l<i<1400间，模态2没有故障发生;采样1401〈i<2100间，模态1在 1601到1800采样间发生故障;采样2101〈i<3500间，模态3没有故障发生。
[0146] 情况2:在采样l<i<3000间，模态1有故障发生。
[0147] 1)针对以上两种情况，将本发明提出的改进的KPLS算法与PLS、KPLS的在故障检测 率(FDR)方面做一对比分析，可以看出改进的KPLS算法的FDR要明显高于其他两种方法。对 比分析结果如表2所示。
[0148] 表2 FDR对比分析结果
[0150] 2)通过改进的KPLS算法实现质量相关的在线的带钢热连乳生产过程厚度的故障 检测与诊断。
[0151]值得说明的是，传统的PLS方法适合处理线性数据，而由于随着计算机、传感技术 的发展，大量的数据被采集并存储下来，数据间存在着严重的非线性关系，KPLS方法是在传 统的PLS方法的基础上引入了核函数，能够很好地处理高维空间数据的非线性关系，而改进 的KPLS方法是在传统的KPLS的基础上继续改进，即传统的方法用T2和SPE检测故障，而改进 的KPLS方法将T2和SPE合成一个检测指标巾，能够更好的检测相关故障。
[0152] 将检测指标巾应用于带钢热连乳厚度质量相关的故障检测中，通过图5的仿真效 果可以看出：在第2350个采样处能检测出故障，并保持着较高的故障检测率，为潜伏性的故 障诊断打下坚实基础。
[0153] 在检测出故障发生后，将贡献率法应用于带钢热连乳厚度质量相关的故障诊断 中。通过图6的仿真效果可以看出：变量5(第5个机架的乳制力)和变量17(第4个机架的平均 辊缝)有最大的贡献率，与之前定义的故障恰好相符。
[0154]值得说明的是，本实施例中的
[0155] 通过以上分析可以看出，本发明提出的带钢热连乳厚度质量监测与故障诊断方法 建立了生产过程变量与最终产品质量厚度之间的解析关系，能够很精确地实现带钢热连乳 生产数据的在线模态划分，故障检测率较高，保证了产品的质量，提高了企业的经济效益。
[0156] 本发明实施例提供的带钢热连乳质量的故障检测方法，利用带钢热连乳现场采集 到的大量的能够反映生产过程的数据建立了生产过程变量与最终产品质量厚度之间的关 系，为生产过程监测、诊断并监控产品的质量提供重要的理论支撑与技术支持。解决了现有 技术中产品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定 性和安全性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质 量的问题。
[0157] 图7为本发明实施例提供的一种带钢热连乳质量的故障诊断装置的结构示意图。
[0158] 如图7所示，本发明另一实施例提供了一种带钢热连乳质量的故障诊断装置，包 括：
[0159] 采集单元71，用于采集带钢热连乳生产过程中的历史样本数据，所述历史样本数 据包括带钢热连乳以往的生成生产过程中的数据组，所述数据组包括辊缝、乳制力、弯辊力 以及机架出口厚度。
[0160]聚类划分单元72,用于基于所述历史样本数据进行聚类划分得到多个模态，并对 应于每个模态建立模型。
[0161] 实时划分单元73,用于实时获取带钢热连乳当前生产过程中的数据组，并将实时 获取的数据组中的数据划分到对应的模态中。
[0162] 故障诊断单元74,用于对应于每个模态中的数据，基于检测指标以及每个模态对 应的模型进行故障诊断。
[0163] 在一实施例中，所述聚类划分单元，包括：
[0164] 第一构建模块，用于根据隶属度矩阵以及聚类中心与数据点之间的欧式距离，构 建核模糊C-聚类KFCC算法的第一目标函数，隶属度矩阵中各元素取值为[0，1]之间。
[0165] 第二构建模块，用于根据第一目标函数以及约束式的拉格朗日乘子构建第二目标 函数以获取第二目标函数达到最小值的必要条件。
[0166] 聚类划分模块，用于根据所述第一目标函数、所述第二目标函数以及所述第二目 标函数达到最小值的必要条件，采用引入类间-类内划分BWP指标确定最佳模态数，输出聚 类结果，所述聚类结果包括有效性指标值和最佳聚类数。
[0167] 在一实施例中，所述第一目标函数：
[0168] =乞 /-.I /
[0169] 其中，U为隶属度矩阵，Uij的取值为[0，1]之间，Ci为模糊组i的聚类中心，dij= | Cl-Xj | |为第i个聚类中心与第j个数据点间的欧式距离，x伪第j个数据点，mG [1，m )是加 权指数。
[0170] 在一实施例中，所述第二目标函数： - __^ C J (ZJ 5 Cj,..,, Xn) - J (U 5 Cj 5又j (〉.:-1)
[0171] , " " c =S Z uydl + Z AJ S uu ^ ^ i=l j _/：=l />! c.
[0172] 其中，Aj(j = l, . . . ,n)是式J]",, 〇7 = U…，"的n个约束式的拉格朗日乘子，^为 模糊组i的聚类中心，Uij是隶属度矩阵U中的元素，Uij的取值为[0,1]之间，dij = | | ci-xj | |为 第i个聚类中心与第j个数据点间的欧式距离，&为第j个数据点，mG[l，cx0是加权指数。
[0173] 在一实施例中，所述第二目标函数达到最小值的必要条件为：
[0177] 其中，(^为模糊组i的聚类中心，Ulj是隶属度矩阵U中的元素，Ulj的取值为[0，1]之 间，x伪第j个数据点，屯=| |Cl_Xj| |为第i个聚类中心与第j个数据点间的欧式距离，dkj = I ck_Xj | |为第k个聚类中心与第j个数据点间的欧式距离，mG [1，m)是加权指数。
[0178] 在一实施例中，所述聚类划分单元，还用于建立带钢热连乳过程变量与出口厚度 的解析关系。
[0179] 在一实施例中，所述聚类划分单元，具体还用于针对每一类数据，利用核潜结构投 影KPLS方法对过程变量X和质量变量Y分别进行建模，所述过程变量包括所述数据组。
[0180] 在一实施例中，所述实时划分单元，包括：
[0181 ]第一确定模块，用于利用KPLS回归算法，产生k(k = 1，…，4)个模态，确定每个模态 相应的回归系数矩阵，:其中，i表示第k个模态对应的历史样本数据类别，i = 1，…，k)
[0182] 预测模块，用于对于实时获取的数据组&?，利用相应的均值和协方差信息对数据 进行归一化，得到预测质量变量值：；其中，x_表示新的实时在线采集的 数据矩阵，T表示矩阵的转置，i表示第k个模型对应的历史样本数据类别；
[0183] 先验模块，用于利用先验概率公式：汽x"nr|/) = _叫的1 -yflj I# -#||￡,确 定Xne3W属于第i类的先验概率，其中，i = i，…，k;yf代表第i类历史样本数据的第j个样本， 巧1代表第i类历史样本数据第j个样本的预测值；
[0184] 后验模块，用于根据贝叶斯公式，确定后验概率： 其中， P(i)为第i类的样本个数与总的样本个数之比；
[0185] 实时划分模块，用于将^?划分到后验概率最大的那一类。
[0186] 在一实施例中，所述故障诊断单元，包括：
[0187] 合成模块，用于将基于KPLS方法的两种质量相关的检测指标T2和Q合成为一个指 标小，用于故障检测;其中，T2表示HotellingT 2统计，检测的是与质量变量直接相关的故障， Q表示统计学中的Q统计，检测的是过程噪声；
[0188] 诊断模块，用于利用贡献率法实现质量相关的故障诊断问题。
[0189] 本发明实施例提供的带钢热连乳质量的故障检测装置，利用带钢热连乳现场采集 到的大量的能够反映生产过程的数据建立了生产过程变量与最终产品质量厚度之间的关 系，为生产过程监测、诊断并监控产品的质量提供重要的理论支撑与技术支持。解决了现有 技术中产品质量往往是由较为熟练的操作工人凭借自己的经验控制，使得生产过程的稳定 性和安全性不能得到保证，一旦发生故障，仅靠延迟滞后的反馈控制策略很难保证产品质 量的问题。
【主权项】
1. 一种带钢热连乳质量的故障诊断方法，其特征在于，包括： 采集带钢热连乳生产过程中的历史样本数据，所述历史样本数据包括带钢热连乳以往 的生成生产过程中的数据组，所述数据组包括辊缝、乳制力、弯辊力以及机架出口厚度； 基于所述历史样本数据进行聚类划分得到多个模态，并对应于每个模态建立模型； 实时获取带钢热连乳当前生产过程中的数据组，并将实时获取的数据组中的数据划分 到对应的模态中； 对应于每个模态中的数据，基于检测指标以及每个模态对应的模型进行故障诊断。2. 根据权利要求1所述的方法，其特征在于，所述基于所述历史样本数据进行聚类划分 得到多个模态，包括： 根据隶属度矩阵以及聚类中心与数据点之间的欧式距离，构建核模糊c-聚类KFCC算法 的第一目标函数，隶属度矩阵中各元素取值为[〇，1]之间； 根据第一目标函数以及约束式的拉格朗日乘子构建第二目标函数以获取第二目标函 数达到最小值的必要条件； 根据所述第一目标函数、所述第二目标函数以及所述第二目标函数达到最小值的必要 条件，采用引入类间-类内划分BWP指标确定最佳模态数，输出聚类结果，所述聚类结果包括 有效性指标值和最佳聚类数。3. 根据权利要求2所述的方法，其特征在于，所述第一目标函数：其中，U为隶属度矩阵，Uij的取值为[0,1]之间，ci为模糊组i的聚类中心，dij= | | ci-xj | 为第i个聚类中心与第j个数据点间的欧式距离，^为第j个数据点，me [l，m)是加权指数。4. 根据权利要求2所述的方法，其特征在于，所述第二目标函数：其中，\(j = l，...，n)是式的η个约束式的拉格朗日乘子，Cl为模糊 组i的聚类中心，Uij是隶属度矩阵U中的元素，Uij的取值为[0,1]之间，dij= | | ci-xj | |为第i 个聚类中心与第j个数据点间的欧式距离，^为第j个数据点，me [l，m)是加权指数。5. 根据权利要求2所述的方法，其特征在于，所述第二目标函数达到最小值的必要条件 为：和其中，(^为模糊组i的聚类中心，Ulj是隶属度矩阵U中的元素，1?的取值为[0，1]之间， 为第j个数据点，c^= | |Cl-Xj| |为第i个聚类中心与第j个数据点间的欧式距离，dkj= | |Ck-Xj I I为第k个聚类中心与第j个数据点间的欧式距离，me [l，cx〇是加权指数。6. 根据权利要求1所述的方法，其特征在于，所述对应于每个模态建立模型，包括： 建立带钢热连乳过程变量与出口厚度的解析关系。7. 根据权利要求6所述的方法，其特征在于，所述建立带钢热连乳过程变量与出口厚度 的解析关系，包括： 针对每一类数据，利用核潜结构投影KPLS(Kernel Partial Least Squares，核潜结构 投影)方法对过程变量X和质量变量Y分别进行建模，所述过程变量包括所述数据组。8. 根据权利要求1所述的方法，其特征在于，所述将所述实时数据组中的数据划分到对 应的模态中，包括： 利用KPLS回归算法，产生k(k = 1，…，4)个模态，确定每个模态相应的回归系数矩阵 ，其中，i表示第k个模态对应的历史样本数据类别，i = 1，…，k) 对于实时获取的数据组Xnm，利用相应的均值和协方差信息对数据进行归一化，得到预 测质量变量值;其中，^_表示新的实时在线采集的数据矩阵，T表示矩 阵的转置，i表示第k个模型对应的历史样本数据类别； 利用先验概率公式:|，) = /^>(|的:丨,-叫丨# -y^，确定Xnew属于第i类的先验概率，其中，i = l，〃_，k;yf代表第i类历史样本数据的第j个样本，代表第i类历史样 本数据第j个样本的预测值； 根据贝叶斯公式，确定后验概率： '其中，P(i)为第i类的样本 个数与总的样本个数之比； 将χη?划分到后验概率最大的那一类。9. 根据权利要求1所述的方法，其特征在于，所述对应于每个模态中的数据，基于检测 指标以及每个模态对应的模型进行故障诊断，包括： 将基于KPLS方法的两种质量相关的检测指标Τ2和Q合成为一个指标Φ，用于故障检测； 其中，Τ2表示HotellingT2统计，检测的是与质量变量直接相关的故障，Q表示统计学中的Q统 计，检测的是过程噪声； 利用贡献率法实现质量相关的故障诊断问题。10. -种带钢热连乳质量的故障诊断装置，其特征在于，包括： 采集单元，用于采集带钢热连乳生产过程中的历史样本数据，所述历史样本数据包括 带钢热连乳以往的生成生产过程中的数据组，所述数据组包括辊缝、乳制力、弯辊力以及机 架出口厚度； 聚类划分单元，用于基于所述历史样本数据进行聚类划分得到多个模态，并对应于每 个模态建立模型； 实时划分单元，用于实时获取带钢热连乳当前生产过程中的数据组，并将实时获取的 数据组中的数据划分到对应的模态中； 故障诊断单元，用于对应于每个模态中的数据，基于检测指标以及每个模态对应的模 型进行故障诊断。
【文档编号】G05B23/02GK105929812SQ201610239389
【公开日】2016年9月7日
【申请日】2016年4月18日
【发明人】彭开香, 马亮, 董洁, 张凯
【申请人】北京科技大学