CN103406364A - 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 - Google Patents
一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 Download PDFInfo
- Publication number
- CN103406364A CN103406364A CN201310326469XA CN201310326469A CN103406364A CN 103406364 A CN103406364 A CN 103406364A CN 201310326469X A CN201310326469X A CN 201310326469XA CN 201310326469 A CN201310326469 A CN 201310326469A CN 103406364 A CN103406364 A CN 103406364A
- Authority
- CN
- China
- Prior art keywords
- robust
- partial
- overbar
- data
- regression
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及一种热轧带钢厚度预测方法。
背景技术
在许多工业领域,如化工生产、造纸和炼油等,对于可测数据和生产质量变量之间的回归关系分析有助于生产过程的控制和监测。一种合适的回归模型可以作为软测量工具,协助过程工程师预测最终生产质量,这对于生产过程的控制、优化和错误诊断具有重要的意义。
带钢热轧机的主要关键性能指标(KPI)是带钢的厚度、宽度和形状,其中,厚度是带钢质量和钢铁生产产率的决定因素。在轧机的巨大轧制压力下,通过简单设置工作轧辊之间的距离来获取想要的带钢厚度的方法是无法得到保证的。在前几个精轧机超过3000吨的轧制压力下轧机机架在钢条进入设备后会形成多大半英寸的向外伸展。因此,根据运行状态预测带钢最终的厚度至关重要,可以达到精确尺寸控制的目的。
预测厚度最可靠的方法是建立分析模型,然而一方面精确的分析模型是无法获得的或建模过程是极其消耗时间的,另一方面如今钢铁工业中的许多生产者建立了大型的数据库用于存储可测量的过程信息。
发明内容
本发明为了解决现有预测厚度的方法存在精确的分析模型是无法获得的或建模过程是极其消耗时间的的问题,从而提供一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法。
一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法,它包括如下步骤:
步骤一:监测7台精轧机的工作数据获得观测变量(xi,yi),并根据观测变量(xi,yi)定义输入数据矩阵X和输出数据矩阵Y,计算鲁棒加权因子初值ωi;
所述精轧机的工作数据包括每台精轧机的工作轧辊平均间距,每台精轧机总压力,每台精轧机工作轧辊卷曲力;
步骤五:判断第k次回归系数B和第k-1次的回归系数B的估计误差是否小于设定阈值,若小于则进入步骤六,若不小于则更新鲁棒加权因子ωi并返回步骤四;
步骤六:获取回归系数B并确定偏最小二乘回归模型即为热轧带钢厚度预测结果。
附图说明
图1为本发明一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法的流程图。
具体实施方式
具体实施方式一、结合图1说明本具体实施方式。一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法,它包括如下步骤:
步骤一:监测7台精轧机的工作数据获得观测变量(xi,yi),并根据观测变量(xi,yi)定义输入数据矩阵X和输出数据矩阵Y,计算鲁棒加权因子初值ωi;
所述精轧机的工作数据包括每台精轧机的工作轧辊平均间距,每台精轧机总压力,每台精轧机工作轧辊卷曲力;
步骤三:根据步骤二获得的偏最小二乘回归模型和回归系数B,计算更新后的鲁棒加权因子ωi;
步骤五:判断第k次回归系数B和第k-1次的回归系数B的估计误差是否小于设定阈值,若小于则进入步骤六,若不小于则更新鲁棒加权因子ωi并返回步骤四;
具体实施方式二、本具体实施方式一不同的是所述步骤一:监测7台精轧机的工作数据获得观测变量(xi,yi),并根据观测变量(xi,yi)定义输入数据矩阵X和输出数据矩阵Y,计算鲁棒加权因子初值ωi的过程为:
7台精轧机的工作数据获得观测变量(xi,yi),其中:
xi为输入数据X的第i个行向量,xi1,...,xi7分别为每台精轧机的工作轧辊平均间距,xi8,...,xi14分别为每台精轧机总压力,xi15,...,xi21分别为每台精轧机工作轧辊卷曲力;yi为最终出口热轧带钢厚度;
其中,n为样本总量:
其中:
其中公式右侧为Fair函数f(z,c),表达式为:
其中c为调整常数,取c=4;
具体实施方式三、本具体实施方式与具体实施方式一或二不同的是所述步骤二:对观测变量(xi,yi)进行加权处理获得预测数据并对预测数据进行偏最小二乘分析,获得预测数据的偏最小二乘模型偏最小二乘回归模型和回归系数B的过程为:
对加权观测数据进行偏最小二乘分析,得到加权之后的最小二乘模型:
对加权之后的最小二乘模型进行经典偏最小二乘回归分析,得到
其中B为回归系数;
其中
其中
ri=yi-tiq
具体实施方式五、本具体实施方式与具体实施方式一不同的是步骤五所述设定阈值为10-2。
具体实施例:本具体实施例用于对比改进型偏鲁棒M回归算法mPRM与偏最小二乘估计PLS、偏鲁棒M回归方法PRM的仿真对比。
首先将N=1000组无异常点的数据样本(x0i,y0i)分成两部分:一部分为样本(xi,yi)数量为n,用于估计回归系数B,其中将加入异常点;另一部分为样本(xvi,yvi)数量为Nrep=N-n,用于验证预测准确度。
假设得分矩阵(T0)N×h和矩阵(P0)p×h满足T0,P0~N(3,1)。数据矩阵(X0)N×p由X0=T0P0 T计算得到,X0的变量之间将会有很好的线性关系。相应的输出矩阵Y0满足
Y0=X0B0=T0P0 TB0
其中Β0是回归系数,不妨设定Β0~N(3,1)。为了计算预计输出的精确性,我们采用均方差(MSE)概念,均方差值越小,则说明预测模型输出的准确性越高。
表1
表1所示为三种方法偏最小二乘估计PLS,偏鲁棒M回归方法PRM,改进型偏鲁棒M回归算法mPRM在存在异常点情况下的性能。根据S.Serneel等在“Partial robustM-regression”一文所提出的仿真方法,分别对于三组不同的(n,p,h)重复六种不同的误差分布(标准正态分布,拉式分布,t5分布,t2分布,柯西分布以及斜线分布)进行仿真。
从表1中可以看出,偏最小二乘估计PLS在噪声服从标准正态分布的情况下,均方差始终是最小的,但是当噪声服从非对称分布的时候,偏最小二乘估计PLS的优势就没有了,反而其均方差会变得非常大。偏鲁棒M回归方法PRM和改进型偏鲁棒M回归算法mPRM对于非对称分布噪声的均方差则始终很小,对于前四种误差,偏鲁棒M回归方法PRM略胜一筹,但是最后两个分布的情况下,改进型偏鲁棒M回归算法mPRM则比偏鲁棒M回归方法PRM好。
为了进一步比较改进型偏鲁棒M回归算法mPRM和偏鲁棒M 回归方法PRM的性能,设定(n,p,h)为(100,5,2),噪声服从标准正态分布,将观测数据中的5%,10%,15%,20%和25%的正常点替换为异常点,异常点服从N(35,0.2),从而一定比例的杠杆异常点就被加入到了观测数据中。表2显示了仿真结果。
表2
从表2中可以看出,偏最小二乘估计PLS对于任意比例的杠杆异常点都不具备良好的鲁棒性;偏鲁棒M回归方法PRM在15%以下的异常点情况下保持良好的鲁棒性,但是随着异常点比例的增加,偏鲁棒M回归方法PRM的鲁棒性会大幅下降;改进型偏鲁棒M回归算法mPRM在所有考虑的比例条件下,均保持极好的鲁棒性。
Claims (5)
1.一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法,其特征在于它包括如下步骤:
步骤一:监测7台精轧机的工作数据获得观测变量(xi,yi),并根据观测变量(xi,yi)定义输入数据矩阵X和输出数据矩阵Y,计算鲁棒加权因子初值ωi;
所述精轧机的工作数据包括每台精轧机的工作轧辊平均间距,每台精轧机总压力,每台精轧机工作轧辊卷曲力;
步骤五:判断第k次回归系数B和第k-1次的回归系数B的估计误差是否小于设定阈值,若小于则进入步骤六,若不小于则更新鲁棒加权因子ωi并返回步骤四;
2.根据权利要求1所述的一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法,其特征在于所述步骤一:监测7台精轧机的工作数据获得观测变量(xi,yi),并根据观测变量(xi,yi)定义输入数据矩阵X和输出数据矩阵Y,计算鲁棒加权因子初值ωi的过程为:
7台精轧机的工作数据获得观测变量(xi,yi),其中:
xi为输入数据X的第i个行向量,xi1,...,xi7分别为每台精轧机的工作轧辊平均间距,xi8,...,xi14分别为每台精轧机总压力,xi15,...,xi21分别为每台精轧机工作轧辊卷曲力;yi为最终出口热轧带钢厚度;
其中,n为样本总量:
其中:
其中公式右侧为Fair函数f(z,c),表达式为:
其中c为调整常数,取c=4;
5.根据权利要求1所述的一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法,其特征在于步骤五所述设定阈值为10-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310326469.XA CN103406364B (zh) | 2013-07-31 | 2013-07-31 | 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310326469.XA CN103406364B (zh) | 2013-07-31 | 2013-07-31 | 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103406364A true CN103406364A (zh) | 2013-11-27 |
CN103406364B CN103406364B (zh) | 2015-04-22 |
Family
ID=49599431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310326469.XA Expired - Fee Related CN103406364B (zh) | 2013-07-31 | 2013-07-31 | 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103406364B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537449A (zh) * | 2014-11-10 | 2015-04-22 | 辽宁大学 | 一种基于d_s证据理论信息重构的热连轧板厚预测方法 |
CN106570325A (zh) * | 2016-11-04 | 2017-04-19 | 西南大学 | 一种基于偏最小二乘法的乳腺细胞异常检测方法 |
CN106649202A (zh) * | 2016-12-07 | 2017-05-10 | 宁波大学 | 基于多样性变量加权plsr模型的工业过程软测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1181992A2 (de) * | 2000-08-18 | 2002-02-27 | BFI VDEh- Institut für angewandte Forschung GmbH | Mehrgrössen-Planheitsregelungssystem |
EP1195205A2 (en) * | 2000-10-03 | 2002-04-10 | Alcoa Inc. | Sixth order actuator and mill set-up system for rolling mill profile and flatness control |
CN1902464A (zh) * | 2003-12-31 | 2007-01-24 | Abb股份有限公司 | 用于测量、确定和控制金属带材平直度的方法和设备 |
CN101208161A (zh) * | 2005-06-08 | 2008-06-25 | Abb公司 | 优化带材轧制中的平整度控制的方法及装置 |
CN102500624A (zh) * | 2011-10-18 | 2012-06-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢平直度的鲁棒优化控制***及方法 |
-
2013
- 2013-07-31 CN CN201310326469.XA patent/CN103406364B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1181992A2 (de) * | 2000-08-18 | 2002-02-27 | BFI VDEh- Institut für angewandte Forschung GmbH | Mehrgrössen-Planheitsregelungssystem |
EP1195205A2 (en) * | 2000-10-03 | 2002-04-10 | Alcoa Inc. | Sixth order actuator and mill set-up system for rolling mill profile and flatness control |
CN1902464A (zh) * | 2003-12-31 | 2007-01-24 | Abb股份有限公司 | 用于测量、确定和控制金属带材平直度的方法和设备 |
CN101208161A (zh) * | 2005-06-08 | 2008-06-25 | Abb公司 | 优化带材轧制中的平整度控制的方法及装置 |
CN102500624A (zh) * | 2011-10-18 | 2012-06-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢平直度的鲁棒优化控制***及方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537449A (zh) * | 2014-11-10 | 2015-04-22 | 辽宁大学 | 一种基于d_s证据理论信息重构的热连轧板厚预测方法 |
CN104537449B (zh) * | 2014-11-10 | 2017-11-14 | 辽宁大学 | 一种基于d_s证据理论信息重构的热连轧板厚预测方法 |
CN106570325A (zh) * | 2016-11-04 | 2017-04-19 | 西南大学 | 一种基于偏最小二乘法的乳腺细胞异常检测方法 |
CN106649202A (zh) * | 2016-12-07 | 2017-05-10 | 宁波大学 | 基于多样性变量加权plsr模型的工业过程软测量方法 |
CN106649202B (zh) * | 2016-12-07 | 2019-04-09 | 宁波大学 | 基于多样性变量加权plsr模型的工业过程软测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103406364B (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hyndman | Measuring forecast accuracy | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
Dehning et al. | Factors influencing the energy intensity of automotive manufacturing plants | |
CN107423496B (zh) | 一种新的降雨事件随机生成方法 | |
CN103678858A (zh) | 一种存在竞争失效条件下的设备剩余寿命预测方法 | |
CN103406364B (zh) | 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 | |
Geng et al. | A new fuzzy process capability estimation method based on kernel function and FAHP | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及*** | |
CN105868164A (zh) | 一种基于有监督的线性动态***模型的软测量建模方法 | |
CN104698976A (zh) | 一种预测控制模型性能下降的深度诊断方法 | |
CN106021685A (zh) | 一种考虑测量误差的退化可靠性分析方法 | |
CN104267610A (zh) | 高精度的高炉冶炼过程异常数据检测及修补方法 | |
CN106326525A (zh) | 基于广义可加模型的热轧变形抗力预报方法 | |
CN112862164A (zh) | 基于动态神经网络时间序列预测的干式离合器温度预测法 | |
CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
CN103163864B (zh) | 机械设备状态评估的优化方法 | |
CN102914970B (zh) | 工业过程控制***中不能直接测量的性能参数的在线数据驱动估计方法 | |
Darmawan et al. | Comparison between ANN and multiple linear regression models for prediction of warranty cost | |
CN116384732A (zh) | 场站管道风险智能评估方法、***、存储介质及计算设备 | |
CN112685912B (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
US10394255B2 (en) | Diagnostic device and method for monitoring frictional behavior in a control loop | |
Pourbakhshian et al. | Stochastic modeling to prediction of river morphological changes | |
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 | |
CN105389406B (zh) | 基于故障的单位加权累计数的整车设计可靠性评估方法 | |
CN113919204A (zh) | 一种多状态制造***可用性综合重要度分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150422 Termination date: 20210731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |