CN109675935B - 一种变控制限的ipca轧制过程在线故障诊断方法 - Google Patents
一种变控制限的ipca轧制过程在线故障诊断方法 Download PDFInfo
- Publication number
- CN109675935B CN109675935B CN201910166635.1A CN201910166635A CN109675935B CN 109675935 B CN109675935 B CN 109675935B CN 201910166635 A CN201910166635 A CN 201910166635A CN 109675935 B CN109675935 B CN 109675935B
- Authority
- CN
- China
- Prior art keywords
- principal component
- data
- matrix
- fault
- diagnosis
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 120
- 238000005096 rolling process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 62
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 9
- 239000010959 steel Substances 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 61
- 238000005070 sampling Methods 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013000 roll bending Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005097 cold rolling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 238000005098 hot rolling Methods 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
- 238000003825 pressing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于轧制过程故障诊断领域,具体涉及一种变控制限的IPCA轧制过程在线故障诊断方法。该在线故障诊断方法通过实时数据对轧制过程故障进行在线识别与诊断,从而满足生产连续性及稳定性要求,减少检修时间,提高轧钢过程产品的产量与质量;通过增量主元分析方法(IPCA)在线更新正常历史训练数据的诊断模型以及统计量控制限,将已诊断但未出现故障的在线数据扩展到诊断模型中,以适应轧制过程当前的生产状态,提高故障诊断准确率。
Description
技术领域
本发明属于轧制过程故障诊断技术领域,具体涉及一种变控制限的IPCA轧制过程在线故障诊断方法。
背景技术
随着轧制过程自动化、信息化程度越来越高,轧制过程的控制水平已经有了很大的提高。但是由于轧制过程高温、高压、高速及生产环境异常复杂的原因,导致轧制过程的故障发生率较高,与此同时轧制过程是对生产连续性要求最高的生产过程之一,因此对轧制过程进行在线故障诊断具有很重要的意义。
近年来,国内外研究者针对如何对轧制过程进行故障诊断进行了研究,他们在寻找建立更精确的***模型的同时,试图从控制的角度来研究轧制过程故障诊断问题。POSCO株式会社和东芝三菱电机产业株式会社等在专利(CN 1502424A)“带钢热精轧中的故障诊断设备和方法”中利用与轧制过程与控制条件相关的预设数据和实时数据、表示控制和物理现象的方程模型、以及基于操作经验构建的数据库来诊断带钢精轧中的厚度缺陷。由于带钢热轧机的厚度缺陷是由多种因素导致的,轧制过程的模型、操作经验在一定误差范围内是准确的,该方法在后续对此进行了改进,但依旧是模型估计与人工经验的诊断结果。由于轧制过程非线性,多耦合及环境复杂性导致对轧制过程建模过程依旧存在着不够准确,难以保证对不同的***具备相同的准确度,所以依据模型对轧制过程进行故障诊断极度依赖模型的准确性,而模型的准确性又难以保证。人工经验故障诊断依赖人类的观察对以往设备故障的经验,然而经验往往不能做到每次都准确。同时***也存在着目前人工经验尚未接触的情况。
邓辉等人在专利(CN 106607461 A)“轧机液压AGC故障诊断专家***”中建立了一种冷轧机液压AGC故障诊断专家***,充分利用高速发展的软硬件技术及网络优势,将通过现场采集的或通过网络采集的数据分析与处理后送到云专家服务器,能够更加发挥专家***的优势,从而提高冷轧机液压AGC***的可靠性。而这种技术主要依靠强大的软硬件支持,通过专家***实现轧机液压AGC故障诊断。然而强大的软硬件支持意味着更高的成本,高额的成本即便使得准确率得到了提升,其效果也是微弱的。
张羽在其论文《PLS及其改进方法在轧制过程故障诊断中的应用研究》把PLS及其改进方法用于轧制过程故障诊断的过程中;聂新雨在其论文《基于信息融合的轧制过程故障诊断方法研究》中结合轧制过程的故障特点设计了一个三级信息融合故障诊断***,重点对精轧机组的活套***、监控AGC和动态轧制温度控制***的故障诊断进行研究,最终实现了有效的故障诊断过程。但其故障诊断的对象主要是活套***,监控AGC和动态轧制温度控制***,并且他们的故障诊断准确率极度依赖训练样本的选择,均未实现在线故障诊断的效果,即均未实现利用历史诊断数据及结果提高后续诊断的准确率。
发明内容
针对上述技术问题,本发明提供一种变控制限的IPCA轧制过程在线故障诊断方法。该诊断方法基于实时数据,有效利用了轧制过程存在并可采集的大量数据,通过实时数据对轧制过程进行在线故障诊断,满足轧制生产过程的连续性,缩短检修时间,提高产品质量;并且该诊断方法不需要建立轧制过程的准确模型,只需要在一定范围内筛选质量正常数据及其他数据建立训练诊断模型。在线诊断时,输入对应实时数据即可完成轧制过程故障诊断,输出各变量对故障的贡献率。
本发明是通过以下技术方案实现的:
一种变控制限IPCA轧制过程在线故障诊断方法,包括训练诊断模型阶段和在线诊断阶段,具体为:
训练诊断模型阶段:根据产品质量因素筛选正常工况下的历史数据,将正常工况下的历史数据作为训练数据,建立正常工况下训练数据的主元诊断模型,并计算所述主元诊断模型的控制限;
在线诊断阶段:在每一个采样周期中对采样点数据进行处理后,代入所述主元诊断模型中,分别计算Hotelling T2统计量及SPE统计量;在线故障诊断时,将所述HotellingT2统计量和所述SPE统计量与所述训练诊断模型阶段中计算获得的主元诊断模型的控制限进行对比;根据对比结果判断是否发生故障,如果故障发生,进行故障报警;如果故障未发生,通过增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差。
进一步地,所述正常工况下的历史数据是指带钢轧制过程正常运行状态下各传感器采集到的数据。其中,正常工况是指在***正常运行的同时,与产品质量相关的数据如带钢厚差、凸度、板型等各项指标在误差允许的范围内波动。除与产品质量相关的数据之外,还需要筛选出包括轧制速度、辊缝、电流、轧制力、弯辊力、轧制力差等***状态数据或其他参数等。
进一步地,在训练诊断模型阶段,建立主元诊断模型并计算所述主元诊断模型的控制限,具体包括:
(1)采集并选取正常工况下的历史数据作为训练数据;
(2)对所述训练数据进行中心化处理,然后计算中心化处理后数据的二次型矩阵C;
其中,中心化处理公式为:
对中心化处理后数据进行二次型矩阵处理,计算公式为:
对二次型矩阵进行特征值分解,获得主元模型,求得m个特征值,按由大到小排列λ1,λ2,...,λm,对应的单位特征向量为P1,P2,...,Pm,特征矩阵U=[P1,P2,...,Pm];
(3)对二次型矩阵C进行主元分析建模过程,根据方差贡献率法,由于最大特征值对应的主元按比例也包含着最大的信息,当前l个特征值之和超过特征值总和的一定阈值时,认为之后的特征值对主元模型的影响可以忽略,此时将原始数据矩阵降到l维,从而确定出主元的个数l,主元贡献率百分比的计算公式为:
当前l个主元的累计贡献率的百分比超过一个阈值后,对应的l值就是主元的个数,所述阈值选取在85%-95%;
(5)利用Hotelling T2和SPE两个统计量,计算出不同类别主元诊断模型各自的Hotelling T2统计量和SPE统计量在置信度为α下的控制限LimT2和LimQ,并分类保存。
进一步地,Hotelling T2统计量在显著性水平α下的控制限,计算公式为:
其中Fα(l,n-l)指自由度为l和(n-l)的F分布上的α临界点。
SPE统计量在显著性水平α下的控制限,计算公式为:
进一步地,所述在线诊断阶段,具体为:
(1)采集实时待诊断检测数据,第i个采样点样本数据为yi;
(2)对采样点样本数据yi进行中心化处理,获得中心化处理:
yi是中心化后的样本数据,μ是训练数据对应分类的平均值,σ是训练数据对应分类的方差;
(3)将中心化后的样本数据yi代入对应的主元诊断模型中,计算Hotelling T2统计量和SPE统计量;
第i个采样点Hotelling T2统计量计算公式为:
Λ是l个主元对应的特征值构成的对角方阵,Λ∈Rl×l;
第i个采样点SPE统计量计算公式为:
I是l×l的单位阵;
(4)将第i个采样点的Hotelling T2和SPE两个统计量与控制限LimT2及LimQ对比;
如果Ti 2>LimT2或Qi>LimQ,且连续N个点超限,即Ti 2,Ti+1 2,...,Ti+N-1 2>LimT2或Qi,Qi+1,...,Qi+N-1>LimQ,则第i个采样点发生故障,进行故障报警;其中N的大小能够根据***需要调节;
否则,第i个采样点未发生故障,不进行报警,则本采样周期***内数据正常,将本采样周期的数据加入训练主元诊断模型中,采用增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差。
进一步地,当故障发生时,除了进行故障报警,还包括根据各变量对统计量的贡献确定故障的原因,进而为后续故障定位,具体包括:
如果Ti 2,Ti+1 2,...,Ti+N-1 2>LimT2,进行故障报警时,按贡献图法确定各变量对故障的贡献度,第j个观测变量对Hotelling T2统计量的贡献度的计算公式为:
如果Qi,Qi+1,...,Qi+N-1>LimQ,进行故障报警时,按贡献图法确定各变量对故障的贡献度,第j个观测变量对SPE统计量的贡献计算公式:
本发明的有益技术效果:
本发明提供一种变控制限的IPCA轧制过程在线故障诊断方法,具有在线故障诊断的优势:将在线诊断后的正常数据加入训练数据集中,通过适应最近轧制状态及扩大训练集的方法,提高轧制过程在线故障诊断的准确率。
并且,本发明所述方法从数据驱动角度出发,不需要建立轧制过程的准确数学物理模型,可以只通过实际生产数据对轧制过程运行状态做进行状态监测和故障诊断。并且通过增量主元方法对历史数据主元模型不断进行,提高了训练诊断数据的数据量及准确性,增强了对实时生产状态的适应性。与传统的机理模型及经验诊断方法相比,建模难度小,实现难度低,准确率高。与基于数据的传统离线故障诊断方法相比,满足在线诊断的实时性,满足了轧制过程对生产连续性的要求;提高了训练数据量,更新了训练数据主元模型,同时也提高了故障诊断的准确率。
附图说明
图1为本发明实施例中一种变控制限的IPCA轧制过程在线故障诊断方法流程图;
图2为本发明实施例中变控制限的IPCA轧制过程在线故障诊断Hotelling T2统计量控制图;
图3为本发明实施例中变控制限的IPCA轧制过程在线故障诊断Q统计量控制图;
图4为本发明实施例中变控制限的IPCA轧制过程在线故障诊断Hotelling T2统计量贡献图;
图5为本发明实施例中变控制限的IPCA轧制过程在线故障诊断Q统计量贡献图;
图6为现有技术中PCA轧制过程在线故障诊断Hotelling T2统计量控制图;
图7为现有技术中PCA轧制过程在线故障诊断Q统计量控制图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本实施例提供一种变控制限的IPCA轧制过程在线故障诊断方法,如图1所示,包括训练诊断模型阶段和在线诊断阶段,具体为:
训练诊断模型阶段:根据产品质量因素筛选正常工况下的历史数据,将正常工况下的历史数据作为训练数据,建立正常工况下训练数据的主元诊断模型,并计算所述主元诊断模型的控制限;
在线诊断阶段:在每一个采样周期中对采样点数据进行处理后,代入所述主元诊断模型中,分别计算Hotelling T2统计量及SPE统计量;在线故障诊断时,将所述HotellingT2统计量和所述SPE统计量与所述训练诊断模型阶段中计算获得的主元诊断模型的控制限进行对比;根据对比结果判断是否发生故障,如果故障发生,进行故障报警;如果故障未发生,通过增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差。
本实施例提供的方法从实时数据驱动的角度出发,研究轧制过程在线故障诊断方法。以某钢厂热连轧生产线精轧机组为例,精轧机组由6个机架组成,分别是F1、F2、…、F6。本实施例以精轧末端机架出口也就是F6机架的轧制过程为对象进行研究。训练主元诊断模型阶段选取出口厚差作为质量评估标准,按照实际厚差±10um,选取1270组正常工况数据作为训练数据,本实例数据变量包括轧制速度,辊缝,电流、轧制力、弯辊力,轧制力差,此时变量数即维度n=6。
对数据进行中心化处理公式为:
对中心化处理后数据进行二次型矩阵处理,计算公式为:
对二次型矩阵进行特征值分解,获得主元模型,求得m个特征值,按由大到小排列λ1,λ2,...,λm,对应的单位特征向量为P1,P2,...,Pm,特征矩阵U=[P1,P2,...,Pm];
接着确定主元的个数,由于不同方法最后得到的主元个数几乎是相同的,所以本文采用其中一种最常用的方法,方差贡献率法(Cumulative percent variance,CPV)。这种方法是根据每个主元对应的特征值和总特征值的比值来判断,根据方差贡献率法,由于最大特征值对应的主元按比例也包含着最大的信息,当前l个特征值之和超过特征值总和的一定阈值时,认为之后的特征值对主元模型的影响可以忽略,此时将原始数据矩阵降到l维,从而确定出主元的个数l,确定主元贡献率百分比的计算公式为:
当前l个主元的累计贡献率的百分比超过一个阈值后,一般选取85%-95%时,对应的l值就是主元的个数;
同时,求解Hotelling T2统计量在显著性水平α下的控制限,其计算公式为:
其中Fα(l,n-l)指自由度为l和(n-l)的F分布上的α临界点。
SPE统计量在显著性水平α下的控制限按Jackson和Mudholkard的方法来近似,其计算公式为:
实时诊断阶段,按采样时间40m采集一组数据y,采样数据观测变量依然包括轧制速度,辊缝,电流、轧制力、弯辊力,轧制力差,首先需要的依旧是数据中心化,其计算公式为:
Λ是l个主元对应的特征值构成的对角方阵,Λ∈Rl×l。
第i个采样点SPE统计量计算公式为:
I是l×l的单位阵。
将第i个采样点的Hotelling T2和SPE两个统计量与控制限LimT2及LimQ对比;
如果Ti 2>LimT2或Qi>LimQ,且连续N个点超限,即Ti 2,Ti+1 2,...,Ti+N-1 2>LimT2或Qi,Qi+1,...,Qi+N-1>LimQ,则第i个采样点发生故障,进行故障报警;其中N的大小能够根据***需要调节;
否则,第i个采样点未发生故障,不进行报警,则本采样周期***内数据正常,将本采样周期的数据加入训练主元诊断模型中,采用增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差。
当故障发生时,除了进行故障报警,还包括根据各变量对统计量的贡献确定故障的原因,进而为后续故障定位,具体包括:
如果Ti 2,Ti+1 2,...,Ti+N-1 2>LimT2,进行故障报警时,按贡献图法确定各变量对故障的贡献度,第j个观测变量对Hotelling T2统计量的贡献度的计算公式为:
如果Qi,Qi+1,...,Qi+N-1>LimQ,进行故障报警时,按贡献图法确定各变量对故障的贡献度,第j个观测变量对SPE统计量的贡献计算公式:
否则第i个采样点发生故障,不进行报警,认为此时工况正常。将本采样周期***内数据正常,将本采样周期的数据加入训练主元诊断模型中,采用增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差。其方法如下:
更新样本的二次型:
其中,C'nn为更新后样本的二次型。
对残差进行单位化得到:
将更新的二次型和载荷向量代入得到:
可得
同理有
最终得到:
至此,一个周期轧制过程数据的状态监测完成。如果该周期未发生故障报警,下一个周期时,用于判断统计量及其控制限的主元模型根据上述增量主元计算方法已经进行更新并发生改变。同时,更新了最新的主元训练数据的个数n在原来的基础上增加1个单位,根据当前的在线数据更新训练集数据的均值、方差和二次型,更新主元载荷矩阵以及二次型的特征值,便于下一周期时使用最新的主元模型。由于主元模型及训练集样本总数发生改变,由控制限的计算公式可以发现,新的周期中训练主元诊断模型的统计量尤其是SPE统计量的控制限也会发生相应改变,即新的主元模型会将上周期***的干扰及外界变化因素考虑到其中,而Hotelling T2统计量的控制限则变化不大,原因是由于Hotelling T2统计量描述的是主元空间的变化,***主要状态未发生改变,因此其控制限也应几乎不变。
本实例采集了一条精轧带钢上述6个变量数据,采样时间40ms,采样数1270,进行事后在线故障诊断验证。事前我们发现第901-1000点出存在压下量数据故障。图2为变控制限的IPCA在线故障诊断方法Hotelling T2统计量控制图,图3为其SPE统计量控制图,图4为其第910个采样点处Hotelling T2统计量贡献图,图5为第910个采样点处SPE统计量贡献图。图6、图7是同样的数据用PCA方法在线(离线)故障诊断的两个统计量的控制图。由Hotelling T2统计量和SPE统计量控制图可以看出轧制过程头尾部分存在误报现象。
Hotelling T2统计量头部点在第1-6、9、10个采样点处超限;而尾部在第1231-1249、1252-1270个采样点处超限;其他部分在第873、880、881、901-1000采样点处超限。按连续三个点超限预报故障,Hotelling T2统计量头部误报点为6个、误报率约0.51%,尾部误报点38个、误报率约3.25%,其他部分超限点减少到0个、误报率约0%,漏报率0%。SPE统计量头部在第1-6、9、12、18、24-27、30、32-34、37-42、48、49个采样点处超限;而尾部在第1249-1270个采样点处超限;其他部分在第901-1000采样点处超限。按连续三个点超限预报故障,SPE统计量头部误报点为19个、误报率约1.62%,尾部误报点22个、误报率约1.88%,其他部分超限点0个、误报率约0%,漏报率0%。
而基本PCA方法Hotelling T2在头部在第1-24个采样点处超限;尾部在第1231-1270个采样点处超限;其他部分在第871-891、894、895、897、899个采样点处超限。按照连续3个点超限预报故障,头部误报点24个、误报率2.05%,尾部误报点40个、误报率3.41%,其他部分超限点21个、误报率约1.80%。在第901-100采样点超限中有4个采样点低于控制限,漏报率4%。而在901-1000采样点出现压下量异常故障,漏报率4%。SPE统计量第1-18个采样点处超限;在尾部第1068、1231-1238(除1234点)、1246-1256、1268-1270个采样点处超限;其他部分在第602、732、830、861、869-881个采样点附近处超出控制限。按照连续3个点超限预报故障,头部误报点18个、误报率1.54%,尾部误报点21个、误报率1.81%其他部分误报点13个、误报率1.11%,漏报率0%。
PCA方法和IPCA方法在相同轧制过程在线故障诊断中的准确率如表1所示,由表可知相比PCA方法,IPCA方法在轧制过程在线故障诊断的上的准确率大大提高。
表1PCA方法和IPCA方法在相同轧制过程在线故障诊断中的准确率
本发明通过将增量主元分析实现了轧制过程在故障诊断。通过将在线诊断完成并且未出现故障的采样数据加入训练集主元诊断模型中,提高诊断诊断模型对当前工况的适用性以及在线故障诊断的准确率,对实际轧制过程在线故障诊断具体实际指导意义。
Claims (4)
1.一种变控制限IPCA轧制过程在线故障诊断方法,其特征在于,包括训练诊断模型阶段和在线诊断阶段,具体为:
训练诊断模型阶段:根据产品质量因素筛选正常工况下的历史数据,将正常工况下的历史数据作为训练数据,建立正常工况下训练数据的主元诊断模型,并计算所述主元诊断模型的控制限;
在线诊断阶段:在每一个采样周期中对采样点数据进行处理后,代入所述主元诊断模型中,分别计算Hotelling T2统计量及SPE统计量;在线故障诊断时,将所述Hotelling T2统计量和所述SPE统计量与所述训练诊断模型阶段中计算获得的主元诊断模型的控制限进行对比;根据对比结果判断是否发生故障,如果故障发生,进行故障报警;如果故障未发生,通过增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差,
其中,所述正常工况下的历史数据是指带钢轧制过程正常运行状态下各传感器采集到的数据;
其中,在训练诊断模型阶段,建立主元诊断模型并计算所述主元诊断模型的控制限,具体包括:
(1)采集并选取正常工况下的历史数据作为训练数据;
(2)对所述训练数据进行中心化处理,然后计算中心化处理后数据的二次型矩阵C;
其中,中心化处理公式为:
对中心化处理后数据进行二次型矩阵处理,计算公式为:
对二次型矩阵进行特征值分解,获得主元模型,求得m个特征值,按由大到小排列λ1,λ2,...,λm,对应的单位特征向量为P1,P2,...,Pm,特征矩阵U=[P1,P2,...,Pm];
(3)对二次型矩阵C进行主元分析建模过程,根据方差贡献率法,由于最大特征值对应的主元按比例也包含着最大的信息,当前l个特征值之和超过特征值总和的一定阈值时,认为之后的特征值对主元模型的影响可以忽略,此时将原始数据矩阵降到l维,从而确定出主元的个数l,主元贡献率百分比的计算公式为:
当前l个主元的累计贡献率的百分比超过一个阈值后,对应l值就是主元的个数,1≤l≤m;所述阈值选取在85%-95%;
(5)利用Hotelling T2和SPE两个统计量,计算出不同类别主元诊断模型各自的Hotelling T2统计量和SPE统计量在置信度为α下的控制限LimT2和LimQ,并分类保存。
3.根据权利要求2所述一种变控制限IPCA轧制过程在线故障诊断方法,其特征在于,所述在线诊断阶段,具体为:
(1)采集实时待诊断检测数据,第i个采样点样本数据为yi;
(2)对采样点样本数据yi进行中心化处理,获得中心化处理:
第i个采样点Hotelling T2统计量计算公式为:
Λ是l个主元对应的特征值构成的对角方阵,Λ∈Rl×l;
第i个采样点SPE统计量计算公式为:
I是l×l的单位阵;
(4)将第i个采样点的Hotelling T2和SPE两个统计量与控制限LimT2及LimQ对比;
如果Ti 2>LimT2或Qi>LimQ,且连续N个点超限,即Ti 2,Ti+1 2,...,Ti+N-1 2>LimT2或Qi,Qi+1,...,Qi+N-1>LimQ,则第i个采样点发生故障,进行故障报警;其中N的大小能够根据***需要调节;
否则,第i个采样点未发生故障,不进行报警,则本采样周期***内数据正常,将本采样周期的数据加入训练主元诊断模型中,采用增量主元分析方法更新所述主元诊断模型的负载变换矩阵、控制限及训练数据均值和方差。
4.根据权利要求3所述一种变控制限IPCA轧制过程在线故障诊断方法,其特征在于,当故障发生时,除了进行故障报警,还包括根据各变量对统计量的贡献确定故障的原因,进而为后续故障定位,具体包括:
如果Ti 2,Ti+1 2,...,Ti+N-1 2>LimT2,进行故障报警时,按贡献图法确定各变量对故障的贡献度,第j个观测变量对Hotelling T2统计量的贡献度的计算公式为:
如果Qi,Qi+1,...,Qi+N-1>LimQ,进行故障报警时,按贡献图法确定各变量对故障的贡献度,第j个观测变量对SPE统计量的贡献计算公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166635.1A CN109675935B (zh) | 2019-03-06 | 2019-03-06 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166635.1A CN109675935B (zh) | 2019-03-06 | 2019-03-06 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109675935A CN109675935A (zh) | 2019-04-26 |
CN109675935B true CN109675935B (zh) | 2020-07-31 |
Family
ID=66197609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910166635.1A Active CN109675935B (zh) | 2019-03-06 | 2019-03-06 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109675935B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333709B (zh) * | 2019-06-19 | 2020-11-20 | 北京科技大学 | 一种轧钢过程故障诊断方法及*** |
CN112578740A (zh) * | 2019-09-30 | 2021-03-30 | 冯恩波 | 一种工业生产过程的故障诊断与处理方法及*** |
CN111061252A (zh) * | 2019-12-24 | 2020-04-24 | 浙江大学 | 一种基于数据驱动的精馏塔智能看板 |
CN111382029B (zh) * | 2020-03-05 | 2021-09-03 | 清华大学 | 基于pca和多维监测数据的主板异常诊断方法及装置 |
CN111832428B (zh) * | 2020-06-23 | 2024-02-23 | 北京科技大学 | 一种应用于冷轧轧机断带故障诊断的数据增强方法 |
CN112287550B (zh) * | 2020-10-30 | 2023-10-03 | 北京科技大学 | 基于主成分分析控制器的带钢头部厚差过程参数优化方法 |
CN113283375A (zh) * | 2021-06-08 | 2021-08-20 | 中国矿业大学 | 一种矿山液压支架***早期故障实时预警方法 |
CN114384424A (zh) * | 2022-01-25 | 2022-04-22 | 山东大学 | 基于数据驱动的电池组早期故障实时诊断方法及*** |
CN116679669B (zh) * | 2023-06-07 | 2024-03-26 | 矿冶科技集团有限公司 | 一种筛分***故障诊断方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
CN104985003A (zh) * | 2015-06-03 | 2015-10-21 | 燕山大学 | 一种基于数据驱动的轧制过程打滑诊断及预测的方法 |
CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
CN107042234A (zh) * | 2017-03-15 | 2017-08-15 | 中冶华天工程技术有限公司 | 基于棒材全流程大数据采集的智能化工艺生产线及生产方法 |
CN108994088A (zh) * | 2018-06-12 | 2018-12-14 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10955818B2 (en) * | 2017-03-20 | 2021-03-23 | University Of Southern California | System and method for extracting principal time series data |
-
2019
- 2019-03-06 CN CN201910166635.1A patent/CN109675935B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
CN104985003A (zh) * | 2015-06-03 | 2015-10-21 | 燕山大学 | 一种基于数据驱动的轧制过程打滑诊断及预测的方法 |
CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
CN107042234A (zh) * | 2017-03-15 | 2017-08-15 | 中冶华天工程技术有限公司 | 基于棒材全流程大数据采集的智能化工艺生产线及生产方法 |
CN108994088A (zh) * | 2018-06-12 | 2018-12-14 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109675935A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109675935B (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
CN111913443A (zh) | 基于相似性的工业设备故障预警方法 | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN114619292A (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
JP3718765B2 (ja) | プラント診断装置 | |
CN110209145B (zh) | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN111045415A (zh) | 一种基于局部概率密度双子空间的多模态过程故障检测方法 | |
CN111474920B (zh) | 一种基于ica与acva的故障检测方法 | |
CN116748352A (zh) | 一种金属弯管机加工参数监测控制方法、***及存储介质 | |
CN114192583B (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和*** | |
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 | |
CN112884205A (zh) | 一种机电设备故障预测方法 | |
CN111291020A (zh) | 基于局部加权线性动态***的动态过程软测量建模方法 | |
CN110288724A (zh) | 一种基于小波函数主元分析的批次过程监测方法 | |
CN112180893B (zh) | Cstr过程中故障相关分布式正交邻域保持嵌入模型的构建方法及其故障监控方法 | |
CN118132996B (zh) | 一种基于工业数字孪生的自适应生产调度优化方法 |
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 |