CN112287550B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112287550B CN112287550B CN202011188389.9A CN202011188389A CN112287550B CN 112287550 B CN112287550 B CN 112287550B CN 202011188389 A CN202011188389 A CN 202011188389A CN 112287550 B CN112287550 B CN 112287550B
- Authority
- CN
- China
- Prior art keywords
- head thickness
- thickness difference
- principal component
- parameters
- component analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 title claims abstract description 66
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 241000277275 Oncorhynchus mykiss Species 0.000 title claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000013072 incoming material Substances 0.000 claims description 6
- 238000012628 principal component regression Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 abstract description 23
- 239000010959 steel Substances 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000012937 correction Methods 0.000 description 5
- 238000005098 hot rolling Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种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,属于轧钢技术领域。该方法首先获取头部厚差参数,通过随机森林算法选出前20%的参数;然后用主成分分析法提取特征,保留特征值贡献率85%的主成分,利用T2和SPE统计量检测头部厚差状况;再通过绘制各参数贡献图确定头部厚差原因;最后用主成分分析控制器优化过程参数,并给出调整量。通过该方法对影响热轧带钢头部厚差的过程参数进行重要度排序和特征提取,再通过控制图和贡献图对头部厚差进行检测和诊断,最终通过主成分分析控制器优化过程参数,可以快速分析头部厚差原因,并优化过程参数使头部厚差回到合理区间。
Description
技术领域
本发明涉及轧钢技术领域,特别是指一种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。
背景技术
在热连轧生产过程中,带钢厚度质量影响后续工序的带钢质量,带钢整体厚度精度主要受带钢头部厚度制约,而头部厚度质量主要决定于厚度设定模型的精度。头部厚度设定模型中的关键参数大多是经过假设或简化,模型计算完成后,都会引入自适应计算模型,进一步对预设定模型进行修正,提高预设定模型精度。
厚度设定模型建立在数学机理模型和统计学模型基础之上,目前广泛应用于热连轧机组模型***中。由于需求方所提订单需求的不同,产品在换辊、换规格、换钢种后轧制情况发生较大变化,原有的厚度设定模型较易出现给定参数不准确的现象,最终导致头部厚度偏差过大。在实际生产过程中,一旦热轧带钢出口头部厚度出现较大偏差,锁定厚度设定模型中相应给定不准确的工艺参数和模型参数是提高头部厚度精度的基本要求之一。
随着传感器和计算机技术的发展,带钢生产过程中采集和存储丰富数据成为可能,基于数据驱动的方法应用于提升热轧带钢头部厚度质量成为可能。对大量生产历史数据采用主成分分析算法进行建模后,发现原有厚度设定模型参数给定不准确或者多个参数之间的相关关系给定不准确导致头部厚度偏差过大。
现有较多的文献对提升厚度精度进行了研究,但主要都是运用统计学的方法,针对单一变量给定不准的问题提升设定模型精度,包括改善变形抗力及温度等自学习系数、精轧入口温度、张力补偿等方法,进而改善轧制力预报精度,以达到改善头部厚度质量的目的。论文《热轧无取向硅钢首块钢头部厚度超差原因及控制对策》(河南冶金,2019)主要介绍了对精轧入口高温计进行调整,运用最小二乘法求解与温度相关的变形抗力修正系数的三个影响因子与轧制力的增量关系以及对各钢种单独建立自学习TRD等,但是这些方法都只考虑了单一变量对提升厚度精度的作用。发明专利《通过张力补偿提升精轧带钢轧制力和厚度精度的综合控制方法》(申请号201310102345.3)通过张力补偿提升精轧带钢轧制力和厚度精度的综合控制方法,但是该方法只考虑了提升在三种不同张力状态下热轧带钢轧制力模型与辊缝模型的设定精度,进而提升厚度精度。上述文献和专利中的方法均未能考虑各变量之间的相关性给定不准确导致的带钢头部厚度偏差过大,容易导致调整一个参数导致各参数均发生变化,进而导致头部厚度偏差较大的状况。
针对优化单一变量以提升轧制力预报模型精度进而提升厚度精度的方法存在的缺陷,在热轧生产过程中,收集生产过程中的轧制过程数据和模型计算输出日志等,对影响热轧带钢头部厚度偏差的过程参数进行重要度排序和主元提取,再通过控制图和贡献图对头部厚差进行检测和厚差原因诊断,最终通过主成分分析控制器优化过程参数。快速自动锁定头部厚度超差的带钢并确定头部厚度超差的原因,最终优化过程参数使头部厚度偏差回归至合理范围内。
发明内容
本发明为了解决上述背景中提到的问题,做到头部厚差的自动精确诊断并对过程参数进行优化,提供一种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。
该方法首先获取影响头部厚差的过程参数,通过随机森林算法挑选出排名20%重要参数建立历史数据集;在此基础上使用主成分分析法进行主元提取,保留特征值贡献率85%的主成分个数,利用T2统计量和SPE统计量及它们的控制限检测头部厚度超差状况;之后通过绘制各变量对统计量的贡献图确定头部厚度超差的原因;最后运用主成分分析控制器优化过程参数,对过程参数进行优化,并给出调整量。
该方法具体包括步骤如下:
(1)获取影响头部厚差的过程参数,通过随机森林算法挑选出排名前20%的参数并建立历史数据集;
(2)对历史数据集进行标准化处理以消除量纲的影响,之后使用主成分分析法进行主元提取,保留特征值贡献率不少于85%的主成分个数并利用T2统计量和SPE统计量检测头部厚度超差状况;
(3)通过绘制各变量对统计量的贡献图确定头部厚度超差的原因;
(4)运用主成分分析控制器优化过程参数,对过程参数进行优化,并给出调整量。
步骤(1)中的过程参数包括粗轧来料参数和精轧厚度设定模型参数,随机森林算法挑选参数公式如下:
Xi(im)=∑(errOOB2-errOOB1)/N
其中:Xi(im)为第i个过程参数的重要性衡量指标;errOOB1为随机森林算法的每棵决策树相应的袋外数据(OOB)的袋外数据误差;errOOB2为随机对袋外数据的所有特征加入噪声干扰后,再次计算的袋外数据误差;选取m(im)个参数作为后续的建模参数,m(im)由下式确定:
m(im)≥Nsum×p
Nsum为原始参数总数,N为随机森林中决策树的数目,p为选取的参数个数和原始参数总数的比值。为了以最少的参数数目保证后续模型的精度,选取该比例值为20%;
步骤(2)中使用通用的Z-score方法对数据进行标准化处理,消除量纲的影响。
标准化处理后对数据进行主元提取的公式如下:
X(im)=TLT+E
其中:X(im)∈Rn×m为重要参数构成的数据集,n为板带序号,m为重要参数个数;T∈Rn×k为主元得分矩阵,L∈Rm×k为载荷矩阵,E∈Rn×m为残差矩阵,k≤m为提取的主元个数。;
取定k值的公式如下:
其中:λi为主元得分矩阵的特征根经降序排列后第i个特征根的特征值。其值是通过Jacobi迭代方法计算协方差矩阵的特征值求得的。通常情况下,k值根据可展示性和精度的要求进行调整。本发明保留累计特征值贡献率前85%以上的特征根对应的主元个数,这样能够保证模型保留足够的有效信息。
通过T2统计量和SPE统计量可以检测生产过程中的异常,其公式如下:
式中,是由前k个主元对应的特征值构成的对角矩阵,I∈Rm为单位矩阵,/>和/>分别是显著水平为α的T2统计量和SPE统计量的控制限,其计算式分别为:
其中,F(k,n-1,α)代表显著性水平为α,自由度为k和n-1时F分布的临界值,通过查F分布表获得;θ是n次采样计算的SPE统计量的平均值,δ是n次采样计算的SPE统计量的方差;/>为显著性水平为h的χ2值,其值可以通过查χ2表找出。
如果T2统计量和SPE统计量超过了控制限,则判定过程在置信度为α的条件下出现了厚度超差。
步骤(3)具体为:在第i个样本点(假设其为经步骤2检测的异常样本)中,第j个变量对SPE统计量的贡献值按如下公式进行计算:
式中,X(im)ij为数据集X(im)第i个样本的第j个参数,为数据集X(im)第i个样本的第j个参数的重构值;
将异常样本中各变量对SPE统计量的贡献值绘制成贡献图,其中贡献值越大的变量就越可能是导致头部厚度超差的原因所在。
步骤(4)具体为:
由产品头部厚差构成输出变量Delta(h),利用主元回归的思想构建头部厚差预测模型,公式如下:
Delta(h)=TB+F
其中:Delta(h)为实际头部厚差值,B为主元回归模型系数,F为回归模型误差,T为主元得分矩阵;
计算出的头部厚度调整量为:
Delta(Y)=Delta(h)-Delta(h合理)
其中,Delta(h合理)为头部厚差合理范围值,头部厚度实际值受设备状态的影响,由于热连轧液压控制***存在30~50μm的扰动,本文中该值取为50μm;
由此可以对各过程参数进行优化,给出各参数调整量,公式如下:
ΔX(im)=ΔTLT=Delta(Y)B-1LT
再将Delta(X(im))进行反标准化,则调整量应为
其中,DX(im)为ΔX(im)的标准差组成的对角矩阵。
实际生产过程中,有些过程参数,如来料厚度、宽度等不可调,仅考虑改变有限的可调的过程参数,可调的过程参数选定为给定不准确的过程参数,则上式可改为
其中,ΔX(im)可调为可调的过程参数矩阵,L可调为与之对应的载荷矩阵;ΔX(im)不可调为可调的过程参数矩阵,L不可调为与之对应的载荷矩阵。
最终求得:
ΔX(im)可调=ΔT×L可调 -1
由于ΔX(im)可调为标准化后得到的调整量,将ΔX(im)可调反标准化后得到的实际调整量为:
本发明的上述技术方案的有益效果如下:
上述方案中,通过该方法对影响热轧带钢头部厚差的过程参数进行重要度排序和特征提取,再通过控制图和贡献图对头部厚差进行检测和诊断,最终通过主成分分析控制器优化过程参数,可以快速分析头部厚差原因,并优化过程参数使头部厚差回到合理区间。
附图说明
图1为本发明的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头部厚差过程参数优化流程图;
图2为本发明的头部偏薄带钢的厚度曲线图;
图3为本发明的头部偏厚带钢的厚度曲线图;
图4为本发明实施例中PCA算法T2和SPE统计量结果图,其中,(a)为各参数对T2统计量结果图,(b)为各参数对SPE统计量结果图;
图5为本发明的热轧头部厚度超差带钢各参数对SPE统计量的贡献图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种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。
该方法包括步骤如下:
(1)获取影响头部厚差的过程参数,通过随机森林算法挑选出排名前20%的参数并建立历史数据集;
(2)对历史数据集进行标准化处理以消除量纲的影响,之后使用主成分分析法进行主元提取,保留特征值贡献率不少于85%的主成分个数并利用T2统计量和SPE统计量检测头部厚度超差状况;
(3)通过绘制各变量对统计量的贡献图确定头部厚度超差的原因;
(4)运用主成分分析控制器优化过程参数,对过程参数进行优化,并给出调整量。
步骤(1)中的过程参数包括粗轧来料参数和精轧厚度设定模型参数,随机森林算法挑选参数公式如下:
Xi(im)=∑(errOOB2-errOOB1)/N
其中:Xi(im)为第i个过程参数的重要性衡量指标;errOOB1为随机森林算法的每棵决策树相应的袋外数据(OOB)的袋外数据误差;errOOB2为随机对袋外数据的所有特征加入噪声干扰后,再次计算的袋外数据误差;
选取m(im)个参数作为后续的建模参数,m(im)由下式确定:
m(im)≥Nsum×p
Nsum为原始参数总数,N为随机森林中决策树的数目,p为选取的参数个数和原始参数总数的比值。为了以最少的参数数目保证后续模型的精度,选取该比例值为20%;
步骤(2)中使用通用的Z-score方法对数据进行标准化处理后仍记为Xi(im),消除量纲的影响。
标准化处理后对数据进行主元提取的公式如下:
X(im)=TLT+E
其中:X(im)∈Rn×m为重要参数构成的数据集,n为板带序号,m为重要参数个数;T∈Rn×k为主元得分矩阵,L∈Rm×k为载荷矩阵,E∈Rn×m为残差矩阵,k≤m为选取的主元个数。
取定k值的公式如下:
其中:λi为主元得分矩阵的特征根经降序排列后第i个特征根的特征值。其值是通过Jacobi迭代方法计算协方差矩阵的特征值求得的。通常情况下,k值根据可展示性和精度的要求进行调整。本发明保留累计特征值贡献率前85%以上的特征根对应的主元个数,这样能够保证模型保留足够的有效信息。
通过T2统计量和SPE统计量可以检测生产过程中的异常,其公式如下:
式中,是由前k个主元对应的特征值构成的对角矩阵,I∈Rm为单位矩阵,/>和/>分别是显著水平为α的T2统计量和SPE统计量的控制限,其计算式分别为:
其中,F(k,n-1,α)代表显著性水平为α,自由度为k和n-1时F分布的临界值,通过查F分布表获得;θ是n次采样计算的SPE统计量的平均值,δ是n次采样计算的SPE统计量的方差;/>为显著性水平为h的χ2值,其值可以通过查χ2表找出。
如果T2统计量和SPE统计量超过了控制限,则判定过程在置信度为α的条件下出现了厚度超差。
步骤(3)在第i个样本点(假设其为经步骤2检测的异常样本)中,第j个变量对SPE统计量的贡献值按如下公式进行计算:
式中,X(im)ij为数据集X(im)第i个样本的第j个参数,为数据集X(im)第i个样本的第j个参数的重构值;
将异常样本中各变量对SPE统计量的贡献值绘制成贡献图,其中贡献值越大的变量就越可能是导致头部厚度超差的原因所在。
步骤(4)具体为:
由产品头部厚差构成输出变量Delta(h),利用主元回归的思想构建头部厚差预测模型,公式如下:
Delta(h)=TB+F
其中:Delta(h)为实际头部厚差值,B为主元回归模型系数,F为回归模型误差,T为主元得分矩阵;
计算出的头部厚度调整量为:
Delta(Y)=Delta(h)-Delta(h合理)
其中,Delta(h合理)为头部厚差合理范围值,头部厚度实际值受设备状态的影响,由于热连轧液压控制***存在30~50μm的扰动,本文中该值取为50μm;
由此可以对各过程参数进行优化,给出各参数调整量,公式如下:
ΔX(im)=ΔTLT=Delta(Y)B-1LT
再将Delta(X(im))进行反标准化,则调整量应为
其中,DX(im)为ΔX(im)的标准差组成的对角矩阵。
实际生产过程中,有些过程参数,如来料厚度、宽度等不可调,仅考虑改变有限的可调的过程参数,可调的过程参数选定为给定不准确的过程参数,则上式可改为
其中,ΔX(im)可调为可调的过程参数矩阵,L可调为与之对应的载荷矩阵;ΔX(im)不可调为可调的过程参数矩阵,L不可调为与之对应的载荷矩阵。
最终求得:
ΔX(im)可调=ΔT×L可调 -1
由于ΔX(im)可调为标准化后得到的调整量,将ΔX(im)可调反标准化后得到的实际调整量为:
头部厚差过程参数优化流程如图1所示。
在具体实施过程中,以某1450热连轧生产线为例,从现场获取四个月共计44032块带钢,质量指标为头部厚度偏差,其余120维粗轧来料和精轧设定模型数据为过程参数。
根据这些数据,利用本发明对带钢头部厚差过程参数进行优化。
步骤一:获取影响头部厚差的过程参数后,使用随机森林算法,计算各参数的重要性,之后确定对重要度排名前20%的24维参数。
表1热轧现场头部厚差过程参数特征
步骤2:选取其中一个轧辊周期的带钢生产数据,质量指标为头部厚度偏差,其余24维数据为过程参数,对其特征值进行统计,见表1。之后按照Z-score方法对过程参数进行标准化处理,取其中一个轧辊周期53块板带建立主元模型,保留85%的有效信息,将数据集由24维降为8维,之后计算出各样本的统计量,见图2和图3;其中超过控制限的样本为模型检测出的头部厚度超差的样本;
步骤3:接下来计算热轧头部厚度超差带钢各参数对SPE统计量的贡献值,绘制贡献图,见图4,其中F7带钢计算变形抗力(x2)、F7厚度修正系数(x16)、F7头部轧制力修正系数(x22)贡献率较大;
步骤4:以第52块带钢为例,其厚度偏差为124μm,计算出Y的回归模型,如下:
Delta(h)=2.668t1+4.197t2+3.690t3+1.861t4+1.175t5+0.330t6+0.331t7-1.137t8
Delta(Y)=(124-50)/11.833=6.2532
最终根据步骤4中的计算公式计算出各给定不准的参数的调整量为:
ΔX可调=[Δx2,Δx16,Δx22]=[-10.772,-0.003,0.073]
统计在表2中如下:
根据主成分分析控制器计算结果,52号样本厚度偏差调至50μm,则F7机架带钢计算变形抗力需要调小10.772,F7厚度修正系数需要调小0.003,F7头部轧制力修正系数需要调大0.073。
表2主成分分析控制器给出的过程参数调整量统计表
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种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,其特征在于:包括步骤如下:
(1)获取影响头部厚差的过程参数,通过随机森林算法挑选出排名前20%的参数并建立历史数据集;
(2)对历史数据集进行标准化处理以消除量纲的影响,之后使用主成分分析法进行主元提取,保留特征值贡献率不少于85%的主成分个数并利用T2统计量和SPE统计量检测头部厚度超差状况;
(3)通过绘制各变量对统计量的贡献图确定头部厚度超差的原因;
(4)运用主成分分析控制器优化过程参数,对过程参数进行优化,并给出调整量;
所述步骤(4)具体为:
由产品头部厚差构成输出变量Delta(h),利用主元回归的思想构建头部厚差预测模型,公式如下:
Delta(h)=TB+F
其中:Delta(h)为实际头部厚差值,B为主元回归模型系数,F为回归模型误差,T为主元得分矩阵;
计算出的头部厚度调整量为:
Delta(Y)=Delta(h)-Delta(h合理)
其中,Delta(h合理)为头部厚差合理范围值,取为50μm;
由此对各过程参数进行优化,给出各参数调整量,公式如下:
ΔX(im)=ΔTLT=Delta(Y)B-1LT
再将Delta(X(im))进行反标准化,则调整量应为
其中,为ΔX(im)的标准差组成的对角矩阵;
实际生产过程中,上式改为
其中,ΔX(im)可调为可调的过程参数矩阵,L可调为与之对应的载荷矩阵;ΔX(im)不可调为可调的过程参数矩阵,L不可调为与之对应的载荷矩阵;
最终求得:
ΔX(im)可调=ΔT×L可调 -1
由于ΔX(im)可调为标准化后得到的调整量,将ΔX(im)可调反标准化后得到的实际调整量为:
2.根据权利要求1所述的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,其特征在于:所述步骤(1)中的过程参数包括粗轧来料参数和精轧厚度设定模型参数,随机森林算法挑选参数公式如下:
Xi(im)=∑(errOOB2-errOOB1)/N
其中:Xi(im)为第i个过程参数的重要性衡量指标;errOOB1为随机森林算法的每棵决策树相应的袋外数据OOB的袋外数据误差;errOOB2为随机对袋外数据的所有特征加入噪声干扰后,再次计算的袋外数据误差,N为随机森林中决策树的数目。
3.根据权利要求1所述的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,其特征在于:所述步骤(2)中主元提取的公式如下:
X(im)=TLT+E
其中:X(im)∈Rn×m为重要参数构成的数据集,n为板带序号,m为重要参数个数;T∈Rn×k为主元得分矩阵,L∈Rm×k为载荷矩阵,E∈Rn×m为残差矩阵,k≤m为选取的主元个数;
取定k值的公式如下:
式中,λi为主元得分矩阵的特征根经降序排列后第i个特征根的特征,其值通过Jacobi迭代方法计算协方差矩阵的特征值求得;
通过T2统计量和SPE统计量可以检测生产过程中的异常,其公式如下:
式中,是由前k个主元对应的特征值构成的对角矩阵,I∈Rm为单位矩阵,/>和/>分别是显著水平为α的T2统计量和SPE统计量的控制限,其计算式分别为:
其中,F(k,n-1,α)代表显著性水平为α,自由度为k和n-1时F分布的临界值,通过查F分布表获得;θ是n次采样计算的SPE统计量的平均值,δ是n次采样计算的SPE统计量的方差;/>为显著性水平为h的χ2值,通过查χ2表找出;
如果T2统计量和SPE统计量超过了控制限,则判定过程在置信度为α的条件下出现了厚度超差。
4.根据权利要求1所述的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,其特征在于:所述步骤(3)中各变量对统计量的贡献图具体确定贡献过程为:在第i个样本点中,第j个变量对SPE统计量的贡献值按如下公式进行计算:
式中,X(im)ij为数据集X(im)第i个样本的第j个参数,为数据集X(im)第i个样本的第j个参数的重构值;第i个样本点为经步骤(2)检测的异常样本;
将异常样本中各变量对SPE统计量的贡献值绘制成贡献图,其中贡献值越大的变量就越可能是导致头部厚度超差的原因所在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188389.9A CN112287550B (zh) | 2020-10-30 | 2020-10-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188389.9A CN112287550B (zh) | 2020-10-30 | 2020-10-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287550A CN112287550A (zh) | 2021-01-29 |
CN112287550B true CN112287550B (zh) | 2023-10-03 |
Family
ID=74354236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188389.9A Active CN112287550B (zh) | 2020-10-30 | 2020-10-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287550B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011491A (zh) * | 2021-03-17 | 2021-06-22 | 东北大学 | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 |
CN113656456A (zh) * | 2021-08-13 | 2021-11-16 | 上海铸世自动化科技有限公司 | 压铸生产中工艺参数大数据的实时采集控制方法 |
CN116577718A (zh) * | 2023-04-13 | 2023-08-11 | 中国电力科学研究院有限公司 | 一种对电容式电压互感器进行在线监测的方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103286142A (zh) * | 2013-06-13 | 2013-09-11 | 北京首钢自动化信息技术有限公司 | 一种冷连轧动态变规格时的动态辊缝补偿方法 |
CN103469137A (zh) * | 2013-09-07 | 2013-12-25 | 鞍钢股份有限公司 | 一种热镀锌镀层厚度动态变规格预设控制方法 |
CN103884359A (zh) * | 2014-04-17 | 2014-06-25 | 哈尔滨工业大学 | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 |
CN108759745A (zh) * | 2018-06-05 | 2018-11-06 | 上汽大众汽车有限公司 | 基于多元统计分析的白车身故障检测方法及检测装置 |
CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
-
2020
- 2020-10-30 CN CN202011188389.9A patent/CN112287550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103286142A (zh) * | 2013-06-13 | 2013-09-11 | 北京首钢自动化信息技术有限公司 | 一种冷连轧动态变规格时的动态辊缝补偿方法 |
CN103469137A (zh) * | 2013-09-07 | 2013-12-25 | 鞍钢股份有限公司 | 一种热镀锌镀层厚度动态变规格预设控制方法 |
CN103884359A (zh) * | 2014-04-17 | 2014-06-25 | 哈尔滨工业大学 | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 |
CN108759745A (zh) * | 2018-06-05 | 2018-11-06 | 上汽大众汽车有限公司 | 基于多元统计分析的白车身故障检测方法及检测装置 |
CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Multi-response optimization of R2R gravure printing using orthogonal array and principal component analysis as a weighting factor;Ho Anh Duc Nguyen .etc;《The international journal of advanced manufacturing technology》;3595-3606 * |
基于主成分分析的水轮机组导轴承异常诊断方法研究;赵明 等;《云南电力技术》;第47卷(第6期);24-27 * |
热轧工艺过程和质量管控平台的研发和应用;邵健 等;《轧钢》;第35卷(第2期);6-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287550A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287550B (zh) | 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 | |
CN109261724B (zh) | 一种在多品种轧制模式下提高预设定模型精度的方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN101758084A (zh) | 模型自适应的板形预测控制方法 | |
CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN113468479B (zh) | 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 | |
CN110794093B (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN115608793B (zh) | 一种机理融合数据的精轧温度调控方法 | |
CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
CN113011491A (zh) | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 | |
CN117086117B (zh) | 一种钛带热轧过程温度控制方法及*** | |
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*** | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN116433085A (zh) | 一种轧制过程控制***性能评估方法 | |
CN117131767A (zh) | 基于随机森林算法预测热轧四辊轧机工作辊热凸度的方法 | |
CN112418270A (zh) | 一种高炉综合状态预测方法及*** | |
CN101320258B (zh) | 利用双阶段虚拟测量***的虚拟测量方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN108665090B (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN115828114A (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN105583236B (zh) | 冷轧带钢塑性系数的在线获取方法 |
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 |