CN114896900B - 一种目标跟踪*** - Google Patents

一种目标跟踪*** Download PDF

Info

Publication number
CN114896900B
CN114896900B CN202210831903.9A CN202210831903A CN114896900B CN 114896900 B CN114896900 B CN 114896900B CN 202210831903 A CN202210831903 A CN 202210831903A CN 114896900 B CN114896900 B CN 114896900B
Authority
CN
China
Prior art keywords
furnace
target
strip steel
strip
data
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
Application number
CN202210831903.9A
Other languages
English (en)
Other versions
CN114896900A (zh
Inventor
曹卫华
张永月
宋文硕
贺江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202210831903.9A priority Critical patent/CN114896900B/zh
Publication of CN114896900A publication Critical patent/CN114896900A/zh
Application granted granted Critical
Publication of CN114896900B publication Critical patent/CN114896900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/26—Methods of annealing
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • C21D9/52—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for wires; for strips ; for rods of unlimited length
    • C21D9/54—Furnaces for treating strips or wire
    • C21D9/56—Continuous furnaces for strip or wire
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Metallurgy (AREA)
  • Thermal Sciences (AREA)
  • Organic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Heat Treatment Processes (AREA)

Abstract

本发明提供了一种目标跟踪***，包括：关键变量获取模块、多元特征获取模块、目标的运行状态确定模块和目标跟踪预测模块，通过将该关键变量分为底层设备层、运行过程层和计划指标层；对多个相关变量进行分析，提取其状态特征，对存在的异常特征进行筛选处理，制定状态跟踪策略，融合多元特征建立目标状态检测模型，实时跟踪在炉体内动态变化的目标。基于跟踪信息，建立目标到各炉段出口等位置的预测模型，预测进出各炉段的时间。通过融合多时空层级参数的序列特征，共同决策并跟踪连续退火过程中目标带钢的实时位置，建立目标带钢到各关键位置的预测模型，为后续过程建模及***控制奠定基础。

Description

一种目标跟踪***
技术领域
本发明涉及退火加热技术领域，尤其涉及一种目标跟踪***。
背景技术
连续退火加热过程是冷轧热镀锌生产线上的一道重要工序，需要将进入退火炉内的多种带钢按照对应的加热要求进行加热。不同炉段中不同带钢的加热需求都不一致，因此需要对炉内的不同加热目标——带钢进行实时跟踪，以便及时进行相应调控。
一般冷轧热镀锌生产线的落成是引进了国外较为成熟的生产线及其***，在该条件下，并不能及时准确跟踪炉内的不同目标带钢。原因在于：1.虽然每卷带钢在进入生产线前有初始入炉计划，该计划中有每卷带钢的初始长度，但是在进入生产线时，根据不同需求，月牙剪会对带钢进行两侧及前后进行修剪，如会对过渡带钢进行长度上的裁剪，该裁剪的具体长度是不定且未知的，因此在生产线中炉内加热的带钢长度是不确定的，并不等同于初始入炉计划中的带钢长度；2.经过月牙剪修剪过的带钢在进入退火炉前会焊接在一起，也影响了带钢的具体长度；3.生产线中不同种类和规格的带钢组合方式呈现不规律性；4.生产线运行时，整个过程是昼夜连续不间断的高速运行，因此只凭人工观测会耗费大量人力精力；5.由于带钢类型和长度的差异性和运行的高速性，一般生产线设备和现有的控制***中并没有能够实时检测并跟踪目标带钢的传感器，仅在生产线若干位置离散部署了焊缝检测装置从而大致估算目标带钢位置，并不能满足当对特定目标带钢的较高跟踪要求。
发明内容
为了解决上述问题，本发明提供了一种目标跟踪***，目的是融合多时空层级参数的序列特征，共同决策并跟踪连续退火过程中目标带钢的实时位置，从而建立目标带钢到各关键位置的预测模型，为后续过程建模及***控制奠定基础。该目标跟踪***主要包括：
关键变量获取模块，用于根据退火炉中连续退火加热过程，提取和目标带钢位置相关的参数作为关键变量，并按照设备及控制类型将这些关键变量分为底层设备层I1、运行过程层I2和计划指标层I3；其中，所述关键变量包括炉计划中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序、入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离、运行速度、NOF炉段出口板温和RTF炉段出口板温；
多元特征获取模块，用于对底层设备层I1和运行过程层I2中多个相关变量进行运行状态分析，提取各变量的数据时序分布特征，结合退火炉生产工艺确定存在的多种异常特征，基于优先级策略和时序分布特征，对异常特征进行筛选处理，得到多元特征；其中，所述多个相关变量包括入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离、运行速度、NOF炉段出口板温和RTF炉段出口板温；
目标的运行状态确定模块，用于根据现有***中计划指标层I3变量和多元特征获取模块得到的多元特征，制定渐进明细的状态跟踪策略；基于制定的渐进明细状态跟踪策略条件及约束，融合多元特征建立目标状态检测模型，从而确定目标的运行状态；
目标跟踪预测模块，用于在时间尺度上将计划指标层I3变量与目标的运行状态确定模块中对某卷钢的运行状态结果进行时间对齐，其中，计划指标层I3变量包括入炉计划中的带钢类型规格、入炉计划中的带钢长度和入炉计划中的带钢入炉顺序，在空间尺度上结合本身炉体的设备信息，从而实时跟踪在炉体内动态变化的目标；基于该目标的跟踪信息，建立目标到各炉段出口位置的预测模型，以预测目标进出各炉段的时间。
进一步地，多元特征获取模块中得到多元特征的具体过程如下：
2.1：选择底层设备层I1相关变量作为集合
Figure 461697DEST_PATH_IMAGE001
和运行过程层I2相关变量作为集合
Figure 926307DEST_PATH_IMAGE002
， 其中，i=入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离或RTF炉段出口处焊 缝距离，j=运行速度、NOF炉段出口板温或RTF炉段出口板温；
2.2：对
Figure 33941DEST_PATH_IMAGE003
和
Figure 632412DEST_PATH_IMAGE004
中的变量进行最小采样频率公倍数筛选，最小采样频率公倍数为：
Figure 256904DEST_PATH_IMAGE005
式中，k=1,2,[
Figure 407263DEST_PATH_IMAGE006
]表示求解
Figure 752925DEST_PATH_IMAGE007
和
Figure 14142DEST_PATH_IMAGE002
中所有变量采样频率的公倍数；得到
Figure 761649DEST_PATH_IMAGE008
后，对
Figure 958275DEST_PATH_IMAGE001
和
Figure 40500DEST_PATH_IMAGE002
中的各变量进行筛选：
Figure 590562DEST_PATH_IMAGE009
Figure 441843DEST_PATH_IMAGE010
和
Figure 970824DEST_PATH_IMAGE011
为筛选后的集合；
2.3：对筛选后的
Figure 415711DEST_PATH_IMAGE010
和
Figure 753152DEST_PATH_IMAGE011
中各变量的时序分布特征进行探索性分析，得到多元数 据；
2.4：对以上经过同采样频率筛选后的多元数据进行预处理，预处理优先级为：运行速度>底层设备层变量>两炉段出口板温；预处理是指：具有不同类型分布特征的变量有不同的异常特征或需要不同的数据处理方法，当运行速度为0或为负时，则生产线停机或现场出现异常，对该时间区间所有变量不作处理。
进一步地，目标的运行状态确定模块中，所述渐进明细的状态跟踪策略是指先以 入炉计划中的带钢长度为基准，与运行速度进行相除计算，得到初始线性时间区间，将指计 划指标层I3的变量在时序上进行拉长，与初始线性时间区间对齐，再通过传感器检测到的 某相邻带钢的首尾位置计算出带钢长度，相比于入炉计划中的带钢长度，计算出的带钢长 度更加准确，这是因为入炉计划中的带钢长度为初始值，进入生产线时会根据生产要求和 工艺要求对带钢进行小幅或大幅削减，削减长度未知，因此入炉计划中的带钢长度和实际 入炉的带钢长度并不一致，因此可通过此步骤计算出更准确一步的带钢长度，但是此时还 是存在
Figure 475251DEST_PATH_IMAGE012
区间内的误差，所以最后需要再通过两炉段出口板温检测模型进一步精 细化跟踪目标带钢的位置，以便得到更为精确的带钢长度，其中，
Figure 138314DEST_PATH_IMAGE013
表示
Figure 945864DEST_PATH_IMAGE014
对应的采样 时间间隔， v表示生产线运行速度。
进一步地，目标的运行状态确定模块中，底层设备层变量的状态检测模型的建立过程为：
（1）设每个底层设备层的变量
Figure 227941DEST_PATH_IMAGE015
的数据表示为
Figure 788235DEST_PATH_IMAGE016
，建立三个连续滑动窗口：均值 计算窗口W m 、瞬时变化检测窗口W d 和方差计算窗口W v ，窗口长度分别为m，n和v；
（2）计算
Figure 638511DEST_PATH_IMAGE015
的W m 均值和W d 均值，表示为M m 和M d ，并计算W v 的均值M v 和方差V计算公式 为：
Figure 651466DEST_PATH_IMAGE017
式中，k0为第一个采样点，定义开始和结束事件累计和
Figure 609670DEST_PATH_IMAGE018
和
Figure 24471DEST_PATH_IMAGE019
，表达式为
Figure 45648DEST_PATH_IMAGE020
式中，δ为权重参数
Figure 686845DEST_PATH_IMAGE021
为方差阈值，δ越大，在当前
Figure 435358DEST_PATH_IMAGE018
和
Figure 986556DEST_PATH_IMAGE019
统计值中所占的比 值越大，累计能力也越强，反之越小，通过判断
Figure 427902DEST_PATH_IMAGE018
和
Figure 166182DEST_PATH_IMAGE019
的变化情况，即可确定瞬变特征 点的位置。
进一步地，目标的运行状态确定模块的具体实现过程如下：
3.1：对计划指标
Figure 593752DEST_PATH_IMAGE022
进行初始时间区间线性填充，其中k=1,2,3，分别代表入炉计划 中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序；初始时间区间线 性填充是指以入炉计划中的带钢长度为基准，与运行速度进行相除计算，得到初始线性时 间区间Z0；
3.2：利用步骤3.1和多元特征获取模块中处理后的变量数据制定渐进明细的状态跟踪策略；
3.3：利用建立的底层设备层的多元状态检测模型，对底层设备层I1的变量状态进行检测，即通过确定瞬变特征点，确定状态发生变化的位置点；
3.4：通过步骤3.3，可进一步将带钢的位置在空间域上从入炉计划中的带钢长度 缩小到计算得到的带钢长度Lr，在时间域上，从Z0缩小到
Figure 983145DEST_PATH_IMAGE023
之间，为了更准确 跟踪目标带钢的位置，通过两炉段出口板温状态检测模型确定具***置，其建立过程为：
（1）选取多元特征获取模块中处理后的
Figure 343195DEST_PATH_IMAGE002
中两个变量的数据，任一变量的时序数据 集合为y1,y2,…,yk，计算出数据集的均值作为该数据集的参考值为
Figure 83618DEST_PATH_IMAGE024
，偏差计算为
Figure 314879DEST_PATH_IMAGE025
，i=1,2,…,k；
（2）利用以下公式计算出任一变量的时序数据集的标准差，根据稳定状态的数据在所有数据中的出现概率P及标准正态分布表，得到P对应的区间边界±m1σ；m1为正数，判定稳定状态数据分布在以所述参考值为中心的±m1σ范围内；
Figure 309511DEST_PATH_IMAGE026
上式中，vi为历史数据序列中第i个数据yi对应的偏差；
获取实时数据序列，并以连续的s个数据为一组判定实时状态；针对每一组，具体 判定方法为：分别计算该组s个实时数据y1,y2,…,ys对应的偏差，得到s个偏差；将所述s个 偏差求均值，得到均值v；若|v|>m1σ，表明该组实时数据属于带钢切换时间点Tr 2，再结合步 骤3.3确定的
Figure 827080DEST_PATH_IMAGE027
或
Figure 805531DEST_PATH_IMAGE028
，取两者间的交集，则为带钢带头和带尾的具体时序位 置，在该时刻，对应的空间位置即为两炉段出口的位置。
进一步地，制定状态跟踪策略的过程如下：
1）：基于底层设备层的多元状态检测模型，检测出某相邻带钢的首尾位置，利用入 炉处焊缝距离
Figure 699538DEST_PATH_IMAGE029
，计算出某卷带钢的首端位置
Figure 814255DEST_PATH_IMAGE030
和尾端位置
Figure 378092DEST_PATH_IMAGE031
，r表示某卷带钢，同时计算其 长度Lr，
Figure 827528DEST_PATH_IMAGE032
；
2）：其次利用Z0进行筛选，若
Figure 273028DEST_PATH_IMAGE033
，则保留结果，转到4）运算，若
Figure 491520DEST_PATH_IMAGE034
，则说明 数据异常，转到3）；
3）：说明用
Figure 367203DEST_PATH_IMAGE035
检测和计算出的
Figure 38356DEST_PATH_IMAGE030
、
Figure 415111DEST_PATH_IMAGE031
和
Figure 504420DEST_PATH_IMAGE036
异常，采用底层设备层的下一个变量，即
Figure 534693DEST_PATH_IMAGE037
进行检测及计算处新的
Figure 709454DEST_PATH_IMAGE030
、
Figure 748954DEST_PATH_IMAGE031
和
Figure 817404DEST_PATH_IMAGE036
，再次进行2），直至i+1=4，若
Figure 766381DEST_PATH_IMAGE038
依然计算出数据异常， 则说明进入生产线中的带钢有误，将错误信息返回***界面，进行报警，此时需要人工重新 校准生产计划和生产线中的带钢信息；
4）：计算出的Lr受最小采样频率公倍数
Figure 677705DEST_PATH_IMAGE008
约束，得到一个相比于Z0更准确的范 围，但还是存在
Figure 6050DEST_PATH_IMAGE039
区间内的误差，
Figure 319219DEST_PATH_IMAGE013
表示
Figure 442027DEST_PATH_IMAGE008
对应的采样时间间隔，
Figure 716014DEST_PATH_IMAGE008
表示最 小采样频率公倍数，v表示生产线运行速度为了更进一步确定目标带钢的准确位置，基于两 炉段出口板温检测模型，分别检测出NOF段出口带钢的大幅度跳变和RTF段出口带钢的大幅 度跳变位置，进一步精细化跟踪目标带钢的位置。
进一步地，目标跟踪预测模块中，建立目标到各炉段出口位置的预测模型的具体过程如下：
4.1：更新初始线性时间区间Z0和步骤3.4中某卷带钢带头带尾的切换时间区间保 持一致，设为
Figure 97317DEST_PATH_IMAGE040
，即为该卷带钢完全通过炉内某检测点的具体时间，同时与运行速度相乘， 计算得到该卷带钢的距离长度
Figure 15725DEST_PATH_IMAGE041
，同时由步骤3.4可知该卷带钢带头的具***置
Figure 824281DEST_PATH_IMAGE042
；
4.2：炉体信息为固定数值，各关键位置的空间位置都是固定已知值，设某关键位 置的空间位置为
Figure 926842DEST_PATH_IMAGE043
，则建立的目标到各炉段出口位置的预测模型为：
Figure 987202DEST_PATH_IMAGE044
式中，n表示带钢带头具***置
Figure 9384DEST_PATH_IMAGE042
到关键位置
Figure 473995DEST_PATH_IMAGE043
期间运行速度变化的次数，N表示 带钢带头具***置
Figure 847207DEST_PATH_IMAGE042
到关键位置
Figure 321045DEST_PATH_IMAGE043
期间运行速度变化次数的最大次数，
Figure 932155DEST_PATH_IMAGE045
表示第n次变化 的运行速度，
Figure 223459DEST_PATH_IMAGE046
表示以
Figure 569121DEST_PATH_IMAGE045
传送的距离。
本发明提供的技术方案带来的有益效果是：节约了人力成本，融合多时空层级参数的序列特征，共同决策并跟踪连续退火过程中目标带钢的实时位置，从而建立目标带钢到各关键位置的预测模型，逐步提高了目标带钢的跟踪精度，为后续过程建模及***控制奠定基础。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种目标跟踪***的原理图。
图2是本发明实施例中底层设备层变量的时序分布特征图。
图3是本发明实施例中运行速度的时序分布特征图。
图4是本发明实施例中两炉段出口板温时序分布特征图。
图5是本发明实施例中非接触式温度检测与接触式温度检测结果图。
图6是本发明实施例中出口板温的时序分布特征图。
图7是本发明实施例中预处理后的某段NOF板温结果图。
图8是本发明实施例中为
Figure 95917DEST_PATH_IMAGE035
时序分布示意图。
具体实施方式
请参考图1，图1是本发明实施例中一种目标跟踪***的原理图，以退火炉连续退火加热过程为实例，采集多空间层和目标跟踪相关的关键变量，这些关键变量在时间尺度上具有不同采样频率及不同滞后性等特性。其中，多空间层包括：底层设备层I1、运行过程层I2和计划指标层I3。这些多空间层的分类是根据变量来源及采集频率差异来确定的，如底层设备层的参数是采集时间单位规律且采集频率为毫秒级或秒级的参数，运行过程层为控制***部署的传感器采集的过程数据，一般采集时间单位规律且采集频率为秒级，计划指标层为入炉计划中的计划数据，该类数据的时间单位间隔并不规律，一般为分钟级或者小时级。目标跟踪指的是将进入退火生产线中会有连续不断的多卷带钢中的其中一卷或者多卷作为目标，进行实时定位跟踪。关键变量是指在退火生产线的初始生产设备和控制***中，和目标带钢跟踪相关的变量，包括：入炉计划中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序、入炉处焊缝距离、预热-加热段（后简称“PH-NOF”）结合处焊缝、直燃炉段（后简称“NOF炉段”）出口处焊缝距离、辐射加热炉段（后简称“RTF炉段”）出口处焊缝距离、运行速度、NOF炉段出口板温、RTF炉段出口板温。该目标跟踪***具体包括：
关键变量获取模块，用于根据退火炉中连续退火加热过程，提取和目标带钢位置相关的参数作为关键变量，并按照设备及控制类型将这些关键变量分为底层设备层I1、运行过程层I2和计划指标层I3；其中，所述关键变量包括炉计划中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序、入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离、运行速度、NOF炉段出口板温和RTF炉段出口板温；
多元特征获取模块，用于对底层设备层I1和运行过程层I2中多个相关变量进行运行状态分析，提取其状态特征，结合退火炉生产工艺确定存在的多种异常特征，基于优先级分配和分布类型差异，对异常特征进行筛选处理，得到多元特征；其中，所述多个相关变量包括入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离、运行速度、NOF炉段出口板温和RTF炉段出口板温。得到多元特征的具体过程如下：
2.1：选择底层设备层I1相关变量作为集合
Figure 574916DEST_PATH_IMAGE047
和运行过程层I2相关变量作为集合
Figure 37121DEST_PATH_IMAGE048
， 其中，i=入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离或RTF炉段出口处焊 缝距离，j=运行速度、NOF炉段出口板温或RTF炉段出口板温；
2.2：对
Figure 853767DEST_PATH_IMAGE003
和
Figure 669408DEST_PATH_IMAGE004
中的变量进行最小采样频率公倍数筛选。底层设备层的变量数据
Figure 130476DEST_PATH_IMAGE003
和 运行过程层的变量数据
Figure 638949DEST_PATH_IMAGE004
都呈现采集规律性，但是采集频率互不相同，因此对数据进行同 采样频率数据处理，为保证数据的真实性，对所有变量进行最小采样频率公倍数筛选，最小 采样频率公倍数为：
Figure 677312DEST_PATH_IMAGE005
式中，k=1,2,[
Figure 293714DEST_PATH_IMAGE006
]表示求解
Figure 999501DEST_PATH_IMAGE007
和
Figure 537930DEST_PATH_IMAGE002
中所有变量采样频率的公倍数；得到
Figure 345480DEST_PATH_IMAGE008
后，对
Figure 752191DEST_PATH_IMAGE001
和
Figure 328797DEST_PATH_IMAGE002
中的各变量进行筛选：
Figure 38127DEST_PATH_IMAGE009
Figure 316661DEST_PATH_IMAGE010
和
Figure 277795DEST_PATH_IMAGE011
为筛选后的集合；如，若初始集合
Figure 692596DEST_PATH_IMAGE007
中的入炉处焊缝距离变量的采样频率 为500ms，在该采样频率的数据采集数据为1,2,3,4,5,6,7…,而求得
Figure 734281DEST_PATH_IMAGE008
为1s，则
Figure 500111DEST_PATH_IMAGE010
中的 入炉处焊缝距离变量的为1,3,5,7…。
2.3：对筛选后的
Figure 123991DEST_PATH_IMAGE010
和
Figure 675189DEST_PATH_IMAGE011
中各变量的时序分布特征进行探索性分析，可知各变量 的时序分布特征不尽相同。
Figure 585376DEST_PATH_IMAGE010
集合中的各变量时序分布特征如图2所示，呈现出线性递增 特征及大幅度跳变特征；
Figure 589235DEST_PATH_IMAGE011
集合中的速度时序分布特征如图3所示，在时间区间内保持线性 不变性，若发生改变则为发生跳变随后继续保持线性不变性；
Figure 141439DEST_PATH_IMAGE011
集合中的两炉段出口变量 的时序分布特征如图4所示，在时间尺度上呈现缓慢的波动变化特征，即在时间尺度上并不 会保持单一变化趋势和单一值，且相邻时间采样点间的数据并不会发生突变，而是相对平 滑变化。
2.4：对底层设备层和运行过程层的多个变量（入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离，运行速度、NOF炉段出口板温、RTF炉段出口板温）（即对经过同采样频率筛选后的多元数据）进行预处理，预处理优先级：运行速度>底层设备层变量>两炉段出口板温。具有不同类型分布特征的变量有不同的异常特征或需要不同的数据预处理方法：运行速度为0或为负时，则说明生产线停机或现场出现异常，则对该时间区间所有变量不作处理；
底层设备层变量和两炉段的异常特征判断方向不同，下面逐一解释：
（1）底层设备层变量会出现两种变化特征，需要判断是否为异常特征：第一种为当 某个变量因为检测问题出现负值则为异常特征，则需要丢弃该变量处于负值的时间区数 据；第二种为正常情况下，该类所有变量的变化趋势为线性递增变化，而在某时刻突然某变 量未完全呈现线性递增变化，这种情况就需要进行计算判断。检测到该数据点变化发生改 变的时间点作为起始时间点t0，在t0前，计算出某变量线性递增斜率k0，从t0开始，设置步长 为
Figure 671778DEST_PATH_IMAGE049
，其中n=1,2,3,...,
Figure 34757DEST_PATH_IMAGE050
表示
Figure 509601DEST_PATH_IMAGE008
对应的采样时间间隔，将底层设备层的4个变 量从t0开始的数据组成一个四维特征向量
Figure 347719DEST_PATH_IMAGE051
，其中
Figure 857198DEST_PATH_IMAGE052
表表示炉处焊缝距离，
Figure 515713DEST_PATH_IMAGE053
表示PH-NOF结合处焊缝距离，
Figure 494164DEST_PATH_IMAGE054
表示NOF炉段出口处焊缝距离，
Figure 122591DEST_PATH_IMAGE055
表示RTF炉段出口处焊缝 距离，设置m个步长检测点，及最大检测时间区间为
Figure 237309DEST_PATH_IMAGE056
，在最大检测时间区间内对 每个向量取两两相邻计算每个向量m个步长检测点的斜率变化
Figure 191359DEST_PATH_IMAGE057
，其中l 表示在
Figure 781740DEST_PATH_IMAGE056
时间区间内两两相邻的距离，l=1,2,…,m-1，由于底层设备层各变量检 测点距离固定不变且处于同一运行速度，所以若
Figure 699012DEST_PATH_IMAGE058
，则说明该类变 化特征属于正常变化，不是异常特征；若
Figure 183083DEST_PATH_IMAGE059
中某个斜率变化值与其它 三个不一致，则需修正该单个变量的斜率变化值，与其它三个保持一致；若其中两个不一 致，另外两个一致，则需修正两个不一致的变量斜率变化值与另外两个一致；若两两保持一 致，则取均值赋予所有变量的斜率变化；若各不相同，则舍弃该段时间区的所有变量数值。
（2）对于NOF炉段出口板温和RTF炉段出口板温，由于工艺需求，只能采用非接触式的红外测温仪进行检测。而非接触式的红外测温仪，受环境因素（对象的温度、空气介质）的影响大，所以如图5所示，（a）为NOF炉段出口板温（非接触式）示意图，（b）为NOF炉段出口板温（接触式）示意图，相比于接触式的测温传感器，会含有较多噪声和离群点。如果不对板温数据进行处理，则后续用该数据进行建模时，无法保证数据模型的准确性（如会产生过拟合问题等），因此需要根据出口板温数据的特点对其进行预处理。
通过分析两炉段出口板温的时序分布特征，可知该类序列会局部反复出现的离群值和偶尔的“脏数据”，“脏数据”在这里是指由于传感器等设备或加热环境中存在的污染物等原因导致测得的数据出现突变离群值，该数据不能反映生产过程中的实际变化，如图6中的“菱形”表示的数据。于是基于此特征，考虑到实际生产中需对不同工况进行识别，所以不能丢失有效的局部信息，且为提高后续数工作的准确率和效率，需降低数据噪声，提高信噪比，因此需要保留变化趋势并强化有效离群值，同时平滑处理无效“脏数据”。考虑到该类流程工业数据反复出现相同的生产状态，其数据中含有重复的信息，且在时间尺度上呈现连续性分布，在时间维度上，前后数据存在相关性，因此利用相似信息强化对两炉段出口板温的异常特征进行筛选处理，其具体步骤为：
1）设置两类固定时间长度的滑动窗，分别是用来限制寻找相关点范围的搜索窗口 和确定去噪点及相似点邻域大小的邻域窗，分别表示为
Figure 55836DEST_PATH_IMAGE060
，
Figure 992568DEST_PATH_IMAGE061
，其 中Ds和ds为决定D和d大小的参数，可以根据生产状态特征和算法速度进行设定；
2）对搜索窗口和邻域窗口进行设置，搜说窗口以时间点i为中心，第一邻域窗口以i为中心，第二邻域窗口在搜索窗中滑动，其中以点j为待计算相似性度量点，两点间的相似度用权重因子w(i,j)表示：
Figure 369323DEST_PATH_IMAGE062
式中，
Figure 193053DEST_PATH_IMAGE063
表示i邻域与j邻域的距离，该值越小，则邻域点与目标点越相 似，权重因子w(i,j)也越大。Z(i)为归一化系数，h为平滑参数；
3）另第二邻域窗在搜索窗范围内滑动，遍历所有点，求出搜索窗内所有点与以目标点i为中心的邻域的相似性，由此，v(t)中时间点i处去噪后的数据u(i)为：
Figure 488906DEST_PATH_IMAGE064
T是指第二邻域窗在搜索窗中遍历的所有时间点，当两点越相似时，点j在u(i)的计算中占的比重越大；
4）遍历两炉段出口板温某段时间区的每个数据点，根据上述方法对该维度数据进行去噪及平滑处理。以NOF段出口板温某时间区间数据为例，将图6中数据进行预处理，结果如图7所示，可以看出可以保留强化变化趋势同时有效剔除离群值。
目标的运行状态确定模块，用于提取根据现有***中计划指标层I3的变量（一般 在现有生产线中，计划指标层变量有入炉计划中的带钢类型规格、入炉计划中的带钢长度、 入炉计划中的带钢入炉顺序）和多元特征获取模块中得到的多元特征，制定渐进明细的状 态跟踪策略。基于制定的策略条件及约束，融合多元特征建立目标状态检测模型，从而确定 目标的运行状态；所述渐进明细的状态跟踪策略是指先以入炉计划中的带钢长度为基准， 与运行速度进行相除计算，得到初始线性时间区间，将指计划指标层I3的变量在时序上进 行拉长，与初始线性时间区间对齐，再通过传感器检测到的某相邻带钢的首尾位置计算出 带钢长度，相比于入炉计划中的带钢长度，计算出的带钢长度更加准确（入炉计划中的带钢 长度为初始值，进入生产线时会根据生产要求和工艺要求对带钢进行小幅或大幅削减，削 减长度未知，因此入炉计划中的带钢长度和实际入炉的带钢长度一般并不一致，且一般情 况下相差较大），因此可通过此步骤计算出更准确一步的带钢长度，此时还是存在
Figure 663666DEST_PATH_IMAGE039
区间内的误差，最后再通过两炉段出口板温检测模型进一步精细化跟踪目标带 钢的位置，其中，
Figure 906429DEST_PATH_IMAGE013
表示
Figure 115824DEST_PATH_IMAGE014
对应的采样时间间隔，v表示生产线运行速度。目标的运行状 态确定模块的具体实现过程如下：
3.1：对计划指标
Figure 316998DEST_PATH_IMAGE022
进行初始时间区间线性填充，其中k=1,2,3，分别代表入炉计划 中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序。初始时间区间线 性填充是指以入炉计划中的带钢长度为基准，与运行速度进行相除计算，得到初始线性时 间区间Z0，注：对于某一类带钢的各个变量
Figure 976125DEST_PATH_IMAGE022
来说，具有统一的Z0；
3.2：利用步骤3.1和多元特征获取模块中处理后的变量数据制定渐进明细的状态跟踪策略。具体是指：
Step1：基于底层设备层的多元状态检测模型，检测出某相邻带钢的首尾位置，利 用入炉处焊缝距离
Figure 429103DEST_PATH_IMAGE029
，计算出某卷带钢的首端位置
Figure 742273DEST_PATH_IMAGE030
和尾端位置
Figure 130660DEST_PATH_IMAGE031
，r表示某卷带钢，同时计 算其长度Lr，
Figure 263701DEST_PATH_IMAGE032
；
Step2：其次利用Z0进行筛选，若
Figure 395736DEST_PATH_IMAGE033
，则保留结果，转到Step4运算，若
Figure 297833DEST_PATH_IMAGE034
， 则说明数据异常，转到Step3；
Step3：说明用
Figure 981756DEST_PATH_IMAGE029
检测和计算出的
Figure 352825DEST_PATH_IMAGE030
、
Figure 272240DEST_PATH_IMAGE031
和
Figure 42225DEST_PATH_IMAGE036
异常，采用底层设备层的下一个变 量，即
Figure 21682DEST_PATH_IMAGE037
进行检测及计算处新的
Figure 270261DEST_PATH_IMAGE030
、
Figure 478520DEST_PATH_IMAGE031
和
Figure 355209DEST_PATH_IMAGE036
，再次进行Step2，直至i+1=4，若
Figure 521879DEST_PATH_IMAGE038
依然计算出 数据异常，则说明进入生产线中的带钢有误，将错误信息返回***界面，进行报警，此时需 要人工重新校准生产计划和生产线中的带钢信息；
Step4：计算出的Lr受最小采样频率公倍数
Figure 116808DEST_PATH_IMAGE008
约束，得到一个相比于Z0更准确的 范围，但还是存在
Figure 863179DEST_PATH_IMAGE039
区间内的误差，由于生产线运行速度很高，因此需要更进一步 确定目标带钢的准确位置，基于两炉段出口板温检测模型，分别检测出NOF段出口带钢的大 幅度跳变和RTF段出口带钢的大幅度跳变位置，进一步精细化跟踪目标带钢的位置。
3.3：建立底层设备层的多元状态检测模型，用于对底层设备层
Figure 735320DEST_PATH_IMAGE065
的变量状态进行 检测，该检测是检测大幅跳变趋势，即通过确定瞬变特征点，确定状态发生变化的位置点。 通过分析底层设备层变量的时序分布特征可知，一卷带钢的
Figure 56580DEST_PATH_IMAGE066
变量具有稳定线增趋势，而 当发生带钢切换时，会有大幅度跳变过程，如图8所示为
Figure 621029DEST_PATH_IMAGE066
时序分布示意图，说明该卷带钢 在
Figure 951516DEST_PATH_IMAGE067
期间带头进入该检测点，即带钢首部位置，带钢在
Figure 287950DEST_PATH_IMAGE068
期间带尾进入该检测 点，即带钢尾部位置，该卷带钢在时序区间上的分布则在
Figure 780112DEST_PATH_IMAGE023
之间，因此需要检 测出每卷带钢的
Figure 224999DEST_PATH_IMAGE066
在时序上的瞬时变化特征点。建立底层设备层的多元状态检测模型步骤 如下：
设
Figure 578752DEST_PATH_IMAGE015
的时间序列{i(j)},为建立三个连续滑动窗口：均值计算窗口W m 、瞬时变化检 测窗口W d 和方差计算窗口W v ，窗口长度分别为m,n和v。计算
Figure 284539DEST_PATH_IMAGE015
的W m 均值和W d 均值，表示为M m 和M d ，并计算W v 的均值M v 和方差V计算公式为：
Figure 963914DEST_PATH_IMAGE069
式中，k0为第一个采样点。定义开始和结束事件累计和
Figure 489573DEST_PATH_IMAGE018
和
Figure 909665DEST_PATH_IMAGE019
，表达式为：
Figure 610905DEST_PATH_IMAGE020
式中，δ为权重参数，
Figure 179290DEST_PATH_IMAGE021
为方差阈值，δ越大，在当前
Figure 474136DEST_PATH_IMAGE018
和
Figure 684537DEST_PATH_IMAGE019
统计值中所占的 比值越大，累计能力也越强，反之越小，通过判断
Figure 115650DEST_PATH_IMAGE018
和
Figure 854936DEST_PATH_IMAGE019
的变化情况，即可确定瞬变特 征点的位置。
3.4：两炉段出口板温状态检测模型。以上步骤已经带钢的位置在空间域上从计划 表中的带钢长度缩小到Lr，在时间域上，从Z0缩小到
Figure 105920DEST_PATH_IMAGE023
之间，其中，带钢切换 时，带头切换检测出两个状态变化时间点
Figure 995378DEST_PATH_IMAGE070
，带尾切换检测出两个状态变化时间点
Figure 530265DEST_PATH_IMAGE068
，这一卷带钢完整长度在炉内的时间范围即为
Figure 719413DEST_PATH_IMAGE023
，此时，仍存在偏差， 为了更准确跟踪目标带钢的位置，通过两炉段出口板温状态检测模型确定具***置，两炉 出口板温状态检测模型建立过程为：
（1）选取多元特征获取模块处理后的
Figure 706961DEST_PATH_IMAGE002
中两个变量的数据，任一变量的时序数据集 合为y1,y2,…,yk，计算出数据集的均值作为该数据集的参考值为
Figure 9897DEST_PATH_IMAGE071
，偏差计算为
Figure 540236DEST_PATH_IMAGE025
，i=1,2,…,k；
（2）利用以下公式计算出任一变量的时序数据集的标准差，根据稳定状态的数据在所有数据中的出现概率P及标准正态分布表，得到P对应的区间边界±m1σ；m1为正数，判定稳定状态数据分布在以所述参考值为中心的±m1σ范围内（本实施例中m1>3）；
Figure 152483DEST_PATH_IMAGE026
上式中，vi为所述历史数据序列中第i个数据yi对应的偏差；
（3）获取实时数据序列，并以连续的s个数据为一组判定实时状态；针对每一组，具 体判定方法为：分别计算该组s个实时数据y1,y2,…,ys对应的偏差，得到s个偏差；将所述s 个偏差求均值，得到均值v；若|v|>m1σ，表明该组实时数据属于带钢切换时间点
Figure 378059DEST_PATH_IMAGE072
，再结合 步骤S3.3确定的
Figure 468374DEST_PATH_IMAGE027
或
Figure 728586DEST_PATH_IMAGE028
，取两者间的交集，则为带钢带头和带尾的具体时序 位置，在该时刻，对应的空间位置为两炉段出口的位置。
目标跟踪预测模块，用于在时间尺度上将计划指标层
Figure 387100DEST_PATH_IMAGE073
中的变量信息（具体的带钢 编号、类型、顺序）与目标的运行状态确定模块中对某卷钢的运行状态结果进行时间对齐， 在空间尺度上结合本身炉体的设备信息，从而实时跟踪在炉体内动态变化的目标。基于该 目标的跟踪信息，建立目标到各炉段出口等关键位置的预测模型，预测进出各炉段的时间， 为后续过程建模及***控制奠定基础。建立目标到各炉段出口位置的预测模型的具体过程 如下：
4.1：更新初始线性时间区间Z0和步骤3.4中某卷带钢带头带尾的切换时间区间保 持一致，设为
Figure 349240DEST_PATH_IMAGE040
，即为该卷带钢完全通过炉内某检测点的具体时间，同时与运行速度相乘， 计算得到该卷带钢的距离长度
Figure 14487DEST_PATH_IMAGE041
，同时由步骤3.4可知该卷带钢带头的具***置
Figure 112893DEST_PATH_IMAGE042
；
4.2：炉体信息为固定数值，各关键位置的空间位置都是固定已知值。设某关键位 置的空间位置为
Figure 817675DEST_PATH_IMAGE043
，则预测经过该关键位置的具体时间为：
Figure 267111DEST_PATH_IMAGE044
式中，n表示带钢带头具***置
Figure 840174DEST_PATH_IMAGE042
到关键位置
Figure 74978DEST_PATH_IMAGE043
期间运行速度变化的次数，N表示 带钢带头具***置
Figure 934349DEST_PATH_IMAGE042
到关键位置
Figure 621814DEST_PATH_IMAGE043
期间运行速度变化次数的最大次数，该数据是可以通过 生产线中的速度传感器检测得到的，
Figure 592044DEST_PATH_IMAGE045
表示第n次变化的运行速度，
Figure 412845DEST_PATH_IMAGE046
表示以
Figure 708697DEST_PATH_IMAGE045
传送的距 离，其中满足条件
Figure 8091DEST_PATH_IMAGE074
。
本发明提供的技术方案带来的有益效果是：融合多时空层级参数的序列特征，共同决策并跟踪连续退火过程中目标带钢的实时位置，从而建立目标带钢到各关键位置的预测模型，为后续过程建模及***控制奠定基础。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种目标跟踪***，其特征在于：包括：
关键变量获取模块，用于根据退火炉中连续退火加热过程，提取和目标带钢位置相关的参数作为关键变量，并按照设备及控制类型将这些关键变量分为底层设备层I1、运行过程层I2和计划指标层I3；其中，所述关键变量包括炉计划中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序、入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离、运行速度、NOF炉段出口板温和RTF炉段出口板温；
多元特征获取模块，用于对底层设备层I1和运行过程层I2中多个相关变量进行运行状态分析，提取各变量的数据时序分布特征，结合退火炉生产工艺确定存在的多种异常特征，基于优先级策略和时序分布特征，对异常特征进行筛选处理，得到多元特征；其中，所述多个相关变量包括入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离、RTF炉段出口处焊缝距离、运行速度、NOF炉段出口板温和RTF炉段出口板温；
目标的运行状态确定模块，用于根据现有***中计划指标层I3变量和多元特征获取模块得到的多元特征，制定渐进明细的状态跟踪策略；基于制定的渐进明细状态跟踪策略条件及约束，融合多元特征建立目标状态检测模型，从而确定目标的运行状态；
目标跟踪预测模块，用于在时间尺度上将计划指标层I3变量与目标的运行状态确定模块中对某卷钢的运行状态结果进行时间对齐，其中，计划指标层I3变量包括入炉计划中的带钢类型规格、入炉计划中的带钢长度和入炉计划中的带钢入炉顺序，在空间尺度上结合本身炉体的设备信息，从而实时跟踪在炉体内动态变化的目标；基于该目标的跟踪信息，建立目标到各炉段出口位置的预测模型，以预测目标进出各炉段的时间。
2.如权利要求1所述的一种目标跟踪***，其特征在于：多元特征获取模块中得到多元特征的具体过程如下：
2.1：选择底层设备层I1相关变量作为集合
Figure 119259DEST_PATH_IMAGE001
和运行过程层I2相关变量作为集合
Figure 301979DEST_PATH_IMAGE002
，其中，i=入炉处焊缝距离、PH-NOF结合处焊缝、NOF炉段出口处焊缝距离或RTF炉段出口处焊缝距离，j=运行速度、NOF炉段出口板温或RTF炉段出口板温；
2.2：对
Figure 160344DEST_PATH_IMAGE003
和
Figure 617871DEST_PATH_IMAGE004
中的变量进行最小采样频率公倍数筛选，最小采样频率公倍数为：
Figure 947090DEST_PATH_IMAGE005
式中，k=1,2,[
Figure 97448DEST_PATH_IMAGE006
]表示求解
Figure 630061DEST_PATH_IMAGE007
和
Figure 907589DEST_PATH_IMAGE002
中所有变量采样频率的公倍数；得到
Figure 638785DEST_PATH_IMAGE008
后，对
Figure 146996DEST_PATH_IMAGE001
和
Figure 229221DEST_PATH_IMAGE002
中的各变量进行筛选：
Figure 231812DEST_PATH_IMAGE009
Figure 833826DEST_PATH_IMAGE010
和
Figure 529250DEST_PATH_IMAGE011
为筛选后的集合；
2.3：对筛选后的
Figure 353898DEST_PATH_IMAGE010
和
Figure 691339DEST_PATH_IMAGE011
中各变量的时序分布特征进行探索性分析，得到多元数据；
2.4：对以上经过同采样频率筛选后的多元数据进行预处理，预处理优先级为：运行速度>底层设备层变量>两炉段出口板温；预处理是指：具有不同类型分布特征的变量有不同的异常特征或需要不同的数据处理方法，当运行速度为0或为负时，则生产线停机或现场出现异常，对时间区间所有变量不作处理。
3.如权利要求1所述的一种目标跟踪***，其特征在于：目标的运行状态确定模块中，所述渐进明细的状态跟踪策略是指先以入炉计划中的带钢长度为基准，与运行速度进行相除计算，得到初始线性时间区间，将计划指标层I3的变量在时序上进行拉长，与初始线性时间区间对齐，再通过传感器检测到的某相邻带钢的首尾位置计算出带钢长度，相比于入炉计划中的带钢长度，计算出的带钢长度更加准确，这是因为入炉计划中的带钢长度为初始值，进入生产线时会根据生产要求和工艺要求对带钢进行小幅或大幅削减，削减长度未知，因此入炉计划中的带钢长度和实际入炉的带钢长度并不一致，因此可通过此步骤计算出更准确一步的带钢长度，但是此时还是存在
Figure 600389DEST_PATH_IMAGE012
区间内的误差，所以最后需要再通过两炉段出口板温检测模型进一步精细化跟踪目标带钢的位置，以便得到更为精确的带钢长度，其中，
Figure 14184DEST_PATH_IMAGE013
表示
Figure 8684DEST_PATH_IMAGE014
对应的采样时间间隔，
Figure 664663DEST_PATH_IMAGE014
表示最小采样频率公倍数，v表示生产线运行速度。
4.如权利要求1所述的一种目标跟踪***，其特征在于：目标的运行状态确定模块中，底层设备层变量的状态检测模型的建立过程为：
（1）设每个底层设备层的变量
Figure 224957DEST_PATH_IMAGE015
的数据表示为
Figure 809653DEST_PATH_IMAGE016
，建立三个连续滑动窗口：均值计算窗口W m 、瞬时变化检测窗口W d 和方差计算窗口W v ，窗口长度分别为m，n和v；
（2）计算
Figure 25871DEST_PATH_IMAGE015
的W m 均值和W d 均值，表示为M m 和M d ，并计算W v 的均值M v 和方差V计算公式为：
Figure 970693DEST_PATH_IMAGE017
式中，k0为第一个采样点，定义开始和结束事件累计和
Figure 900341DEST_PATH_IMAGE018
和
Figure 108468DEST_PATH_IMAGE019
，表达式为
Figure 625031DEST_PATH_IMAGE020
式中，δ为权重参数
Figure 311228DEST_PATH_IMAGE021
为方差阈值，δ越大，在当前
Figure 846114DEST_PATH_IMAGE018
和
Figure 536727DEST_PATH_IMAGE019
统计值中所占的比值越大，累计能力也越强，反之越小，通过判断
Figure 727537DEST_PATH_IMAGE018
和
Figure 30474DEST_PATH_IMAGE019
的变化情况，即可确定瞬变特征点的位置。
5.如权利要求4所述的一种目标跟踪***，其特征在于：目标的运行状态确定模块的具体实现过程如下：
3.1：对计划指标
Figure 357550DEST_PATH_IMAGE022
进行初始时间区间线性填充，其中k=1,2,3，分别代表入炉计划中的带钢类型规格、入炉计划中的带钢长度、入炉计划中的带钢入炉顺序；初始时间区间线性填充是指以入炉计划中的带钢长度为基准，与运行速度进行相除计算，得到初始线性时间区间Z0；
3.2：利用步骤3.1和多元特征获取模块中处理后的变量数据制定渐进明细的状态跟踪策略；
3.3：利用建立的底层设备层的多元状态检测模型，对底层设备层I1的变量状态进行检测，即通过确定瞬变特征点，确定状态发生变化的位置点；
3.4：通过步骤3.3，可进一步将带钢的位置在空间域上从入炉计划中的带钢长度缩小到计算得到的带钢长度Lr，在时间域上，从Z0缩小到
Figure 969797DEST_PATH_IMAGE023
之间，为了更准确跟踪目标带钢的位置，通过两炉段出口板温状态检测模型确定具***置，其建立过程为：
（1）选取多元特征获取模块中处理后的
Figure 688049DEST_PATH_IMAGE002
中两个变量的数据，任一变量的时序数据集合为y1,y2,…,yk，计算出数据集的均值作为该数据集的参考值为
Figure 981627DEST_PATH_IMAGE024
，偏差计算为
Figure 241838DEST_PATH_IMAGE025
，i=1,2,…,k；
（2）利用以下公式计算出任一变量的时序数据集的标准差，根据稳定状态的数据在所有数据中的出现概率P及标准正态分布表，得到P对应的区间边界±m1σ；m1为正数，判定稳定状态数据分布在以所述参考值为中心的±m1σ范围内；
Figure 697090DEST_PATH_IMAGE026
上式中，vi为历史数据序列中第i个数据yi对应的偏差；
获取实时数据序列，并以连续的s个数据为一组判定实时状态；针对每一组，具体判定方法为：分别计算该组s个实时数据y1,y2,…,ys对应的偏差，得到s个偏差；将所述s个偏差求均值，得到均值v；若|v|> m1σ，表明该组实时数据属于带钢切换时间点Tr 2，再结合步骤3.3确定的
Figure 659230DEST_PATH_IMAGE027
或
Figure 802504DEST_PATH_IMAGE028
，取两者间的交集，则为带钢带头和带尾的具体时序位置，在该时刻，对应的空间位置即为两炉段出口的位置。
6.如权利要求5所述的一种目标跟踪***，其特征在于：制定状态跟踪策略的过程如下：
1）：基于底层设备层的多元状态检测模型，检测出某相邻带钢的首尾位置，利用入炉处焊缝距离
Figure 369752DEST_PATH_IMAGE029
，计算出某卷带钢的首端位置
Figure 808954DEST_PATH_IMAGE030
和尾端位置
Figure 258390DEST_PATH_IMAGE031
，r表示某卷带钢，同时计算其长度Lr，
Figure 893771DEST_PATH_IMAGE032
；
2）：其次利用Z0进行筛选，若
Figure 361530DEST_PATH_IMAGE033
，则保留结果，转到4）运算，若
Figure 424164DEST_PATH_IMAGE034
，则说明数据异常，转到3）；
3）：说明用
Figure 111629DEST_PATH_IMAGE035
检测和计算出的
Figure 347438DEST_PATH_IMAGE030
、
Figure 623698DEST_PATH_IMAGE031
和
Figure 168818DEST_PATH_IMAGE036
异常，采用底层设备层的下一个变量，即
Figure 530529DEST_PATH_IMAGE037
进行检测及计算处新的
Figure 320762DEST_PATH_IMAGE030
、
Figure 451529DEST_PATH_IMAGE031
和
Figure 652703DEST_PATH_IMAGE036
，再次进行2），直至i+1=4，若
Figure 819154DEST_PATH_IMAGE038
依然计算出数据异常，则说明进入生产线中的带钢有误，将错误信息返回***界面，进行报警，此时需要人工重新校准生产计划和生产线中的带钢信息；
4）：计算出的Lr受最小采样频率公倍数
Figure 147499DEST_PATH_IMAGE008
约束，得到一个相比于Z0更准确的范围，但还是存在
Figure 460668DEST_PATH_IMAGE039
区间内的误差，
Figure 82011DEST_PATH_IMAGE013
表示
Figure 418315DEST_PATH_IMAGE008
对应的采样时间间隔，
Figure 799618DEST_PATH_IMAGE008
表示最小采样频率公倍数，v表示生产线运行速度，为了更进一步确定目标带钢的准确位置，基于两炉段出口板温检测模型，分别检测出NOF段出口带钢的大幅度跳变和RTF段出口带钢的大幅度跳变位置，进一步精细化跟踪目标带钢的位置。
7.如权利要求6所述的一种目标跟踪***，其特征在于：目标跟踪预测模块中，建立目标到各炉段出口位置的预测模型的具体过程如下：
4.1：更新初始线性时间区间Z0和步骤3.4中某卷带钢带头带尾的切换时间区间保持一致，设为
Figure 655709DEST_PATH_IMAGE040
，即为该卷带钢完全通过炉内某检测点的具体时间，同时与运行速度相乘，计算得到该卷带钢的距离长度
Figure 198686DEST_PATH_IMAGE041
，同时由步骤3.4可知该卷带钢带头的具***置
Figure 802712DEST_PATH_IMAGE042
；
4.2：炉体信息为固定数值，各关键位置的空间位置都是固定已知值，设某关键位置的空间位置为
Figure 987705DEST_PATH_IMAGE043
，则建立的目标到各炉段出口位置的预测模型为：
Figure 947571DEST_PATH_IMAGE044
式中，n表示带钢带头具***置
Figure 677761DEST_PATH_IMAGE042
到关键位置
Figure 785394DEST_PATH_IMAGE043
期间运行速度变化的次数，N表示带钢带头具***置
Figure 554505DEST_PATH_IMAGE042
到关键位置
Figure 119609DEST_PATH_IMAGE043
期间运行速度变化次数的最大次数，
Figure 269968DEST_PATH_IMAGE045
表示第n次变化的运行速度，
Figure 944243DEST_PATH_IMAGE046
表示以
Figure 205460DEST_PATH_IMAGE045
传送的距离。
CN202210831903.9A 2022-07-15 2022-07-15 一种目标跟踪*** Active CN114896900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210831903.9A CN114896900B (zh) 2022-07-15 2022-07-15 一种目标跟踪***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210831903.9A CN114896900B (zh) 2022-07-15 2022-07-15 一种目标跟踪***

Publications (2)

Publication Number Publication Date
CN114896900A CN114896900A (zh) 2022-08-12
CN114896900B true CN114896900B (zh) 2022-09-30

Family

ID=82730151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210831903.9A Active CN114896900B (zh) 2022-07-15 2022-07-15 一种目标跟踪***

Country Status (1)

Country Link
CN (1) CN114896900B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625934A (zh) * 2020-04-30 2020-09-04 中国地质大学（武汉） 一种基于d-s证据理论的退火加热过程的多模态识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4231088A (en) * 1978-10-23 1980-10-28 International Business Machines Corporation Allocating and resolving next virtual pages for input/output
CN100372950C (zh) * 2004-05-28 2008-03-05 上海宝信软件股份有限公司 一种控制带钢温度的方法
CN102886383B (zh) * 2011-07-22 2015-03-04 宝山钢铁股份有限公司 一种冷轧带钢机械性能在线控制方法
DE102014017273A1 (de) * 2014-11-18 2016-05-19 Salzgitter Flachstahl Gmbh Hochfester lufthärtender Mehrphasenstahl mit hervorragenden Verarbeitungseigenschaften und Verfahren zur Herstellung eines Bandes aus diesem Stahl

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625934A (zh) * 2020-04-30 2020-09-04 中国地质大学（武汉） 一种基于d-s证据理论的退火加热过程的多模态识别方法

Also Published As

Publication number Publication date
CN114896900A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN104809333B (zh) 基于Kalman滤波器的容量预测方法和***
Kuo et al. Multi-sensor integration for on-line tool wear estimation through radial basis function networks and fuzzy neural network
CN107092582A (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
CN102608568B (zh) 一种具有固定滑窗-ospa距离航迹关联方法
CN116013087B (zh) 一种基于城市运动车辆检测的车流量统计方法
CN108817103B (zh) 一种轧钢模型钢族层别分类优化方法
CN103722022B (zh) 一种轧制过程中摩擦系数模型优化***及方法
Zhang et al. A study on the method for cleaning and repairing the probe vehicle data
CN105821170A (zh) 一种高炉多元铁水质量指标软测量***及方法
CN103834758B (zh) 一种连续高精度的高炉料位实时检测方法
CN116628616B (zh) 一种大功率充电能源的数据处理方法及***
CN110310491B (zh) 一种短间距双节点地磁车速检测***及检测方法
CN114329810A (zh) 基于大数据的盾构机工作姿态实时预测方法
CN104267610B (zh) 高精度的高炉冶炼过程异常数据检测及修补方法
Ji et al. Application of SVM and PCA-CS algorithms for prediction of strip crown in hot strip rolling
CN114896900B (zh) 一种目标跟踪***
CN101780488B (zh) 内螺纹冷挤压加工质量在线预测方法
CN107121490B (zh) 一种湿法冶金过程中运行状态的评价方法
CN110956155B (zh) 基于co数据的综采工作面作业工序模糊聚类识别方法
Liu et al. Intelligent Prediction and Real-time Monitoring System for Gas Flow Distribution at the Top of Blast Furnace
CN112418522A (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
CN105631231A (zh) 一种对热轧过程温度实测值进行修正的方法
CN112765219B (zh) 一种跳过平稳区域的流数据异常检测方法
CN106203526A (zh) 基于多维特征的目标行为模式在线分类方法
CN114241776B (zh) 一种基于滚动时间窗口的路段停车次数动态估计方法

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