【摘要】：冷連軋過(guò)程具有多工況、多變量、非線性、大數(shù)據(jù)等特點(diǎn),板形缺陷成因復(fù)雜,基于機(jī)理模型的方法難以勝任板形缺陷的在線預(yù)測(cè)和診斷。本文以寶鋼2030mm冷軋過(guò)程DSR板形控制系統(tǒng)為應(yīng)用對(duì)象,采取多元統(tǒng)計(jì)分析、數(shù)據(jù)挖掘等數(shù)據(jù)驅(qū)動(dòng)技術(shù),研究多工況下冷軋過(guò)程的板形預(yù)測(cè)及缺陷識(shí)別問(wèn)題。針對(duì)DSR動(dòng)態(tài)板形控制系統(tǒng)的多工況以及某些工況下的產(chǎn)品缺陷數(shù)據(jù)具有小樣本的特點(diǎn),提出了一種基于支持向量機(jī)(SVM)的板形在線監(jiān)測(cè)方法。首先,將過(guò)程變量進(jìn)行主成分分析(PCA),所得到的主成分作為支持向量機(jī)的輸入,將板形變量正交分解后作為支持向量機(jī)的輸出,通過(guò)迭代計(jì)算、訓(xùn)練,最終得到多輸入單輸出的板形回歸預(yù)測(cè)模型;然后,利用貝葉斯準(zhǔn)則優(yōu)化支持向量機(jī)的系數(shù),更新支持向量機(jī)回歸模型,克服不確定性信息對(duì)板形預(yù)測(cè)精度的影響。實(shí)驗(yàn)結(jié)果表明,該方法可以有效解決多工況下的快速板形建模問(wèn)題,板形預(yù)測(cè)精度高。針對(duì)DSR動(dòng)態(tài)板形控制系統(tǒng)的多工況、海量數(shù)據(jù)等特點(diǎn),改進(jìn)了傳統(tǒng)的頻繁模式挖掘算法——Apriori算法,實(shí)現(xiàn)多工況下板形缺陷數(shù)據(jù)的頻繁模式挖掘。首先,利用主成分分析(PCA)進(jìn)行過(guò)程變量降維;然后,利用PCA方法中的SPE統(tǒng)計(jì)量界限設(shè)置閾值,挑選故障數(shù)據(jù);再用改進(jìn)的Apriori算法對(duì)板形缺陷的關(guān)聯(lián)性特征進(jìn)行挖掘;最終得到每種缺陷的頻繁項(xiàng),形成相應(yīng)的診斷知識(shí)用于故障原因的識(shí)別。實(shí)驗(yàn)結(jié)果表明,此方法診斷結(jié)果和現(xiàn)場(chǎng)專家的診斷結(jié)果吻合,方法可信度高,具有良好的工程應(yīng)用前景。
[Abstract]:The cold continuous rolling process has the characteristics of multi-working condition, multi-variable, nonlinear, big data and so on. The formation of shape defects is complex, and the method based on mechanism model is difficult to predict and diagnose the shape defects on line. Taking the DSR shape control system of Baosteel 2030mm cold rolling process as the application object, this paper studies the shape prediction and defect identification of cold rolling process under multiple working conditions by using data driven techniques such as multivariate statistical analysis and data mining. In view of the fact that the product defect data of DSR dynamic flatness control system has a small sample under many working conditions and some working conditions, an on-line flatness monitoring method based on support vector machine (SVM) is proposed. Firstly, the principal components obtained by (PCA), are used as the input of support vector machine, and the shape variables are decomposed as the output of support vector machine. Finally, the shape regression prediction model with multiple input and single output is obtained. Then, the coefficients of support vector machine are optimized by Bayesian criterion, and the regression model of support vector machine is updated to overcome the influence of uncertainty information on shape prediction accuracy. The experimental results show that this method can effectively solve the problem of rapid shape modeling under multiple working conditions, and the shape prediction accuracy is high. In view of the characteristics of DSR dynamic flatness control system such as multi-condition and massive data, this paper improves the traditional algorithm of frequent pattern mining, and realizes the frequent pattern mining of shape defect data under multiple working conditions. First, the process variables are reduced by principal component analysis (PCA); then, the threshold of SPE statistics in PCA method is set to select fault data; and then the correlation features of shape defects are mined by improved Apriori algorithm. Finally, the frequent items of each defect are obtained, and the corresponding diagnosis knowledge is used to identify the fault cause. The experimental results show that the diagnostic results of this method are in good agreement with those of experts in the field, and the method has high reliability and has a good prospect of engineering application.
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TG335.9;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊洪富;賈曉亮;任壽偉;;基于數(shù)據(jù)驅(qū)動(dòng)的航空發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)方法綜述[J];航空精密制造技術(shù);2016年05期

2 寧慧;王素紅;崔立剛;郭笑語(yǔ);徐麗;;基于改進(jìn)的FP-tree最大頻繁模式挖掘算法[J];應(yīng)用科技;2016年02期

3 謝永華;張鳴敏;楊樂(lè);張恒德;;基于支持向量機(jī)回歸的城市PM_(2.5)濃度預(yù)測(cè)[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年11期

4 單燕;李玲娟;孫杜靖;;基于主成分分析的并行化數(shù)據(jù)流降維算法研究[J];南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年05期

5 王樂(lè);常艷芬;王水;;基于模式增長(zhǎng)的不確定數(shù)據(jù)的頻繁模式挖掘算法[J];計(jì)算機(jī)應(yīng)用;2015年07期

6 唐穎峰;陳世平;;一種面向分布式數(shù)據(jù)流的閉頻繁模式挖掘方法[J];計(jì)算機(jī)應(yīng)用研究;2015年12期

7 王男帥;薛靜鋒;胡昌振;單純;李志強(qiáng);;基于遺傳優(yōu)化支持向量機(jī)的軟件缺陷預(yù)測(cè)模型[J];中國(guó)科技論文;2015年02期

8 韓少鵬;陸寧云;姜斌;;基于不確定信息的系統(tǒng)建模與狀態(tài)預(yù)測(cè)方法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

9 黃志堅(jiān);;軋機(jī)軸承與軋輥智能診斷與維護(hù)技術(shù)探討[J];南方金屬;2012年05期

10 李海波;柴天佑;岳恒;;浮選工藝指標(biāo)KPCA-ELM軟測(cè)量模型及應(yīng)用[J];化工學(xué)報(bào);2012年09期

相關(guān)博士學(xué)位論文 前5條

1 黃愛(ài)芹;基于數(shù)據(jù)驅(qū)動(dòng)的調(diào)節(jié)閥故障診斷方法研究[D];山東大學(xué);2015年

2 盧春紅;基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)與診斷技術(shù)及其應(yīng)用研究[D];江南大學(xué);2015年

3 喬景慧;水泥生料分解過(guò)程智能控制系統(tǒng)的研究[D];東北大學(xué);2012年

4 賀建軍;基于高斯過(guò)程模型的機(jī)器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

5 張秀玲;冷帶軋機(jī)板形智能識(shí)別與智能控制研究[D];燕山大學(xué);2003年

相關(guān)碩士學(xué)位論文 前9條

1 曹哲;基于神經(jīng)網(wǎng)絡(luò)與案例推理的車載設(shè)備故障診斷研究[D];北京交通大學(xué);2016年

2 楊正永;基于流形學(xué)習(xí)算法的非高斯過(guò)程監(jiān)控方法研究及在化工過(guò)程監(jiān)控中的應(yīng)用[D];華東理工大學(xué);2015年

3 趙青鶴;高鐵信號(hào)系統(tǒng)的系統(tǒng)級(jí)故障診斷方法研究[D];北京交通大學(xué);2014年

4 劉宇航;基于主成分分析的故障監(jiān)測(cè)方法及其應(yīng)用研究[D];華東理工大學(xué);2012年

5 樓洋;基于種群排序和引力分組模型的進(jìn)化算法研究[D];寧波大學(xué);2012年

6 李楠;板形模式識(shí)別與控制的智能方法研究[D];燕山大學(xué);2006年

7 朱學(xué)彪;2800軋機(jī)液壓系統(tǒng)在線監(jiān)測(cè)與故障診斷[D];武漢科技大學(xué);2005年

8 滕召旗;軋機(jī)液壓故障智能診斷系統(tǒng)的研究與開(kāi)發(fā)[D];廣東工業(yè)大學(xué);2002年

9 王霞;基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)傳感器故障診斷研究[D];西北工業(yè)大學(xué);2002年

，

本文編號(hào)：2219525