基于核主成分分析的熱連軋斷帶故障診斷
發(fā)布時間:2021-01-11 15:18
熱連軋生產(chǎn)過程中經(jīng)常出現(xiàn)設備和質量故障,為了快速確定故障原因并排除故障,需要對生產(chǎn)過程開展監(jiān)控以及對故障進行診斷;跓徇B軋生產(chǎn)過程采集的數(shù)據(jù),采用核主成分分析法對熱連軋軋制過程中精軋機組相關數(shù)據(jù)進行監(jiān)控,并對斷帶故障進行診斷。先使用平方預測誤差(SPE)統(tǒng)計量監(jiān)控生產(chǎn)過程,再基于核主成分分析繪制出各變量貢獻率圖,最后依據(jù)貢獻率大小找出造成故障的主要影響變量。與主成分分析法相比,采用核主成分分析法更為高效和準確;诤酥鞒煞址治龅臒徇B軋斷帶故障診斷可節(jié)省故障分析時間,為熱連軋生產(chǎn)過程調整和故障排除提供依據(jù),具有重要的理論意義和實際應用價值。
【文章來源】:中國冶金. 2020,30(11)北大核心
【文章頁數(shù)】:6 頁
【部分圖文】:
生產(chǎn)過程監(jiān)控和故障診斷流程圖
取斷帶時操作人員按軋機急停按鈕前的軋制數(shù)據(jù)用于核主成分分析,取軋制過程40 s的數(shù)據(jù),共3 392個樣本點,其中,將連續(xù)超出控制限的410個點作為測試集,將2 982個采樣點作為訓練集。用采樣點數(shù)據(jù)集對故障進行診斷,測試集一旦超出控制限,則判斷精軋機組出現(xiàn)故障。將樣本點分別進行PCA[12]和KPCA的SPE統(tǒng)計量監(jiān)控,結果如圖2所示。從圖2可見,PCA和KPCA方法都能有效監(jiān)控出生產(chǎn)過程異常。相較PCA,采用KPCA監(jiān)控時,正常軋制訓練數(shù)據(jù)集與異常測試數(shù)據(jù)集的SPE統(tǒng)計量差別更為明顯,因此能更加明顯地監(jiān)控出生產(chǎn)過程的異常。基于故障數(shù)據(jù)集,根據(jù)式(7)計算的貢獻值繪制出SPE貢獻圖,如圖3所示。從圖3(a)可以看出,故障貢獻率最大的變量(27號變量)是F1機架輥縫,但在分析實際數(shù)據(jù)后發(fā)現(xiàn)其在軋制過程中基本不變,而在出現(xiàn)故障后才出現(xiàn)小的變化,不是造成故障的原因,因此采用PCA法無法找出造成故障的主因。從圖3(b)可以看出,F2電流(8號變量)貢獻率最大,因此判斷其為造成故障的主要原因,這與實際相符。另外,從工藝設備角度分析,F2電流發(fā)生大的變化會導致機架間活套異常,同時軋機輥縫、速度等異常的貢獻率相比F2電流貢獻率都很小。因此,采用KPCA法判定故障更為準確。
精軋模型設定參數(shù)SPE統(tǒng)計量如圖6所示,最后6塊鋼SPE統(tǒng)計量都已經(jīng)超過控制限,但是其中前5塊鋼通過基礎自動化系統(tǒng)對速度的不斷調整,還能夠保持軋制的穩(wěn)定,最后1塊鋼SPE統(tǒng)計量超過控制限比較嚴重,此時基礎自動化系統(tǒng)對速度的調整已經(jīng)達到調整限幅,不能繼續(xù)調整F7速度,因此在軋制到尾部的時候造成斷帶。通過SPE統(tǒng)計量監(jiān)控圖發(fā)現(xiàn)模型預報異常后,采用KPCA針對模型設定參數(shù)對斷帶故障進行診斷,所繪制的SPE貢獻圖如圖7所示。從圖7可以看出,7號(F7輥縫)、44號(F7軋制力自學習系數(shù))、53號(F7軋制力)變量貢獻率比較大,可以判斷斷帶故障主要是由F7的二級模型預報誤差較大造成的。
【參考文獻】:
期刊論文
[1]熱軋極薄規(guī)格產(chǎn)品軋制穩(wěn)定性研究[J]. 田維兵. 軋鋼. 2020(02)
[2]極薄板高速軋制熱劃傷缺陷控制技術[J]. 齊海峰,張曉峰,唐偉,任新意,寧媛媛,常樹林. 中國冶金. 2020(01)
[3]基于主成分分析-相關向量機的高速公路路基沉降量預測[J]. 張研,鄺賀偉. 科學技術與工程. 2020(01)
[4]鋼鐵企業(yè)智慧能源管控系統(tǒng)開發(fā)與實踐[J]. 張琦,劉帥,徐化巖,孟志權,王剛,許石. 鋼鐵. 2019(10)
[5]高強DP鋼的關鍵軋制技術開發(fā)與應用[J]. 王少飛,黃華貴,竇愛民,齊海峰,夏銀峰,時海濤. 中國冶金. 2019(04)
[6]精密檢測技術在熱矯直機故障診斷中的應用[J]. 伊成志,劉彥川,張韞韜,肖彬. 軋鋼. 2016(02)
[7]基于核主成分分析的熱軋帶鋼頭部拉窄分析[J]. 何飛,徐金梧,陽建宏,黎敏. 北京科技大學學報. 2012(04)
[8]基于偏最小二乘回歸模型的帶鋼熱鍍鋅質量監(jiān)控方法[J]. 姚林,陽建宏,徐金梧,王植. 北京科技大學學報. 2007(06)
[9]基于多變量統(tǒng)計方法的產(chǎn)品質量控制[J]. 趙旭,閻威武,邵惠鶴. 上海交通大學學報. 2007(01)
本文編號:2971013
【文章來源】:中國冶金. 2020,30(11)北大核心
【文章頁數(shù)】:6 頁
【部分圖文】:
生產(chǎn)過程監(jiān)控和故障診斷流程圖
取斷帶時操作人員按軋機急停按鈕前的軋制數(shù)據(jù)用于核主成分分析,取軋制過程40 s的數(shù)據(jù),共3 392個樣本點,其中,將連續(xù)超出控制限的410個點作為測試集,將2 982個采樣點作為訓練集。用采樣點數(shù)據(jù)集對故障進行診斷,測試集一旦超出控制限,則判斷精軋機組出現(xiàn)故障。將樣本點分別進行PCA[12]和KPCA的SPE統(tǒng)計量監(jiān)控,結果如圖2所示。從圖2可見,PCA和KPCA方法都能有效監(jiān)控出生產(chǎn)過程異常。相較PCA,采用KPCA監(jiān)控時,正常軋制訓練數(shù)據(jù)集與異常測試數(shù)據(jù)集的SPE統(tǒng)計量差別更為明顯,因此能更加明顯地監(jiān)控出生產(chǎn)過程的異常。基于故障數(shù)據(jù)集,根據(jù)式(7)計算的貢獻值繪制出SPE貢獻圖,如圖3所示。從圖3(a)可以看出,故障貢獻率最大的變量(27號變量)是F1機架輥縫,但在分析實際數(shù)據(jù)后發(fā)現(xiàn)其在軋制過程中基本不變,而在出現(xiàn)故障后才出現(xiàn)小的變化,不是造成故障的原因,因此采用PCA法無法找出造成故障的主因。從圖3(b)可以看出,F2電流(8號變量)貢獻率最大,因此判斷其為造成故障的主要原因,這與實際相符。另外,從工藝設備角度分析,F2電流發(fā)生大的變化會導致機架間活套異常,同時軋機輥縫、速度等異常的貢獻率相比F2電流貢獻率都很小。因此,采用KPCA法判定故障更為準確。
精軋模型設定參數(shù)SPE統(tǒng)計量如圖6所示,最后6塊鋼SPE統(tǒng)計量都已經(jīng)超過控制限,但是其中前5塊鋼通過基礎自動化系統(tǒng)對速度的不斷調整,還能夠保持軋制的穩(wěn)定,最后1塊鋼SPE統(tǒng)計量超過控制限比較嚴重,此時基礎自動化系統(tǒng)對速度的調整已經(jīng)達到調整限幅,不能繼續(xù)調整F7速度,因此在軋制到尾部的時候造成斷帶。通過SPE統(tǒng)計量監(jiān)控圖發(fā)現(xiàn)模型預報異常后,采用KPCA針對模型設定參數(shù)對斷帶故障進行診斷,所繪制的SPE貢獻圖如圖7所示。從圖7可以看出,7號(F7輥縫)、44號(F7軋制力自學習系數(shù))、53號(F7軋制力)變量貢獻率比較大,可以判斷斷帶故障主要是由F7的二級模型預報誤差較大造成的。
【參考文獻】:
期刊論文
[1]熱軋極薄規(guī)格產(chǎn)品軋制穩(wěn)定性研究[J]. 田維兵. 軋鋼. 2020(02)
[2]極薄板高速軋制熱劃傷缺陷控制技術[J]. 齊海峰,張曉峰,唐偉,任新意,寧媛媛,常樹林. 中國冶金. 2020(01)
[3]基于主成分分析-相關向量機的高速公路路基沉降量預測[J]. 張研,鄺賀偉. 科學技術與工程. 2020(01)
[4]鋼鐵企業(yè)智慧能源管控系統(tǒng)開發(fā)與實踐[J]. 張琦,劉帥,徐化巖,孟志權,王剛,許石. 鋼鐵. 2019(10)
[5]高強DP鋼的關鍵軋制技術開發(fā)與應用[J]. 王少飛,黃華貴,竇愛民,齊海峰,夏銀峰,時海濤. 中國冶金. 2019(04)
[6]精密檢測技術在熱矯直機故障診斷中的應用[J]. 伊成志,劉彥川,張韞韜,肖彬. 軋鋼. 2016(02)
[7]基于核主成分分析的熱軋帶鋼頭部拉窄分析[J]. 何飛,徐金梧,陽建宏,黎敏. 北京科技大學學報. 2012(04)
[8]基于偏最小二乘回歸模型的帶鋼熱鍍鋅質量監(jiān)控方法[J]. 姚林,陽建宏,徐金梧,王植. 北京科技大學學報. 2007(06)
[9]基于多變量統(tǒng)計方法的產(chǎn)品質量控制[J]. 趙旭,閻威武,邵惠鶴. 上海交通大學學報. 2007(01)
本文編號:2971013
本文鏈接:http://sikaile.net/kejilunwen/jinshugongy/2971013.html
最近更新
教材專著