基于核主成分分析的热连轧断带故障诊断

发布时间：2021-01-11 15:18

　　热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差（SPE）统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。 

【文章来源】：中国冶金. 2020,30(11)北大核心

【文章页数】：6 页

【部分图文】：

生产过程监控和故障诊断流程图

取断带时操作人员按轧机急停按钮前的轧制数据用于核主成分分析,取轧制过程40 s的数据,共3 392个样本点,其中,将连续超出控制限的410个点作为测试集,将2 982个采样点作为训练集。用采样点数据集对故障进行诊断,测试集一旦超出控制限,则判断精轧机组出现故障。将样本点分别进行PCA[12]和KPCA的SPE统计量监控,结果如图2所示。从图2可见,PCA和KPCA方法都能有效监控出生产过程异常。相较PCA,采用KPCA监控时,正常轧制训练数据集与异常测试数据集的SPE统计量差别更为明显,因此能更加明显地监控出生产过程的异常。基于故障数据集,根据式(7)计算的贡献值绘制出SPE贡献图,如图3所示。从图3(a)可以看出,故障贡献率最大的变量(27号变量)是F1机架辊缝,但在分析实际数据后发现其在轧制过程中基本不变,而在出现故障后才出现小的变化,不是造成故障的原因,因此采用PCA法无法找出造成故障的主因。从图3(b)可以看出,F2电流(8号变量)贡献率最大,因此判断其为造成故障的主要原因,这与实际相符。另外,从工艺设备角度分析,F2电流发生大的变化会导致机架间活套异常,同时轧机辊缝、速度等异常的贡献率相比F2电流贡献率都很小。因此,采用KPCA法判定故障更为准确。

精轧模型设定参数SPE统计量如图6所示,最后6块钢SPE统计量都已经超过控制限,但是其中前5块钢通过基础自动化系统对速度的不断调整,还能够保持轧制的稳定,最后1块钢SPE统计量超过控制限比较严重,此时基础自动化系统对速度的调整已经达到调整限幅,不能继续调整F7速度,因此在轧制到尾部的时候造成断带。通过SPE统计量监控图发现模型预报异常后,采用KPCA针对模型设定参数对断带故障进行诊断,所绘制的SPE贡献图如图7所示。从图7可以看出,7号(F7辊缝)、44号(F7轧制力自学习系数)、53号(F7轧制力)变量贡献率比较大,可以判断断带故障主要是由F7的二级模型预报误差较大造成的。

【参考文献】：
期刊论文
[1]热轧极薄规格产品轧制稳定性研究[J]. 田维兵.  轧钢. 2020(02)
[2]极薄板高速轧制热划伤缺陷控制技术[J]. 齐海峰,张晓峰,唐伟,任新意,宁媛媛,常树林.  中国冶金. 2020(01)
[3]基于主成分分析-相关向量机的高速公路路基沉降量预测[J]. 张研,邝贺伟.  科学技术与工程. 2020(01)
[4]钢铁企业智慧能源管控系统开发与实践[J]. 张琦,刘帅,徐化岩,孟志权,王刚,许石.  钢铁. 2019(10)
[5]高强DP钢的关键轧制技术开发与应用[J]. 王少飞,黄华贵,窦爱民,齐海峰,夏银峰,时海涛.  中国冶金. 2019(04)
[6]精密检测技术在热矫直机故障诊断中的应用[J]. 伊成志,刘彦川,张韫韬,肖彬.  轧钢. 2016(02)
[7]基于核主成分分析的热轧带钢头部拉窄分析[J]. 何飞,徐金梧,阳建宏,黎敏.  北京科技大学学报. 2012(04)
[8]基于偏最小二乘回归模型的带钢热镀锌质量监控方法[J]. 姚林,阳建宏,徐金梧,王植.  北京科技大学学报. 2007(06)
[9]基于多变量统计方法的产品质量控制[J]. 赵旭,阎威武,邵惠鹤.  上海交通大学学报. 2007(01)



本文编号：2971013