基于对比格兰杰因果关系的热轧带钢头部拉窄根因诊断

发布时间：2021-03-26 07:45

　　提出了基于相异度指标和对比格兰杰因果关系分析的热轧带钢头部拉窄根因诊断模型。采用核熵成分分析对原始数据进行特征提取,在降维基础上实现非线性关系下的相异度评估,判定生产状况是否异常;建立对比格兰杰因果关系模型,通过大量正常工况下的批次数据得到各因果关系的允许波动范围,并作为对应因果关系是否异常的标准,进而确定最终故障根因;最后,利用大量实际生产数据建立热轧带钢头部拉窄根因诊断模型,验证了方法的有效性。结果表明,该方法具有较好的性能,能够准确检测出异常批次并定位根因。 

【文章来源】：中国机械工程. 2020,31(19)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

基于KECA-DISSIM故障检测示意图

沿着时间维度添加一个移动窗口,将数据集分解为一系列的数据切片。对于任意一对变量,通过对每个数据切片执行格兰杰分析即可生成一个因果值序列。为避免对所有训练样本进行重复、冗余的训练工作,需要从大量的训练样本中找到更具有代表性的样本,利用少量的训练样本来代替整个训练样本集。因此,利用在故障检测过程中得到的参考批次作为根因分析过程中的训练样本,从而减少计算时间。从整个训练数据集中选择一个中心批次和N个边界批次作为参考批次。每个因果关系均可获得N+1个序列,表示正常运行下对应因果关系的波动范围,因此,允许波动范围定义为N+1序列的极值。因果关系的允许波动范围的计算过程如图2所示。图中L表示批次,J表示每个批次中的变量,K表示时间。首先,根据KECA-DISSIM指标从训练数据集中选择参考批次。图中参考批次由中心批次和N个边界批次组成,每个批次都包含了J个变量,K个时间。其次,选择一个L2大小的移动窗口,并沿时间维度逐步移动窗口将每个批次均分解成K-L2+1个大小为J×L2的数据切片X i (w) (J×L2),其中i=1,2,…,N+1,w=1,2,…,K-L2+1。通过对每个数据切片执行格兰杰分析,可以获得一系列的维度为J×J的因果关系矩阵G。显然,通过上述方法可以得到(N+1)(K-L2+1)个数据切片,即总共可以得到(N+1)(K-L2+1)个因果关系矩阵G(t)(t=1,2,…,(N+1)(K-L2+1))。对于任意一个因果关系值G m,n (k) ,其中k=1,2,…,K-L2+1;m=1,2,…,J;n=1,2,…,J,可以获得一条长度为(N+1)(K-L2+1)的序列。最后,这个序列的极值对应的范围可以看作是因果关系G m,n (k) 的允许波动范围。因此,提出了一个异常因果关系的概念,它被定义为任何超出其对应的允许波动范围的因果关系。

热轧带钢生产过程见图3。钢坯首先经过加热,然后依次通过热粗轧和热精轧机组轧制成带钢,通过冷却过程控制性能,最后卷取成钢卷。在轧制过程中带钢宽度偏差是一项重要的质量指标。带钢头部拉窄现象是指带钢头部宽度小于其要求值,主要是由多台热精轧机组控制不协调引发,而实际生产中精轧机各机架联动控制属于复杂系统,质量异常原因分析难以用机理模型确定。带钢头部生产过程因带钢未到达质量检测处,处于开环控制结构,其质量控制完全依赖于数学模型。根据机理分析可知,生产过程的温度、轧机间的速度差以及套量是影响宽度精度的重要过程参数。表1所示是根据专家知识选取的14个可能影响宽度质量的过程变量。

【参考文献】：
期刊论文
[1]板带热连轧机活套控制系统优化[J]. 姬亚锋,田敏,郭鹏程,胡啸,刘光明.  中国机械工程. 2017(04)
[2]基于特征子空间的系统故障检测与诊断[J]. 范玉刚,张亚雄,吴建德,黄国勇,王晓东.  中南大学学报(自然科学版). 2013(S1)
[3]基于多变量统计过程监控的盾构机故障诊断[J]. 黄克,赵炯,周奇才,熊肖磊.  中国工程机械学报. 2012(02)



本文编号：3101249