[发明专利]连续退火机组均热炉的带钢跑偏监测与诊断方法及系统

权利要求书

1.一种连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，包括：

阶段一：建立带钢跑偏的监测模型，其包括：

步骤一一：对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；

对采集的所述正常生产的数据样本和所述发生跑偏的数据样本中的各数据项进行标准化处理，以消除不同量纲的影响；

使用层次聚类方法将所采集的数据样本中包含过失误差的样本剔除；

步骤一二：基于所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；

步骤一三：基于所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；

阶段二：对所述连续退火机组均热炉中的带钢进行跑偏监测，其包括：

步骤二一：根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；

步骤二二：根据每隔固定时间采集的当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；

步骤二三：当既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

2.根据权利要求1所述的连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，在所述阶段二之后还包括：

阶段三：跑偏位置和跑偏原因诊断，其包括：

步骤三一：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若辊子M的后侧的辊子M+1的张力值小于该辊子M的前侧的辊子的张力值，则判断为该辊子M处为跑偏位置；

步骤三二：使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。

3.根据权利要求1所述的连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，所述数据样本包括以下数据项：中央段带钢的速度、均热炉中各辊子的转速、均热炉中各辊子的扭矩、均热炉的温度、以及纠偏辊处的跑偏量。

4.一种连续退火机组均热炉的带钢跑偏监测与诊断系统，其特征在于，包括：

数据样本采集模块，其配置为对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；

PCA模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；

LSSVM模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；

带钢跑偏在线监测模块，其包括：

模型选择单元，其配置为根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；

数据采集单元，其配置为每隔固定时间，采集当前生产过程的数据样本；

在线监测单元，其配置为根据所述数据采集单采集的所述当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；

跑偏判断单元，其配置为当所述在线监测单元既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

5.根据权利要求4所述的连续退火机组均热炉的带钢跑偏监测与诊断系统，其特征在于，该系统还包括：

跑偏故障诊断模块，其配置为：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若辊子M的后侧的辊子M+1的张力值小于该辊子M的前侧的辊子M-1的张力值，则判断为该辊子M处为跑偏位置；使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。