[发明专利]一种基于数据驱动的冷连轧工业过程监测与异常检测方法

说明书

本发明公开了一种基于数据驱动的冷连轧工业过程监测与异常检测方法，包括：建立由历史数据构成的数据集，并对数据集中样本进行零均值处理；确定隐变量个数；确定核参数；建立KPLS过程监测模型，得到各统计量的阈值，将计算得到的统计量与对应的阈值进行比较，判断是否发生异常；建立KPLS异常诊断模型，确定异常变量。本发明能够对冷连轧工业生产过程中出现的故障进行监测，并进行故障的溯源和原因分析，以提早发现并及时处理问题，保障正常的生产过程及产品质量。

技术领域

本发明涉及冷轧带钢技术领域，特别涉及一种基于数据驱动的冷连轧工业过程监测与异常检测方法。

背景技术

冷连轧带钢生产已经实现了高度的自动化，虽然提高了产品的产量以及凸度的精度，但是随着用户要求的提高，更薄规格与更高强度的带钢出现了各种板形问题，严重影响企业的生产效益。

板形指的是轧后带钢内部残余应力沿带宽方向的分布情况，取一定长度的带钢自然地放到一个平面上，常常可以观察到带钢的翘曲。翘曲有各种形式，大多数是波浪形，薄的带钢经常产生皱纹或局部凹凸。翘曲有时可以遍布整个带宽，有时只限于局部。这种翘曲和带钢的变形不均与内应力分布不均密切相关。目前冷连轧线上的带钢最常见的板形缺陷主要有八种：左边浪、右边浪、中间浪、双边浪、左三分浪、右三分浪、四分浪和边中复合浪。

将带钢裁成若干纵条并铺平成若干纵条，取横向上不同点的轧后长度一般使用带钢长度方向上各个纵条的相对长度差来表示板形，相对长度差也称为板形指数ε，其中ε＝ΔL/L。由于ε是一个很小的数值，因此在实际生产中常用I单位来表示板形，I单位与板形指数的关系如式所示：

式中，ΔL是带钢长度方向上纵条长度与基准长度之间的差值；L是带钢基准长度，一般取各纵条长度的平均值。

在实际的应用中，很多复杂系统的内部机理是不为人们所了解，或者研究对象的时变性比较强，几乎不能用机理模型来进行描述。在这种情况下，完全根据机理来了解对象中各变量之间的关系就变得更加困难。针对这样的问题，数据挖掘、机器学习和模式识别等数据驱动方法用来分析和建模有很好的应用效果。同时，随着测量仪器和传感器不断发展，获取系统的输入输出数据变得越来越容易。基于此，利用测量仪器或传感器获取样本数据或测量数据来分析研究对象中变量之间的相互依赖关系，从而利用获取到的数据来建立对象的数学模型，即数据驱动的建模方法。该方法是将系统看作黑箱，不分析其内部机理，而只根据研究对象中的输入输出数据之间的相互关系直接建模，模型的在线校正能力强，并能适用于高度非线性和严重不确定的系统，从而为解决复杂系统的建模问题提供了有效途径。

但是，基于数据的非机理建模也会由于数据的噪声污染等问题导致建立的模型泛化能力差，与此同时大多数模型是“黑箱”结构的模型，不能反映系统的真实特性，进而影响对系统的研究。因此，将基于数据驱动的非机理建模与工艺知识和经验相结合，利用先验知识为基于数据驱动的模型节省训练样本，同时利用基于数据驱动的模型补偿原先模型无法解释的特性，这样做大大提高了模型的可解释性和应用范围。

发明内容

本发明的目的在于提供一种基于数据驱动的冷连轧工业过程监测与异常检测方法，对冷连轧工业生产过程中出现的故障进行监测，然后建立基于数据驱动的异常诊断模型，进行故障的溯源和原因分析，以提早发现并及时处理问题，避免干扰正常生产过程及产品质量。

为解决上述技术问题，本发明的实施例提供如下方案：

一种基于数据驱动的冷连轧工业过程监测与异常检测方法，包括以下步骤：

步骤一、建立由历史数据构成的数据集，并对所述数据集中的样本进行零均值处理；

步骤二、确定隐变量个数；

步骤三、确定核参数；