连退生产过程带钢硬度预测及故障诊断方法研究

摘要

连续退火是钢铁企业冷轧厂的重要生产工序，退火后的带钢硬度是衡量产品质量与指导生产的核心指标。由于带钢硬度无法实现在线检测，现场通常是通过截取退火后带钢的头、尾部分，再进行离线实验分析来测定带钢的硬度，具有较大的时间滞后性，从而经常发生带钢硬度波动非常大、硬度不达标甚至废品等质量问题。此外，连续退火生产线包括多个复杂的加热与冷却阶段，生产工艺非常复杂，在机组出现故障时通常都是依靠人工经验进行判断，难以实现对故障的及时预警和快速诊断。这两个问题已经严重影响了冷轧厂的经济效益。 因此，本文主要针对连续退火生产过程带钢硬度的在线预报方法，以及机组故障诊断方法进行研究，以帮助钢铁企业冷轧厂提高连续退火生产过程的产品质量，并保障机组的连续稳定运行。具体的研究内容如下: (1)在连退火生产过程数据的预处理上，首先，采用卷号结合采样时间的方法进行数据对齐，从而获得完整的带钢生产过程信息样本;其次，提出了基于两层聚类的粗大误差侦破方法，以去除包含粗大误差的样本。 (2)在连续退火生产过程带钢硬度的建模方法上，采用主元分析方法对高维样本数据进行降维，以降低建模的复杂度;针对单个学习机泛化能力不足的局限性，提出了基于最小二乘支持向量机的在线集成学习建模方法。 (3)在集成学习建模中单个学习机的生成方法上，将学习机的参数确定作为优化问题，并提出了一个包含多个交叉策略的改进自适应遗传算法，以合理确定学习机的模型参数。基于benchmark测试问题和实际生产数据的实验结果表明了所提出的求解算法和建模方法的有效性。 (4)在连续退火生产过程的故障诊断方法上，针对传统主元分析方法处理非线性问题的不足，采用了基于径向基核函数的核主元分析方法，计算T2和SPE两个控制限。当检测到统计量超限时，再通过变量贡献确定故障源，从而实现对连续退火生产过程运行状态的在线检测与故障诊断。

目录

声明

摘要

1．1选题背景及意义

1．2连续退火工艺流程

1．3生产中存在的问题

1．4研究现状

1．4．1带钢硬度检测方法

1．4．2故障诊断方法

1．5本文研究内容

第2章影响因素分析与数据预处理

2．1影响因素分析

2．1．1带钢硬度影响因素

2．1．2带钢跑偏影响因素

2．2数据预处理

2．2．1数据对齐

2．2．2粗大误差侦破

2．3本章小结

第3章基于LS_SVM的连退带钢硬度预测

3．1最小二乘支持向量机

3．2核函数选择

3．3基于LS_SVM的带钢硬度预测建模

3．4基于多交叉策略的自适应遗传算法

3．4．1核参数确定方法

3．4．2基于多交叉策略的自适应遗传算法设计

3．5带钢硬度预测模型性能测试

3．5．1基于LS_SVM的硬度预测实验

3．5．2基于数据降维的LS_SVM硬度预测实验

3．5．3实验结果分析

3．6本章小结

第4章基于集成学习的连退带钢硬度预测

4．1集成学习建模过程

4．2集成学习模型性能测试

4．2．1基于单个学习机的硬度预测实验

4．2．2基于集成学习的硬度预测实验

4．2．3实验结果分析

4．3模型更新

4．4系统开发

4．5本章小结

第5章基于KPCA的带钢跑偏故障诊断

5．1核主元分析算法

5．2基于KPCA的故障诊断建模

5．2．1故障检测建模

5．2．2故障分离建模

5．3故障诊断仿真实验与结果分析

5．3．1故障检测

5．3．2故障分离

5．4本章小结

第6章总结和展望

参考文献

致谢