论文部分内容阅读
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。