一种钢厂铸坯生产过程故障检测与产能优化的方法

1.本发明涉及多变量统计过程控制领域，尤其涉及一种钢厂铸坯生产过程故障检测与产能优化的方法。


背景技术：

2.目前，我国钢铁企业铸坯生产过程均是由人工来完成，工人在铸坯生产、指标调节、结晶器加渣等环节很难保证铸坯成品的稳定性以及均匀性，加渣也存在着有死角、速度不稳定等问题，导致所生产的钢材质量得不到有效的控制，并且工作环境恶劣，存在高温和大量的粉尘，长期工作会对工人的健康造成一定的伤害。这对于目前国内的大多数年轻人来说都接受不了，而且培养一个合格的工人周期大，从而导致炼钢的成本增加。
3.所以一些钢厂研发了关于铸坯生产的自动加渣设备，从而替换人工的方式。少数企业采用机器加渣，但以开环方式工作，开环机器加渣终归还是根据工人经验设置机器人的加渣参数，也具有较大的主观性。
4.我国在多变量统计过程控制领域关于钢厂铸坯优化的技术方法仍是空白，现有的生产背景又急需一个合理的钢厂铸坯生产过程指导技术，克服人工操作难以保证钢材质量稳定性的缺陷，克服现有的铸坯生产指导技术生产过程故障检测不灵敏、错误率高等缺陷，使得钢厂的铸坯质量得到进一步提升，钢厂产能最大化。因此，一个新的钢厂铸坯生产过程故障检测与产能优化的方法对加快钢厂智能化进程和推动钢铁生产行业升级具有重要意义。


技术实现要素：

5.为此，本发明提供一种钢厂铸坯生产过程故障检测与产能优化的方法，用以克服现有铸坯生产技术中铸坯质量不稳定、产能低效，同时检测铸坯生产偏离稳定状态不及时、误报率高等问题。使得钢厂铸坯的质量得到进一步提示，钢厂产能最大化。
6.为实现上述目的，本发明提供一种钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，包括：
7.步骤s1、数据处理，包括对输入样本数据进行筛选，剔除输入样本数据中的异常数据和故障数据；
8.步骤s2、模型建立,包括基于生产数据对整个铸坯生产过程进行建模；
9.步骤s3、参数回归，包括将输入样本数据代入至所述步骤s2中建立的所述模型中，验证模型的可行性；
10.步骤s4、故障检测和产能优化，包括判断所述输入样本数据对应的生产指标是否存在生产缺陷并调整输入样本中控制变量的取值使得钢厂铸坯产能最大化。
11.进一步地，在所述步骤s1中，所述数据处理包括：使用聚类法排除输入样本数据集中的分散异常数据和故障数据，并采用二次聚类思想解决k-means聚类中k的取值。
12.进一步地，所述二次聚类包括：对每个输入样本数据的区间，采用直接聚类法所得
的聚类结果为{c1，c2，
…
,ck}，记每个聚类的聚类中心为{w1，w2，
…
，wk}；找出{w1，w2，
…
，wk}中值最大的聚类中心wmax，该最大的聚类中心对应的聚类为cmax；计算wmax与{w1，w2，
…
，wk}中除wmax之外的每个聚类中心的距离d i，设定d i＝wmax-wi；比较各个d i与人为预设阈值t的大小，若d i《t，则将ci与cmax合为一个聚类，否则将ci排除；最终保留的聚类个数即k-means算法中的k的取值，保留的聚类为输入样本数据内所期望的正常数据。
13.进一步地，在所述步骤s2中，所述模型建立包括对经过数据处理得到的正常生产状态下的输入样本数据建立多变量统计过程控制模型。
14.进一步地，所述多变量统计过程控制模型建立包括：将钢厂铸坯输入样本数据所构成的三维数据矩阵按变量展开方式展开，构成二维矩阵，对所述二维矩阵进行偏最小二乘分析，将高维空间的输入样本数据映射到低维空间中，得到所述输入样本数据中自变量和因变量互相正交的特征向量，建立所述自变量和因变量特征向量间的多元线性回归关系。
15.进一步地，在所述步骤s3中，所述参数回归包括：通过原始数据二维矩阵的方差和均值将多元线性回归模型进行反标准化，得到原始数据自变量和因变量之间的多元线性回归模型，将输入样本数据代入到所求的多元线性回归模型中，得到单组输入样本数据自变量对应的回归值。
16.进一步地，在所述步骤s4中，所述故障检测和产能优化包括：对输入样本数据计算各时间点的统计量，通过所述统计量绘制钢厂铸坯生产的多变量统计过程控制统计图，标定置信度，实时监控铸坯生产过程偏离偏最小二乘模型的程度；产能优化用以对输入到多变量统计过程控制模型的样本中控制参数变量进行调整，根据生产者的要求对每个控制变量赋予权值，对其中希望发挥大影响的控制变量赋予大权值，反之则小，其次将带权值的控制参数输入到多变量统计过程控制模型中，由得到的多元线性函数模型并根据钢厂实际生产情况进行可行域优化，计算出在当前权值下最大输出对应的控制变量取值，使得钢厂铸坯产能最大化；同时能根据多变量统计过程控制模型参数回归的结果，结合本年度钢厂铸坯生产线上的投入和同期铸坯销售市场的生产水平预测钢厂铸坯的产能。
17.进一步地，绘制多变量统计过程控制统计图包括：由输入样本数据的主元得分向量和协方差矩阵的特征值绘制hotelling t2统计图，并由主元模型的样本数、主元数和对应的f分布下检验水平为α的临界值确定hotelling t2统计图的控制限由输入样本数据的参数回归值所得的误差矩阵绘制spe统计图，并由协方差矩阵的特征值和正态分布下检验水平α的临界值确定spe统计图的控制限q
α
，根据hotelling t2统计图和spe统计图进行故障检测。
18.与现有技术相比，本发明的有益效果在于，钢厂铸坯产能优化技术方法可以监视铸坯的生产过程，分析其是否处于稳定状态，使用钢材生产过程数据以支持决策，找出影响钢材质量的主要指标因素，从而提升钢材的整体质量，减少次品钢材的生产线上的返工，提高生产力，将工艺能力与钢材性能要求相匹配。
19.本发明中参数回归步骤用以将铸坯生产过程的系列指标数据输入到经过反标准化处理的生产过程模型中去，计算出本组输入样本数据自变量所对应的因变量值，验证模型的可行性和准确性，提高了对铸坯的生产过程的精准控制。
20.本发明中故障检测和产能优化步骤用以计算输入样本数据各时间点的统计量，绘
制统计量对应的钢厂铸坯生产的多变量统计过程控制统计图，实时监控钢厂铸坯的生产过程偏离多变量统计过程控制模型的程度，提高了对钢厂铸坯的生产过程的精准控制。
21.进一步地，本发明通过聚类法、二次聚类思想保证了钢厂铸坯生产过程的模型构建的数据来源的有效性。
22.进一步地，本发明通过建立多变量统计过程控制模型将高维空间的输入样本数据映射到低维空间中，减小了模型建立的复杂程度。
23.进一步地，本发明通过反标准化的数据处理、多元线性回归模型的建立，提高了对输入样本数据的精准控制。
24.进一步地，本发明通过主元得分向量和协方差矩阵的特征值绘制hotelling t2统计图，提高了对hotelling t2统计图的绘制过程的精准控制，通过输入样本数据的参数回归值所得的误差矩阵绘制spe统计图，提高了对spe统计图的精准控制，通过hotelling t2统计图和spe统计图提高了对故障检测过程的精准控制。
25.进一步地，本发明通过对输入到多变量统计过程控制模型的样本中控制参数变量进行调整，并根据钢厂实际生产情况进行可行域优化，使得钢厂铸坯产能达到最大；同时能根据多变量统计过程控制模型参数回归的结果考虑本年度钢厂铸坯生产线上的投入和同期铸坯销售市场的生产水平预测钢厂铸坯的产能，提高了钢厂铸坯的生产效率。
附图说明
26.图1为本发明所述钢厂铸坯生产过程故障检测与产能优化的方法的流程图；
27.图2为本发明所述钢厂铸坯生产过程故障检测与产能优化方法详细方案的流程图。
具体实施方式
28.为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
29.下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
30.请参阅图1-图2所示，图1为本发明钢厂铸坯生产过程故障检测与产能优化的方法的流程图，图2为本发明所述钢厂铸坯产能优化方法详细方案的流程图。
31.本发明钢厂铸坯生产过程故障检测与产能优化的方法，包括：
32.步骤s1、数据处理，包括对输入样本数据进行筛选，剔除输入样本数据中的异常数据和故障数据；
33.步骤s2、模型建立,包括基于生产数据对整个铸坯生产过程进行建模；
34.步骤s3、参数回归，包括将输入样本数据代入至所述步骤s2中建立的所述模型中，验证模型的可行性；
35.步骤s4、故障检测和产能优化，包括判断所述输入样本数据对应的生产指标是否存在生产缺陷并调整输入样本中控制变量的取值使得钢厂铸坯产能最大化。
36.本发明实施例中，模型建立，以对钢厂整个铸坯生产过程进行数学建模，用数学方式表示出铸坯的完整生产流程，使铸坯的生产过程变成一种计算机可处理的生产过程表现
形式，通过计算机优化铸坯的生产过程。
37.本发明中参数回归用以将铸坯生产过程的系列指标数据输入到经过反标准化处理的生产过程模型中去，计算出本组输入样本数据自变量所对应的因变量值，验证模型的可行性和准确性，提高了对铸坯的生产过程的精准控制。
38.本发明中故障检测和产能优化通过计算输入样本数据各时间点的统计量，绘制钢厂铸坯生产的多变量统计过程控制统计图，标定置信度，实时监控铸坯生产过程偏离偏最小二乘模型的程度；对输入到多变量统计过程控制模型的样本中控制参数变量进行调整，并根据钢厂实际生产情况进行可行域优化，使得钢厂铸坯产能达到最大；同时根据多变量统计过程控制模型参数回归的结果考虑本年度钢厂铸坯生产线上的投入和同期铸坯销售市场的生产水平预测钢厂铸坯的产能，提高了钢厂铸坯的生产效率。
39.具体而言，在步骤s1中，数据处理包括：使用聚类法排除输入样本数据集中的分散异常数据和故障数据，并采用二次聚类思想解决k-means聚类中k的取值。
40.本发明通过聚类法、二次聚类思想保证了钢厂铸坯生产过程的模型构建的数据来源的有效性。
41.具体而言，二次聚类包括：对每个输入样本数据区间，采用直接聚类法所得的聚类结果为{c1，c2，
…
,ck}，记每个聚类的聚类中心为{w1，w2，
…
，wk}；找出{w1，w2，
…
，wk}中值最大的聚类中心wmax，该最大的聚类中心对应的聚类为cmax；计算wmax与{w1，w2，
…
，wk}中除wmax之外的每个聚类中心的距离d i，设定d i＝wmax-wi；比较各个d i与人为预设阈值t的大小，若d i《t，则将ci与cmax合为一个聚类，否则将ci排除；最终保留的聚类个数即k-means算法中的k的取值，保留的聚类为输入样本数据内所期望的正常数据。
42.具体而言，在步骤s2中，模型建立包括对经过数据处理得到的正常生产状态下的输入样本数据建立多变量统计过程控制模型。
43.本发明通过建立多变量统计过程控制模型将高维空间的输入样本数据映射到低维空间中，减小了模型建立的复杂程度。
44.具体而言，多变量统计过程控制模型建立包括：将钢厂铸坯输入样本数据所构成的三维数据矩阵a(i
×j×
k)按变量展开方式展开，构成二维矩阵xa(j
·i×
k)，对二维矩阵xa进行偏最小二乘分析，将高维空间的输入样本数据映射到低维空间中，得到输入样本数据中自变量和因变量互相正交的特征向量，建立自变量和因变量特征向量间的多元线性回归关系，本发明实施例中i表示生产批次，j表示过程时间，k表示过程变量。
45.具体而言，在步骤s3中，参数回归包括：通过原始数据二维矩阵xa的方差和均值将多元线性回归模型进行反标准化，得到原始数据自变量和因变量之间的多元线性回归模型，将输入样本数据代入到所求的多元线性回归模型中，得到单组输入样本数据自变量对应的回归值。
46.本发明通过反标准化的数据处理、多元线性回归模型的建立，提高了对输入样本数据的精准控制。
47.具体而言，在步骤s4中，故障检测和产能优化包括：对输入样本数据计算各时间点的统计量，通过所述统计量绘制钢厂铸坯生产的多变量统计过程控制统计图，标定置信度，实时监控铸坯生产过程偏离偏最小二乘模型的程度；产能优化用以对输入到多变量统计过程控制模型的生产过程样本的控制参数变量，如输料过程中输料电机的输料速度、加渣过
程中抖动管的振动频率和振动幅度、期望加渣厚度等，以及扰动变量如环境的温湿度、粉尘烟雾浓度等，根据生产者的要求，对其中希望发挥大影响的控制变量赋予大权值，反之则小，其次将带权值的控制参数输入到多变量统计过程控制模型中，得到输出与控制变量的多元线性函数模型，并根据钢厂实际生产情况，进行可行域优化，计算出在当前权值下最大输出对应的控制变量取值，即使得钢厂的产能达到最大；同时能根据多变量统计过程控制模型参数回归的结果，结合本年度钢厂铸坯生产线上的投入和同期铸坯销售市场的生产水平预测钢厂铸坯的产能。
48.本发明中实时监控铸坯生产过程偏离偏最小二乘模型的程度并通过对输入到多变量统计过程控制模型的样本中控制参数变量进行调整，根据钢厂实际生产情况进行可行域优化，使得钢厂铸坯产能达到最大；同时能根据多变量统计过程控制模型参数回归的结果考虑本年度钢厂铸坯生产线上的投入和同期铸坯销售市场的生产水平预测钢厂铸坯的产能，提高了钢厂铸坯的生产效率。
49.具体而言，绘制多变量统计过程控制统计图包括：由输入样本数据的主元得分向量和协方差矩阵的特征值绘制hotelling t2统计图，并由主元模型的样本个数、主元个数和对应的f分布下检验水平为α的临界值确定hotelling t2统计图的控制限由输入样本数据的参数回归值所得的误差矩阵绘制spe统计图，并由协方差矩阵的特征值和正态分布下检验水平α的临界值确定spe统计图的控制限q
α
，根据hotelling t2统计图和spe统计图进行故障检测，根据生产投入和市场生产水平进行产能预测。
50.本发明实施例中计算hotelling t2统计图的控制限的具体步骤如下：
51.hotelling t2统计图的控制限为设定
[0052][0053]
其中m为建立的主元模型的样本个数，k为主元模型中的主元个数，α为检验水平，f
k,m-1,α
为对应检验水平为α，自由度为k，m-1条件下的f分布临界值。
[0054]
本发明实施例中计算spe统计图的控制限的具体步骤如下：
[0055]
spe统计图的控制限为q
α
，设定
[0056][0057][0058][0059]
其中(i＝1,2,3
…
),λj为输入数据矩阵x的协方差矩阵特征值，ca为正态分布在检验水平为α时的临界值，k为主元模型中的主元个数，n为输入数据中的变量个数。
[0060]
本发明通过主元得分向量和协方差矩阵的特征值绘制hotelling t2统计图，提高了对hotelling t2统计图的绘制过程的精准控制，通过输入样本数据的参数回归值所得的误差矩阵绘制spe统计图，提高了对spe统计图的精准控制，通过hotelling t2统计图和spe统计图提高了对故障检测过程的精准控制。
[0061]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域
技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0062]
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，包括：步骤s1、数据处理，包括对输入样本数据进行筛选，剔除输入样本数据中的异常数据和故障数据；步骤s2、模型建立,包括基于生产数据对整个铸坯生产过程进行建模；步骤s3、参数回归，包括将输入样本数据代入至所述步骤s2中建立的所述模型中，验证模型的可行性；步骤s4、故障检测和产能优化，包括判断所述输入样本数据对应的生产指标是否存在生产缺陷并调整输入样本中控制变量的取值使得钢厂铸坯产能最大化。2.根据权利要求1所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，在所述步骤s1中，所述数据处理包括：使用聚类法排除输入样本数据集中的分散异常数据和故障数据，并采用二次聚类思想解决k-means聚类中k的取值。3.根据权利要求2所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，所述二次聚类包括：对每个输入样本数据的区间，采用直接聚类法所得的聚类结果为{c1，c2，
…
,ck}，记每个聚类的聚类中心为{w1，w2，
…
，wk}；找出{w1，w2，
…
，wk}中值最大的聚类中心wmax，该最大的聚类中心对应的聚类为cmax；计算wmax与{w1，w2，
…
，wk}中除wmax之外的每个聚类中心的距离di，设定di＝wmax-wi；比较各个di与人为预设阈值t的大小，若di<t，则将ci与cmax合为一个聚类，否则将ci排除；最终保留的聚类个数即k-means算法中的k的取值，保留的聚类为输入样本数据内所期望的正常数据。4.根据权利要求3所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，在所述步骤s2中，所述模型建立包括对经过数据处理得到的正常生产状态下的输入样本数据建立多变量统计过程控制模型。5.根据权利要求4所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，所述多变量统计过程控制模型建立包括：将钢厂铸坯输入样本数据所构成的三维数据矩阵按变量展开方式展开，构成二维矩阵，对所述二维矩阵进行偏最小二乘分析，将高维空间的输入样本数据映射到低维空间中，得到所述输入样本数据中自变量和因变量互相正交的特征向量，建立所述自变量和因变量特征向量间的多元线性回归关系。6.根据权利要求5所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，在所述步骤s3中，所述参数回归包括：通过原始数据二维矩阵的方差和均值将多元线性回归模型进行反标准化，得到原始数据自变量和因变量之间的多元线性回归模型，将输入样本数据代入到所求的多元线性回归模型中，得到单组输入样本数据自变量对应的回归值。7.根据权利要求6所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，在所述步骤s4中，所述故障检测和产能优化包括：对输入样本数据计算各时间点的统计量，通过所述统计量绘制钢厂铸坯生产的多变量统计过程控制统计图，标定置信度，实时监控铸坯生产过程偏离偏最小二乘模型的程度；产能优化用以对输入到多变量统计过程控制模型的样本中控制参数变量进行调整，根据生产者的要求对每个控制变量赋予权值，对其中希望发挥大影响的控制变量赋予大权值，反之则小，其次将带权值的控制参数输入到多变量统计过程控制模型中，由得到的多元线性函数模型并根据钢厂实际生产情况进行可行域优化，计算出在当前权值下最大输出对应的控制变量取值，使得钢厂铸坯产能最大化；同时能根据多变量统计过程控制模型参数回归的结果，结合本年度钢厂铸坯生产线上的投入和
同期铸坯销售市场的生产水平预测钢厂铸坯的产能。8.根据权利要求7所述的钢厂铸坯生产过程故障检测与产能优化的方法，其特征在于，绘制多变量统计过程控制统计图包括：由输入样本数据的主元得分向量和协方差矩阵的特征值绘制hotelling t2统计图，并由主元模型的样本数、主元数和对应的f分布下检验水平为α的临界值确定hotelling t2统计图的控制限由输入样本数据的参数回归值所得的误差矩阵绘制spe统计图，并由协方差矩阵的特征值和正态分布下检验水平α的临界值确定spe统计图的控制限q
α
，根据hotelling t2统计图和spe统计图进行故障检测。

技术总结
本发明涉及一种钢厂铸坯生产过程故障检测与产能优化的方法,涉及多变量统计过程控制领域，钢厂铸坯产能优化技术方法包括数据处理、模型建立、参数回归、故障检测和产能优化四个步骤，数据处理步骤用以对输入样本数据进行筛选，剔除输入样本数据中的异常数据和故障数据，模型建立步骤用以对整个铸坯生产过程进行建模，用数学方式表示出铸坯的生产流程，参数回归步骤用以将输入样本数据代入至所述步骤S2中建立的所述模型中，验证模型的可行性，故障检测和产能优化步骤用以判断所述输入样本数据对应的生产指标是否存在生产缺陷并调整输入样本中控制变量的取值使得钢厂铸坯产能最大化。最大化。最大化。


技术研发人员：高振 卢明 邹莹 陈祖国 陈超洋 刘瑞 何先科
受保护的技术使用者：湖南科技大学
技术研发日：2023.05.30
技术公布日：2023/7/22