一种精轧全流程分布式运行性能评估及非优原因追溯方法技术

本发明专利技术公开了一种精轧全流程分布式运行性能评估及非优原因追溯方法，包括：获取以往精轧全流程中留存的历史样本数据；将精轧全流程划分成上游、中游和下游三个子系统，在各子系统内部分别描述过程变量与关键性能指标间的相互依赖关系，去除冗余变量，保留相关变量，得到各子系统变量优选集；构建各子系统的能够分析过程非线性和动态性的运行性能评估模型并基于各子系统的变量优选集进行训练；对各子系统的运行性能进行评估，将各子系统的评估结果进行信息融合，实现全局运行性能评估，当过程处于非优时，对非优原因追溯。本发明专利技术可及时、准确地对生产过程的运行性能进行有效监控和判断。判断。判断。

【技术实现步骤摘要】
一种精轧全流程分布式运行性能评估及非优原因追溯方法


[0001]本专利技术涉及工业生产过程的控制和监测
，特别涉及一种精轧全流程分布式运行性能评估及非优原因追溯方法。

技术介绍

[0002]流程工业的工作条件复杂多变，其运行性能的退化将导致生产效率和产品质量的下降。过程监控已经引起了工业界和学术界的高度关注。为了更有效地监控运行性能，引入了关键性能指标(key performance indicator,KPI)的概念，KPI大致可分为三类：工程KPI(技术性能和产品质量)、运维KPI(运行速度、维护时间、成本)和经济KPI(工厂总能耗或生产率)。上述KPI往往难以直接测量，且存在明显的时间延迟，如精轧过程的出口厚度、平整度、凸度等。通过在过程变量和KPI之间建立定量关系，利用过程变量对运行性能进行有效评估是过程监控的必然趋势和改进的迫切需要。
[0003]以精轧全流程为例，可以进一步加深对工业过程运行状态评估必要性与重要性的认识。
[0004]由于产品规格的频繁变化和运行条件的剧烈波动，精轧过程具有与生俱来的非线性和动态特性。负载变化会改变过程变量的统计特性，进而导致KPI会随过程变量同步变化，也就是说，它们具有共同趋势。
[0005]精轧全流程是一个由众多设备组成的串联长流程，这些设备又可分为几个子系统。任何一个子系统的运行性能一旦出现退化，都可能影响到整个生产线和最终产品的质量，造成生产浪费和巨大的经济损失。因此，有必要对其运行性能进行实时评估。
[0006]互信息(mutual Information,MI)是信息论中描述两个变量之间相互依赖关系的常用评价指标。它考虑变量之间的线性和非线性关系。MI值越大，说明变量之间的关系越密切。然而，对于一个变量集X，由于联合概率密度函数计算复杂，很难获得对目标变量c的最大相关关系。通过考虑变量之间的冗余和相关性，最小冗余最大相关(minimum redundancy maximum correlation,mRMR)算法可以解决这一难题。
[0007]共同趋势分析(common trend analysis,CTA)是在协整分析的基础上发展的非平稳时间序列模型，协整后的多元非平稳过程的每个分量可以分解为一个非平稳公共趋势分量和一个平稳分量的和。Wu等人受到CTA的启发，提出了用于KPI相关非平稳过程监测的输出相关共同趋势分析(output
‑
relevant common trend analysis,OCTA)方法。在OCTA中，将输入和输出变量分解为非平稳公共趋势和平稳残差，通过求解优化问题估计模型参数。
[0008]传统的过程监控方法通常侧重于区分过程是处于正常运行状态还是故障运行状态。然而，除了上述的粗犷划分外，现场操作人员更关心的是工艺是否在最优条件下运行。进一步评估过程运行状况，识别非最佳原因，为维修决策提供指导和建议，具有重要的现实意义，这与性能相关过程监控的目的是一致的。
[0009]近年来，工业过程运行性能评估技术越来越受到人们的重视。评估方法大致可分为两类：基于定量信息的评估方法和基于定性信息的评估方法。多元统计分析是最常用的
定量信息方法之一。针对单一稳定运行条件的生产过程，国内外学者们提出了基于主成分分析(PCA)、多集主成分分析(MPCA)和全潜结构投影(T
‑
PLS)的运行性能评估方法。针对过程数据多峰分布的特点，利用高斯混合模型回归(GMMR)的方法可以实现多模态过程运行性能的最优评估。最常用的基于定性信息的评估方法是贝叶斯网络、模糊理论和粗糙集理论。此外，定量与定性相结合的方法也逐渐被应用于运行性能评估中。
[0010]流程工业的全流程特性是运行性能评估的一个巨大挑战。流程工业是由多个制造单元和一系列生产设备组成的串联长流程，其过程变量众多且耦合关联。传统的运行性能评估方法直接应用于整个过程，难以获得满意的精度。处理全流程特性最常用的方法是分布式方法，通常根据工艺知识或变量相关性将过程划分为若干子系统。然而，当前对工业全流程运行性能评估的研究还很少，其主要原因有：
[0011]1)流程规模大，机制复杂，系统固有的动态性和非线性使得难以建立准确的评估模型；
[0012]2)过程变量不直接影响KPI，而是通过一系列中间过程指标，因此很难直接提取过程变量与KPI之间的相关性；
[0013]3)当过程处于非优运行工况时，很难快速跟踪非优变量。
[0014]基于上述原因，现有的运行性能评估方法难以在非线性与动态性并存的精轧全流程中完成运行性能评估和非优原因追溯。

技术实现思路

[0015]本专利技术提供了一种精轧全流程分布式运行性能评估及非优原因追溯方法，以解决现有技术所存在的难于在非线性与动态性并存的精轧全流程中完成运行性能评估和非优原因追溯的技术问题。
[0016]为解决上述技术问题，本专利技术提供了如下技术方案：
[0017]一方面，本专利技术提供了一种精轧全流程分布式运行性能评估及非优原因追溯方法，该精轧全流程分布式运行性能评估及非优原因追溯方法包括：
[0018]获取以往精轧全流程中留存的历史样本数据，建立历史样本数据库；其中，所述历史样本数据包括精轧全流程中的多个过程变量和关键性能指标；
[0019]将精轧全流程划分成上游、中游和下游三个子系统，并根据历史样本数据所属的子系统，在各子系统内部分别描述过程变量与关键性能指标之间的相互依赖关系，去除冗余变量，保留相关变量，得到各子系统所对应的变量优选集；
[0020]分别构建各子系统的能够分析过程非线性和动态性的运行性能评估模型；并基于各子系统的变量优选集，分别对各子系统的运行性能评估模型进行训练；
[0021]基于各子系统的运行性能评估模型，分别对各子系统的运行性能进行评估；
[0022]将各子系统的运行性能评估结果进行信息融合，实现全局运行性能评估，当生产过程处于非优时，对非优原因进行追溯，以确定当前的非优变量。
[0023]进一步地，所述历史样本数据为以往精轧全流程中生成不同钢种和/或不同板厚的钢板时所产生的各种运行性能等级所对应的数据组；其中，所述运行性能等级包括优、良、中、差四个不同的等级。
[0024]进一步地，所述精轧全流程包括第一机架、第二机架、第三机架、第四机架、第五机
架、第六机架以及第七机架；所述过程变量包括第一机架、第二机架、第三机架、第四机架、第五机架、第六机架以及第七机架的辊缝、轧制力、轧制速度、电流和电压，以及第二机架、第三机架、第四机架、第五机架、第六机架以及第七机架的弯辊力；所述关键性能指标包括板坯的厚度、板坯的宽度、板坯的凸度、板坯的平整度以及板坯的温度中的任意一种或多种的组合。
[0025]进一步地，将精轧全流程划分成上游、中游和下游三个子系统，包括：
[0026]将精轧全流程中的第一机架、第二机架和第三机架划分成上游子系统，第四机架和第五机架划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种精轧全流程分布式运行性能评估及非优原因追溯方法，其特征在于，所述精轧全流程分布式运行性能评估及非优原因追溯方法包括：获取以往精轧全流程中留存的历史样本数据，建立历史样本数据库；其中，所述历史样本数据包括精轧全流程中的多个过程变量和关键性能指标；将精轧全流程划分成上游、中游和下游三个子系统，并根据历史样本数据所属的子系统，在各子系统内部分别描述过程变量与关键性能指标之间的相互依赖关系，去除冗余变量，保留相关变量，得到各子系统所对应的变量优选集；分别构建各子系统的能够分析过程非线性和动态性的运行性能评估模型；并基于各子系统的变量优选集，分别对各子系统的运行性能评估模型进行训练；基于各子系统的运行性能评估模型，分别对各子系统的运行性能进行评估；将各子系统的运行性能评估结果进行信息融合，实现全局运行性能评估，当生产过程处于非优时，对非优原因进行追溯，以确定当前的非优变量。2.如权利要求1所述的精轧全流程分布式运行性能评估及非优原因追溯方法，其特征在于，所述历史样本数据为以往精轧全流程中生成不同钢种和/或不同板厚的钢板时所产生的各种运行性能等级所对应的数据组；其中，所述运行性能等级包括优、良、中、差四个不同的等级。3.如权利要求1所述的精轧全流程分布式运行性能评估及非优原因追溯方法，所述精轧全流程包括第一机架、第二机架、第三机架、第四机架、第五机架、第六机架以及第七机架；其特征在于，所述过程变量包括第一机架、第二机架、第三机架、第四机架、第五机架、第六机架以及第七机架的辊缝、轧制力、轧制速度、电流和电压，以及第二机架、第三机架、第四机架、第五机架、第六机架以及第七机架的弯辊力；所述关键性能指标包括板坯的厚度、板坯的宽度、板坯的凸度、板坯的平整度以及板坯的温度中的任意一种或多种的组合。4.如权利要求3所述的精轧全流程分布式运行性能评估及非优原因追溯方法，其特征在于，将精轧全流程划分成上游、中游和下游三个子系统，包括：将精轧全流程中的第一机架、第二机架和第三机架划分成上游子系统，第四机架和第五机架划分成中游子系统，第六机架和第七机架划分成下游子系统。5.如权利要求1所述的精轧全流程分布式运行性能评估及非优原因追溯方法，其特征在于，所述根据历史样本数据所属的子系统，在各子系统内部分别描述过程变量与关键性能指标之间的相互依赖关系，去除冗余变量，保留相关变量，得到各子系统所对应的变量优选集，包括：根据历史样本数据所属的子系统，将所述历史样本数据中的过程变量和关键性能指标分别划分为不同的子系统数据集：X＝[X
上
,X
中
,X
下
]，Y＝[Y
上
,Y
中
,Y
下
]；其中，X表示过程变量数据集，X
上
表示属于上游子系统的过程变量组成的数据集，X
中
表示属于中游子系统的过程变量组成的数据集，X
下
表示属于下游子系统的过程变量组成的数据集；Y表示关键性能指标数据集，Y
上
表示属于上游子系统的关键性能指标组成的数据集，Y
中
表示属于中游子系统的关键性能指标组成的数据集，Y
下
表示属于下游子系统的关键性能指标组成的数据集；在各子系统内部分别计算过程变量与关键性能指标的最大相关和最小冗余，并构建联合度量指标如下：
式中，MIC(x
i
,x
j
)表示变量x
i
与x
j
的最大信息系数；根据联合度量指标筛选出X
B
中与相应的关键性能指标最大相关且彼此之间最小冗余的过程变量，得到各子系统所对应的变量优选集6.如权利要求5所述的精轧全流程分布式运行性能评估及非优原因追溯方法，其特征在于，所述分别构建各子系统的能够分析过程非线性和动态性的运行性能评估模型；并基于各子系统的变量优选集，分别对各子系统的运行性能评估模型进行训练，包括：将映射到高维特征空间，提取高维特征利用和Y

【专利技术属性】
技术研发人员：张传放，彭开香，董洁，马亮，张学艺，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：