改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法技术

本发明专利技术提供一种改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，属于热轧自动化技术领域。该方法通过改进的偏最小二乘算法对热轧带钢头部浪形缺陷相关工艺参数进行诊断评估，包括如下步骤：1)获取数据集并对样本数据进行预处理工作，得到降维之后的无数据缺失、无数据异常的样本集；2)运用改进的偏最小二乘算法建立可行性检验模型，计算样本的平方预测误差统计量及控制界限；3)对比缺陷样本各工艺参数对平方预测误差统计量的贡献值，给出各工艺参数的风险系数，并结合风险系数给出缺陷主导原因。本发明专利技术对缺陷样本分析具有适用性，可快速、自动分析热轧带钢头部浪形缺陷相关工艺参数的风险系数，帮助提高热轧带钢板形质量与分析效率。质量与分析效率。质量与分析效率。

【技术实现步骤摘要】
改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法


[0001]本专利技术涉及热轧自动化
，特别是指一种改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法。

技术介绍

[0002]热轧是钢铁流程的重要组成环节，热轧带钢的板形质量作为产品最重要的质量指标之一，一直以来一直是国内外学者研究的热点问题。
[0003]现在热轧薄带钢头部的浪形缺陷经常发生，严重影响了带钢的质量，而目前针对头部浪形缺陷的成因分析与诊断多依赖于专家经验，或者采用分析单一工艺参数数值分布的方法。依赖于专家经验的缺陷分析方法耗时耗力，分析效率比较低，难以实现自动化。而对于分析单一工艺参数数值分布的方法，并未考虑工艺参数对质量参数的影响程度，存在偏离程度较大的工艺参数对质量参数的影响较小的情况，因此诊断分析结果的可信程度较低，并且不能对各工艺参数的风险程度进行量化。
[0004]目前对于热轧带钢板形的缺陷分析与缺陷诊断大多集中于专家经验，其对于热轧带钢头部板形缺陷的风险评估大部分是通过机理分析，以及专家经验，对于使用大数据驱动的研究成果，其数据预处理阶段的工作不够充分，以及后续风险量化的处理得不够完善。
[0005]在大数据的背景之下，基于数据驱动的方法得到了快速的发展，这种方法是不以轧制理论作为主要依据，可以有效利用带钢轧制生产数据进行建模分析，快速诊断带钢头部板形缺陷的原因，帮助现场人员及早发现生产问题。
[0006]目前常用的基于多元统计分析的缺陷原因分析方法主要包括：偏最小二乘法、费歇尔判别法、对立元素分析法、主成分分析法。偏最小二乘法是有监督的学习方法，包含了主成分分析、典型相关分析的思想，相对于主成分分析法，偏最小二乘法更加关注工艺参数与质量参数之间的相关关系对因变量具有更好的解释能力，所以选用偏最小二乘法作为本专利技术的建模方法。
[0007]但是由于偏最小二乘算法内部模型为线性回归模型，所以其对于线性问题具有较好的适用性，而对于非线性问题偏最小二乘算法往往不能提取出有效的潜变量，导致应用于非线性问题时输出结果准确性不高，因此需要对其进行改进。
[0008]为此，本专利技术提出一种基于改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，在充分进行数据预处理的前提下，对热轧带钢头部浪形缺陷的相关工艺参数进行分析，并向风险系数进行转换，通过对各工艺参数的风险系数进行分析，找到导致缺陷出现的原因，实现对缺陷样本的在线自动分析，输出缺陷样本各工艺参数的风险系数及可能缺陷原因，可以有效的代替人工，提高分析效率，节省分析成本。

技术实现思路

[0009]本专利技术要解决的技术问题是提供一种改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，解决现场对于热轧头部带钢浪形缺陷的原因识别过于依赖于专家经验，而
且耗时费力，使风险评估更加方便、简洁。
[0010]该方法包括步骤如下：
[0011]S1：通过现场数据采集系统获取头部浪形达标的优秀样本和头部浪形不达标的缺陷样本的温度、辊缝、轧制力等相关工艺参数数据及带钢头部平坦度命中率作为质量数据，并对获取的优秀样本与缺陷样本数据进行方差检验、相关性检验、局部异常因子检验等数据预处理，实现异常值离群样本剔除与降维；
[0012]S2：将包含优秀样本和缺陷样本的样本数据集代入到使用马氏距离变换改进后的偏最小二乘算法(PLS算法)，计算样本的平方预测误差统计量，即样本SPE统计量，以及样本的平方预测误差统计量控制界限，即样本SPE统计量控制界限，根据缺陷样本与优秀样本SPE统计量的分离程度及肘部规则调节潜变量k的数值，以缺陷样本SPE统计量超过样本SPE统计量控制界限以及实现缺陷样本SPE统计量与优秀样本SPE统计量之间的相对最大分离作为该算法与样本集之间适用性检验标准，如果存在不能检测出缺陷样本或者将优秀样本检测成缺陷样本的情况，则说明工艺参数选择不合理，需要重新进行参数选择、数据采集及数据预处理；
[0013]S3：对S2得到的缺陷样本SPE统计量各工艺参数的贡献值进行计算，并以直方图形式进行表述，作为各工艺参数的初始风险系数；
[0014]S4：对S3中得到的各工艺参数的初始风险系数进行再处理，统一风险系数评估指标，将各工艺参数对缺陷样本SPE统计量贡献值进行求和处理，计算工艺参数贡献值的占比，并以此作为各工艺参数最终的风险系数；
[0015]S5：对比各工艺参数的风险系数的大小，风险系数最大的工艺参数为缺陷出现的主导缺陷因素。
[0016]其中，S1中异常值离群样本剔除具体为：对优秀样本进行缺失值检索，剔除存在缺失值的优秀样本，然后运用局部异常因子算法对剔除缺失值的样本进行异常值检测，通过计算局部离群因子LOF
z
(p)的值与1进行比较，越接近1说明样本和它的邻域样本密度比较接近，极有可能属于同一簇，当LOF
z
(p)大于1时，说明样本的密度小于其邻域样本密度，样本越可能是异常样本点，并予以剔除；
[0017][0018]其中，N
z
(p)表示的是样本点p的第z距离邻域，即样本点p的第z距离内的所有的样本点，|N
z
(p)|表示样本点p的第z距离邻域内所有样本点的个数，lrd
z
(p)表示的是样本点p的第z邻域内的样本点到样本点p的平均可达距离的倒数，lrd
z
(o)表示的是样本点o的第z邻域内的点到样本点o的平均可达距离的倒数。局部离群因子越接近1说明样本点p和它的邻域样本点密度比较接近，极有可能属于同一簇，当局部离群因子值越大于1，说明样本点p的密度小于其邻域样本点密度，p越可能是异常样本点。
[0019]S2具体为：
[0020]对经过S1处理后的样本数据运用马氏距离变换公式进行转换，马氏距离D(X)计算如下：
[0021][0022]其中，X为样本向量，s为样本的协方差矩阵，u表示样本均值；马氏距离变换是一种非线性的放大变换，可以提取更有代表性的潜在变量，增强常规偏最小二乘算法对非线性问题的适用性。
[0023]对经过马氏距离变换之后的数据样本进行偏最小二乘诊断分析，运用特征变量重新组合的思路将其进行分解，如下：
[0024]u＝u
y
+e＝PR
T
u+e
[0025]e＝(I
m*m
‑
PR
T
)u
[0026]其中，u∈R
m*l
为数据样本集，m为样本条数，l为工艺参数个数，u
y
为拟合样本，e为对应的残差矩阵，P为负载矩阵，R
T
为负载矩阵的转置矩阵，I
m*m
为单位矩阵；
[0027]然后对各个样本的SPE统计量进行计算，公式如下：
[0028]SPE＝||e||2＝||((I
m*m
‑
PR
T
)u)||2[0029]SPE统计量的控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，其特征在于：包括步骤如下：S1：通过现场数据采集系统获取头部浪形达标的优秀样本和头部浪形不达标的缺陷样本的温度、辊缝、轧制力工艺参数数据及带钢头部平坦度命中率作为质量数据，并对获取的优秀样本与缺陷样本数据进行数据预处理，实现异常值离群样本剔除与降维；S2：将包含优秀样本和缺陷样本的样本数据集代入到使用马氏距离变换改进后的偏最小二乘算法，计算样本的平方预测误差统计量，即样本SPE统计量，以及样本的平方预测误差统计量控制界限，即样本SPE统计量控制界限，根据缺陷样本与优秀样本SPE统计量的分离程度及肘部规则调节潜变量k的数值，以缺陷样本SPE统计量超过样本SPE统计量控制界限以及实现缺陷样本SPE统计量与优秀样本SPE统计量之间的相对最大分离作为该算法与样本集之间适用性检验标准，如果不能检测出缺陷样本或者将优秀样本检测成缺陷样本，则说明工艺参数选择不合理，重新进行参数选择、数据采集及数据预处理；S3：对S2得到的缺陷样本SPE统计量各工艺参数的贡献值进行计算，并以直方图形式进行表述，作为各工艺参数的初始风险系数；S4：对S3中得到的各工艺参数的初始风险系数进行再处理，统一风险系数评估指标，将各工艺参数对缺陷样本SPE统计量贡献值进行求和处理，计算工艺参数贡献值的占比，并以此作为各工艺参数最终的风险系数；S5：对比各工艺参数的风险系数的大小，风险系数最大的工艺参数为缺陷出现的主导缺陷因素。2.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，其特征在于：所述S1中数据预处理包括方差检验、相关性检验、局部异常因子检验。3.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，其特征在于：所述S1中异常值离群样本剔除具体为：对优秀样本进行缺失值检索，剔除存在缺失值的优秀样本，然后运用局部异常因子算法对剔除缺失值的样本进行异常值检测，通过计算局部离群因子LOF
z
(p)的值与1进行比较，当LOF
z
(p)大于1时，予以剔除；其中，N
z
(p)表示的是样本点p的第z距离邻域，即样本点p的第z距离内的所有的样本点，|N
z
(p)|表示样本点p的第z距离邻域内所有样本点的个数，lrd
z
(p)表示的是样本点p的第z邻域内的样本点到样本点p的平均可达距离的倒数，lrd
z
(o)表示的是样本点o的第z邻域内的点到样本点o的平均可达距离的倒数。4.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法，其特征在于：所述S2具体为：对经过S1处理后的样本数据运用马氏距离变换公式进行转换，马氏距离D(X)计算如下：
其中，X为样本向量，s为样本的协方差矩...

【专利技术属性】
技术研发人员：邵健，刁华宁，何安瑞，杨荃，陈雨来，郭强，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：