一种基于多阶段mpca的无缝钢管连轧生产过程的监测与故障识别方法
【专利摘要】针对无缝钢管连轧生产过程的机理模型难以建立，过程监测和故障识别很困难的问题，考虑其非线性极强、动态特性变化快等生产特点，提出了基于多阶段MPCA方法的无缝钢管连轧过程的监测与故障识别模型.该方法通过多阶段线性结构改进传统MPCA法的单模型线性化结构，以分段线性建模逼近非线性的方式，弥补传统MPCA法的不足，提高监测的准确度和反应速度.实验和仿真表明，基于多阶段MPCA方法的无缝钢管连轧过程的监测模型有效性地实现了对无缝钢管连轧过程的监测与故障识别，并且其实时性好、可靠性及精度高。
【专利说明】-种基于多阶段MPCA的无缝钢管连轧生产过程的监测与 故障识别方法
【技术领域】
[0001] 本发明涉及一种无缝钢管连轧生产过程监测与故障识别方法，实时性好，可靠性 和精度高。
【背景技术】
[0002] 无缝钢管被广泛应用于汽车、航空、石油、化工、建筑、锅炉和军工等各个部门，在 国民经济中具有很重要的地位，故被人们称为工业的血管.随着经济的快速发展，无缝钢 管的使用领域在不断扩大，对产品质量的要求也越来越高.无缝钢管的生产工序主要有穿 孔、乳管和减径.钢管连轧生产是无缝钢管生产的第二道工序，连轧得到的钢管质量对最 终产品质量影响很大。钢管连轧生产过程是具有典型的多时段、多变量且变量间有复杂线 性相关关系等特性的间歇生产过程，这使得钢管质量与过程变量之间的关系比较复杂。无 缝钢管连轧过程中数据的监测与故障识别是保障钢管质量的有效方法。
【发明内容】
[0003] 本发明的目的，是提供一种无缝钢管连轧生产过程监测与故障识别方法，能快速 准确监测故障，从而降低废品率，提高生产效益，该方法模型维护费用低，实时性好，精度 商。
[0004] 针对钢管连轧生产过程的复杂性，可将其分为咬钢、稳定轧制和抛钢三个子时 段.本发明人提出了基于多阶段MPCA方法来建立连轧过程的监测与故障识别模型.该方 法通过多阶段线性结构改进传统MPCA法的单模型线性化结构，以分段线性建模逼近非线 性的方式，弥补传统MPCA法的不足，提高监测的准确度.实验表明，基于多阶段MPCA方法 方法模型比传统的MPCA模型具有更高精度，有效性地实现了对无缝钢管连轧过程的监测 与故障识别。
[0005] 在建模前，先对连轧无缝钢管生产过程变量进行选择与分析 (1)轧辊转速：在连轧过程中，乳辊的转速非常重要，如果转速过快，会导致钢管表面的 毛坯不能被完全消除，连轧出来的钢管将是不合格的产品。另一方面如果轧辊的转速过慢 会增加连轧时间，因为消耗的电量等能源将会增加，不符合经济效益。而且，在8个轧辊中， 因为传送过程存在时间差的关系，前后两轮的转速控制必须符合要求，才能确保每根钢管 的连轧过程转速变化幅度保证在一定范围内。
[0006] (2)轧辊力矩：力矩的大小直接影响钢管生产的质量，力矩不足，力度不够，无法清 除钢管表面毛坯，力矩过大，会导致钢管承受过压而在连轧过程中变形。因此，合理的力矩 范围是确保产品质量的重要保障。为了节省电能资源，在等待状态时，力矩可以减少，输入 的电流不用过大。当有钢管进入时，所通电流增大从而增加力矩。在钢管进入连轧机时，电 流增加，力矩随之增加。当钢管输出连轧机时，电流减少，力矩随电流减少。
[0007] (3)轧辊电流：乳辊电流是连轧过程中最重要的控制变量，它是控制力矩和转速的 重要因素。因为电流的敏感度比较高，在钢管进入连轧机时，电流反应比较迅速，从而带动 轧辊速度以及轧辊力矩，确保连轧的顺利进行。电流与力矩成比例关系，电流随钢管进入时 增大，接着趋向稳定状态，当钢管离开轧辊时，电流迅速下降，等待下一批次的钢管。
[0008] -般来说连轧无缝钢管生产过程分成三大阶段：第一阶段为钢管进入连轧机的咬 钢阶段，此阶段轧辊转速在钢管进入瞬间，转速下降，随时间变化后上升趋向平稳。由于钢 管进入而导致静摩擦力增大，为了使钢管能顺利进入连轧机内部，电流必须迅速增大从而 带动力矩增大。第二阶段为钢管稳定轧制阶段，此阶段轧辊转速平稳的在控制线附近上下 波动，由于钢管在连轧机上连轧，因此，电流和力矩都要维持相应的值。第三阶段为无缝钢 管输出连轧机的刨钢阶段，此阶段钢管输出连轧机组瞬间，轧辊转速瞬间上升，然后慢慢下 降趋于平缓。钢管完成连轧输出连轧机时，电流和力矩都迅速下降，保证能源的节省和下一 批次连轧钢管的顺利进行。
[0009] 基于对连轧无缝钢管生产过程各变量的上述分析，为实现连轧生产过程的监测与 故障识别，采用下述技术方案： (1)连轧无缝钢管生产过程子操作时段的划分 本发明在对连轧生产过程各时段分析的基础上，确定了建模所需的各时段过程变量。 依据变量采集建模数据后，需要对生产过程子操作时段进行划分。在获得的三维数据的基 础上，将过程数据按生产操作时段的不同，将其分段处理。本发明先将连轧生产过程划分为 咬钢子时段、稳定轧制子时段和抛钢子时段。然后依据k-means聚类分析法并结合轧钢过 程变量间的关系进行细分段，细划咬钢和抛钢阶段，将咬钢阶段细划成3个子时段，将抛钢 阶段也细划成3个子时段。
[0010] k-means算法接受输入量k，然后将η个数据对象划分为k个聚类以便使得所获 得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相 似度是利用各聚类中对象的均值所获得一个中心对象来进行计算的，具体步骤如下： ① 从η个数据对象任意选择k个对象作为初始聚类中心； ② 循环（3)到（4)直到每个聚类不再发生变化为止； ③ 根据每个聚类对象的均值（中心对象)，计算每个对象与这些中心对象的距离；并 根据最小距离重新对相应对象进行划分； ④ 重新计算每个聚类的均值(中心对象)。
[0011] (2)连轧无缝钢管生产过程多阶段MPCA模型建立 在间歇过程的一次运行中，记录下变量J'=l，2, ···，/在时刻左=1，2,…，尤的采样值，运 行i=l，2,…，J次以后，得到了数据Z (J X / X幻。多向主元分析MPCA的思想是把三 维数据展开为二维数据以后再进行PCA分析。具体步骤如下： ① 将三维矩阵.
【权利要求】
1. 一种基于多阶段MPCA的无缝钢管连轧生产过程的监测与故障识别方法其特征是： 本发明在对连轧生产过程各时段分析的基础上，确定了建模所需的各时段过程变量，依据 变量采集建模数据后，需要对生产过程子操作时段进行划分.在获得的三维数据的基础 上，将过程数据按生产操作时段的不同，将其分段处理.本发明先将连轧生产过程划分为 咬钢子时段、稳定轧制子时段和抛钢子时段.然后依据k-means聚类分析法并结合轧钢过 程变量间的关系进行分段，细划咬钢和抛钢阶段，将咬钢阶段细划成3个子时段，同理将抛 钢阶段也细划成3个子时段.确定建模所需的各时段过程变量后，多阶段MPCA算法对进行 无缝钢管连轧生产过程监测与故障识别.该方法通过多阶段线性结构改进传统MPCA法的 单模型线性化结构，以分段线性建模逼近非线性的方式，弥补传统MPCA法的不足，提高监 测的准确度。
【文档编号】G06F17/50GK104063542SQ201410278192
【公开日】2014年9月24日 申请日期:2014年6月20日 优先权日:2014年6月20日
【发明者】肖冬, 高旭阳 申请人:东北大学