技术特征：
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
b
训练输出相关共同趋势分析octa模型：式中，s
b
和t
b
表示b子系统中和y
b
的非平稳趋势；a和c为和y
b
的负载矩阵，和表示和y
b
的平稳残差，d和e表示和y
b
的投影矩阵、a
t
和c
t
表示a和c的转置；得到octa模型的优化函数，如下：s.t.a
t
d＝c
t
e＝i式中，f
b
(a,c,d,e)表示b子系统的参数优化函数，i表示单位矩阵；构建各子系统关键性能指标相关指标和关键性能指标无关指标spe
b
如下：如下：式中，揭示了过程变量和关键性能指标之间非平稳的共同趋势；spe
b
用于分析过程变量的平稳平衡关系；表示新样本点的得分向量，为的转置，∧表示过程变量的协方差矩阵，表示新样本点的优选变量，表示
的高维特征，为的转置，为s
b
的转置，k
new
为新样本点的核函数矩阵，k0为初始核函数矩阵。7.如权利要求6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，所述将映射到高维特征空间，提取高维特征包括：将多项式核函数与径向基核函数按如下方式整合，得到混合核函数：式中，ω∈[0,1]表示权值系数；表示样本点i和j优选变量的混合核函数，表示样本i和j在b子系统的优选变量，b为多项式核函数的参数，c为rbf核函数的参数；通过所述混合核函数将映射到高维特征空间，提取高维特征8.如权利要求7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，包括：根据带钢产品的厚度偏差将运行性能分为优、良、中、差四个等级，并分别采用序号1、2、3、4表示优、良、中、差四个等级；计算不同等级的和spe
b
，并利用和spe
b
构建联合指标构建联合指标式中，和分别为和spe
b
的阈值，的阈值通过核密度估计求取；和表示等级为c时的和spe
b
；利用贝叶斯推理将各子系统的运行性能评估结果进行信息融合，则运行性能为c级的概率计算如下：概率计算如下：概率计算如下：式中，l
c
表示运行性能为c级，表示运行性能不为c级；表示b子系统运行性能为c级的后验概率，表示b子系统运行性能为c级的似然函数，表示b子系统运行性能为非c级的似然函数，表示b子系统运行性能为c级的先验概率，表示b子系统运行性能为非c级的先验概率，
表示运行性能为c级，表示运行性能为非c级，表示联合指标，表示联合指标的阈值；比较不同性能等级的概率大小，确定b子系统的运行性能等级：式中，表示b子系统运行性能为c级的后验概率；根据各子系统的评估结果计算全局评估结果：式中，为b子系统的权值系数，round()是取整函数；β
b
为b子系统的权值系数，l
b
表示b子系统的运行性能等级。9.如权利要求8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，所述实现全局运行性能评估，还包括：引入宽度为h的移动窗口；取h次评估结果中出现频率最高的作为当前生产过程的运行性能等级，如果出现频率最高的运行性能等级不止一个，则保持前一时刻的评价结果不变。10.如权利要求9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，所述当生产过程处于非优时，对非优原因进行追溯，包括：当评估结果非优时，构造非优数据与最优数据间的差异指数dif(i)来追溯非优变量：式中，k表示优等数据的样本数，差异指数dif(i)越大，对应的变量为非优变量的概率越大；x
b,i
表示b子系统样本点的第i个变量，表示优等数据中第k各个样本点的第i个变量。
技术总结
本发明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。
技术研发人员：张传放 彭开香 董洁 马亮 张学艺
受保护的技术使用者：北京科技大学
技术研发日：2021.10.25
技术公布日：2022/2/15