本發(fā)明屬于復(fù)雜機電系統(tǒng)服役質(zhì)量狀態(tài)監(jiān)控與分析領(lǐng)域，具體涉及一種基于PCA-Cpk的冷連軋生產(chǎn)線服役質(zhì)量狀態(tài)評估方法。
背景技術(shù)：
：冷連軋機是冶金行業(yè)中控制系統(tǒng)最復(fù)雜、自動化程度最高、精度要求最嚴(yán)的裝備之一，它在一定程度上代表了國家鋼鐵工業(yè)技術(shù)發(fā)展的水平。冷連軋生產(chǎn)線的服役質(zhì)量狀態(tài)直接影響所軋制面板的精度，不僅如此，不能準(zhǔn)確得知生產(chǎn)線的服役質(zhì)量狀態(tài)，將帶來極大的安全風(fēng)險，所以，對生產(chǎn)線服役質(zhì)量狀態(tài)的評估十分必要。冷連軋生產(chǎn)線屬于復(fù)雜機電系統(tǒng)，生產(chǎn)線在運行過程中會積累大量工藝、電氣等數(shù)據(jù)，然而如何利用這些數(shù)據(jù)去評價生產(chǎn)線的服役質(zhì)量狀態(tài)，尚缺乏有效手段。傳統(tǒng)的復(fù)雜機電系統(tǒng)服役質(zhì)量狀態(tài)評估主要分為三類，即基于模型的、基于知識的和數(shù)據(jù)驅(qū)動的方法?；谀Ｐ偷姆治龇椒ㄒ韵到y(tǒng)的數(shù)學(xué)模型為基礎(chǔ)，建立系統(tǒng)的解析模型，以系統(tǒng)輸入推導(dǎo)出系統(tǒng)輸出?；谥R的方法以該領(lǐng)域?qū)＜业膯l(fā)式經(jīng)驗為核心，建立知識庫并推理出系統(tǒng)狀態(tài)，如專家系統(tǒng)、模糊推理等。數(shù)據(jù)驅(qū)動的方法不建立系統(tǒng)數(shù)學(xué)模型，也不過分依賴先驗知識，直接利用系統(tǒng)的輸入輸出數(shù)據(jù)進(jìn)行信息處理獲知系統(tǒng)狀態(tài)。冷連軋生產(chǎn)線監(jiān)測參數(shù)通常在幾十到數(shù)百個，采集間隔時間為毫秒級。當(dāng)今國內(nèi)冷連軋生產(chǎn)線基本都采取單變量超差預(yù)警方式，直接給參數(shù)設(shè)置控制限，超過該控制線則報警，該預(yù)警方式過于片面，不能反映整條生產(chǎn)線的運行狀態(tài)，甚至有的生產(chǎn)線完全憑工人經(jīng)驗判斷其服役質(zhì)量狀態(tài)。主成分分析(PCA)方法是一種多變量統(tǒng)計方法，常用于過程監(jiān)測領(lǐng)域，該方法最終以T2統(tǒng)計指標(biāo)和變量貢獻(xiàn)圖來分析設(shè)備故障情況，但是實際生產(chǎn)中數(shù)據(jù)量大，PCA所得結(jié)果是若干圖表，必須經(jīng)過技術(shù)人員再分析才能判斷設(shè)備的運行狀態(tài)。過程能力指數(shù)(Cpk)表示過程平均值與目標(biāo)值的偏離程度，但是在服役質(zhì)量評估領(lǐng)域，目標(biāo)值設(shè)置困難。技術(shù)實現(xiàn)要素：為了解決現(xiàn)有技術(shù)中的問題，本發(fā)明提出一種基于PCA-Cpk的冷連軋生產(chǎn)線服役質(zhì)量狀態(tài)評估方法，以冷連軋生產(chǎn)線現(xiàn)場監(jiān)測數(shù)據(jù)為基礎(chǔ)，以多元傳感器信息融合為理論依據(jù)，提出服役質(zhì)量指數(shù)以實時評估冷連軋生產(chǎn)線的服役質(zhì)量狀態(tài)，評估運行狀態(tài)更加簡潔，減少了人工處理信息的繁瑣步驟，容易實現(xiàn)自動化。為了實現(xiàn)以上目的，本發(fā)明所采用的技術(shù)方案為：包括以下步驟：1)從冷連軋生產(chǎn)線現(xiàn)場數(shù)據(jù)采集系統(tǒng)中提取服役質(zhì)量狀態(tài)評估數(shù)據(jù)，建立原始矩陣，并對原始矩陣進(jìn)行標(biāo)準(zhǔn)化處理；2)利用主成分分析方法對步驟1)標(biāo)準(zhǔn)化后的原始矩陣進(jìn)行信息融合，得到T2統(tǒng)計指標(biāo)和T2控制限；3)以步驟2)得到的T2統(tǒng)計指標(biāo)和T2控制限，采用過程能力指數(shù)計算公式計算服役質(zhì)量指數(shù)，用所得服役質(zhì)量指數(shù)與指數(shù)目標(biāo)值比較，通過計算服役質(zhì)量指數(shù)落在目標(biāo)指數(shù)的區(qū)間來評價生產(chǎn)線的服役質(zhì)量狀態(tài)，指數(shù)數(shù)值越大代表服役質(zhì)量狀態(tài)越好。所述步驟1)選取冷連軋生產(chǎn)線正常運行時的服役質(zhì)量狀態(tài)評估數(shù)據(jù)作為訓(xùn)練集，建立標(biāo)準(zhǔn)模式庫，選取當(dāng)前冷連軋生產(chǎn)線生產(chǎn)的服役質(zhì)量狀態(tài)評估數(shù)據(jù)作為測試集，分別建立訓(xùn)練集原始矩陣和測試集原始矩陣，并分別對訓(xùn)練集原始矩陣和測試集原始矩陣進(jìn)行標(biāo)準(zhǔn)化處理。所述步驟1)中服役質(zhì)量狀態(tài)評估數(shù)據(jù)包括電流、轉(zhuǎn)矩、轉(zhuǎn)速、力、位移和溫度數(shù)據(jù)，所述原始矩陣的行數(shù)代表所選服役質(zhì)量狀態(tài)評估數(shù)據(jù)的條數(shù)，原始矩陣的列數(shù)代表每條數(shù)據(jù)包含的變量個數(shù)。所述步驟1)中標(biāo)準(zhǔn)化處理包括數(shù)據(jù)中心化和方差歸一化處理，計算公式如下：其中，xi,j為原始矩陣，為歸一化后矩陣，為原始矩陣第j列均值，sj為原始矩陣第j列方差。所述步驟2)包括以下步驟：2.1)標(biāo)準(zhǔn)化后的訓(xùn)練集原始矩陣為mxn的矩陣，m表示所選數(shù)據(jù)的條數(shù)，n表示每條數(shù)據(jù)所包含的變量個數(shù)，計算訓(xùn)練集原始矩陣的協(xié)方差矩陣：2.2)求得訓(xùn)練集原始矩陣的協(xié)方差矩陣的特征值，并將特征值從大到小排列；2.3)根據(jù)排序后的特征值計算累計貢獻(xiàn)率：其中，λi為排序后的第i個特征值，A為所選特征值個數(shù)，當(dāng)計算到第A個特征值時，累計貢獻(xiàn)率大于等于0.9，則取前A個特征值對應(yīng)的特征向量，組成一個nxA的矩陣，該矩陣成為主元矩陣；2.4)根據(jù)F分布計算主元矩陣的T2統(tǒng)計控制限：其中，n為建模數(shù)據(jù)的樣本個數(shù)，A為主成分模型中保留的主成分個數(shù)，α為顯著性水平，在自由度為A，n-A條件下的F分布臨界值由統(tǒng)計表中查到；2.5)將標(biāo)準(zhǔn)化后的測試集原始矩陣投影到步驟2.3)建立的主元矩陣中；2.6)計算投影后數(shù)據(jù)的T2統(tǒng)計指標(biāo)：其中，t為主元矩陣，A為主元個數(shù)。所述步驟3)中服役質(zhì)量指數(shù)計算公式如下：服役質(zhì)量指數(shù)＝Cp·(1-|Ca|)其中，σ為T2統(tǒng)計指標(biāo)的標(biāo)準(zhǔn)差，X為T2統(tǒng)計指標(biāo)的均值，n為T2分布值的個數(shù)；U為T2統(tǒng)計指標(biāo)的中心值，即Tα2/2。與現(xiàn)有技術(shù)相比，本發(fā)明通過數(shù)據(jù)預(yù)處理、T2統(tǒng)計指標(biāo)和T2控制限計算、服役質(zhì)量指數(shù)計算與系統(tǒng)服役質(zhì)量狀態(tài)評估三個步驟給出冷連軋生產(chǎn)線的服役質(zhì)量指數(shù)，以冷連軋生產(chǎn)線現(xiàn)場監(jiān)測數(shù)據(jù)為基礎(chǔ)，以多元傳感器信息融合為理論依據(jù)，提出服役質(zhì)量指數(shù)以實時評估冷連軋生產(chǎn)線的服役質(zhì)量狀態(tài)，能夠做到及時預(yù)警，更有效的避免事故風(fēng)險。本發(fā)明相比直接用PCA方法評估運行狀態(tài)更加簡潔，減少了人工處理信息的繁瑣步驟，更容易實現(xiàn)自動化，能夠?qū)溥B軋生產(chǎn)線服役質(zhì)量狀態(tài)做出準(zhǔn)確評估，對系統(tǒng)故障實時做出預(yù)警預(yù)報，預(yù)防事故發(fā)生，指導(dǎo)維修維護(hù)。附圖說明圖1為本發(fā)明的方法流程圖。具體實施方式下面結(jié)合具體的實施例和說明書附圖對本發(fā)明作進(jìn)一步的解釋說明。參見圖1，本發(fā)明包括以下步驟：1)從冷連軋生產(chǎn)線現(xiàn)場數(shù)據(jù)采集系統(tǒng)中提取服役質(zhì)量狀態(tài)評估數(shù)據(jù)，建立原始矩陣，并對原始矩陣進(jìn)行標(biāo)準(zhǔn)化處理，具體包括以下步驟：1.1)選取冷連軋生產(chǎn)線正常運行時的服役質(zhì)量狀態(tài)評估數(shù)據(jù)作為訓(xùn)練集，建立標(biāo)準(zhǔn)模式庫，選取當(dāng)前冷連軋生產(chǎn)線生產(chǎn)的服役質(zhì)量狀態(tài)評估數(shù)據(jù)作為測試集，分別建立訓(xùn)練集原始矩陣和測試集原始矩陣；服役質(zhì)量狀態(tài)評估數(shù)據(jù)包括從冷連軋生產(chǎn)線現(xiàn)場數(shù)據(jù)采集系統(tǒng)中提取服役質(zhì)量狀態(tài)評估所需電流、轉(zhuǎn)矩、轉(zhuǎn)速、力、位移、溫度等相關(guān)數(shù)據(jù)，原始矩陣的行數(shù)代表所選服役質(zhì)量狀態(tài)評估數(shù)據(jù)的條數(shù)，原始矩陣的列數(shù)代表每條數(shù)據(jù)包含的變量個數(shù)；1.2)分別對訓(xùn)練集原始矩陣和測試集原始矩陣進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化處理包括數(shù)據(jù)中心化和方差歸一化處理，計算公式如下：其中，xi,j為原始矩陣，為歸一化后矩陣，為原始矩陣第j列均值，sj為原始矩陣第j列方差；2)利用主成分分析方法對步驟1)標(biāo)準(zhǔn)化后的原始矩陣進(jìn)行信息融合，得到T2統(tǒng)計指標(biāo)和T2控制限，具體包括以下步驟：2.1)標(biāo)準(zhǔn)化后的訓(xùn)練集原始矩陣為mxn的矩陣，m表示所選數(shù)據(jù)的條數(shù)，n表示每條數(shù)據(jù)所包含的變量個數(shù)，計算訓(xùn)練集原始矩陣的協(xié)方差矩陣：2.2)求得訓(xùn)練集原始矩陣的協(xié)方差矩陣的特征值，并將特征值從大到小排列；2.3)根據(jù)排序后的特征值計算累計貢獻(xiàn)率：其中，λi為排序后的第i個特征值，A為所選特征值個數(shù)，當(dāng)計算到第A個特征值時，累計貢獻(xiàn)率大于等于0.9，則取前A個特征值對應(yīng)的特征向量，組成一個nxA的矩陣，該矩陣成為主元矩陣；2.4)根據(jù)F分布計算主元矩陣的T2統(tǒng)計控制限：其中，n為建模數(shù)據(jù)的樣本個數(shù)，A為主成分模型中保留的主成分個數(shù)，α為顯著性水平，在自由度為A，n-A條件下的F分布臨界值由統(tǒng)計表中查到；2.5)將標(biāo)準(zhǔn)化后的測試集原始矩陣投影到步驟2.3)建立的主元矩陣中；2.6)計算投影后數(shù)據(jù)的T2統(tǒng)計指標(biāo)：其中，t為主元矩陣，A為主元個數(shù)，T2統(tǒng)計指標(biāo)是一個多變量統(tǒng)計指標(biāo)，當(dāng)其處于受控狀態(tài)時，表示生產(chǎn)過程穩(wěn)定；3)以步驟2)得到的T2統(tǒng)計指標(biāo)和T2控制限，采用過程能力指數(shù)計算公式計算服役質(zhì)量指數(shù)：服役質(zhì)量指數(shù)＝Cp·(1-|Ca|)其中，σ為T2統(tǒng)計指標(biāo)的標(biāo)準(zhǔn)差，X為T2統(tǒng)計指標(biāo)的均值，n為T2分布值的個數(shù)；U為T2統(tǒng)計指標(biāo)的中心值，即Tα2/2；用所得服役質(zhì)量指數(shù)與指數(shù)目標(biāo)值比較：等級Cpk值A(chǔ)+1.67≤CpkA1.33≤Cpk＜1.67B1.00≤Cpk＜1.33C0.67≤Cpk＜1.00DCpk＜0.67通過服役質(zhì)量指數(shù)落在目標(biāo)指數(shù)的區(qū)間來評價生產(chǎn)線的服役質(zhì)量狀態(tài)，指數(shù)數(shù)值越大代表服役質(zhì)量狀態(tài)越好。本發(fā)明將PCA和Cpk的概念集成起來，以PCA輸出的T2統(tǒng)計指標(biāo)和T2控制限為基礎(chǔ)，用Cpk的計算公式計算服役質(zhì)量指數(shù)，最終用一個指數(shù)來評估冷連軋生產(chǎn)線服役質(zhì)量狀態(tài)，結(jié)果清晰、準(zhǔn)確，以冷連軋生產(chǎn)線現(xiàn)場監(jiān)測數(shù)據(jù)為基礎(chǔ)，以多元傳感器信息融合為理論依據(jù)，提出服役質(zhì)量指數(shù)以實時評估冷連軋生產(chǎn)線的服役質(zhì)量狀態(tài)，能夠做到及時預(yù)警，更有效的避免事故風(fēng)險。當(dāng)前第1頁1 2 3