[发明专利]基于PCA模型的连续退火机组炉内温度、张力监测及故障追溯方法

说明书

技术领域

本发明涉及连续退火机组的故障监测和诊断，尤其涉及一种连续退火机组炉内温度、张力监测及故障追溯方法。

背景技术

带钢经冷轧后产生冷塑性变形，存在明显的冷加工硬化现象和极高的内应力。为了消除冷加工硬化和内应力、稳定组织、改善钢的性能，要对冷轧后的带钢进行退火处理。退火是将带钢加热到适当温度，保温一定时间后缓慢冷却，以获得接近平衡状态的热处理工艺。连续退火机组将带钢的清洗、退火、平整、精整等工艺集于一体，具有生产效率高、产品品种多样化、产品质量高、生产成本低等许多优势，从投产之日起即在全世界范围内得到了迅速的发展。

冷轧带钢连续退火工艺流程主要包括清洗、上套、预热、加热、均热、缓冷、快冷、过时效、终冷、下套、平整等。为保证最终带钢的质量，连续退火机组中带钢在各个阶段的温度必须严格控制在工艺要求的范围内，故需要对各段炉温和板温进行实时监控。另外，由于带钢在连续退火机组中的高速运行，需要各段中带钢的张力协调一致。可见，炉温、板温和张力是影响带钢质量的重要因素，如何实现对它们的监控使其维持正常状态是保证产品质量的根本。

由于带钢连续退火的工艺复杂、过程变量数量多，利用传统方法对生产过程进行监控和故障诊断非常困难，因此无法保证产品质量。

发明内容

本发明旨在解决上述缺陷，提供一种基于PCA模型的连续退火机组炉内温度、张力监测及故障追溯方法。本发明利用现代数理统计方法将这些数据与生产过程紧密结合起来，对带钢连续退火机组进行有效的状态检测与故障诊断将具有非常重要的意义。

本发明是这样实现的：

一种基于PCA模型的连续退火机组炉内温度、张力监测及故障追溯方法，它主要包括下列步骤：

步骤一，根据现场获得的过程变量数据，利用主成分分析PCA方法建立该机组的温度及张力监测模型，所述过程变量数据包括：各段板温、各段炉温、带钢中央段速度、厚度和宽度；

步骤二，建立离线模型，利用步骤一获得的过程变量正常工况时的数据，根据设定值确定模型的主元个数，计算T²统计量和SPE统计量及其贡献的控制限；

步骤三，在线模型应用，计算当前数据的T²统计量和SPE统计量，根据离线模型提供的信息监测当前状态是否正常，若不正常则给出报警信号；

步骤四，在步骤三得同时，利用T²统计量的贡献及SPE统计量的贡献确定引起故障的主导变量。

所述的基于PCA模型的连续退火机组炉内温度、张力监测及故障追溯方法，所述步骤二建立离线模型包括：

模型选择：采用基于多模型结构的带钢质量监测模型，每一个子模型描述同一个钢种的过程特性即根据带钢调制度将不同的钢种划分为多个模型；另外，对于不同调制度下的带钢分别建立温度模型和张力模型；

数据预处理：主要包括：数据的去噪处理，取平均轨迹，标准化处理；

离线模型的建立，包括：统计量计算及控制线确定和贡献计算及控制限确定。

所述的基于PCA模型的连续退火机组炉内温度、张力监测及故障追溯方法，所述步骤二中，数据的标准化处理包括中心化及无量纲处理。数据的中心化处理是指平移变换，即数据矩阵X中的每个样本点x_ij减掉对应的列向量的均值即

其中i＝1，2，...，n；j＝1，2，...，p        (1)

其中，为对x_ij去均值后的数据；x_ij为第j个变量在第i个时刻的采样值；为第j个变量在i个时刻采样的平均值；设n为数据矩阵X中采样点个数；p为数据矩阵X中变量个数。

所述的基于PCA模型的连续退火机组炉内温度、张力监测及故障追溯方法，所述步骤二中，离线模型的建立包括：

数据所述数据标准化处理包括对数据同时进行中心化和无量纲处理；

中心化处理即用中心化之后的样本点除以对应列的标准差s_j：公式为