1. <output id="hq5xa"></output>
    2. <output id="hq5xa"><font id="hq5xa"><td id="hq5xa"></td></font></output>
    3. <output id="hq5xa"></output>
      <output id="hq5xa"></output>
      <dl id="hq5xa"><font id="hq5xa"></font></dl>

        1. 北京信兆科技有限公司

          .
          您現在的位置:
          首頁
          >
          >
          >
          面向鋼鐵生產過程質量控制的動態數據挖掘方法

          面向鋼鐵生產過程質量控制的動態數據挖掘方法

          • 分類:行業新聞
          • 作者:
          • 來源:
          • 發布時間:2019-10-14
          • 訪問量:89

          【概要描述】[摘 要]質量控制對提高企業產品質量具有重要的意義。本文從鋼鐵生產過程的特點出發,將動態數據挖掘運用于質量控制中,闡述了利用數據挖掘解決質量預測問題和質量分析問題的一般方法。以寶鋼連鑄生產過程為背景進行挖掘實驗,表明這種方法在實際應中的正確性和有效性。

          面向鋼鐵生產過程質量控制的動態數據挖掘方法

          【概要描述】[摘 要]質量控制對提高企業產品質量具有重要的意義。本文從鋼鐵生產過程的特點出發,將動態數據挖掘運用于質量控制中,闡述了利用數據挖掘解決質量預測問題和質量分析問題的一般方法。以寶鋼連鑄生產過程為背景進行挖掘實驗,表明這種方法在實際應中的正確性和有效性。

          • 分類:行業新聞
          • 作者:
          • 來源:
          • 發布時間:2019-10-14
          • 訪問量:89
          詳情

          [摘 要]質量控制對提高企業產品質量具有重要的意義。本文從鋼鐵生產過程的特點出發,將動態數據挖掘運用于質量控制中,闡述了利用數據挖掘解決質量預測問題和質量分析問題的一般方法。以寶鋼連鑄生產過程為背景進行挖掘實驗,表明這種方法在實際應中的正確性和有效性。

           

          0 引言

          生產過程質量控制是利用生產過程的動態信息進行質量預測和質量控制。由于其實時性和較高的準確性,可以預估質量問題,從而降低鋼鐵企業的生產成本和經濟損失。生產過程質量控制的基礎是對生產過程的質量預測。因為只有對未來產品質量參數進行估計,才能在產品質量發生問題前調整生產過程,真正達到提高產品質量的目的。進行質量預測的手段是建立生產過程的質量模型,即以各種決定產品質量的變量為輸入,以產品各質量指標為輸出的數學模型。但由于影響因素較多而導致機理建模困難等原因,質量模型的建立比一般用于自動控制的對象建模更為困難。

          數據挖掘是一類從大量數據中自動尋找規律的方法,在過去20年中得到了大量的研究。數據挖掘方法的特點是能從大量的數據中自動分析并提取未知的、潛在有用的知識,因此可用于復雜系統的行為建模和行為預測。傳統的數據挖掘應用通常只處理靜態的數據,即不包含時間信息的數據。但當將數據挖掘方法用于建立鋼鐵企業生產過程的質量模型時,由于傳感器對生產過程不斷采樣的原因,獲得的生產歷史數據通常都是時間序列,即歷史數據是和時間相關的—系列值。因此通常用于處理靜態數據的數據挖掘方法不能直接應用于鋼鐵企業生產過程歷史數據的挖掘。
          動態數據挖掘是從海量時間序列數據中尋找規律的數據挖掘方法。將動態數據挖掘方法應用于鋼鐵企業生產過程質量控制時,主要目標有兩個:(1)通過對鋼鐵生產過程歷史記錄的數據挖掘,建立產品質量預測模型,并運用于生產過程,進行實時質量預測;(2)在產品質量出現問題后,利用對歷史數據的挖掘分析生產工藝對產品質量的影響,找出隱藏的生產規律,為鋼鐵企業改進工藝提供決策支持。


          1 問題描述

          本文所研究的面向質量控制的動態數據挖掘可表達為以下兩類問題的求解過程。


          2 面向質量控制的動態數據挖掘方法
          2.1 樣本抽取

          與靜態數據的挖掘不同,對多個時間序列進行動態數據挖掘時,需要解決的第1個問題是數據的樣本抽取,即將各個傳感器采樣得到的多個時間序列數據根據其時間、空間上的相關性以及對產品質量檢驗結果的影響,抽取相應的子序列,組成數據挖掘的樣本集合。這是因為對某一質量指標有影響的可能是不同工藝參數在不同時間段上的變化情況。

          鋼鐵企業生產過程可以分為間歇型過程(如高爐煉鐵過程)和連續型過程(如連續退火過程)。間歇型生產過程的特點是:單批產品在同一工藝裝置中,一般要經歷多個加工處理時段,因此通常其各個操作參數的設計值在生產過程的不同時段取不同的值。連續型生產過程的特點是:原料連續經過生產線各工藝裝置處理后成為產品,為了保持生產的連續性,各工藝裝置操作參數的設計值為定值。由于上述兩類生產過程的不同特點,在進行數據樣本抽取時必須采用不同的處理方法。下面分別加以闡述。
          2.1.1 間歇型過程
          對于間歇型生產過程,由于單批產品的質量檢驗是在該批產品生產完成后進行的,所以可以取單批產品在整個生產過程中完整的工藝參數測量值時間序列和質量指標測量值時間序列作為動態數據挖掘所需的樣本。
          2.1.2 連續型過程

          對于連續型生產過程,因為不同的工藝參數在不同的時段對加工的產品質量發生影響,因此應將工藝參數的測量值時間序列中,對某個質量檢驗結果有影響的一段子序列提取出來,和質量指標測量值一起組成樣本。
          2.2模式提取和評價
          2.2.1 質量不良原因的模式假設

          通常產品質量不良的原因可分為兩類,即工藝參數的設計值有錯誤;或在生產過程中工藝參數未能控制在設計值。本文提出的動態數據挖掘方法在用于鋼鐵企業生產過程質量控制時,基于以下關鍵性假設,即設產品質量不良的原因可以通過生產過程中工藝參數的時間序列實測樣本反映出來。工藝參數的時間序列中某些特征的改變,引起生產質量的變化,而這些時間序列的特征,可以用模式來描述。

          例如,在連鑄生產工藝中,鑄坯拉速不穩定時,容易出現縱向裂紋。根據此先驗知識,可以將鑄坯拉速測量值時間序列的方差作為影響鑄坯縱向裂紋質量事故的一個模式。為了解鑄坯拉速測量值時間序列的方差與鑄坯縱向裂紋質量事故之間的定量關系,可以采用數據挖掘方法從海量的鑄坯拉速測量值生產歷史數據中去尋找。

          根據上述質量不良原因的模式假設,在進行質量預測模型的建模或質量事故原因的分析時,要進行時間序列的模式提取和評價。
          2.2.2 時間序列的模式提取和評價方法

          時間序列的模式提取是從時間序列中抽取有價值的特征模式評價指標的過程。在經典的時間序列分析理論中,已給出了一類模式提取的方法:根據時間序列建立ARMA模型。該方法把時間序列空間映射到ARMA模型中的參數空間,也稱為時間序列的ARMA特征空間。但是ARMA特征沒有物理意義,難以根據它來改進產品質量。
          為了使模式評價指標具有物理意義,有三類可供選擇的方法:
          1)根據理論分析和實際經驗,構造與產品質量有關的模式類。例如根據經驗,冷連軋過程中帶鋼溫度驟升驟降可能引起斷帶,因此將它作為帶鋼溫度時間序列的一種模式。
          2)對于沒有任何先驗知識的情況,可以窮舉構造所有可能的有物理意義的模式。例如時間序列的均值、方差、最大值、最小值、中間值、局部極值出現頻率、單調性、凹凸性、與標準值的偏差、時間累計量等都可以被認為是候選的模式。
          3)對于只有部分先驗知識的情況,可以結合前兩種方法。
          特征模式評價指標確定后,時間序列模式評價的一般步驟如下:

          從上述過程可以看出,經過特征模式提取和評價,已經將時間序列數據轉換成了不顯含時間因素的模式評價值序列。
          2.3數據挖掘過程

          綜上所述,對于生產過程質量控制而言,整個動態數據挖掘過程,包括根據生產過程的性質對時間序列數據進行樣本抽取、根據給定的特征模式評價指標對時間序列進行特征模式評價、根據質量控制的要求建立質量預測或質量關聯模型等三個組成部分。具體步驟總結如下:
          1)確定m個可測的產品質量指標;
          2)根據理論分析和實際經驗,確定可能影響質量指標的因素。根據這些因素,確定參加挖掘n個可測的工藝參數以及相應的特征模式評價指標集合;
          3)獲取工藝參數的測量值時間序列,并使用第2.1.2節中介紹的方法對時間序列進行樣本抽取,得到數據挖掘樣本;
          4)使用第2.2.2節中的方法,對樣本進行模式評價,從而將數據樣本轉化為模式評價樣本;
          5)對于質量預測問題來說,使用回歸分析方法建立如式(3)所示的質量預測模型,對于質量分析問題來說,使用關聯分析方法建立如式(4)所示的質量分析模型;
          6)使用測試樣本集對挖掘結果進行測試;
          7)輸出數據挖掘結果。


          3 應用實例

          運用上述理論與方法,作者在一個冶金企業生產質量分析數據挖掘平臺上,以某鋼廠1900直弧型板坯連鑄機生產過程鑄坯縱裂質量控制為背景進行了動態數據挖掘試驗。

          定義質量指標為鑄坯縱向裂紋,考慮的數據類型為邏輯值,即只考慮鑄坯樣本有無縱向裂紋。在生產中通過切片硫印的方式獲取該質量指標的檢驗值,采樣周期為1h。參與數據挖掘的工藝參數共有24個,最短的采樣周期為5s(如結晶器循環冷卻水和二冷段冷卻水的溫度),最長的采樣周期為1min(如鑄坯表面溫度)。根據已知的連鑄理論和經驗知識,如:錳硫比增大或者硫含量降低時裂紋減少,拉速越不穩定越容易出現縱向裂紋等,確定了對各個工藝參數時間序列需要提取的具有物理意義的模式。

          連鑄是連續型生產過程,采用第2.1.2節中的方法從生產歷史數據中抽取樣本,共采集了60批鑄坯的生產歷史記錄,每批數據記錄的時間跨度為鑄坯切片質量硫印檢驗前1h。因此24個工藝參數時間序列的最大長度為43 200個采樣數據,總數據量約為200萬個數據。然后對原始數據進行去除野值、數據平滑等預處理,接著根據表1對每批數據提取特征模式,最后得到60個樣本。我們將前40個樣本作為訓練集,利用樸素Bayes分類建立質量預測模型。將后20個樣本作為測試集,對獲得的連鑄鑄坯質量預測模型進行了檢驗。表2為預測結果。

           

           

           

           

           

          關鍵詞:

          掃二維碼用手機看

          地址:北京市海淀區黑泉路8號1幢康健寶盛廣場D座四層

          北京信兆科技有限公司

          在線咨詢

          北京信兆科技有限公司

          關注我們

          北京信兆科技有限公司版權所有   網站建設:中企動力北二分  京ICP備11025685號

          被黑人猛烈进出到抽搐