基于核主成分分析的热连轧断带故障诊断

热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。     

热镀锌带钢表面粗糙度的多变量统计过程质量监控

以热镀锌带钢的表面粗糙度为研究对象，建立了基于偏最小二乘法（PLS）的多变量统计过程控制模型。该模型首先利用偏最小二乘回归对生产数据进行信息提取，然后根据严统计量对提取出的信息进行过程监控，最后利用贡献图分析生产过程中出现异常的原因。新的方法能够有效克服多变量间的相关性，同时充分保留过程参数对质量参数最大的解释力。用鞍山钢铁集团新轧钢股份有限公司冷轧厂带钢热镀锌线的生产运行实绩进行验证，结果表明：基于PLS的多变量统计过程控制模型与基于主元分析（PCA）的统计过程控制模型相比，能够更准确地找出生产过程中的异常点及其原因。     

统计过程控制在铝电解生产中的应用研究

为了减小铝电解生产中测量系统的误差,发现其过程参数发生的异常,将统计过程控制引入到铝电解生产中,实现了一个面向铝电解生产的统计过程控制系统。依据测量数据找出生产过程的异常数据,提出改进方法,并对改进的测量系统进行检验。该系统在东方希望包头稀土铝业有限责任公司实际应用表明,统计过程控制系统能有效地帮助铝电解工艺人员发现异常数据,纠正生产过程的测量系统误差,保持工艺参数的稳定,降低能耗。     

数据清洗对热轧微合金钢性能预报模型的改进

热轧生产过程实测数据具有噪音大、信噪比低等特点,运用合适的方法对异常数据进行清洗将有助于提高钢材力学性能预报模型的精度。基于带钢热连轧过程数据的分布特点,采用孤立森林算法对热轧过程异常数据进行清洗,提高了性能预报模型的预测精度。首先,基于收集到的大量热轧微合金钢生产过程数据,采用孤立森林算法计算原始数据集中每条数据记录的异常分值;接着结合异常分值排序与力学性能建模实验,确定异常数据记录的个数;最后,基于清洗后的数据集合,运用融合数据与机理的建模方法建立力学性能预报模型,并对抗拉强度和屈服强度进行预测。预测实践表明,抗拉强度和屈服强度预报的平均绝对百分误差分别为2.50%和3.42%,且分别有93.13%和86.30%的数据预测值和实测值绝对误差在±6%之内;采用孤立森林算法对热轧生产过程异常数据进行清洗,可显著提高热轧带钢力学性能预报模型的精度。     

基于核主成分分析与PSO-SVM的充填管道失效风险性分级评价模型

为了更精确地对充填管道失效风险性进行预测,建立核主成分分析与PSO-SVM相结合的评价模型。选取8项定量指标作为充填管道失效风险性的评价指标。统计15个矿山的样本数据,运用核主成分分析法对15个样本进行预处理,得出主成分,再利用改进的SVM模型进行预测,进而得到更加精确的管道失效风险性预测结果。研究结果表明,所得到的实际预测结果与期望值之间的平均相对误差控制在5%以内。利用核主成分分析法与PSO-SVM相结合的评价模型具有精度高和运算速度快的优点,为充填管道失效风险预测提供了一种可靠的方法。     

板带粗轧全过程三维热力耦合模拟分析

为了预测热轧过程的温度与轧制力变化情况,利用热力耦合三维有限元模拟方法,对板带热轧粗轧过程进行了全流程模拟仿真分析。介绍了仿真模型的建立、材料参数以及初始条件、边界条件的设置,并对模拟结果进行了分析。最后利用现场实测温度数据和轧制力数据与模拟结果进行对比分析,仿真结果与实测值基本吻合,可为现场的实际生产提供指导。     

基于SVR模型的带钢精轧宽展预测

为提高带钢精轧宽展预测精度，结合实际生产数据，建立了基于支持向量机的回归预测模型。首先采用数据清洗、独热编码和主成分分析等方法对样本数据进行预处理，通过交叉验证法对惩罚参数和径向基函数核参数进行寻优，由此确立最佳模型结构。针对测试数据，分别采用回归预测模型、BP神经网络模型和经验公式进行预测，并从平均误差、最大偏差和误差分布等多个角度进行对比。结果表明，回归模型预测下的各项误差指标优势明显，绝对误差在2 mm内的分布占比达到94.52%。     

基于核主成分分析与SVM的岩爆烈度组合预测模型

为了更好地预测岩土工程中的岩爆烈度,建立了基于多类型核函数的主成分分析方法与遗传算法或粒子群优化算法(GA/PSO)优化的支持向量机(SVM)相结合的组合预测模型。选取围岩最大切向应力σ_θ、岩石单轴抗拉强度σ_t、岩石单轴抗压强度σ_c、应力集中系数SCF、脆性指数B_1和B_2以及弹性应变能指数Wet共7个指标构成岩爆预测指标体系。基于统计的246个国内外岩爆实例数据,分别运用主成分分析和基于线性核函数、RBF核函数以及MLP核函数的主成分分析对数据进行预处理,得到2～4个线性无关的主成分。再将降维后的数据输入GA/PSO优化的SVM模型进行训练和预测。经测试,基于RBF核函数的主成分分析方法与PSO-SVM相结合的模型预测准确率达到了92.3%,为最佳组合模型,为岩土工程中的岩爆烈度预测提供了一种可靠的方法。     

轧钢加热炉能效分析系统模型设计与应用

以钢铁企业热轧工艺加热炉为例,介绍一种集成数据驱动及工艺驱动的能效分析系统模型,通过理论建模、现场测试、数据认知等技术手段对能效参数进行诊断分析,建立智能专家知识库,实现设计模型对生产过程的在线指导,达到降低加热炉运行能耗的目标.该模型使用后,单体加热炉能源使用效率提高5％.     

破碎流程故障诊断系统开发与应用

破碎流程故障诊断系统以破碎生产流程在线检测数据为支撑,将因果推理和主元分析等技术相融合,实现了从底层设备到中间工序,再到上层生产流程的3层架构破碎全流程生产过程在线监测和故障诊断功能。该系统可以及时发现潜在的生产异常或者故障,通过报警、调整操作参数、甚至停机等方式处理异常或者故障,保障生产的持续稳定运行。     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

基于全局优化支持向量机的多类别高炉故障诊断

针对高炉故障诊断系统快速性和准确性的要求,提出基于全局优化最小二乘支持向量机的策略.首先,采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化;然后,利用核主元分析法对选取的特征向量进行压缩整理;最后,构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明,通过对故障训练样本有意义地分割重组,用较少的最小二乘支持向量机分类器,得到较高的故障判断准确率且增强了整个系统的实时性.      

极限学习机在中厚板轧制力预报中的应用

摘要：轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力，精度较低。为提高轧制力预报精度，首先基于大量历史生产数据，通过主成分分析法对影响轧制力的因素进行处理和分析，选出权重较大的影响因子；其次选取现场代表钢种进行热模拟压缩实验，在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型，即先通过化学成分计算出基准变形抗力，再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数，并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产，轧制力预报相对误差±10%以内占比提高15.61%，钢板头部厚度命中率提高1.9%。     

核函数方法(上)

支撑矢量机的成功引起了人们对核函数方法的兴趣。通过某种非线性变换将输入空间映射到一个高维特征空间，如果在其中应用标准的线性算法时，其分量间的相互作用仅限于内积，则可以利用函数的技术将这种算法转换为原输入空间里的非线性算法。Fisher判别法和主分析法是在模式分类与特征抽取中已经获得广泛应用的传统线性方法，近年出现的基于核函数的Fisher判别（KFD）与基于核函数的主分量分析（KPCA）是它们的非线性推广，其性能更好，适用范围更广，灵活性更高，是值得关注的应用前景看好的新技术。     

Neural Networks and Principal Component Analysis for Identification of Building Natural Periods

This paper deals with an application of neural networks for computation of fundamental natural periods of buildings with load-bearing walls. The analysis is based on long-term tests performed on actual structures. The identification problem is formulated as the relation between structural and soil basement parameters, and the fundamental period of building. The principal component analysis for compression of input data is also used. Backpropagation neural networks are applied in the analysis. Results of neural network identification of natural periods are compared with data from experiments. The application of the proposed neural networks enables us to identify the natural periods of the buildings with quite satisfactory accuracy for engineering practice. The compression of the input data to principal components by principal component analysis makes it possible to design much smaller neural networks than those without data compression with no greater increase of the neural approximation errors. It appears that this technique would also be very useful in damage detection and health monitoring of structures.