共查询到16条相似文献,搜索用时 13 毫秒
1.
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。 相似文献
3.
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。 相似文献
4.
5.
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。 相似文献
6.
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。 相似文献
7.
8.
9.
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。 相似文献
10.
11.
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。 相似文献
12.
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。 相似文献
13.
14.
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%。 相似文献
15.
16.
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. 相似文献