基于数据驱动的热轧带钢产品质量在线诊断与优化方法

Product quality anomalies, such as size deviation, property fluctuation are caused by multi-coupling and accumulation during hot rolling process. As a typical process industry, the hot rolling process is multi variable, strong coupling and nonlinear, therefore he online quality diagnosis mechanism has not been formed effectively. This research is aimed at the quality stability control of hot strip rolling process, the multi correlation of process variables are taken consideration, and the data driven is introduced into the information feature extraction process, based on which the quality diagnosis model the relationship between the process parameters and product quality are truthfully described, and the rapid positioning of abnormal process parameters is realized, the on-line optimization of process parameters is realized by multi objective dynamic solution. The main research topics include: 1) Research the feature extraction to solve the problem of data multi correlation. 2) Research on the modeling of kernel partial least squares method to determine the relationship between process parameters and quality index. 3) Research on the warning mechanism based on the uncertain union resolution to complete the judgment of quality abnormity online. 4) Research on the process multi-target dynamic optimization strategy, realizes the adjustment and optimization of the process parameters within the restricted conditions, and realizes the repair of the quality abnormality. The desired research results will provide new ideas to improve production stability of process industry such as steel-making and cold rolling process.

热轧产品尺寸、性能等质量异常是由多环节耦合累积造成的，作为典型的流程工业过程，热轧多变量、强耦合、过程非线性的特点，因此尚未形成有效的在线质量诊断机制。本研究面向板带热轧过程质量稳定性控制需求，围绕过程变量多相关性展开研究，将动态数据驱动引入信息特征提取过程，采用质量预测建模方法实现工艺参数和质量指标间的规律表征，实现了异常工艺参数的快速定位，通过多目标动态求解获得了工艺参数在线最优调整。本研究的主要内容：1）研究大规模数据的信息特征提取，明确数据多重相关性；2）研究基于核偏最小二乘的建模方法，明确工艺参数和质量指标间的内在影响规律；3）基于波动联合解析的预警机制研究，实现质量异常的在线判定；4）研究全流程多目标动态优化策略，通过在限定条件内的工艺参数调整和优化，完成质量异常的在线修复。本项目预期研究成果对炼钢、冷轧等工业流程产品质量稳定性提升提供了新的解决思路。

热轧生产过程工序众多，工序间工艺参数与质量指标存在极强的相关性，而产品尺寸、性能等质量异常是由多工序累积而成，缺乏有效的产品缺陷诊断和判定手段，对后续的产品质量提升造成困难。本研究面向热轧过程产品质量稳定性控制需求，围绕工艺参数和质量指标相关性展开研究，通过明晰工艺参数与产品质量之间的内在关系，建立产品质量监控和诊断模型，对质量缺陷进行定位，进一步通过工艺参数优化，避免质量异常的批次传播，从而有效提升产品质量和生产过程稳定性。.本项目主要在以下方面开展研究工作：1）研究大规模数据的清洗方法，建立了有效的数据信息和参数特征提取策略，采用Pauta准则和T2统计控制图对历史数据中异常数据进行剔除，减小对建模产生不利影响，完成数据清洗过程，为生产过程质量诊断提供准确的数据源；2）研究产品质量预测建模方法，建立基于神经网络的热轧板凸度预测模型，研究带钢宽度、窜辊量、轧制力、弯辊力等关键参数对板凸度的影响规律，研究选择策略中样本的选择数量及高斯核函数对模型性能的影响；3）研究了基于波动联合解析的预警机制，提出了板带轧制过程厚度质量在线判定方法，进一步与质量预测模型相结合，对质量异常缺陷发生后的控制提供决策依据。4）研究全流程多目标动态优化策略，以轧制全过程能耗作为成本指标，将质量最优条件作为边界条件，建立全流程生产过程能耗目标函数，采用PSO等优化算法进行目标函数进行求解，得到了最优的生产工艺和生产用轧制规程，有效的降低的生产能耗。.基于上述研究成果和多目标动态优化策略，集成了钢铁生产多工序工艺质量管控系统，实现了对钢铁生产过程中多工序工艺质量进行管理及控制。本研究在热轧工序取得的成果对上游炼钢、连铸工序及下游冷轧、热处理工序产品的质量提升具有重要的指导意义。