改進KICA帶鋼熱連軋過程故障檢測方法研究

張瑞成，裴 然

（華北理工大學(xué)電氣工程學(xué)院，河北 唐山 063210）

1 引言

隨著社會的快速發(fā)展，現(xiàn)代化工業(yè)系統(tǒng)的規(guī)模不斷擴大，工業(yè)過程的復(fù)雜性也成倍增長。這類系統(tǒng)一旦在運行過程中發(fā)生故障，將會造成巨大的損失。而帶鋼熱連軋過程控制是鋼鐵制造過程極其復(fù)雜的過程，近年來隨著市場對帶鋼產(chǎn)品質(zhì)量要求的日益提高，提高熱連軋帶鋼質(zhì)量具有廣泛的經(jīng)濟和社會效益。為了確保帶鋼熱連軋過程安全運行，同時提高產(chǎn)品質(zhì)量，有必要對帶鋼熱連軋過程的異常狀況或故障進行檢測和診斷方法進行研究。

實際的工業(yè)過程中產(chǎn)生的數(shù)據(jù)都存在著大量的噪聲，噪聲水平會影響統(tǒng)計監(jiān)控模型的準確性。為建立準確的模型，首先利用小波包去噪[1]對數(shù)據(jù)進行預(yù)處理。

目前針對故障檢測與診斷研究較多的是多元統(tǒng)計分析方法。文獻[2]將PCA和偏最小二乘法（Partial least square，PLS）方法成功應(yīng)用于軋鋼過程的故障檢測和診斷，結(jié)果表明PLS 方法比PCA方法能更好地檢測與診斷故障。但PCA與PLS方法提取的主元僅是不相關(guān)的，這樣診斷的效果并不好。作為PCA的延伸，獨立元分析（Independent component analysis，ICA），它可以從非高斯分布的數(shù)據(jù)中提取出獨立元（Independent components，ICs），更本質(zhì)的描述過程特征[3]。由于ICA的線性本質(zhì)，針對實際過程測量變量間的非線性關(guān)系，文獻[4]提出了核獨立元分析法（Kernel independent component analysis，KICA），其核心思想是將原過程數(shù)據(jù)利用核主元分析法映射到高維特征空間，然后進行ICA 處理。由于ICs順序和主導(dǎo)ICs數(shù)目的選取會影響KICA方法故障檢測的性能[5]，因此研究者們提出了很多提取ICs的方法。其中快速固定點算法[6]（Fast independent component analysis，F(xiàn)astICA），因其收斂速度快得到了廣泛的應(yīng)用。但是FastICA算法對初始權(quán)值的選取比較敏感，初始權(quán)值的不同可能影響算法的收斂性，最終影響故障診斷的準確率。為了解決初始權(quán)值問題，文獻[7]提出了在FastICA迭代中引入松弛因子。針對上述問題，在研究中提出一種基于超松弛因子改進的快速核獨立元分析（Fast kernel independent component analysis，F(xiàn)astKICA），利用KICA 對實際的非線性數(shù)據(jù)建立監(jiān)控模型，通過在FastICA算法牛頓迭代過程中引入超松弛因子ak，對隨機生成的初始權(quán)值進行處理，放寬算法對初始權(quán)值的要求，然后運用改進的FastICA算法提取出獨立元信號，從而建立監(jiān)控統(tǒng)計量和控制限，并基于帶鋼熱連軋的實測數(shù)據(jù)進行仿真實驗驗證該方法的故障檢測效果。

2 小波包去噪

早期的故障信號一般比較微弱，噪聲容易淹沒掉故障特征信息，通常的濾波去除噪聲效果不好，而小波包的消噪手段更為靈活。工程中最常見的噪聲模型是疊加性高斯噪聲，可以將含加性噪聲的一維信號模型表示為：

式中：f(n)—含噪聲的信號；x(n)—真實信號；e(n)—噪聲信號；σ—噪聲信號的偏差；小波包去噪的目的是從含噪的測量信號f(n)中得到x(n)的一個最優(yōu)逼近信號。

小波包去噪的過程是首先將含噪聲的信號小波包分解，當信號能量高于噪聲能量時，與信號相對應(yīng)的小波系數(shù)會高于與噪聲相對應(yīng)的小波系數(shù)，然后通過對分解系數(shù)進行閾值處理，修正小波系數(shù)來重構(gòu)信號，以獲得去噪的信號。去噪過程[8]，如圖1所示。

圖1 小波包去噪流程Fig.1 Wavelet Packet Denoising Process

3 改進的FastKICA故障檢測

3.1 KICA數(shù)據(jù)白化處理

通過式可以看出，特征空間F中的兩個高維數(shù)據(jù)的內(nèi)積可以在輸入空間通過核函數(shù)k(xi，xj)來計算，這樣避免了顯式地計算高維非線性映射函數(shù)φ(·)。對數(shù)據(jù)Φ進行零均值化，核矩陣變?yōu)椋?/p>

3.2 基于超松弛因子改進的FastICA算法

在通過KICA方法對非線性過程數(shù)據(jù)進行核白化后，下一步的目標是基于得到的核白化數(shù)據(jù)Z，采用FastICA算法估計獨立元特征。

為了簡化運算量，對式進行簡化處理，可得：

3.3 建立監(jiān)控統(tǒng)計量及控制限

運用改進的FastKICA方法對工業(yè)在線數(shù)據(jù)監(jiān)控，可以采用以下三個統(tǒng)計量：

3.4 基于改進的FastKICA故障檢測步驟

4 仿真與分析

帶鋼熱連軋（Hot strip mill process，HSMP）的布局示意圖，如圖2所示。工業(yè)HSMP基本上由6個機組依次組成：加熱爐、粗軋機、熱輸出輥道和飛剪、精軋機、層流冷卻和卷取機。粗軋過程中，熱鋼板的厚度大致減小，長度也隨著厚度的減小而成比例增大。帶鋼通過轉(zhuǎn)運臺運輸后，對帶鋼的頭尾進行剪切，防止損壞工作輥。然后，作為HSMP的核心步驟，精軋機工藝給出了進一步和更精確的厚度縮減，以達到所需的精確厚度，這將作為本節(jié)的背景工藝。隨后，極熱帶鋼通過層流冷卻設(shè)備（用水冷卻），最終被盤繞成需要的產(chǎn)品。從圖2中可以看出，精軋機組由7個機架組成，每組機架有4個輥，其中2個輥用于中間位置銑削，2個輥用于支撐外側(cè)的工作輥。同時，每個機座都有自己的驅(qū)動裝置，為工作輥提供主要的驅(qū)動力。通過快速液壓執(zhí)行機構(gòu)定位備份輥，調(diào)整工作輥之間的間隙。出口厚度由X射線測厚裝置測量，上游機架之間無法獲得。仿真以某鋼鐵公司1700mm帶鋼熱連軋生產(chǎn)線為研究背景，數(shù)據(jù)采用現(xiàn)場實測數(shù)據(jù)，其過程變量考慮為7個機架的輥縫、軋制力、彎輥力（第一機架無彎輥）共20個變量，質(zhì)量變量考慮為精軋末機架的出口厚度。精軋機軋制過程變量及質(zhì)量變量的分配[10]，如表1所示。

表1 過程及質(zhì)量變量分配表Tab.1 Assignment Table of Process and Quality Variables

圖2 帶鋼熱連軋機布置圖Fig.2 Schematic Layout of the Hot Strip Mill

引入的故障為精軋機軋制過程中第2、3機架間冷卻水控制閥的執(zhí)行器發(fā)生故障，當它不能按預(yù)設(shè)模式關(guān)閉時，會影響第3及之后機架的軋制力。而機架本身配有自動厚度控制器，因此輥縫會隨軋制力的變化而變化，這會使得出口帶鋼厚度產(chǎn)生正向偏差，影響最終的產(chǎn)品質(zhì)量，因此該故障為質(zhì)量相關(guān)的故障。在仿真中，選用2000 個正常工況下的實測數(shù)據(jù)作為樣本數(shù)據(jù)，以及2000個含有故障的實測數(shù)據(jù)作為實時數(shù)據(jù)，該故障從第5s開始，持續(xù)10s，在第15s 左右結(jié)束，采樣間隔為10ms。利用傳統(tǒng)的FastKICA和基于超松弛因子改進的FastKICA方法按照故障檢測步驟對能夠反映精軋機軋制過程的質(zhì)量相關(guān)的實時數(shù)據(jù)進行檢測，不同監(jiān)控統(tǒng)計量的結(jié)果，如圖3～圖8所示。

圖3 基于FastKICA的I2統(tǒng)計量圖Fig.3 Statistical Graph Based on FastKICA of I2

圖4 基于FastKICA的Ie2 統(tǒng)計量圖Fig.4 Statistical Graph Based on FastKICA of Ie2

圖5 基于FastKICA的SPE統(tǒng)計量圖Fig.5 Statistical Graph Based on FastKICA of SPE

圖6 基于改進的FastKICA的I2統(tǒng)計量圖Fig.6 Statistical Graph Based on Improved FastKICA of I2

圖7 基于改進的FastKICA的Ie2 統(tǒng)計量圖Fig.7 Statistical Graph Based on Improved FastKICA of Ie2

圖8 基于改進的FastKICA的SPE統(tǒng)計量圖Fig.8 Statistical Graph Based on Improved FastKICA of SPE

表2 故障誤報警率Tab.2 Failure Alarm Rate

5 結(jié)論

帶鋼熱連軋工業(yè)過程具有非線性、非高斯性和數(shù)據(jù)易受噪聲污染等特點，為提高對復(fù)雜工業(yè)過程故障檢測的準確性，提出使用小波包去噪結(jié)合基于超松弛因子改進的FastKICA 的方法，通過在帶鋼熱連軋過程上的仿真研究，得出以下結(jié)論：

（1）在FastICA 算法迭代過程中引入超松弛因子，并利用逐步實驗法求得其值。改進FastICA 算法不會因初始權(quán)值的不同而導(dǎo)致收斂速度波動，降低了對初始權(quán)值的依賴性，實現(xiàn)了大范圍的收斂，提高了算法的快速收斂性。

（2）基于超松弛因子改進的FastKICA方法，在故障檢測方面與傳統(tǒng)FastKICA 方法相比，改進方法降低了平均假報警率7.24%，同時基本實現(xiàn)了對故障的零誤差檢測，具有更好的故障檢測準確性。