轧制装备系统“亚健康”状态预测及双闭环调控算法的研究

轧制装备系统能否健康运行关系到轧钢生产的可靠性和安全性。本项目通过对轧制装备系统的特征提取与约简分析，研究并建立其"亚健康"状态的诊断预测模式, 并尝试给出"亚健康"状态的智能控制模型体系。. 针对一类因自身或外部因素改变而工作在超负荷、亚健康状态的轧制装备系统，研究内容包括:(1)装备系统的性能指标参数的提取及状态分类建模机制的研究;(2)装备系统"亚健康"状态的智能预测模式研究;(3)"亚健康"状态的装备系统的双闭环调控算法、方法研究。. 在此基础上，提出一种轧制装备运行检测、诊断、控制的一体化设计，双闭环（基于诊断的负荷调控闭环和基于负荷调控的系统控制闭环）协同工作的防止故障发生的广义容错控制方法。并通过在热连轧机组中应用来验证其有效性，这对于轧制装备中故障的自愈、在线故障处理、减少不必要的换件和低碳环保生产具有重要意义。

轧制装备系统能否健康运行，直接影响到轧制生产的安全性及轧制产品的质量。本项目通过对轧制装备数据特征提取及工艺分析，主要得到了以下五方面的研究成果。（1）提出一种基于改进BP神经网络和模糊集理论的轴承健康度评价方法。给出了健康度的定义和健康度的计算方法。通过把隶属度映射到健康度，从而实现了模糊度的模糊判断到健康度的精确判断。通过经验设定的阈值来对健康度分级评价。该方法获得了国家发明专利。（2） 针对时频域特征选取问题，提出改进的人工免疫特征降维处理算法。即通过增加记忆较差抗体群的记忆细胞，从中得到冗余的特征，降低此特征的权重，提高了算法的收敛速度。（3）提出支持向量机健康诊断模型的软输出方法。即去掉输出层节点符号函数的限制，使得样本能够以某一概率属于某一类。另外，提出广义隶属度的概念以及计算出隶属度的具体计算方法，给出了S型函数作为隶属度到健康度的映射关系，进而得到健康状态评价算法。（4）提出一种基于改进支持向量机的寿命预测算法，即利用相关分析选取在线信号与故障最相关的特征，并运用粒子群优化支持向量机以解决参数取值对支持向量机预测效果具有较大影响的问题，最后使用回归模型来判断性能状态，结合三种技术，提出一种泛化能力较强的装备寿命预测算法。（5）通过对热连轧机组运行状态进行监听，采集轧制生产过程中每个机架的轧制力、速度、电机功率、温度等数据信息，建立一种D_S信息重构板厚预测控制模型，以此来提高预测精度。研究期间共发表标注本项目基金号的SCI论文5篇，EI论文15篇, 国家发明专利授权3项，出版学术专著1部,培养硕士毕业生10名，圆满地完成了本项目规定的考核任务。