本發(fā)明涉及一種生產(chǎn)質(zhì)量問(wèn)題溯源及控制方法，具體涉及一種基于改進(jìn)PCA的帶鋼冷軋質(zhì)量問(wèn)題溯源及控制方法。

背景技術(shù)：

近年來(lái)，隨著數(shù)字化、信息化、網(wǎng)絡(luò)化以及人工智能技術(shù)的發(fā)展，特別是德國(guó)工業(yè)4.0、中國(guó)制造2025的提出，企業(yè)生產(chǎn)過(guò)程的自動(dòng)化已經(jīng)達(dá)不到市場(chǎng)發(fā)展的要求，智能制造成為先進(jìn)制造業(yè)新的發(fā)展方向。冷軋帶鋼作為制造業(yè)的一個(gè)重要的組成部分，在一定程度上代表了國(guó)家鋼鐵工業(yè)的發(fā)展水平。隨著冷軋帶鋼生產(chǎn)的發(fā)展，冷軋機(jī)組設(shè)備規(guī)模日益增大，系統(tǒng)復(fù)雜程度越來(lái)越高，精度要求越來(lái)越嚴(yán)格，智能化水平要求越來(lái)越高，對(duì)產(chǎn)品的質(zhì)量和精度要求也越來(lái)越高，提高生產(chǎn)線(xiàn)的智能化程度，持續(xù)、穩(wěn)定、高效的生產(chǎn)高合格率的產(chǎn)品，已成為企業(yè)在市場(chǎng)中以及在未來(lái)的發(fā)展中具有競(jìng)爭(zhēng)力的重要籌碼。

因此，在冷軋帶鋼生產(chǎn)過(guò)程中需要及時(shí)檢測(cè)質(zhì)量問(wèn)題的發(fā)生，追溯質(zhì)量問(wèn)題發(fā)生的原因并對(duì)產(chǎn)生因素進(jìn)行控制，消除質(zhì)量問(wèn)題的發(fā)生不利因素，從而使企業(yè)生產(chǎn)過(guò)程能夠長(zhǎng)時(shí)間持續(xù)、穩(wěn)定的進(jìn)行，提高企業(yè)智能化水平和市場(chǎng)競(jìng)爭(zhēng)力。

主元分析(PCA)是過(guò)程監(jiān)測(cè)常用的一種技術(shù)主元分析方法的基本思想就是在保持盡可能多的過(guò)程信息變化量的情況下，對(duì)由一個(gè)相互之間存在相關(guān)性變量所組成的數(shù)集進(jìn)行降維以獲得相互之間不相關(guān)的特征信號(hào)(主元信號(hào))的過(guò)程，即較少維數(shù)的住院信號(hào)表征過(guò)程數(shù)據(jù)矩陣的動(dòng)態(tài)變化。主元分析通過(guò)構(gòu)造基于過(guò)程主元特征信號(hào)子空間信息的過(guò)程統(tǒng)計(jì)量T²和殘差信息子空間信息的統(tǒng)計(jì)量Q，確定其控制限，從而實(shí)現(xiàn)過(guò)程控制。在監(jiān)測(cè)到系統(tǒng)異常時(shí)，通過(guò)構(gòu)建貢獻(xiàn)圖或者標(biāo)準(zhǔn)殘差識(shí)別故障變量。

傳統(tǒng)的PCA方法在實(shí)際應(yīng)用中存在很多不足，例如雖然利用貢獻(xiàn)圖或者標(biāo)準(zhǔn)殘差可以給出與質(zhì)量問(wèn)題參數(shù)密切相關(guān)的過(guò)程控制變量，但一方面變化比較大的變量通常不是問(wèn)題發(fā)生的原因，而且只給出了原因變量，并沒(méi)有給出原因變量的控制方向，造成分析結(jié)果的不可靠。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中的問(wèn)題，本發(fā)明提出一種基于改進(jìn)PCA的帶鋼冷軋質(zhì)量問(wèn)題溯源及控制方法，針對(duì)過(guò)程參數(shù)眾多關(guān)系復(fù)雜、離散的設(shè)備之間相互關(guān)聯(lián)高度耦合的情況，冷軋帶鋼在線(xiàn)質(zhì)量問(wèn)題分析結(jié)果可靠，能夠更好的追溯質(zhì)量問(wèn)題發(fā)生的原因并對(duì)產(chǎn)生因素進(jìn)行控制，消除質(zhì)量問(wèn)題發(fā)生的不利因素，從而使企業(yè)生產(chǎn)過(guò)程能夠長(zhǎng)時(shí)間持續(xù)、穩(wěn)定的進(jìn)行，提高企業(yè)智能化水平和市場(chǎng)競(jìng)爭(zhēng)力。

為了實(shí)現(xiàn)以上目的，本發(fā)明所采用的技術(shù)方案為：包括以下步驟：

1)配置質(zhì)量問(wèn)題參數(shù)：將不同的質(zhì)量問(wèn)題與該質(zhì)量問(wèn)題發(fā)生相關(guān)的過(guò)程參數(shù)進(jìn)行關(guān)聯(lián)；

2)建立標(biāo)準(zhǔn)模型庫(kù)：首先從冷軋帶鋼生產(chǎn)過(guò)程積累的數(shù)據(jù)信息中選取沒(méi)有質(zhì)量問(wèn)題發(fā)生階段的工藝參數(shù)，然后對(duì)沒(méi)有質(zhì)量問(wèn)題發(fā)生階段的工藝參數(shù)進(jìn)行聚類(lèi)分析，得到標(biāo)準(zhǔn)模型庫(kù)；

3)獲取質(zhì)量問(wèn)題發(fā)生信息：在帶鋼冷軋生產(chǎn)過(guò)程中采集質(zhì)量問(wèn)題數(shù)據(jù)，并對(duì)質(zhì)量問(wèn)題數(shù)據(jù)進(jìn)行分析獲取質(zhì)量問(wèn)題發(fā)生的類(lèi)型、時(shí)間、位置和級(jí)別信息；

4)過(guò)程參數(shù)一次處理：根據(jù)質(zhì)量問(wèn)題發(fā)生的時(shí)間，提取質(zhì)量問(wèn)題發(fā)生前的若干個(gè)與該質(zhì)量問(wèn)題發(fā)生相關(guān)的過(guò)程參數(shù)的樣本點(diǎn)為分析目標(biāo)，將過(guò)程參數(shù)與該過(guò)程參數(shù)的上下限進(jìn)行比對(duì)，如果過(guò)程參數(shù)超過(guò)了上下限，則認(rèn)為該過(guò)程參數(shù)是質(zhì)量問(wèn)題發(fā)生的原因參數(shù)；若沒(méi)有過(guò)程參數(shù)超過(guò)上下限，則執(zhí)行步驟5)；

5)過(guò)程參數(shù)二次處理：以質(zhì)量問(wèn)題發(fā)生前的若干個(gè)與待分析的質(zhì)量問(wèn)題關(guān)聯(lián)的過(guò)程參數(shù)為原始數(shù)據(jù)，先對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后運(yùn)用主元分析方法對(duì)原始數(shù)據(jù)進(jìn)行降維處理，最后利用方差累積貢獻(xiàn)率法來(lái)確定主元個(gè)數(shù)；

6)計(jì)算貢獻(xiàn)率和每個(gè)主元中每個(gè)參數(shù)的負(fù)荷值的乘積和，將結(jié)果作為各個(gè)過(guò)程參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響率，根據(jù)影響率對(duì)過(guò)程參數(shù)進(jìn)行排列，取其中影響率超過(guò)閾值的過(guò)程參數(shù)作為引起質(zhì)量問(wèn)題發(fā)生的原因參數(shù)，影響率未超過(guò)閾值的過(guò)程參數(shù)為正常參數(shù)；

7)將正常參數(shù)在步驟2)建立的標(biāo)準(zhǔn)模型庫(kù)中進(jìn)行模式識(shí)別，確定模型后將原因參數(shù)與模型中的標(biāo)準(zhǔn)參數(shù)進(jìn)行比較，確定原因參數(shù)的偏差大小和控制方式。

所述步驟2)建立標(biāo)準(zhǔn)模型庫(kù)的具體包括以下步驟：

2.1)取質(zhì)量問(wèn)題發(fā)生前的J個(gè)過(guò)程參數(shù)的樣本為原始數(shù)據(jù)，與待分析的質(zhì)量問(wèn)題關(guān)聯(lián)的過(guò)程參數(shù)有n個(gè)，則原始數(shù)據(jù)表示為：

O＝O₁×O₂×O₃×…×O_n (1)

其中，O_i(i＝1，2，3，…，n)為第i維空間；

將每維數(shù)據(jù)空間劃分為等長(zhǎng)的R段，記為：

O_i＝O_i,1∪O_i,2∪O_i,3∪…∪O_i,R (2)

將每維數(shù)據(jù)等長(zhǎng)劃分后，每個(gè)網(wǎng)格單元由O_1,i1×O_2,i2×O_3,i3×…O_n,in組成，其中，O_n,in表示第n維空間第in段；

2.2)對(duì)步驟2.1)獲得數(shù)據(jù)進(jìn)行聚類(lèi)分析，得到標(biāo)準(zhǔn)模型庫(kù)。

所述步驟2.2)中首先將每個(gè)網(wǎng)格單元中的數(shù)據(jù)按密度方法進(jìn)行聚類(lèi)，找出超過(guò)閾值的數(shù)據(jù)簇，將獲得的數(shù)據(jù)簇的個(gè)數(shù)作為K-means方法的聚類(lèi)中心的個(gè)數(shù)，然后用K-means方法進(jìn)行聚類(lèi)，將聚類(lèi)中心作為標(biāo)準(zhǔn)模型數(shù)據(jù)，即一個(gè)類(lèi)代表一種標(biāo)準(zhǔn)的生產(chǎn)過(guò)程；如果網(wǎng)格單元中的數(shù)據(jù)不存在超過(guò)該閾值的數(shù)據(jù)簇，則網(wǎng)格中的數(shù)據(jù)直接作為標(biāo)準(zhǔn)模型數(shù)據(jù)；最后將每個(gè)網(wǎng)格單元中獲得標(biāo)準(zhǔn)模型數(shù)據(jù)存入標(biāo)準(zhǔn)模型庫(kù)。

所述步驟6)具體包括以下步驟：

6.1)根據(jù)主元分析貢獻(xiàn)圖法，當(dāng)原始數(shù)據(jù)的SPE統(tǒng)計(jì)量超過(guò)其控制限后，第i個(gè)變量在第j個(gè)時(shí)刻對(duì)SPE統(tǒng)計(jì)量的貢獻(xiàn)為SPE_ij；

6.2)標(biāo)準(zhǔn)化后的原始數(shù)據(jù)的協(xié)方差的特征值為λ₁>λ₂>λ₃>….>λ_m，以及與其相對(duì)應(yīng)的單位特征向量p₁，p₂，p₃，···p_m，其中m為主元個(gè)數(shù)；

6.3)根據(jù)步驟6.1)和6.2)的結(jié)果，過(guò)程參數(shù)影響數(shù)權(quán)重計(jì)算公式如下：

其中，λ_h為第h個(gè)主元的得分值，p_hi為第h個(gè)主元第i個(gè)參數(shù)的負(fù)荷值，h＝1，2，3…m；

則在j個(gè)時(shí)刻，過(guò)程參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響數(shù)為：

ER_i＝w_i*SPE_ij (4)

6.4)按照計(jì)算結(jié)果ER_i對(duì)過(guò)程參數(shù)進(jìn)行排列，ER₁>ER₂>ER₃>…>ER_n，將每個(gè)過(guò)程參數(shù)對(duì)應(yīng)的影響數(shù)與總的影響數(shù)的比作為該過(guò)程參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響率；

6.5)確定質(zhì)量問(wèn)題發(fā)生的原因參數(shù)的計(jì)算公式為：

若前K個(gè)過(guò)程參數(shù)的影響率百分比均超過(guò)設(shè)定的閾值，則認(rèn)為該K個(gè)過(guò)程參數(shù)是質(zhì)量問(wèn)題發(fā)生的原因參數(shù)，剩余的M-K個(gè)過(guò)程參數(shù)為正常參數(shù)。

所述步驟7)中模式識(shí)別具體包括：

7.1)利用M-K個(gè)正常參數(shù)在標(biāo)準(zhǔn)模型庫(kù)中進(jìn)行模式識(shí)別匹配，匹配計(jì)算公式如下：

其中MD(l)為第l個(gè)模型的匹配數(shù)的計(jì)算結(jié)果，w_i為第i個(gè)參數(shù)權(quán)重，A_i為第i個(gè)參數(shù)的實(shí)際值，M_li為第l個(gè)模型中第i個(gè)參數(shù)的值；

7.2)將獲得的MD(l)中的最小值所對(duì)應(yīng)的模型作為匹配結(jié)果的最佳模型，對(duì)K個(gè)原因參數(shù)進(jìn)行控制。

所述原因參數(shù)的控制包括確定偏差大小和控制方向，計(jì)算公式為：

c(i)＝M_Li-A_i (7)

其中，c(i)為參數(shù)控制值，若計(jì)算結(jié)果為正，則控制方向?yàn)槭箙?shù)增大；若計(jì)算結(jié)果為負(fù)，則控制方向?yàn)槭箙?shù)減?。籑_Li為最佳匹配模型第i個(gè)參數(shù)的值。

與現(xiàn)有技術(shù)相比，本發(fā)明首先根據(jù)經(jīng)驗(yàn)知識(shí)，針對(duì)不同的冷軋帶鋼質(zhì)量問(wèn)題進(jìn)行相關(guān)過(guò)程參數(shù)選擇配置，然后基于網(wǎng)格密度的K-means方法的生產(chǎn)過(guò)程建立標(biāo)準(zhǔn)模型庫(kù)，其次檢測(cè)帶鋼冷軋生產(chǎn)過(guò)程中質(zhì)量問(wèn)題的發(fā)生，獲取質(zhì)量問(wèn)題發(fā)生信息，再次將各個(gè)過(guò)程參數(shù)和控制上下限進(jìn)行比較，再次若沒(méi)有過(guò)程參數(shù)超過(guò)上下限，則基于改進(jìn)的主元分析(PCA)方法的質(zhì)量問(wèn)題發(fā)生原因參數(shù)的分析，計(jì)算各個(gè)參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響率，并確定質(zhì)量問(wèn)題發(fā)生的原因參數(shù)以及非原因參數(shù)，根最后據(jù)得到的非原因參數(shù)識(shí)別匹配標(biāo)準(zhǔn)模型，確定質(zhì)量問(wèn)題發(fā)生原因參數(shù)的控制方式。本發(fā)明在積累的大量的過(guò)程工藝的基礎(chǔ)上，針對(duì)過(guò)程參數(shù)眾多關(guān)系復(fù)雜、離散的設(shè)備之間相互關(guān)聯(lián)高度耦合的情況，對(duì)冷軋帶鋼生產(chǎn)線(xiàn)系統(tǒng)的質(zhì)量問(wèn)題原因進(jìn)行追溯和控制，及時(shí)檢測(cè)質(zhì)量問(wèn)題的發(fā)生，追溯質(zhì)量問(wèn)題發(fā)生的原因并對(duì)產(chǎn)生因素進(jìn)行控制，消除質(zhì)量問(wèn)題的發(fā)生不利因素，本發(fā)明是基PCA的冷軋帶鋼在線(xiàn)質(zhì)量問(wèn)題溯源及控制的方法，分析結(jié)果可靠，從而使企業(yè)生產(chǎn)過(guò)程能夠長(zhǎng)時(shí)間持續(xù)、穩(wěn)定的進(jìn)行，提高企業(yè)智能化水平和市場(chǎng)競(jìng)爭(zhēng)力。

附圖說(shuō)明

圖1為質(zhì)量問(wèn)題參數(shù)配置模型圖；

圖2為生產(chǎn)過(guò)程的標(biāo)準(zhǔn)模型庫(kù)建立方法流程圖；

圖3為本發(fā)明的方法流程圖；

圖4為質(zhì)量問(wèn)題追溯與控制方法流程圖。

具體實(shí)施方式

下面結(jié)合具體的實(shí)施例和說(shuō)明書(shū)附圖對(duì)本發(fā)明作進(jìn)一步的解釋說(shuō)明。

參見(jiàn)圖3，本發(fā)明具體包括以下步驟：

步驟一：參見(jiàn)圖1的質(zhì)量問(wèn)題參數(shù)配置模型，首先是對(duì)不同的質(zhì)量問(wèn)題進(jìn)行參數(shù)配置，根據(jù)經(jīng)驗(yàn)知識(shí)，對(duì)于不同的質(zhì)量問(wèn)題，相關(guān)的過(guò)程參數(shù)不同，為了減少計(jì)算負(fù)擔(dān)，同時(shí)去掉不必要的噪聲信息，應(yīng)針對(duì)不同的質(zhì)量問(wèn)題對(duì)過(guò)程變量進(jìn)行選擇；

步驟二：參見(jiàn)圖2生產(chǎn)過(guò)程標(biāo)準(zhǔn)模型庫(kù)建立方法流程，根據(jù)生產(chǎn)過(guò)程中積累的大量數(shù)據(jù)信息，剔除劣質(zhì)的信息，選出沒(méi)有質(zhì)量問(wèn)題發(fā)生階段的優(yōu)秀工藝參數(shù)，然后基于網(wǎng)格密度的K-means方法對(duì)得到的數(shù)據(jù)信息進(jìn)行聚類(lèi)分析，對(duì)于每種質(zhì)量問(wèn)題建立相應(yīng)的標(biāo)準(zhǔn)模型，模型中應(yīng)包括質(zhì)量問(wèn)題所對(duì)應(yīng)的所有相關(guān)過(guò)程控制參數(shù)，并且保證在此類(lèi)過(guò)程參數(shù)的條件下，生產(chǎn)過(guò)程能夠正常進(jìn)行，將獲得標(biāo)準(zhǔn)模型，存放到數(shù)據(jù)庫(kù)中；

建模方法具體如下：

首先取質(zhì)量問(wèn)題發(fā)生前的J個(gè)過(guò)程參數(shù)的樣本為原始數(shù)據(jù)，與要分析的質(zhì)量問(wèn)題關(guān)聯(lián)的過(guò)程參數(shù)有n個(gè)，則原始數(shù)據(jù)可表示為：

O＝O₁×O₂×O₃×…×O_n (1)

其中，O_i(i＝1，2，3，…，n)為第i維空間；

將每維數(shù)據(jù)空間劃分為等長(zhǎng)的R段，記為：

O_i＝O_i,1∪O_i,2∪O_i,3∪…∪O_i,R (2)

將每維數(shù)據(jù)等長(zhǎng)劃分后，每個(gè)網(wǎng)格單元由O_1,i1×O_2,i2×O_3,i3×…O_n,in組成，其中O_n,in表示第n維空間第in段；

然后將每個(gè)網(wǎng)格單元中的數(shù)據(jù)按密度方法進(jìn)行聚類(lèi)，找出超過(guò)某個(gè)閾值的數(shù)據(jù)簇，將獲得的數(shù)據(jù)簇的個(gè)數(shù)作為K-means方法的聚類(lèi)中心的個(gè)數(shù)，然后用K-means方法進(jìn)行聚類(lèi)，將聚類(lèi)中心作為標(biāo)準(zhǔn)模型數(shù)據(jù)，即一個(gè)類(lèi)代表一種標(biāo)準(zhǔn)(即正常)的生產(chǎn)過(guò)程，如果網(wǎng)格單元中的數(shù)據(jù)不存在超過(guò)該閾值的數(shù)據(jù)簇，則網(wǎng)格中的數(shù)據(jù)可以直接作為標(biāo)準(zhǔn)模型數(shù)據(jù)；最后將每個(gè)網(wǎng)格單元中獲得標(biāo)準(zhǔn)模型數(shù)據(jù)存入標(biāo)準(zhǔn)模型數(shù)據(jù)庫(kù)；

步驟三：檢測(cè)質(zhì)量問(wèn)題的發(fā)生，利用生產(chǎn)線(xiàn)的傳感器，獲得質(zhì)量問(wèn)題數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析，獲得質(zhì)量問(wèn)題發(fā)生的類(lèi)型、時(shí)間和位置等信息；

步驟四：對(duì)過(guò)程參數(shù)的第一次處理：根據(jù)質(zhì)量問(wèn)題發(fā)生的時(shí)間，提取質(zhì)量問(wèn)題發(fā)生前的若干個(gè)過(guò)程數(shù)據(jù)的樣本點(diǎn)為分析目標(biāo)，并根據(jù)過(guò)程參數(shù)的上下限對(duì)過(guò)程參數(shù)進(jìn)行第一次分析，如果過(guò)程參數(shù)超過(guò)了設(shè)定的上下限，則認(rèn)為是該參數(shù)是質(zhì)量問(wèn)題發(fā)生的原因參數(shù)：若沒(méi)有參數(shù)超過(guò)控制范圍，即所有相關(guān)參數(shù)都在控制范圍內(nèi)波動(dòng)，進(jìn)入步驟五繼續(xù)對(duì)質(zhì)量問(wèn)題進(jìn)行原因分析；

步驟五：若沒(méi)有參數(shù)超過(guò)設(shè)定的控制范圍，取質(zhì)量問(wèn)題發(fā)生前的J個(gè)過(guò)程參數(shù)的樣本為原始數(shù)據(jù)，與要分析的質(zhì)量問(wèn)題關(guān)聯(lián)的過(guò)程參數(shù)有n個(gè)，則原始數(shù)據(jù)的為J×n的矩陣，先對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后運(yùn)用主元分析(PCA)方法，對(duì)數(shù)據(jù)進(jìn)行降維處理，利用方差累積貢獻(xiàn)率法(Cumulative percent variance，CPV)確定主元個(gè)數(shù)m；

步驟六：參見(jiàn)圖4的質(zhì)量問(wèn)題追溯與控制方法流程圖，計(jì)算貢獻(xiàn)率和每個(gè)主元中每個(gè)參數(shù)的負(fù)荷值的乘積和，將結(jié)果作為各個(gè)參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響率，即，對(duì)于每一個(gè)參數(shù)，求得每個(gè)主元的貢獻(xiàn)率和該參數(shù)負(fù)荷值的乘積，并求和，我們將獲得的和值作為該過(guò)程參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生影響的影響率，根據(jù)獲得的影響率，對(duì)參數(shù)重新排列，取其中影響率最大的K個(gè)過(guò)程參數(shù)，作為引起質(zhì)量問(wèn)題發(fā)生的原因參數(shù)；

根據(jù)計(jì)算結(jié)果影響率對(duì)參數(shù)的重新排序，并獲得引起質(zhì)量問(wèn)題發(fā)生的K個(gè)原因參數(shù)的方法，方法的實(shí)現(xiàn)具體如下：

根據(jù)主元分析貢獻(xiàn)圖法，當(dāng)SPE統(tǒng)計(jì)量超過(guò)其控制限后，第i個(gè)變量在第j個(gè)時(shí)刻對(duì)SPE統(tǒng)計(jì)量的貢獻(xiàn)為SPE_ij；

求得標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣的協(xié)方差的特征值為λ₁>λ₂>λ₃>….>λ_m，以及與其相對(duì)應(yīng)的單位特征向量p₁，p₂，p₃，···p_m，其中m為主元個(gè)數(shù)；

根據(jù)以上結(jié)果，過(guò)程參數(shù)影響數(shù)權(quán)重計(jì)算公式如下：

其中，λ_h為第h個(gè)主元的得分值，p_hi為第h個(gè)主元第i個(gè)參數(shù)的負(fù)荷值，h＝1，2，3…m；

則在j個(gè)時(shí)刻，過(guò)程參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響數(shù)為：

ER_i＝w_i*SPE_ij (4)

按照計(jì)算結(jié)果ER_i對(duì)參數(shù)重新排列，ER₁>ER₂>ER₃>…>ER_n，最后將每個(gè)參數(shù)對(duì)應(yīng)影響數(shù)與總的影響數(shù)的比成為該參數(shù)對(duì)質(zhì)量問(wèn)題發(fā)生的影響率，確定質(zhì)量問(wèn)題發(fā)生原因參數(shù)的計(jì)算公式為：

如果前K個(gè)參數(shù)的影響率百分比超過(guò)設(shè)定的閾值，就認(rèn)為該K個(gè)參數(shù)是質(zhì)量問(wèn)題發(fā)生的原因參數(shù)，閾值可以根據(jù)實(shí)際情況調(diào)整，一般情況下選80％；

步驟七：利用剩余的M-K個(gè)非原因參數(shù)，根據(jù)標(biāo)準(zhǔn)模型知識(shí)庫(kù)進(jìn)行模式識(shí)別，確定模型后，將產(chǎn)生質(zhì)量問(wèn)題的K個(gè)過(guò)程參數(shù)與模型中的標(biāo)準(zhǔn)參數(shù)進(jìn)行比較，將差值作為調(diào)整量對(duì)K個(gè)參數(shù)進(jìn)行控制；

根據(jù)步驟六中所確定的引起質(zhì)量問(wèn)題發(fā)生的K個(gè)原因參數(shù)，認(rèn)為剩余的M-k個(gè)參數(shù)是正常的，利用M-K個(gè)正常的過(guò)程參數(shù)在標(biāo)準(zhǔn)模型庫(kù)中進(jìn)行模式匹配，匹配計(jì)算公式如下：

其中MD(l)為第l個(gè)模型的匹配數(shù)的計(jì)算結(jié)果，w_i為第i個(gè)參數(shù)權(quán)重，A_i為第i個(gè)參數(shù)的實(shí)際值，M_li為第l個(gè)模型中第i個(gè)參數(shù)的值；

將獲得的MD(l)中的最小值所對(duì)應(yīng)的模型作為匹配結(jié)果的最佳模型，對(duì)K個(gè)原因參數(shù)進(jìn)行控制，其偏差大小和控制方向?yàn)椋?/p>

c(i)＝M_Li-A_i (7)

其中c(i)為參數(shù)控制值，如果計(jì)算結(jié)果為正，控制方向?yàn)槭箙?shù)增大，計(jì)算結(jié)果為負(fù)，控制方向?yàn)槭箙?shù)減??；M_Li為最佳匹配模型第i個(gè)參數(shù)的值。

本發(fā)明是基PCA的冷軋帶鋼在線(xiàn)質(zhì)量問(wèn)題溯源及控制的方法，分析結(jié)果可靠，可以提高企業(yè)的自動(dòng)化水平，加強(qiáng)企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力。