(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210574543.9 (22)申请日 2022.05.25 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 邵健　刁华宁　何安瑞　杨荃　 陈雨来　郭强　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波　于春晓 (51)Int.Cl. G06F 30/17(2020.01) G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) G06F 119/08(2020.01) (54)发明名称 改进偏最小二乘的热轧带钢头部浪形缺陷 原因识别方法 (57)摘要 本发明提供一种改进偏最小二乘的热轧带 钢头部浪形缺陷原因识别方法， 属于热轧自动化 技术领域。 该方法通过改进的偏最小二乘算法对 热轧带钢头部浪形缺陷相关工艺参数进行诊断 评估， 包括如下步骤： 1)获取数据集并对样本数 据进行预处理工作， 得到降维之后的无数据缺 失、 无数据异常的样本集； 2)运用改进的偏最小 二乘算法建立可行性检验模型， 计算样本的平方 预测误差统计量及控制界限； 3)对比缺陷样本各 工艺参数对平方预测误差统计量的贡献值， 给出 各工艺参数的风险系数， 并结合风险系数给出缺 陷主导原因。 本发明对缺陷样本分析具有适用 性， 可快速、 自动分析热轧带钢头部浪形缺陷相 关工艺参数的风险系数， 帮助提高热轧带钢板形 质量与分析效率。 权利要求书3页 说明书7页 附图4页 CN 114896735 A 2022.08.12 CN 114896735 A 1.一种改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法， 其特征在于： 包括步 骤如下： S1： 通过现场数据采集系统获取头部浪形达标的优秀样本和头部浪形不达标的缺陷样 本的温度、 辊缝、 轧制 力工艺参数数据及带钢头部平坦度命中率作为质量数据， 并对获取的 优秀样本与缺陷样本数据进行 数据预处 理， 实现异常值离群样本剔除与降维； S2： 将包含优秀样本和缺陷样本的样本数据集代入到使用马氏距离变换改进后的偏最 小二乘算法， 计算样本的平方预测误差统计量， 即样本SPE统计量， 以及样本的平方预测误 差统计量控制界限， 即样本SPE统计量控制界限， 根据缺陷样本与优秀样本SPE统计量的分 离程度及肘部规则调节潜变量k的数值， 以缺陷样本SPE统计量超过样本SPE统计量控制界 限以及实现缺陷样本SPE统计量与优秀样本SPE统计量之间的相对最大分离作为该算法与 样本集之间适用性检验标准， 如果不能检测出缺陷样本或者将优秀样本检测成缺陷样本， 则说明工艺 参数选择不 合理， 重新进行参数选择、 数据采集及数据预处 理； S3： 对S2得到的缺陷样本SPE统计量各工艺参数的贡献值 进行计算， 并以直方图 形式进行表述， 作为各工艺 参数的初始风险系数； S4： 对S3中得到的各工艺参数的初始风险系数进行再处理， 统一风险系数评估指标， 将 各工艺参数对缺陷样本SPE统计量贡献值 进行求和处理， 计算工艺参数贡献值的占 比， 并以此作为各工艺 参数最终的风险系数； S5： 对比各工艺参数的风险系数的大小， 风险系数最大的工艺参数为缺陷出现的主导 缺陷因素。 2.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法， 其 特征在于： 所述S1中数据预处 理包括方差检验、 相关性检验、 局部异常因子检验。 3.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法， 其 特征在于： 所述S1 中异常值离群样本剔除具体为： 对优秀样 本进行缺失值检索， 剔除存在缺 失值的优秀样本， 然后运用局部异常因子算法对剔除缺失值的样本进行异常值检测， 通过 计算局部 离群因子LOFz(p)的值与1进行比较， 当LOFz(p)大于1时， 予以剔除； 其中， Nz(p)表示的是样本点p的第z距 离邻域， 即样本点p的第z距 离内的所有的样本点， |Nz(p)|表示样本点p的第z距离邻域内所有样本点的个数， lrdz(p)表示的是样本点p的第z 邻域内的样本点到样本点p的平均可达距离的倒数， lrdz(o)表示的是样本点o的第z邻域内 的点到样本点 o的平均可达距离的倒数。 4.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法， 其 特征在于： 所述S2具体为： 对经过S1处理后的样本数据运用马氏距离变换公式进行转换， 马氏距离D(X)计算如 下： 权　利　要　求　书 1/3 页 2 CN 114896735 A 2其中， X为样本向量， s为样本的协方差矩阵， μA表示样本均值； 对经过马氏距离变换之后的数据样本进行偏最小二乘诊断分析， 运用特征变量重新组 合的思路将其进行分解， 如下： u＝uy+e＝PRTu+e e＝(Im*m‑PRT)u 其中， u∈Rm*l为数据样本集， m为样本条数， l为工艺参数个 数， uy为拟合样本， e为对应的 残差矩阵， P为负载矩阵， RT为负载矩阵的转置矩阵， Im*m为单位矩阵； 然后对各个样本的S PE统计量进行计算， 公式如下： SPE＝||e||2＝||((Im*m‑PRT)u)||2 SPE统计量的控制界限S PEk计算如下： g＝sSPE/2 μ 其中， sSPE为样本SPE统计量的方差， μ为样本SPE统计量的均值， 为卡方值， 根据置信 度和自由度查表得到， g为中间变量； 计算在潜变量个数k的衡量指标S： S＝Serror,k‑Syes,k 其中， Syes,k为潜变量个数为k时优秀样本SPE统计量的方差， 为潜变量个数为k 时 优秀样本SPE统计量的均值， SPEj,k为潜变量个数为k时第j样本的SPE统计量， n为优秀样本 条数； Serror,k为潜变量个数为k时缺陷样本SPE统计量与优秀样本SPE统计量均值的差值， SPEerror,k为潜变量个数为 k时缺陷样本S PE统计量； 划定潜变量个数k取值范围之后， 对衡量指标S曲线应用肘部规则， 选择潜变量个数k， 其中， k取值范围在2—l/2范围内， l 为工艺参数个数。 5.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法， 其 特征在于： 所述S3中 的计算方法如下： 其中， 为每个变量对样本SPE统计量的贡献值， 为单位矩阵的第i行， u∈Rm*l 为数据样本集， m为样本条数， P为负 载矩阵， RT为负载矩阵的转置矩阵， Im*m为单位矩阵， l为 工艺参数个数。 6.根据权利要求1所述的改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法， 其 特征在于： 所述S4中再处 理过程如下：权　利　要　求　书 2/3 页 3 CN 114896735 A 3