外文翻译-热轧钢数据挖掘方法的缺陷尺度的预测【通过答辩毕业论文+CAD图纸】

买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 附件 1 外文资料翻译 译文 1 热轧钢数据挖掘方法的缺陷尺度的预测 . . . O 500 要 规模缺陷是在热轧钢表面常见的缺陷。这种缺陷的原因并不简单。随着数据挖掘方法的提高，过程变量之间的依存关系多维化和产品成分可以被发现。 对于本研究中，一个高维数据集来自芬兰的拉赫 司等资料得集合。数据同时载有平均价值和工艺价值测量的不同的频率。同时该变量以及分配在钢带测量前建模阶段得到解决。这项研究使轧制过程的模拟和规模缺陷得以可见。 自组织系统映射（ 被用于这些任务。 关键词 数据挖掘，神经网络，热轧钢，规模 缺陷 1介绍 规模缺陷是一种常见的表面缺陷在热轧钢中，因此它是认识钢表面风险重要的因素，从而导致对钢铁表面的规模缺陷。热轧钢带被选为本研究中，由于其要求有严格的表面质量。 钢的氧化导致了 3 层矿组成的规模维氏体， 磁铁矿和赤铁矿 组成维氏体，它是最里层，只有在稳定温度高于 570 C 的在热轧过程它构成条件缺陷 规模大约 95。拥有几个规模不同类型的机制形买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 成。轧在规模开发时或黑色更难氧化物滚到 1在表面整理过程。红色规模主要与一高硅含量，虽然这不是一个必要条件 2。在红色规模的检测，只有一个小的可能性为混淆与其他一些缺陷红色规模 4。当这两种类型是一致时，它有可能推测出一些中规模缺陷将被忽略的检测系统，并超过 硅含量，因此带人调查只对红色的规模和其他部分数据滚规模。 定额缺陷的起源一直是为许多研究项目感兴趣的主题，但它仍然是很难找到造型上的缺陷相关的文献。没有规模的物理模型成立至今已制订。对于这个问题建模是由于高维变组它们的相互作用。为形成规模的几个原因在文献中提到，包括对其的影响温度和时间 1,3,5,6，轧制力和减少 1,6，钢的成分 7和天 然气的气氛。硅含量和加热温度 3也有关的因素，因为熔融铁橄榄石， 快结垢速率 2。此外，不平衡冷却在 5 因素 中有人提到。然而，目前关于如何处理知识条件和钢级的最终性能影响高等教育规模零散 1。温度被认为是一个最明显的潜在规模因素形成，但这一研究却取得了自相矛盾的结果。 剪切机 破碎 温计 卷材箱 高温计 规模 表面检查系统 图 I 型精轧机布局图 首次出版的按比例缩放表面质量模型研究，引起的一项申请书（奥钢联 - 日前出版发行 6。这种模式进行训练与整个加工过程运用了大量的样本，例如使用高温 X 射线 量。该系统的预测能力等同规模阶段，这些资料被利用在信息处理过程中。 本研究在许多细节中采取了不同的方法。我们的目标是找到高风险的过程和引起这一进程的一部分而导致规模缺陷的原因。高频在轧制过程中的测量功能被激活在当分析规模缺陷对不同部位钢 带时。该摄像机的机反应利用视觉系统在神经培训模型。预测模型被实在施神经网络（多层感知和自我组织地图）。这项研究被激活在双方的可视化轧制工艺和规模缺损模型中。 买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 2数据资料 在研究开始时，数据进行了收集和反复的分析。最后是收集数据集汇总在芬兰拉赫 司，在 2003 年 8 月 15 日 8 月 27 日，它包括 1326 钢带和 59 变化的从诊断学的测量和 127 变量包含在内的平均价值。平均价值如同反映复合钢铁的产品性能，目标值，尺寸和烤箱鉴定数。米尔诊断时间序列资料从粗轧机精轧温度聚集。平均 值变量选择与帮助数据挖掘技术，利用专家的知识。前处理和变量的选择使用数据集进行了超过 15000 条组成由两个独立的 1 个月的时间。平均有从每个轧线部分的价值，但由于有诊断信息可从各地精轧，其中一些人替换时间序列资料。诊断数据包括温度，轧制力和速度，冷却水流动的规模和断路器的压力。 在时间序列数据集测量间隔之间变化在 。因此，有数以万计的高频率测量数千变量每带。热轧带钢轧制是一个相当复杂的从过程的角度测量和数据：在这个过程中，一钢板穿过塑料变形，从而增加其长度之间点测量不同的变量。此外， 轧制速度变化时，它是用来作为一个平均控制温度。数据同步和分配问题带钢后方可数据分析解决。因此，对资料进行修改时，索引以距离为基础的轴所有变量的共同信号。目标变量，即规模的缺陷数，记录最后完成之间的看台及冷却段。该摄像机的机器视觉系统在表面质量检测， 迪斯 示在在图 1 的权利。该地带的顶部是分析，由于顶部的录音更较可靠的底部。机器视觉系统能检测多达 90的规模缺陷概率，并表明了各自的精确位置缺陷。有一个可能的缺点，但是，由于唯一的缺陷数为衡量，但无论是大小也不是在缺损区的严重性。 3方 法 一个预测系统预测误差应在其发生。由于大部分的诊断测量完成在精轧，但是，它是不可能的作出预测上限，以调整进程在带钢轧制参数。相反，由预测系统可以给出估计值与实测值执行比对。该结果比较可能被用来促进决策关于轧机设定为以下剥离或对服务的需求（预测维修）。 小心数据预处理是在前建模阶段所必要的。从应用领域涉及多个的问题，限制了特征提取可用性方法。首先，这个过程包含了一些争议属性。例如，表面温度由于受规模厚度的影响，因为氧化层会降低传热 1。因此作用于剪切温度测买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 量前的规模断路器测量可能不准确。此外，规模厚度会使 降低轧制比例减少，但同时减少的数额会增加难度氧化物和缺陷，由于规模的缺陷可能引开裂。其次，变量的组合是巨大的。第三，严重缺乏处理故障导致了低数量规模的缺陷，这是一个从问题数据挖掘的观点。该方法是收集未经处理的实验数据，例如通过减少规模断路器压力。但是，故意产生的故障情况不会有所帮助时正常工艺条件为基础。由于模化的先决条件是相当苛刻的和由于样本规模含量低，第一项任务是要找出影响最大的变数额的规模。 步性 进程状态是不断变化的过程和造型的困难原因在没有告知关于进程的信息可用的动态力度变化情况下 8。高 频测量要找出在整个地带的条件长度。米尔传感器位于不同的位置沿生产线和测量，因此在不同的时间记录。同步的变量和对钢材的测量分配地带后方可数据分析解决。有在每一个时间序列的开始时间戳记，但由于引发了一系列测量前地带到达适当的位置，该指示它的测量范围内的系列的一部分属于加沙地带的长度都必须解决。特征提取技术（如派生）的温度和使用轧制力信号找到了加沙地带的领先优势。此外，加沙地带边缘提取的滚动力信号被用来相称的带钢速度站到线程之间的速度，这是一个绝对的价值。在不同的地点进行测量速度同步通过搜索最大相关在不同信号之间 的滞后值。基于知识的速度超过带钢长度和时间加沙地带的前沿，其它测量可以找到。每一个变量的值是作为一个（测量，位置）为后续利用对例如在建模。 征提取与变流量减少 测量位置对进一步处理由计算方式为每个 10 米部分的功能描述性统计和傅立叶变换。的特点为平均值，标准差，最小值，最大值，衍生金融工具，能源在1 - 5频率间隔和 5 - 20最大振幅和频率与相关在 1 - 25敏。此外，绝对幅度规模缺损比例向加沙地带面积段。 该功能必须与相连的规模缺陷资料，以便找到关键条件形成规模。阿高级官员会议 9采用可视化上规模的缺陷依存关系映射的变量对规模不同的变量组合缺陷。该亚太经合组织高官会是可以想像的非线性依赖性，并如已被用于许多工业应用至在钢铁产品质量轧制模型 10,11。冗余和非影响因素的基础上被拆除可视化。图 2 显示了变量和一些他们的共同生存与滚规模。可以看出， 顶买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 部冷却， 少数量检测规模。此外，高加工温度， 乎并没有产生负面影响，如果有足够的冷却辊之间的第一对。除垢精轧前应清除所有大规模集结，这意味着在此之前，拖延点应该不会造成大规模的缺陷。然而，延误分 析，以验证这一点，因为至少红色规模编队已连接到非规模完善搬迁的合物造成的 2。但是，有关规模效应不显着缺陷延误被发现。 陷分析及规模预测 在早期分析阶段，样品进行了分类到 3 日和 5 质量的基础类的严重性规模缺陷。数据群集使用的 类器与集群的区别进行了研究。可视化的计算也做了总结规模以上缺陷的价值观不同范围相每个变量。原来，锰含量不红色形成规模影响，这是一个众所周知的事实 2。锰红色似乎影响形成规模，但进一步分析表明，所造成的影响是由 。当锰存在单独的 数量红色的规模很小。 预测模型是通过使用神经网络。两个多层感知器，总纲发展蓝图 12，和神经网络使用了。 模型，基于 50 * 30 大小的地图包含变量向量。权重地图的单位被用来寻找最佳匹配单元，德国环境部，供参照样本每个向量。在擦窗还包含了训练数据均值规模缺陷变量，它被作为输出使用模型。采用 型网络患不均目标变量的分布，这是一个举足轻重的小数目的缺陷。训练算法尽量减少平均误差，从而导致对穷人的推广罕有。分配不偏可能没有浪费太多的数据。因此，只有没有缺陷的样本数量是有限的一些分析。 对 规模在辊缝的行为是很难预测 13。因此，而不是物理神经模型的使用模型是合理的。此外，它也是良好的基础研究不同产品分别因报道规模大的变化，甚至失效机理与化学成分的微小变化 7。 表 1。范本客户素质。 作物剪之前和之后精轧温度，分别。 买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 图 2。 可视化的 9 变量。一组数据低 9 - 质量的审查。 4结果 关于规模的形成温度的影响被发现被视为复杂，在文献中指出。虽然，在平均值轧制数据的规模与增长终轧温度增加，有部分钢材产品在那里 的影响不是那么简单。这可能是由于不同的带钢冷却策略，其中各有不同，带材尺寸帐户。在建模阶段，这是考虑到由使不同的模型，其中一个有限的范围内一定范围内的尺寸和其他参数。 两种不同的钢质量被选定为说明例子。他们研究了滚规模。上一平均轧制中规模观察数质量 和 量乙这些优点，性能列于表 1。独立设置的培训和测试，以便挑选不能有从两组相同地带样品。一个“警率”，为了方便和选择无关以拒绝的风险，被选为 参数和各种不同的号码组合进行了测试。取得最好 的结果 10 特点：锰，钛，铬， 文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 目标，滚规模。对于质量 B 的最佳 型给出了一个正确的报警 44 次了 81，假警报数为 6。平均预测误差为 练集的大小用的是4366 样本，测试集包括 3390 样品分别。相比之下，报误差，并只能检测的报警八十一分之一十三。除了该总纲发展蓝图为基础模型给了 32 虚惊。可以看出，在图 3 中最好 的 型发现缺陷峰的 7 / 8100 个样本集。 图三 预测（带圆圈标出）和测量（灰色实线）的规模为 100 个样本的质量使用有机质B 含量 5结论 非均匀数据和复杂性基本进程中取得的数据同步 1 具有挑战性的任务，这是圆满完成前的数据进行分析。此外，部分信息的信号，必须脱离诊断测量。此外，新的变数描述性统计和傅立叶变换是计算。前处理继续与选择最有意义的变量利用一个高级官员会议，以及变量的数目从 186 个减少至 10 日建模阶段。 在建模的重点是在规模数量精轧机后，由于现有的规模缺陷检测系统检测后，才完成规模轧机。 模拟整个规模形成过程将所需的规模，在整个检测轧制过程 安德费尔等。他们的文章中指出了 6认为分类表面检测系统的准确性值得怀疑。事实上，在规模效益检测系统是高度依赖环境条件，以及平均精度系统可能低于 90最佳。 买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 因此，它可以说是规模内容建模尽可能利用高频数据同步。该一项被称为建模工具的使用是可行的高级官员。该方法本身是健全和更好地估计了与不均分布式比采用 出变量。 形成规模不同的产品之间的不同性质，和造型都集中在一定的质量组。因此，应进一步分析更适用广泛地向其他团体。作为知识大规模群体行为的不同质量的增加，下一步将是一个联机模式的实施。该模型应该在网上学习，因为有一差异显着的规模缺陷的数量从数据集之间的不同时期。 鸣谢 作者们想表达他们的感激先生米克热胡拉与预处理的数据，并协助哈里霍尔凯斯托分析和在芬兰的拉赫 生，支持他的专业知识。研究是由国家技术局资助。 参考文献 1 F. H. X. S. F. of of of 2 T. H. Y. of 34(11) 1994, 9063 V. 1989) 4 in 1996). 5 of on of 27( 4), 2000, 476 J. D. R. K. J. D. G. in 003, 6th 买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 7 M. 2(7), 2001, 2508 Y. P. in 147(6), 2000, 6339 T. 1995). 10 E. J. O. J. 6(1), 1999, 3译文 2 监测系统防止停工 一个在线监测系统安装在 金尼格罗夫轧机上，在英国的重型机械设备中，发现两个轴承故障在它的第一个星期的运作中。 一个轧钢厂通过引入状态监测系统避免了昂贵的故障数。 在英国近沙特伯恩，拜斯海斯金尼格罗夫工厂，是 团的一部分，生产土方机械，材料处理，造船和采矿业的热轧钢片。 支持主轴轴承的 6 对监测双机架可逆轧机以前就有工作人员在停机天进行维护。这涉及两名工人剥离下来的轴承座及手动检查他们。如果没有新发现，同样的轴承被重新组装和改 装入磨。 现在的任务是做旋转，使每轴承配对视察每 6 个星期。 恶劣环境 在设备运作中，由于恶劣的环境，使轴承内微粒污染在拆卸和再安装过程中增加了风险。 该小组必须确保，当他们改装了的轴承有正确的轴承间隙，而这需要很多时间。 买文档就送您 纸全套， Q 号交流 401339828 或 11970985 专业论文设计图纸资料在线提 供，优质质量，答辩无忧 2008 年初，继从斯金尼格罗夫要求 钢厂状态监测（ 小组进行巡逻监测轴承。通过使用便携式振动监测设备以获取数据轴承缺陷频率，他们报告了一些有趣的发现。 在 商务开发工程师泰勒和伊恩说：“我们发现，从我们的手持设备中可以得到一些非常可靠的数据，让我们来了解 六对轴承和确定何时会失败的情况。” “不过由于健康和安全原因，要求我们安装在线状态监测系统。” 振动系统 2008 年