CN111625934A - 一种基于d-s证据理论的退火加热过程的多模态识别方法 - Google Patents

Abstract

本发明提供了一种基于D‑S证据理论的退火加热过程的多模态识别方法，包括：根据冷轧带钢连续退火生产工艺确定带钢在连续退火炉内加热时的生产运行模态及关键变量；确定关键变量的数据分布特征，建立关键变量的状态检测模型；基于D‑S证据理论，采用状态检测模型对关键变量进行状态检测；根据状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行识别。本申请所提出的技术方案由计算机代替中控人员对带钢进行退火加热时的生产状态进行识别，减少了人力，降低了人工识别主观性带来的误差；采用D‑S证据理论解决了置信区间法阈值带来的局限性，提高了模型应用的泛化能力和关键变量的实际状态的检测准确度。

Description

一种基于D-S证据理论的退火加热过程的多模态识别方法

技术领域

本发明涉及过程控制技术领域，尤其涉及一种基于D-S证据理论的退火加热过程的多模态识别方法。

背景技术

随着近年来我国钢铁企业的同质化竞争日益激烈，高品质钢铁的生产受到到越来越多的重视。其中冷轧带钢是高品质钢材的代表之一。连续退火过程(CAP)，即带钢连续退火炉对各种组合的带钢进行加热处理的过程，是冷轧带钢生产线上最关键的一道工序，直接关系着最终带钢产品的质量。

为提高带钢的质量，就需要保证CAP的稳定性、均匀性和一致性，从而需要对不同生产状态下的建模、控制和优化方法进行研究。虽然近年来针对该过程中建模、控制、优化方面已有大量研究，但这些研究大都假设在某类生产状态的前提下，并没有解决该过程中不同生产状态区分及识别的问题。而实际生产状态是系统模型运行性能的评估、系统的模拟及优化的前提。不同的生产状态对应不同的操作方案，以保证连退生产线的正常运行及带钢的成品质量。

所以面对CAP这个实际工程对象，提出有针对性的检测方法去识别该过程的生产状态就显得尤为重要。由于工业过程的复杂性，目前对于生产状态的区分并没有统一的定义，不同的工业对象需要根据其实际工艺特性去分析并识别。一种用于工业过程的状态区分并识别的方法是利用该过程的机理模型。但随着连续退火生产线上带钢规格不断增加，其现场生产方式更加复杂，使得机理模型无法获取，或简化的模型难以描述实际的连退生产过程；另一方面，随着近年来大数据研究技术的不断发展和成熟，越来越多的研究也开始利用工业过程中的海量数据资源去区分并识别该过程的不同生产状态。但是仅凭基于数据驱动的方法并不具有较强的物理可解释性，导致对生产过程的控制没有实用参考价值。

为此，对于CAP中生产状态的区分及识别尚缺乏研究的现状，本文将根据该过程的工艺特点，结合现场经验和大量历史数据，详细分析该过程存在的不同生产状态，并根据关键参数的特征，提出一种基于多特征参数检测的生产状态识别方法，旨在为该过程不同生产状态的在线识别提供参考，同时对CAP后续的研究工作提供支持。

对于每个关键变量，若直接使用一种训练好的界定值、阈值或窗口长度等等单一尺度特征建立检测模型，那么该检测模型就具有较差的泛化能力和较强的局限性。因为实际环境中的关键变量状态是复杂多变的，单一尺度特征的检测信息有较大的局限性(并不能完全适用于全部目标生产模态信息)。以板温为例，针对同一时间段的生产数据，采用具有不同窗口长度或不同标准区间边界的同种算法模型的时候，检测结果也不全相同，可以看出，选择不同尺度特征(如窗口长度等)建立的训练模型对该参数状态的判别结果或有差异，该差异最终会导致对生产模态的误判。通过训练建立的模型对观测尺度有着很强的依赖性，不同尺度下，模型检测到的状态信息不尽相同。

发明内容

为了获得更多的状态特征并降低检测模型的局限性，本申请提供了一种基于D-S证据理论的退火加热过程的多模态识别方法；将在单一尺度上进行状态检测拓展到在多个尺度上进行状态检测，同时考虑到在线实时性的问题，利用D-S证据理论将不同尺度下的特征状态信息进行融合，建立对单一参数状态检测的决策框架，提高基于单一尺度检测模型的检测性能，同时降低单一尺度下判别太过绝对导致判别效果不精确的风险。

包括以下步骤：

S101：根据冷轧带钢连续退火生产工艺确定带钢在连续退火炉内加热时的生产运行模态及关键变量；S102：根据所述关键变量的历史运行数据，确定所述关键变量的数据分布特征，并根据所述数据分布特征，建立所述关键变量的状态检测模型；S103：基于D-S证据理论，采用所述状态检测模型对所述关键变量进行状态检测；S104：根据所述状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行识别。

进一步地，步骤S101中，所述生产运行模态包括：稳定加热生产模态、不同规格钢卷切换模态、同规格钢卷稳态中心偏移模态和异常状态模态；所述关键变量包括：板温、带钢规格和生产运行速度。

进一步地，步骤S102中，针对某关键变量，建立其状态检测模型的具体步骤，包括：

S201：获取该关键变量的历史运行数据，统计历史运行数据中两两连续稳态之间的多个过渡时间，并求均值，得到该关键变量两连续稳态之间的平均过渡时间t；

S202：判断条件t<δ是否成立；若是，则说明该关键变量具有瞬变特征，到步骤S203；否则，说明该变量具有缓变特征，到步骤S204；其中，δ为预设值，根据现场工况和历史经验确定；

S203：采用非参数CUSUM算法建立该关键变量的状态检测模型，并到步骤S205；

S204：采用置信区间算法建立该关键变量的状态检测模型；

S205：结束。

进一步地，步骤S103中，基于D-S证据理论，采用所述状态检测模型对所述关键变量进行状态检测；包括：基于D-S证据理论，采用置信区间算法建立的状态检测模型对具有缓变特征的关键变量进行在线状态检测，以及采用非参数CUSUM算法建立的状态检测模型对具有瞬变特征的关键变量进行在线状态检测；

其中，基于D-S证据理论，采用置信区间算法建立的状态检测模型对某个具有缓变特征的关键变量的状态检测；具体如下：

S301：获取该关键变量s对应的待检测的运行数据序列；选取n个不同尺度的置信区间

选取m个不同尺度的窗口长度

F^s和L^s均通过预先进行实验测试得到；

将所述运行数据序列在不同置信区间不同窗口长度对应的状态检测模型下的状态检测结果视为一条证据，计算得到不同窗口长度在不同置信区间下所观测的基本可信度分配值

i＝act,sta,Φ；k＝1,2,…,n；j＝1,2,…,m；s＝T,v,c；i＝act,sta,Φ，分别表示波动状态、稳定状态和识别不明状态；k＝1,2,…,n，表示n个不同尺度的置信区间；j＝1,2,…,m表示m个不同尺度的窗口长度；s表示具有缓变特征的关键变量；

和

分别表示状态检测结果为波动状态、状态检测结果为稳定状态和状态检测结果为识别不明状态；

S302：计算在第k个置信区间内，对所有窗口长度在该置信区间的条件下所观测的可信度分配值进行D-S证据准则融合计算，得到第k个置信区间条件下对检测结果

的融合后验可信度分配值

如公式(1)所示：

上式中，

k的初始值为1；

表示关键变量s在第j个窗口长度第k个置信区间下对识别目标

的可信度分配值；φ表示不可能事件，在本发明实施例中，其发生概率为0；其中，识别目标

即为检测结果

定义目标识别框架

S303：判断条件k＝n是否成立；若是，则到步骤S304；否则，将k更新为k+1，并返回步骤S302；

S304：得到n个不同尺度的置信区间分别融合后的可信度分配值

将n个置信区间下融合后的可信度分配值再次进行融合计算，最终得到多个窗口长度在多个置信区间下对识别目标

的融合可信度M(P)，如公式(2)所示：

上式中，

S305：根据决策规则，判定关键变量s的最终状态。

进一步地，决策规则为：将融合可信度最大的识别目标对应的状态作为关键变量s的最终的状态。

进一步地，步骤S301中，采用第k个置信区间和第j个窗口长度对应的状态检测模型对所述运行数据序列进行状态检测，得到状态检测结果；根据该状态检测结果，计算得到第k个置信区间第j个窗口长度下所观测的基本可信度分配值

具体方法包括：

S501：获取关键变量s在正常生产状态下的第一历史数据序列y₁,y₂,...,y_k，计算得到第一历史数据序列y₁,y₂,...,y_k的参考值

偏差

i＝1,2,...,k；所述参考值

为第一历史数据序列y₁,y₂,...,y_k的平均值；

S502：利用公式(3)计算出所述第一历史数据序列的标准差，结合第k个置信区间，得到对应的区间边界±kσ；判定稳定状态数据分布在以所述参考值为中心的±kσ范围内；

上式中，v_i为所述历史数据序列中第i个数据y_i对应的偏差；

S503：将待检测的运行数据序列中连续的x个数据为一组判定状态；针对每一组，具体判定方法为：分别计算该组x个数据y₁,y₂,...,y_x对应的偏差，得到x个偏差；将所述x个偏差求均值，得到均值v；若|v|>kσ，表明该组数据属于变点区，则判定该组数据内的关键变量的状态为波动状态；否则，为稳定状态；其中，x的值为第j个窗口长度对应的值；

S504：根据得到的状态，查询概率表，得到第k个置信区间第j个窗口长度下所观测的基本可信度分配值

其中，所述概率表通过多个打标签的训练数据序列预先统计得到，所述概率表中包括：检测结果为波动状态且实际也为波动状态的概率值；检测结果为稳定状态且实际也为稳定状态的概率值；检测结果为识别不明且实际也为识别不明的概率值。

进一步地，步骤S103中，采用非参数CUSUM算法建立的状态检测模型对具有瞬变特征的关键变量进行状态检测，得到对应关键变量的状态；具体包括：

S601：针对具有瞬变特征的关键变量，获取其待检测的运行数据序列y₁’,y₂’,...,y_k’；

假设运行数据序列y₁’,y₂’,...,y_k’中数据序列

是稳定状态下的运行数据序列，

是波动状态下的运行数据序列；

对于数据序列y₁’,...,y_i’，其属于稳定状态和波动状态的概率密度函数分别为P₀(y_i’)和P₁(y_i’)；i＝2,…,k，若i<t₀，则P₁(y_i’)<P₀(y_i’)；否则，P₁(y_i’)>P₀(y_i’)；

定义对数似然比如公式(4)所示：

上式中，s_i为数据序列y₁’,...,y_i’对应的对数似然比；

S602：计算对数似然比的累积和

当S_j对应的数据序列y₁’,...,y_j’均属于稳定状态时，则累积和S_j单调下降；当S_j对应的数据序列y₁’,...,y_j’中有数据属于波动状态时，则累积和S_j单调上升；j＝1,2,…,k；

S603：利用打标签的速度测试数据集，对CUSUM法进行训练，得到决策阈值h；

S604：根据决策函数g_j，判断具有瞬变特征的关键变量的状态；决策函数g_j计算公式如公式(5)所示：

若决策函数g_j>h，表明出现了变点，即波动状态，且变化点为

即

之后为波动状态；否则，属于稳定状态。

进一步地，步骤S603中，利用打标签的速度测试数据集，对CUSUM法进行训练，得到决策阈值h；具体包括：

针对具有瞬变特征的关键变量，获取其正常生产状态下n个打标签的历史运行数据序列组成打标签的速度测试数据集，并利用这n个打标签的历史运行数据序列分别对CUSUM法进行训练，得到对应的决策阈值h₁,h₂,…,h_n；取h₁,h₂,…,h_n的平均值作为决策阈值h。

进一步地，步骤S105中，根据所述实时状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行实时识别；具体包括：

所述多模态识别策略为：

各关键变量的优先级为：板温＞带钢规格＞生产运行速度；

当板温为稳定状态时，为S1模态；

当板温为波动状态，且带钢规格为波动状态时，为S2模态；

当板温为波动状态，且带钢规格为稳定状态、生产运行速度为波动状态时，为S3模态；

当板温为波动状态，且带钢规格为稳定状态、生产运行速度为稳定状态时，为S4模态；

其中，S1为稳定加热生产模态、S2为不同规格钢卷切换模态、S3为同规格钢卷稳态中心偏移模态、S4为异常状态模态。

本发明提供的技术方案带来的有益效果是：本申请所提出的技术方案面向带钢连续退火加热这一复杂工业过程，针对带钢在连退炉进行退火处理时存在的一些实际工业问题，提出一种多模态识别方法，由计算机代替中控人员对带钢进行退火加热时的生产状态进行识别，减少了人力，降低了人工识别主观性带来的误差；采用D-S证据理论解决了置信区间法阈值带来的局限性，提高了模型应用的泛化能力和关键变量的实际状态的检测准确度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中一种基于D-S证据理论的退火加热过程的多模态识别方法的流程图；

图2是本发明实施例中生产运行速度的累计和曲线示意图；

图3是本发明实施例中对CUSUM法进行训练的原理示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了一种基于D-S证据理论的退火加热过程的多模态识别方法。

请参考图1，图1是本发明实施例中一种基于D-S证据理论的退火加热过程的多模态识别方法的流程图，具体包括如下步骤：

S101：根据冷轧带钢连续退火生产工艺确定带钢在连续退火炉内加热时的生产运行模态及关键变量；

S102：根据所述关键变量的历史运行数据，确定所述关键变量的数据分布特征，并根据所述数据分布特征，建立所述关键变量的状态检测模型；

S103：基于D-S证据理论，采用所述状态检测模型对所述关键变量进行状态检测；其中，选择不同尺度的置信区间和不同尺度的窗口长度解决状态检测模型的多尺度问题，将具有缓变特征的关键变量在多个尺度的状态检测模型上进行处理和分析，以获得更多特征，达到更好的检测效果；

S104：根据所述状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行识别。

步骤S101中，所述生产运行模态包括：稳定加热生产模态、不同规格钢卷切换模态、同规格钢卷稳态中心偏移模态和异常状态模态；所述关键变量包括：板温、带钢规格和生产运行速度。

步骤S102中，针对某关键变量，建立其状态检测模型的具体步骤，包括：

S201：获取该关键变量的历史运行数据，统计历史运行数据中两两连续稳态之间的多个过渡时间，并求均值，得到该关键变量两连续稳态之间的平均过渡时间t；

S202：判断条件t<δ是否成立；若是，则说明该关键变量具有瞬变特征，到步骤S203；否则，说明该变量具有缓变特征，到步骤S204；其中，δ为预设值，根据现场工况和历史经验确定；

S203：采用非参数CUSUM算法建立该关键变量的状态检测模型，并到步骤S205；

S204：采用置信区间算法建立该关键变量的状态检测模型；

S205：结束。

步骤S103中，基于D-S证据理论，采用所述状态检测模型对所述关键变量进行状态检测；包括：基于D-S证据理论，采用置信区间算法建立的状态检测模型对具有缓变特征的关键变量进行状态检测，以及采用非参数CUSUM算法建立的状态检测模型对具有瞬变特征的关键变量进行在线状态检测；

其中，基于D-S证据理论，采用所述状态检测模型对具有缓变特征的关键变量进行状态检测，包括：对每个具有缓变特征的关键变量的状态检测中，选取多个不同的尺度特征，建立多个状态检测模型，将多尺度特征进行多层次融合计算，各层次内利用D-S证据理论对不同尺度下的状态检测模型的检测结果进行融合，得到对应关键变量的状态，提高对该关键变量实际状态的识别准确率；

采用置信区间算法建立的状态检测模型对某个具有缓变特征的关键变量的状态检测；具体如下：

S301：获取该关键变量s对应的待检测的运行数据序列；选取n个不同尺度的置信区间

选取m个不同尺度的窗口长度

本发明实施例中，F^s和L^s均通过预先进行实验测试得到；

将所述运行数据序列在不同置信区间不同窗口长度对应的状态检测模型下的状态检测结果视为一条证据，计算得到不同窗口长度在不同置信区间下所观测的基本可信度分配值

i＝act,sta,Φ；k＝1,2,…,n；j＝1,2,…,m；s＝T,v,c；i＝act,sta,Φ，分别表示波动状态、稳定状态和识别不明状态；k＝1,2,…,n，表示n个不同尺度的置信区间；j＝1,2,…,m表示m个不同尺度的窗口长度；s表示具有缓变特征的关键变量；s＝T、v、c分别为板温、生产运行速度和钢卷规格；

和

分别表示状态检测结果为波动状态、状态检测结果为稳定状态和状态检测结果为识别不明状态；

S302：计算在第k个置信区间内，对所有窗口长度在该置信区间的条件下所观测的可信度分配值进行D-S证据准则融合计算，得到第k个置信区间条件下对检测结果

的融合后验可信度分配值

如公式(1)所示：

上式中，

k的初始值为1；

表示关键变量s在第j个窗口长度第k个置信区间下对识别目标

的可信度分配值；φ表示不可能事件，在本发明实施例中，其发生概率为0；其中，识别目标

即为检测结果

本发明实施例中，定义目标识别框架

S303：判断条件k＝n是否成立；若是，则到步骤S304；否则，将k更新为k+1，并返回步骤S302；

S304：得到n个不同尺度的置信区间分别融合后的可信度分配值

将n个置信区间下融合后的可信度分配值再次进行融合计算，最终得到多个窗口长度在多个置信区间下对识别目标

的融合可信度M(P)，如公式(2)所示：

上式中，

S305：根据决策规则，判定关键变量s的最终状态。

所述决策规则为：将融合可信度最大的识别目标对应的状态作为关键变量s的最终的状态。

步骤S301中，将所述运行数据序列在不同置信区间不同窗口长度对应的状态检测模型下的状态检测结果视为一条证据，计算得到不同窗口长度在不同置信区间下所观测的基本可信度分配值

具体包括：

S401：采用第k个置信区间和第j个窗口长度对应的状态检测模型对所述运行数据序列进行状态检测，得到状态检测结果；根据该状态检测结果，计算得到第k个置信区间和第j个窗口长度下所观测的基本可信度分配值

k和j的初始值均为1；

S402：判断条件j＝m是否成立？若是，则到步骤S403；否则，将j更新为j+1，并返回步骤S401；

S403：判断条件k＝n是否成立？若是，则到步骤S404；否则，将k更新为k+1，并返回步骤S401；

S404：得到第1～n个置信区间分别在第1～m个窗口长度下所观测的基本可信度分配值：

步骤S401中，采用第k个置信区间和第j个窗口长度对应的状态检测模型对所述运行数据序列进行状态检测，得到状态检测结果；根据该状态检测结果，计算得到第k个置信区间第j个窗口长度下所观测的基本可信度分配值

具体方法包括：

S501：获取关键变量s在正常生产状态(连续退火炉正常运行时的状态)下的第一历史数据序列y₁,y₂,...,y_k，计算得到第一历史数据序列y₁,y₂,...，y_k的参考值(一般选择平均数、中位数或众数)

偏差

S502：利用公式(3)计算出所述第一历史数据序列的标准差，结合第k个置信区间，得到对应的区间边界±kσ；判定稳定状态数据分布在以所述参考值为中心的±kσ范围内；

上式中，v_i为所述历史数据序列中第i个数据y_i对应的偏差；

S503：将待检测的运行数据序列中连续的x个数据为一组判定状态；针对每一组，具体判定方法为：分别计算该组x个数据y₁，y₂，...,y_x对应的偏差，得到x个偏差；将所述x个偏差求均值，得到均值v；若|v|>kσ，表明该组数据属于变点区，则判定该组数据内的关键变量的状态为波动状态；否则，为稳定状态；其中，x的值为第j个窗口长度对应的值；

S504：根据得到的状态，查询概率表，得到第k个置信区间第j个窗口长度下所观测的基本可信度分配值

其中，所述概率表通过多个打标签的训练数据序列预先统计得到，所述概率表中包括：检测结果为波动状态且实际也为波动状态的概率值；检测结果为稳定状态且实际也为稳定状态的概率值；剩余概率值(三者相加为1)；

概率表具体如下：

上表中，

表示检测结果为波动状态且实际也为波动状态的概率值，即第k个置信区间第j个窗口长度下所观测的结果为波动状态对应的基本可信度分配值

表示检测结果为稳定状态且实际也为稳定状态的概率值，即第k个置信区间第j个窗口长度下所观测的结果为稳定状态对应的基本可信度分配值

表示剩余概率值，即第k个置信区间第j个窗口长度下所观测的结果为识别不明(即未检测出具体的状态)对应的基本可信度分配值

k＝1,2,…,n；j＝1,2,…,m；

b_kj表示采用多个打标签的训练数据序列对第k个置信区间第j个窗口长度对应的状态检测模型进行训练时，检测结果为波动状态且实际也为波动状态的次数(即检测结果为波动状态的正确次数)；

表示采用多个打标签的训练数据序列对第k个置信区间第j个窗口长度对应的状态检测模型进行训练时，检测结果为波动状态的次数；

w_kj表示采用多个打标签的训练数据序列对第k个置信区间第j个窗口长度对应的状态检测模型进行训练时，检测结果为稳定状态且实际也为稳定状态的次数(即检测结果为稳定状态的正确次数)；

表示采用多个打标签的训练数据序列对第k个置信区间第j个窗口长度对应的状态检测模型进行训练时，检测结果为稳定状态的次数；

且

步骤S103中，采用非参数CUSUM算法建立的状态检测模型对具有瞬变特征的关键变量进行状态检测，得到对应关键变量的状态；具体包括：

S601：针对具有瞬变特征的关键变量，获取其待检测的运行数据序列y₁’,y₂’,...,y_k’；

假设运行数据序列y₁’，y₂’，...,y_k’中数据序列y₁’,y₂’，...，

是稳定状态下的运行数据序列，

是波动状态下的运行数据序列；

对于数据序列y₁’,...,y_i’(i＝2,…,k)，其属于稳定状态和波动状态的概率密度函数分别为P₀(y_i’)和P₁(y_i’)；若i<t₀，则P₁(y_i’)<P₀(y_i’)；否则，P₁(y_i’)>P₀(y_i’)；

定义对数似然比如公式(4)所示：

上式中，s_i为数据序列y₁’,...,y_i’对应的对数似然比；

S602：计算对数似然比的累积和

当S_j对应的数据序列y₁’,...,y_j’均属于稳定状态时，则累积和S_j单调下降；当S_j对应的数据序列y₁’,...,y_j’中有数据属于波动状态时，则累积和S_j单调上升；如图2所示，图2是本发明实施例中生产运行速度的累计和曲线示意图；

S603：利用打标签的速度测试数据集，对CUSUM法进行训练，得到决策阈值h；

S604：根据决策函数g_j(即当前时刻与稳定状态下的对数似然比累积和的最小值之差)，判断具有瞬变特征的关键变量的状态；决策函数g_j计算公式如公式(5)所示：

若决策函数g_j>h，表明出现了变点，即波动状态，且变化点为

即

之后为波动状态；否则，属于稳定状态。

请参阅图3，图3是本发明实施例中对CUSUM法进行训练的原理示意图；步骤S603中，利用打标签的速度测试数据集，对CUSUM法进行训练，得到决策阈值h；具体包括：

针对具有瞬变特征的关键变量，筛选出其正常生产状态(连续退火炉正常运行时的状态)下n个打标签的历史运行数据序列组成打标签的速度测试数据集，并利用这n个打标签的历史运行数据序列分别对CUSUM法进行训练，得到对应的决策阈值h₁,h₂,…,h_n；取h₁,h₂,…,h_n的平均值作为决策阈值h；

针对第T个打标签的历史运行数据序列y_1”,y_2”,...,y_k”，具体训练过程包括：

S701：假设数据序列y_1”,y_2”,...,y_t0”是稳定状态下的运行数据序列，y_to”,y_2”,...,y_k”是波动状态下的运行数据序列；

对于数据序列y_1”,y_2”,...,y_i”(i＝2,…,k)，其属于稳定状态和波动状态的概率密度函数分别为P₀(y_i”)和P₁(y_i”)；若i<t₀，则P₁(y_i”)<P₀(y_i”)；否则，P₁(y_i”)>P₀(y_i”)；

定义对数似然比如公式(6)所示：

上式中，s_i为数据序列y_1”，y_2”，...，y_i”对应的对数似然比；

S702：计算对数似然比的累积和

当S_j对应的数据序列y₁’，...,y_j’均属于稳定状态时，则累积和S_j单调下降；当S_j对应的数据序列y₁’,...,y_j’中有数据属于波动状态时，则累积和S_j单调上升；

S703：根据公式(7)计算决策阈值g_T

上式中，S_to为变点y_to”对应的累积和；h_T为第T个打标签的历史运行数据序列对CUSUM法进行训练得到的决策阈值；T＝1,2,…,n。

所述多模态识别策略具体下表所示：

步骤S105中，根据所述实时状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行实时识别；具体包括：

所述多模态识别策略为：

各关键变量的优先级为：板温＞带钢规格＞生产运行速度；

当板温为稳定状态时，为S1模态；

当板温为波动状态，且带钢规格为波动状态时，为S2模态；

当板温为波动状态，且带钢规格为稳定状态、生产运行速度为波动状态时，为S3模态；

当板温为波动状态，且带钢规格为稳定状态、生产运行速度为稳定状态时，为S4模态；

其中，S1为稳定加热生产模态、S2为不同规格钢卷切换模态、S3为同规格钢卷稳态中心偏移模态、S4为异常状态模态。

本发明的有益效果是：本申请所提出的技术方案面向带钢连续退火加热这一复杂工业过程，针对带钢在连退炉进行退火处理时存在的一些实际工业问题，提出一种多模态识别方法，由计算机代替中控人员对带钢进行退火加热时的生产状态进行识别，减少了人力，降低了人工识别主观性带来的误差；采用D-S证据理论解决了置信区间法阈值带来的局限性，提高了模型应用的泛化能力和关键变量的实际状态的检测准确度。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：包括以下步骤：

S101：根据冷轧带钢连续退火生产工艺确定带钢在连续退火炉内加热时的生产运行模态及关键变量；

S102：根据所述关键变量的历史运行数据，确定所述关键变量的数据分布特征，并根据所述数据分布特征，建立所述关键变量的状态检测模型；

S103：基于D-S证据理论，采用所述状态检测模型对所述关键变量进行状态检测；

S104：根据所述状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行识别。

2.如权利要求1所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S101中，所述生产运行模态包括：稳定加热生产模态、不同规格钢卷切换模态、同规格钢卷稳态中心偏移模态和异常状态模态；所述关键变量包括：板温、带钢规格和生产运行速度。

3.如权利要求2所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S102中，针对某关键变量，建立其状态检测模型的具体步骤，包括：

S201：获取该关键变量的历史运行数据，统计历史运行数据中两两连续稳态之间的多个过渡时间，并求均值，得到该关键变量两连续稳态之间的平均过渡时间t；

S202：判断条件t<δ是否成立；若是，则说明该关键变量具有瞬变特征，到步骤S203；否则，说明该变量具有缓变特征，到步骤S204；其中，δ为预设值，根据现场工况和历史经验确定；

S203：采用非参数CUSUM算法建立该关键变量的状态检测模型，并到步骤S205；

S204：采用置信区间算法建立该关键变量的状态检测模型；

S205：结束。

4.如权利要求3所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S103中，基于D-S证据理论，采用所述状态检测模型对所述关键变量进行状态检测；包括：基于D-S证据理论，采用置信区间算法建立的状态检测模型对具有缓变特征的关键变量进行状态检测，以及采用非参数CUSUM算法建立的状态检测模型对具有瞬变特征的关键变量进行在线状态检测；

其中，基于D-S证据理论，采用置信区间算法建立的状态检测模型对某个具有缓变特征的关键变量的状态检测；具体如下：

S301：获取该关键变量s对应的待检测的运行数据序列；选取n个不同尺度的置信区间

选取m个不同尺度的窗口长度

F^s和L^s均通过预先进行实验测试得到；

将所述运行数据序列在不同置信区间不同窗口长度对应的状态检测模型下的状态检测结果视为一条证据，计算得到不同窗口长度在不同置信区间下所观测的基本可信度分配值

i＝act，sta，Φ；k＝1，2，...，n；j＝1，2，...，m；s＝T，v，c；i＝act，sta，Φ，分别表示波动状态、稳定状态和识别不明状态；k＝1，2，...，n，表示n个不同尺度的置信区间；j＝1，2，...，m表示m个不同尺度的窗口长度；s表示具有缓变特征的关键变量；

和

分别表示状态检测结果为波动状态、状态检测结果为稳定状态和状态检测结果为识别不明状态；

S302：计算在第k个置信区间内，对所有窗口长度在该置信区间的条件下所观测的可信度分配值进行D-S证据准则融合计算，得到第k个置信区间条件下对检测结果

的融合后验可信度分配值

如公式(1)所示：

上式中，

k的初始值为1；

表示关键变量s在第j个窗口长度第k个置信区间下对识别目标

的可信度分配值；φ表示不可能事件，在本发明实施例中，其发生概率为0；其中，识别目标

即为检测结果

定义目标识别框架

S303：判断条件k＝n是否成立；若是，则到步骤S304；否则，将k更新为k+1，并返回步骤S302；

S304：得到n个不同尺度的置信区间分别融合后的可信度分配值

将n个置信区间下融合后的可信度分配值再次进行融合计算，最终得到多个窗口长度在多个置信区间下对识别目标

的融合可信度M(P)，如公式(2)所示：

上式中，

S305：根据决策规则，判定关键变量s的最终状态。

5.如权利要求4所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：决策规则为：将融合可信度最大的识别目标对应的状态作为关键变量s的最终的状态。

6.如权利要求4所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S301中，采用第k个置信区间和第j个窗口长度对应的状态检测模型对所述运行数据序列进行状态检测，得到状态检测结果；根据该状态检测结果，计算得到第k个置信区间第i个窗口长度下所观测的基本可信度分配值

具体方法包括：

S501：获取关键变量s在正常生产状态下的第一历史数据序列y₁，y₂，...，y_k，计算得到第一历史数据序列y₁，y₂，...，y_k的参考值

偏差

i＝1，2，...，k；所述参考值

为第一历史数据序列y₁，y₂，...，y_k的平均值；

S502：利用公式(3)计算出所述第一历史数据序列的标准差，结合第k个置信区间，得到对应的区间边界±kσ；判定稳定状态数据分布在以所述参考值为中心的±kσ范围内；

上式中，v_i为所述历史数据序列中第i个数据y_i对应的偏差；

S503：将待检测的运行数据序列中连续的x个数据为一组判定状态；针对每一组，具体判定方法为：分别计算该组x个数据y₁，y₂，...，y_x对应的偏差，得到x个偏差；将所述x个偏差求均值，得到均值v；若|v|＞kσ，表明该组数据属于变点区，则判定该组数据内的关键变量的状态为波动状态；否则，为稳定状态；其中，x的值为第j个窗口长度对应的值；

S504：根据得到的状态，查询概率表，得到第k个置信区间第j个窗口长度下所观测的基本可信度分配值

其中，所述概率表通过多个打标签的训练数据序列预先统计得到，所述概率表中包括：检测结果为波动状态且实际也为波动状态的概率值；检测结果为稳定状态且实际也为稳定状态的概率值；检测结果为识别不明且实际也为识别不明的概率值。

7.如权利要求1所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S103中，采用非参数CUSUM算法建立的状态检测模型对具有瞬变特征的关键变量进行状态检测，得到对应关键变量的状态；具体包括：

S601：针对具有瞬变特征的关键变量，获取其待检测的运行数据序列y₁’，y₂’，...，y_k’；

假设运行数据序列y₁’，y₂’，...，y_k’中数据序列

是稳定状态下的运行数据序列，

是波动状态下的运行数据序列；

对于数据序列y₁’，...，y_i’，其属于稳定状态和波动状态的概率密度函数分别为P₀(y_i’)和P₁(y_i’)；i＝2，...，k，若i＜t₀，则P₁(y_i’)＜P₀(y_i’)；否则，P₁(y_i’)＞P₀(y_i’)；

定义对数似然比如公式(4)所示：

上式中，s_i为数据序列y₁’，...，y_i’对应的对数似然比；

S602：计算对数似然比的累积和

当S_j对应的数据序列y₁’，...，y_j’均属于稳定状态时，则累积和S_j单调下降；当S_j对应的数据序列y₁’，...，y_j’中有数据属于波动状态时，则累积和S_j单调上升；j＝1，2，...，k；

S603：利用打标签的速度测试数据集，对CUSUM法进行训练，得到决策阈值h；

S604：根据决策函数g_j，判断具有瞬变特征的关键变量的状态；决策函数g_j计算公式如公式(5)所示：

若决策函数g_j＞h，表明出现了变点，即波动状态，且变化点为

即

之后为波动状态；否则，属于稳定状态。

8.如权利要求7所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S603中，利用打标签的速度测试数据集，对CUSUM法进行训练，得到决策阈值h；具体包括：

针对具有瞬变特征的关键变量，获取其正常生产状态下n个打标签的历史运行数据序列组成打标签的速度测试数据集，并利用这n个打标签的历史运行数据序列分别对CUSUM法进行训练，得到对应的决策阈值h₁，h₂，...，h_n；取h₁，h₂，...，h_n的平均值作为决策阈值h。

9.如权利要求1所述的一种基于D-S证据理论的退火加热过程的多模态识别方法，其特征在于：步骤S105中，根据所述实时状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行实时识别；具体包括：

所述多模态识别策略为：

各关键变量的优先级为：板温＞带钢规格＞生产运行速度；

当板温为稳定状态时，为S1模态；

当板温为波动状态，且带钢规格为波动状态时，为S2模态；

当板温为波动状态，且带钢规格为稳定状态、生产运行速度为波动状态时，为S3模态；

当板温为波动状态，且带钢规格为稳定状态、生产运行速度为稳定状态时，为S4模态；

其中，S1为稳定加热生产模态、S2为不同规格钢卷切换模态、S3为同规格钢卷稳态中心偏移模态、S4为异常状态模态。

Images