CN112598026A

CN112598026A - 基于不平衡数据深度学习的连退生产过程故障诊断方法

Info

Publication number: CN112598026A
Application number: CN202011417539.9A
Authority: CN
Inventors: 唐立新; 王显鹏; 胡腾辉
Original assignee: Northeastern University China
Current assignee: Northeastern University China
Priority date: 2020-12-07
Filing date: 2020-12-07
Publication date: 2021-04-02
Anticipated expiration: 2040-12-07
Also published as: CN112598026B

Abstract

本发明公开了基于不平衡数据深度学习的连退生产过程故障诊断方法，属于钢铁企业连续退火生产过程的自动控制技术领域。通过深度自编码网络建立连退带钢生产过程数据的特征提取模型，将原始高维输入属性空间映射到低维子空间；采用SMOTE过采样方法对跑偏故障数据进行处理，以现有样本为基础合成新的少数类样本；将以特征提取模型为基础构建的深度神经网络作为子学习机，并利用过采样后得到的平衡数据集，使用AdaBoost.M2算法训练得到用于连退生产过程的带钢跑偏预测的集成学习故障诊断模型。可提高带钢跑偏预测的准确性，尤其提高少数类样本故障检测的准确性，能够帮助现场操作人员及时对连退生产过程进行调节，避免出现生产事故。

Description

基于不平衡数据深度学习的连退生产过程故障诊断方法

技术领域

本发明属于钢铁企业连续退火生产过程的自动控制技术领域，特别涉及一种连续退火生产过程故障诊断方法。

背景技术

在钢铁企业当中，冷轧连续退火生产线将酸洗、轧制、脱脂、退火、精整等一系列工艺流程集中在一条机组生产线中进行连续生产。相较于传统的罩式退火而言，连续退火具有生产效率高、产品成品率高等优点。在连续退火生产过程中，不断供应的钢卷被开卷机依次打开并首尾相接地焊接在一起，然后进入到连续退火炉当中进行退火处理以消除冷轧带钢的内应力。在上述过程中，由于带钢板型、温度、张力的波动及生产设备的磨损、误差等问题，带钢可能会出现打滑而偏离中心的现象，即跑偏。虽然当前有一部分连续退火机组安装了纠偏辊来应对跑偏问题，但当跑偏量过大时，纠偏辊也无法完成纠偏，这时如果不及时通过操作人员进行手工纠偏，则会出现断带等生产事故，造成整个连退生产线停产，严重影响企业经济效益。因此，如果能够通过连退生产过程所记录的数据提前判断出带钢是否会出现跑偏及跑偏的程度，对于指导连退机组的正常生产具有重大的意义。

根据连续退火炉出口处带钢跑偏量的大小，可以将带钢跑偏故障数据大致分为I、II、III和IV类四个类别：I类为略微跑偏故障数据，II类为轻度跑偏故障数据，III类为中度跑偏故障数据，IV类为严重跑偏故障数据，其中I类样本的出现概率最大，III类样本的出现概率最小。因此，通常采集的带钢跑偏故障数据集是一个不平衡数据集。专利号为CN107541597 B的中国发明专利《连续退火机组均热炉的带钢跑偏检测与诊断方法》提供了一种基于PCA的模型，通过计算两个统计量T²和SPE的控制限对带钢进行跑偏检测。但是其并未考虑到带钢跑偏数据的不平衡问题对跑偏检测模型精度存在的影响，因此如何充分利用不平衡数据集挖掘出带钢跑偏故障与连退生产过程数据的关系也是一个亟待解决的关键问题。

发明内容

针对现有技术存在的不足，本发明提供一种基于不平衡数据深度学习的连退生产过程故障诊断方法。

本发明的技术方案是：

基于不平衡数据深度学习的连退生产过程故障诊断方法，包括如下步骤：

步骤1：采集连续退火生产过程中出现带钢跑偏故障时对应带钢的m项生产过程数据及相应的跑偏量，得到共有n个样本的数据集；

步骤2：针对步骤1中获得的数据集进行数据预处理，获得初始数据集D_primary；

步骤3：采用深度自编码网络对步骤2中获得的初始数据集的输入变量进行特征提取，获得特征提取网络；

步骤4：对步骤2中获得的数据集D_primary进行处理，以增加少数类故障数据的样本个数，获得四种类别跑偏量的样本数量大致相同的过采样数据集D_smote；

步骤5：根据特征提取网络和过采样数据集D_smote，通过AdaBoost.M2集成方法，生成带钢跑偏故障诊断模型；

步骤6：实时采集带钢生产过程数据，将其输入到步骤5中得到的带钢跑偏故障诊断模型中，通过诊断模型对当前带钢可能出现的跑偏故障进行预测。

本发明的有益效果：本发明提供了一种基于不平衡数据深度学习的连退生产过程故障诊断方法。首先通过深度自编码网络建立连退带钢生产过程数据的特征提取模型，将原始的高维输入属性空间映射到一个低维子空间当中，有利于缓解“维数灾难”及提高模型的准确性；其次，带钢跑偏的故障数据样本通常呈现出明显的不平衡性，各类样本的数量之间存在较大差异，为了解决该问题，本发明采用了SMOTE过采样方法对跑偏故障数据进行处理，以现有样本为基础合成新的少数类样本，克服了一般过采样方法造成模型过拟合、欠采样方法造成数据浪费的缺点。最后，将以特征提取模型为基础构建的深度神经网络作为子学习机，并利用过采样后得到的平衡数据集，使用AdaBoost.M2算法训练得到集成学习故障诊断模型用于连退生产过程的带钢跑偏预测。经过实际生产数据的实验测试，相较于传统方法，本发明提高了带钢跑偏预测的准确性，尤其提高了少数类样本故障检测的准确性，能够帮助现场操作人员提前预知带钢的跑偏程度，及时对连退生产过程进行调节，避免出现生产事故，有利于提高钢铁企业的生产效率。

附图说明

图1为本发明一种实施方式的带钢连续退火生产流程示意图；

图2为本发明一种实施方式的连退生产过程故障诊断方法流程图；

图3为本发明一种实施方式的带钢跑偏故障数据各类样本数量对比图；

图4为本发明一种实施方式的分类器构建过程示意图；

图5为本发明一种实施方式的AdaBoost.M2算法训练过程示意图；

其中，1-开卷机、2-平整机、3-焊机、4-电解酸洗池、5-入口活套、6-加热炉、7-均热炉，8-缓冷炉、9-一冷炉、10-再加热炉、11-过时效炉、12-二冷炉、13-终冷炉、14-出口活套，15-张力平整机、16-轧制机、17剪切机、18-卷取机。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。

带钢的连续退火生产是钢铁生产过程中的一道重要工序，如图1所示，成卷的带钢在经过开卷机1开卷、平整机2对带钢进行平整、焊机3将前后带钢焊接在一起、电解酸洗池4酸洗等预处理后，经由入口活套5进入到连续退火炉当中，依次通过加热炉6初步加热、均热炉7均匀加热、缓冷炉8缓慢冷却、一冷炉9冷却、再加热炉10再次加热、过时效炉11进行时效处理、二冷炉12初步冷却、终冷炉13最终冷却完成退火过程，然后经由出口活套14离开退火炉，经过张力平整机15消除带钢张力、轧制机16轧制、剪切机17将不同带钢剪开、平整、卷取机18卷取等重新卷成钢卷。针对实际生产过程中可能出现的带钢跑偏故障，本发明提供了一种基于不平衡数据深度学习的连退生产过程故障诊断方法，能够根据带钢的生产过程数据预测其跑偏程度。将本发明所提出的连续退火故障诊断方法应用于本实施方式，其流程如图2所示，包括下述步骤：

步骤1：采集连续退火生产过程中出现带钢跑偏故障时对应带钢的生产过程数据及跑偏量，得到数据集；

本实施例中，共从某钢厂冷轧连续退火生产线采集到n＝4000条有效数据，其中每条数据均由带钢宽度、带钢厚度、入口张力、出口张力、辊子R21-R45速度、辊子R21-R45扭矩、均热炉段带钢温度、均热炉段带钢速度、均热炉内实际温度共m＝57个数据项以及带钢在退火炉出口处的跑偏量组成。

步骤2：针对步骤1中获得的4000条数据进行预处理，获得初始数据集D_primary，

其中，X_{i_norm}为生产过程数据，

表示X_{i_norm}为m维向量，y_i为跑偏量所对应的类别。包括以下步骤：

步骤2.1：对除带钢跑偏量之外的所有生产过程数据进行归一化处理，以避免量纲不同所造成的不同数据项的数值之间存在较大差别问题。具体的归一化方法如下所示

其中，m为所记录的不同生产过程数据的数目，X_ij表示第j项生产过程数据中第i个样本的值，X_{i_min}表示第j项生产过程数据的最小值，X_{ij_max}表示第j项生产过程数据的最大值，X_{ij_norm}为X_ij归一化后的值；

步骤2.2：根据连续退火炉出口处带钢的跑偏量大小将其归类，即I类，II类，III类，IV类，作为输出变量；本实施例中，I类、II类、III类、IV类样本的数量分别为2212，456，288，1044个，其数量对比柱状图如图3所示。

步骤3：采用深度自编码网络对步骤2中获得的初始数据集的输入变量进行特征提取，以达到压缩输入空间的目的，有利于学习分类部分发现数据特征，提高所建立预测模型的泛化能力。其过程如图4(A)所示，包括以下步骤：

步骤3.1：以初始数据集D_primary为基础构建特征提取数据集D_feature，

D_feature＝{(X′_i,Y_i)|X_i′＝Y_i＝X_{i_norm}∈D_primary,i∈{1,2,...,n}}，

从特征提取数据集D_feature中随机选取样本构成训练集D₁、验证集D₂。本实施例中，D₁和D₂中分别有2800个和1200个样本。

步骤3.2：设置深度自编码网络的网络层数L＝5及各层的节点数，学习率γ＝0.01，初始化网络权重W和偏置b；

本实施例中，从输入层到输出层，深度自编码网络中各层的节点数依次为57、28、14、28、57，也就是说要从57维的过程数据当中提取出14维的特征；

步骤3.3：通过BP(Back-Propagation)算法，以最小化输入与输出之间的均方误差MSE为目标在训练集D₁上训练深度自编码网络，并通过验证集D₂对其进行评估；其中，MSE的计算方法为：

其中，X_ij′为第i个样本的第j位数据的真实值，X_ij′为相应的预测值。

步骤3.4：截取步骤3.3中训练所得深度自编码网络的前

层，保留其网络参数，即为特征提取网络，如图4(A)所示；

步骤4：采用SMOTE方法对步骤2中获得的数据集D_primary进行处理，以增加少数类故障数据的样本个数，获得四种类别的样本数量大致相同的过采样数据集D_smote；

其中SMOTE方法为现有技术中的方法，被公开在文献Chawla N V,Bowyer K W,Hall L O,等.SMOTE:Synthetic Minority Over-sampling Technique[J].Journal ofArtificial Intelligence Research,2011,16(1):321-357.中。

步骤5：通过AdaBoost.M2集成方法，生成带钢跑偏故障诊断模型，包括以下步骤：

其中AdaBoost.M2算法为现有技术中的方法，被公开在文献Freund Y,Schapire RE.Experiments with a new boosting algorithm[C]//Proc of the 13thInternational Conference on Machine Learning.Bari:Morgan Kaufmann,1996:148-156.中。

步骤5.1：从过采样数据集D_smote中选取样本构成训练集、测试集；

本实施例中，训练集和测试集中分别包含2800个和1200个样本。

步骤5.2：设置AdaBoost.M2算法的集成个数T＝4，即共训练4个子学习机进行集成；

步骤5.3：子学习机构建：以步骤3.4中获得的特征提取网络为基础，在该网络后面加入若干全连接神经网络层及一个4输出的softmax层组成子学习机，如图4(B)所示。需要注意，在后续的训练过程当中，子学习机的前

层的参数固定为步骤3.4中所得的参数，不参与训练；

本实施例中，子学习机特征提取部分共有三层，从输入层开始，每层的节点数依次为57、28、14；学习分类部分共有三层，每层的节点数依次为60、30、4。

步骤5.4：在训练集上使用AdaBoost.M2算法依次训练出T＝4个子学习机，记为{h₁,h₂,...h_T}，它们相应的权重为{α₁,α₂,...,α_T}，该过程如图5所示；训练过程中，子学习机的评价标准为其分类的准确性，即正确分类的样本占总样本的比例。

步骤5.5：利用各个子学习机的权重对T个子学习机进行集成，得到最终的带钢跑偏故障诊断模型；

本实施例中，将本发明的基于不平衡数据深度学习的连退生产过程故障诊断方法与传统的OVO-SVMs(one-versus-one support vector machines,一对一支持向量机)、OVR-SVMs(one-versus-rest support vector machines,一对多支持向量机)、DNN(deepneural network，深度神经网络)分类方法进行了比较，其中OVO-SVM与OVA-SVM的核函数为RBF核函数；DNN为四层网络结构，每层的节点数依次为57-60-30-4，相比于本发明的方法缺少了特征提取部分。对于不平衡数据的多分类问题，为了给予少数类样本的分类准确性足够的重视，避免出现某个模型在总体数据集上分类准确性较高，但是在少数类样本中却表现不佳的现象，通常采用Macro F1对模型的性能进行评估。对于有N个类别的多分类问题，Macro F1的计算方法为：

其中，F1_classI为第I个类别的F1值。最终的实验结果如表1所示，同时给出了各个模型在整个测试集及测试集中各个故障类别中的分类准确性。从实验结果当中可以看出，本发明的方法对于带钢跑偏故障的预测精度相较于传统方法有明显的提升，尤其是对于少数类样本的预报精度的提升最为明显。

表1

应当理解的是，本领域技术人员在本发明技术构思的启发下，在不脱离本发明内容的基础上，可以根据上述说明做出各种改进或变换，这仍落在本发明的保护范围之内。