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 - Google Patents
基于不平衡数据深度学习的连退生产过程故障诊断方法 Download PDFInfo
- Publication number
- CN112598026A CN112598026A CN202011417539.9A CN202011417539A CN112598026A CN 112598026 A CN112598026 A CN 112598026A CN 202011417539 A CN202011417539 A CN 202011417539A CN 112598026 A CN112598026 A CN 112598026A
- Authority
- CN
- China
- Prior art keywords
- data
- production process
- continuous annealing
- strip steel
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000000137 annealing Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 66
- 239000010959 steel Substances 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 6
- 229910052742 iron Inorganic materials 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 238000001816 cooling Methods 0.000 description 6
- 238000002791 soaking Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005554 pickling Methods 0.000 description 3
- 238000003303 reheating Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005097 cold rolling Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000010583 slow cooling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005238 degreasing Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Heat Treatment Of Strip Materials And Filament Materials (AREA)
- General Factory Administration (AREA)
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
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Dprimary;
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Dprimary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Dsmote;
步骤5:根据特征提取网络和过采样数据集Dsmote,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Dprimary,
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,Xij表示第j项生产过程数据中第i个样本的值,Xi_min表示第j项生产过程数据的最小值,Xij_max表示第j项生产过程数据的最大值,Xij_norm为Xij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Dprimary为基础构建特征提取数据集Dfeature,
Dfeature={(X′i,Yi)|Xi′=Yi=Xi_norm∈Dprimary,i∈{1,2,...,n}},
从特征提取数据集Dfeature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,Xij′为第i个样本的第j位数据的真实值,Xij′为相应的预测值。
步骤4:采用SMOTE方法对步骤2中获得的数据集Dprimary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Dsmote;
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Dsmote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,...hT},它们相应的权重为{α1,α2,...,αT},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;
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,F1classI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。
Claims (10)
1.基于不平衡数据深度学习的连退生产过程故障诊断方法,其特征在于,包括以下步骤:
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Dprimary;
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Dprimary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Dsmote;
步骤5:根据特征提取网络和过采样数据集Dsmote,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。
2.根据权利要求1所述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,其特征在于,所述步骤2包括如下步骤:
步骤2.1:对生产过程数据归一化处理,处理后数据作为初始数据集Dprimary的输入变量;
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,并作为初始数据集Dprimary的输出变量。
4.根据权利要求3所述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,其特征在于,所述网络层数L至少为3且为奇数。
6.根据权利要求1所述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,其特征在于,在所述步骤4中,采用SMOTE方法对步骤2中获得的数据集Dprimary进行处理。
7.根据权利要求1所述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,其特征在于,所述步骤5包括如下步骤:
步骤5.1:从过采样数据集Dsmote中选取样本构成训练集、测试集;
步骤5.2:设置AdaBoost.M2算法的集成个数T,即参与集成的子学习机个数;
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,在该网络后面依次加入若干全连接神经网络层及一个softmax层组成子学习机;
步骤5.4:在训练集上使用AdaBoost.M2算法,训练出T个子学习机,记为{h1,h2,...hT},它们相应的权重为{α1,α2,...,αT};
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。
8.根据权利要求5所述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,其特征在于,所述softmax层具有4输出。
10.根据权利要求5所述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,其特征在于,所述步骤5.4的训练过程中,子学习机的评价标准为分类的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011417539.9A CN112598026B (zh) | 2020-12-07 | 2020-12-07 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011417539.9A CN112598026B (zh) | 2020-12-07 | 2020-12-07 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598026A true CN112598026A (zh) | 2021-04-02 |
CN112598026B CN112598026B (zh) | 2023-09-22 |
Family
ID=75188902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011417539.9A Active CN112598026B (zh) | 2020-12-07 | 2020-12-07 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598026B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341890A (zh) * | 2021-04-30 | 2021-09-03 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能诊断方法和系统 |
CN114854978A (zh) * | 2022-04-06 | 2022-08-05 | 武汉钢铁有限公司 | 一种预测带钢跑偏值的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101091966A (zh) * | 2006-06-19 | 2007-12-26 | 鞍钢股份有限公司 | 一种连轧机组轧机入口带钢双重纠偏控制系统 |
CN104484560A (zh) * | 2014-12-08 | 2015-04-01 | 燕山大学 | 一种适合于连退机组的带钢跑偏预报方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
CN107541597A (zh) * | 2016-06-29 | 2018-01-05 | 宝山钢铁股份有限公司 | 连续退火机组均热炉的带钢跑偏监测与诊断方法及系统 |
US20180260717A1 (en) * | 2017-03-08 | 2018-09-13 | Wuhan University Of Science And Technology | Microalloyed steel mechanical property prediction method based on globally additive model |
-
2020
- 2020-12-07 CN CN202011417539.9A patent/CN112598026B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101091966A (zh) * | 2006-06-19 | 2007-12-26 | 鞍钢股份有限公司 | 一种连轧机组轧机入口带钢双重纠偏控制系统 |
CN104484560A (zh) * | 2014-12-08 | 2015-04-01 | 燕山大学 | 一种适合于连退机组的带钢跑偏预报方法 |
CN104517162A (zh) * | 2014-12-30 | 2015-04-15 | 东北大学 | 一种连续退火产品硬度在线集成学习预报方法 |
CN107541597A (zh) * | 2016-06-29 | 2018-01-05 | 宝山钢铁股份有限公司 | 连续退火机组均热炉的带钢跑偏监测与诊断方法及系统 |
US20180260717A1 (en) * | 2017-03-08 | 2018-09-13 | Wuhan University Of Science And Technology | Microalloyed steel mechanical property prediction method based on globally additive model |
Non-Patent Citations (3)
Title |
---|
LIANTING HU等: "Modeling and recognition of steel-plate surface defects based on a new backward boosting algorithm", 《SPINGER LINK》, vol. 94, pages 4317 - 4328, XP036432162, DOI: 10.1007/s00170-017-1113-4 * |
于景辉等: "基于主成分分析-BP神经网络的热轧带钢跑偏预测研究", 《山东冶金》, vol. 41, no. 4, pages 44 - 47 * |
王路: "基于机理和数据解析的连退生产过程监测与故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 22 - 88 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341890A (zh) * | 2021-04-30 | 2021-09-03 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能诊断方法和系统 |
CN114854978A (zh) * | 2022-04-06 | 2022-08-05 | 武汉钢铁有限公司 | 一种预测带钢跑偏值的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112598026B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598026B (zh) | 基于不平衡数据深度学习的连退生产过程故障诊断方法 | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
CN111241750A (zh) | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 | |
CN117171521A (zh) | 一种针对缺陷检测的钢铁产品性能智能诊断方法 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
CN111832428B (zh) | 一种应用于冷轧轧机断带故障诊断的数据增强方法 | |
Saadallah et al. | Early quality prediction using deep learning on time series sensor data | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN113033079A (zh) | 一种基于不平衡修正卷积神经网络的化学故障诊断方法 | |
CN112488188A (zh) | 一种基于深度强化学习的特征选择方法 | |
CN113033690B (zh) | 一种基于声音的双投影邻域保持嵌入的托辊故障检测方法 | |
CN113156908B (zh) | 一种机理与数据联融合的多工况工业过程监测方法和系统 | |
CN112632466B (zh) | 一种基于深度双向长短时记忆网络的轴承故障预测方法 | |
Zhao et al. | IPCA-SVM based real-time wrinkling detection approaches for strip steel production process | |
JP2646900B2 (ja) | タンデム圧延機のドラフトスケジュールの決定方法 | |
Chen et al. | Research on rolling force prediction method of high precision cold rolling based on XGBoost algorithm | |
CN113341890A (zh) | 面向自适应调度与无人生产线协同的智能诊断方法和系统 | |
Wang et al. | A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel | |
CN112966870B (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 | |
Yang et al. | Dimensionality reduction for machine learning using statistical methods: a case study on predicting mechanical properties of steels | |
CN114611376B (zh) | 一种基于神经网络的连退跑偏预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |