CN115034554A - 一种基于时序网络的连铸坯质量预测方法及系统 - Google Patents

一种基于时序网络的连铸坯质量预测方法及系统 Download PDF

Info

Publication number
CN115034554A
CN115034554A CN202210452814.3A CN202210452814A CN115034554A CN 115034554 A CN115034554 A CN 115034554A CN 202210452814 A CN202210452814 A CN 202210452814A CN 115034554 A CN115034554 A CN 115034554A
Authority
CN
China
Prior art keywords
data
continuous casting
time
time sequence
layer
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
Application number
CN202210452814.3A
Other languages
English (en)
Other versions
CN115034554B (zh
Inventor
武星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202210452814.3A priority Critical patent/CN115034554B/zh
Publication of CN115034554A publication Critical patent/CN115034554A/zh
Application granted granted Critical
Publication of CN115034554B publication Critical patent/CN115034554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及钢铁铸造中连铸坯质量预测领域，公开了一种基于时序网络的连铸坯质量预测方法及系统。本发明中，首先，服务器基于随机森林特征选择器选择对连铸坯质量有重要影响的关键特征，能够降低数据维度，提升模型学习能力，有助于改善连铸工艺。其次，服务器根据选择好的多变量特征数据，输入到设计的时序神经网络进行特征提取，包括感知关键点计算和特征表示提取，进行训练模型。最后，训练完成的模型根据连铸坯的生产过程数据进行实时质量预测。本发明解决了多变量生产数据的实时质量预测问题，能够及时发现有质量问题的连铸坯，防止质量缺陷的连铸坯流入热轧工艺生产线，提升智能化制造水平，降低不良产品带来的经济损失。

Description

一种基于时序网络的连铸坯质量预测方法及系统
技术领域
本发明涉及一种基于时序网络的连铸坯质量预测方法以及采用该方法的系统，用于解决流水生产线上的连铸坯质量难以实时预报问题，属于钢铁铸造中连铸坯质量预测领域。
背景技术
在整个钢铁生产工序中，连铸坯是热轧工序的原材料，其质量决定着后续的热轧和冷轧工序的产品质量，因而连铸坯的质量等级关系着成品钢材的优劣。经由连铸生产线配置的传感器网络采集得到的结晶器液面波动、铸造速度等实时工艺特征参数控制和影响着连铸坯成品的质量。利用连铸生产过程中的工艺数据预测连铸坯质量显得十分必要。
应用于连铸生产线质量预测的方法主要分为基于物理设备探测的方法和基于连铸坯生产过程建模的机器学习方法。基于物理设备探测的方法通常耗费较大的人力和物力，且干扰了连铸坯的流水化生产而难以大幅推广应用。基于时序神经网络的连铸坯质量预测方法能够发现质量缺陷的连铸坯与合格连铸坯的生产数据特征的差异，且不影响连铸坯的流水线作业。
连铸坯生产数据呈现出规模海量和高维度特性，数据标签缺失，且质量合格和缺陷类别的样本数据比例不平衡。这对于构建质量缺陷诊断预测模型并应用于连铸坯生产线显得十分困难。
发明内容
本发明要解决的技术问题是：现有连铸坯质量实时预测方法存在的精度偏低和多变量预测困难。
为了解决上述技术问题，本发明的一个技术方案是提供了一种基于时序网络的连铸坯质量预测方法，其特征在于，包括离线质量缺陷预测器训练和在线质量缺陷预测两个部分，其中，所述离线质量缺陷预测器训练包括以下步骤。
步骤S1：服务器收集连铸坯生产过程数据和对应的样本标签，对连铸坯生产过程数据进行预处理后，基于连铸坯生产过程数据筛选出M个重要特征变量，去除连铸坯生产过程数据中不属于重要特征变量的数据获得多变量数据X＝{x1,x2,…,xm,…,xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；
步骤S2：服务器提取多变量数据X中的感知关键点，并统计得到感知关键点数量Ps；
步骤S3：服务器计算出多变量数据X中每条单变量对应的时序距离D，然后根据时序距离D计算出多变量数据X对应的时序距离DM；
步骤S4：服务器构建时序网络模型，根据处理后的多变量数据X训练时序网络模型；
所述在线质量缺陷预测包括以下步骤：
步骤S5：传感器采集连铸坯的生产过程实时数据，并将其上传到服务器；
步骤S6：服务器对收集到的生产过程实时数据进行预处理和标准化，从生产过程实时数据中筛选出与M个重要特征变量相对应的多变量数据X；
步骤S7：服务器计算得到多变量数据X的感知关键点数量Ps和时序距离DM；
步骤S8：服务器将多变量数据X、感知关键点数量Ps和时序距离DM输入训练好的时序网络模型中，获得该连铸坯的质量类别。
优选地，所述步骤S1具体包括以下子步骤：
步骤S1-1：服务器收集连铸坯生产过程数据和对应的样本标签，去除重复数据，对缺失数据填零处理，将连铸坯生产过程数据进一步定义为样本时序数据；
步骤S1-2：标准化样本时序数据X，根据公式
Figure BDA0003619483580000021
将样本数据X缩放到标准区间[0.0,1.0]内，std(X)表示标准化函数；
步骤S1-3：根据标准化后的样本时序数据，利用随机森林模型筛选出M个重要特征变量，得到重要特征集合F＝{f1,f2,…fM}，fM表示第M个重要特征；
步骤S1-4：去除样本时序数据X中不在重要特征集合F中的特征变量数据，则将每条样本时序数据X重新定义为一个多变量数据，表示为X＝{x1,x2,…,xm,…,xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据。
优选地，所述步骤2具体包括以下子步骤：
步骤S2-1：计算多变量X中的感知关键点，将第i个感知关键点表示为Pi，则将符合下式的波动点tpi记为感知关键点Pi，得到关键点集合P＝{P1,P2,…,Pi,…,Pn}，n表示样本时序数据X中的感知关键点的总数：
tpi-1≤tpi≤tpi+1或者tpi-1≥tpi≤tpi+1
s.t.|ki-ki-1|≥δ
式中，ki表示两个不同观测点相连而成的直线的斜率，
Figure BDA0003619483580000031
(xi,yi)分别是时序中的某个时间点和某个变量值；
步骤S2-2：计算每条多变量X中的感知关键点数量Ps＝|P|＝n。
优选地，所述步骤S3具体包括以下子步骤：
步骤S3-1：计算每条单变量对应的时序与基准时序的动态时间距离D，计算得到的第m个单变量xm的时序为n以及基准时序的动态时间距离D为Dn，n＝1,2,…,M；
设观测点i与观测点j的动态时间距离D为D(i,j)，则有：
D(i,j)＝Mij+min(D(i-1,j),D(i-1,j-1),D(i,j-1))
Figure BDA0003619483580000032
式中，(gi,hi)表示两条时序起点组成的元组，(gs,hs)表示两条时序终点组成的元组，k表示观测时序的总步长；
步骤S3-2，根据计算多变量X对应的时序距离DM，则有
Figure BDA0003619483580000033
优选地，所述步骤S4具体包括以下子步骤：
步骤S4-1：构建DTW动态卷积层，用于提取连铸坯生产过程数据的底层特征，如下式所示：
Figure BDA0003619483580000034
式中，
Figure BDA0003619483580000035
和
Figure BDA0003619483580000036
分别表示一维过滤器和DTW动态卷积运算，
Figure BDA0003619483580000037
和
Figure BDA0003619483580000038
表示输入的多变量数据X和特征输出表示；
步骤S4-2：构建模型基础层，包括卷积层、LSTM层、批正则化层、ReLU层和最大池化层，用于组成时序网络。
步骤S4-3：构建压缩激活层，用于提取连铸坯生产过程数据的中层特征表示，如下式所示：
Figure BDA0003619483580000039
Figure BDA00036194835800000310
Figure BDA0003619483580000041
式中，
Figure BDA0003619483580000042
表示第k个特征变量对应的时序压缩后的单值，
Figure BDA0003619483580000043
表示第k个特征变量对应的时序，W表示时序数据的步长，
Figure BDA0003619483580000044
表示第k个特征变量的第w个时序中的第i个观测点，Fsqueeze(·)表示对时序数据压缩处理，
Figure BDA0003619483580000045
表示对向量
Figure BDA0003619483580000046
激活后的新向量，
Figure BDA0003619483580000047
执行多变量时序压缩后生成的向量，σ表示sigmoid激活函数，W2表示待训练的权重参数，δ表示线性整流激活函数，W1表示待训练的权重参数，Fexcite(·)表示对向量执行激活操作，Fscale(·)表示对输入的多变量时序进行缩放操作，
Figure BDA0003619483580000048
表示输入的多变量时序数据，x为经过压缩激活后的特征表示；
步骤S4-4：构建多维注意力层，用于提取连铸坯生产过程数据的高层特征表示，如下式所示：
Figure BDA0003619483580000049
a＝Softmax(p)
Figure BDA00036194835800000410
式中，压缩合并后的向量ht通过各自特征表示向量fj的权重αj进行聚合；a表示注意力的得分向量；p表示激活后的表示向量；
Figure BDA00036194835800000411
表示第一网络权重参数；F表示时序特征矩阵；
Figure BDA00036194835800000412
表示第一网络偏置参数；
Figure BDA00036194835800000413
表示第二网络权重参数；
Figure BDA00036194835800000414
表示第二网络偏置参数；
步骤S4-5：构建完整的模型，将高层特征表示与感知关键点数量Ps和多变量时序距离DM堆叠后，输出到全连接层和Softmax激活函数层进行输出，获得完整的连铸坯质量预测结果。
步骤S4-6：服务器根据处理后的样本时序数据X训练构建好的时序网络模型，直到模型的损失小于一定阈值ε。
本发明的另一个技术方案是提供了一种基于时序网络的连铸坯质量预测系统，其特征在于，包括离线质量缺陷预测器训练子系统以及在线质量缺陷预测子系统，其中：
离线质量缺陷预测器训练子系统包括以下模块：
数据收集与预处理模块，用于服收集连铸坯生产过程数据和对应的样本标签，去除连铸坯生产过程数据中重复数据，并对其中的缺失数据填零处理，随后对连铸坯生产过程数据进行标准化处理，得到缩放到标准区间[0.0,1.0]内的标准化样本数据X；
数据特征变量筛选模块，用于基于标准化样本数据X利用随机森林模型筛选重要特征变量，得到重要特征集合F＝{f1,f2,…fM}，然后去除标准化样本数据X中不在重要特征集合F中的特征变量数据，得到多变量数据X＝{x1,x2,…,xm,…,xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；
数据变量感知关键点提取模块，用于提取多变量数据X中的感知关键点，计算每条多变量数据X中的感知关键点，得到感知关键点集合P＝{P1,P2,…,Pi,…,Pn}，n表示多变量数据X中的感知关键点的总数，然后计算每条多变量数据X中的感知关键点数量Ps＝|P|＝n；
数据变量时序距离计算模块，计算多变量数据X中每条单变量对应的时序与基准时序的动态时间距离D，然后根据动态时间距离D计算多变量数据X对应的时序距离DM；
时序网络模型构建模块，用于构建时序网络模型，该时序网络模型包括：用于提取连铸坯数据的底层特征的DTW动态卷积层、模型基础层、用于提取连铸坯数据的中层特征表示压缩激活层、用于连铸坯数据的高层特征表示的多维注意力层，最后，将高层特征表示与感知关键点数量Ps和时序距离DM堆叠后，连接到全连接层和Softmax激活函数层进行输出，其中，模型基础层包括卷积层、LSTM层、批正则化层、ReLU层和最大池化层；
时序网络模型训练模块，用于根据处理后的多变量数据X训练构建好的时序网络模型，直到模型的损失小于一定阈值ε；
在线质量缺陷预测子系统包括以下模块：
数据收集与预处理模块，用于利用传感器采集连铸坯的生产过程实时数据，并上传到服务器，服务器对其进行预处理以及标准化处理后，获得标准化实时数据X；
数据特征变量筛选模块，去除标准化实时数据X中不在重要特征集合F中的特征变量数据，得到多变量实时数据X；
数据变量感知关键点提取模块，用于提取多变量实时数据X中的感知关键点，计算得到每条多变量实时数据X中的感知关键点，得到感知关键点集合后，计算该多变量实时数据X中的实时感知关键点数量Ps；
数据变量时序距离计算模块，计算多变量实时数据X中每条实时单变量数据对应的时序与基准时序的动态时间距离D，然后根据动态时间距离D计算得到该多变量实时数据X的实时时序距离DM；
时序网络模型预测模块，将多变量实时数据X、实时感知关键点数量Ps和实时时序距离DM输入训练好的时序网络模型中，获得该连铸坯的质量类别。
在本发明中，首先，服务器收集连铸坯生产过程数据，对数据进行预处理。然后，服务器根据预处理后的多元变量数据训练时序网络模型，直至模型收敛和损失误差降到最低。最后，服务器根据训练好的最终模型对数据采集器上传的数据进行实时质量预测。
与现有技术相比，本发明具有如下优点：
本发明根据连铸坯生产过程产生的时序数据进行重要特征提取、感知关键点计算，以及特征表示学习，结合自定义的时序神经网络学习训练得到连铸坯质量等级预测器进行实时质量预测。服务器基于随机森林特征选择器选择对连铸坯质量有重要影响的关键特征，能够降低数据维度，提升模型学习能力。服务器根据选择好的特征数据，输入到设计的时序神经网络进行特征提取，可对连铸坯进行质量预测。本发明提供的技术方法，能够及时发现有质量问题的连铸坯，防止质量缺陷的连铸坯流入热轧工艺生产线，提升智能化制造水平，降低不良产品带来的经济损失。
附图说明
图1为本发明实施例提供的总体方法流程图；
图2为本发明实施例提供的总体原理示意图；
图3为本发明实施例基于时序网络的连铸坯质量预测系统模块设计示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅是为了助于本技术领域的普通技术人员对本发明原理和知识的理解，而不用于限制本发明的范围，不能认为是限制本发明的应用场景。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，但基于本发明的原理和宗旨对实施例所做的变形、变化和转换同样落于本申请所附权利要求书所限定的范围。并且显而易见的是，本说明书仅以优选的实施方式作为举例，无需详尽所有的实施方式。
下面以121维特征变量和600个时间步长的连铸坯生产过程数据输入到时序神经网络模型为例，来阐述本发明的具体实施步骤。
本发明技术方案所提供方法可采用计算机理论技术实现自动执行流程。图1是本发明实施例的总体方法流程图，参见图1。结合图2本发明实施例的总体原理示意图，本发明的基于时序网络的连铸坯质量预测方法的实施例具体步骤包括：
步骤S1：服务器收集连铸坯生产过程数据，对数据进行预处理，以及筛选重要特征。
步骤S1具体包括以下子步骤：
步骤S1-1：服务器收集连铸坯生产过程数据和对应的样本标签，去除重复数据，对缺失数据填零处理，将连铸坯生产过程数据进一步定义为样本时序数据。
实施例中，经处理后的样本标签分为合格和不合格两类。
步骤S1-2：标准化样本时序数据X，根据公式
Figure BDA0003619483580000071
将样本数据X缩放到标准区间[0.0,1.0]内，std(X)表示标准化函数。
步骤S1-3：根据标准化后的样本时序数据，利用随机森林模型筛选出M个重要特征变量，得到重要特征集合F＝{f1,f2,…fM}，fM表示第M个重要特征。
实施例中，利用随机森林模型筛选重要特征变量，选择重要度大于0.1的特征，得到16维重要特征集合，即m＝16。
步骤S1-4：去除样本时序数据X中不在重要特征集合F中的特征变量数据，则将每条样本时序数据X重新定义为一个多变量，表示为X＝{x1,x2,…,xm,…,xM}，xm为多变量X中的第m个单变量，为筛选出的一个重要特征变量。
实施例中，去除样本时序数据X中剩余105个特征变量对应的数据。每块连铸坯对应的数据尺寸为16×600。
步骤S2：服务器提取样本时序数据X中的感知关键点。
步骤2具体包括以下子步骤：
步骤S2-1：计算多变量X中的感知关键点，将第i个感知关键点表示为Pi，则将根据公式计算的波动点tpi记为感知关键点Pi，得到关键点集合P＝{P1,P2,…,Pi,…,Pn}，n表示样本时序数据X中的感知关键点的总数。
实施例中，以第5条样本时序数据X5为例，利用公式提取计算得到的关键点集合P＝{P1,P2,…,P13}。
步骤S2-2：计算每条多变量X中的感知关键点数量Ps＝|P|＝n。
实施例中，样本时序数据X5的感知关键点数量Ps＝13。
步骤S3：服务器计算出每条单变量对应的时序距离D，然后根据时序距离D计算出多变量X对应的时序距离DM。
步骤S3具体包括以下子步骤：
步骤S3-1：计算每条单变量对应的时序与基准时序的动态时间距离D，计算得到的第m个单变量xm的时序为n以及基准时序的动态时间距离D为Dn，n＝1,2,…,M。
实施例中，计算得到的每条单变量对应的时序与基准时序的动态时间距离为D1,D2,…,D16。
步骤S3-2，根据计算多变量X对应的时序距离DM，则有
Figure BDA0003619483580000081
实施例中，多变量时序距离
Figure BDA0003619483580000082
步骤S4：服务器构建时序网络模型，根据处理后的样本时序数据X训练模型。
步骤S4具体包括以下子步骤：
步骤S4-1：构建DTW动态卷积层，用于提取连铸坯生产过程数据的底层特征。
步骤S4-2：构建模型基础层，包括卷积层、LSTM层、批正则化层、ReLU层和最大池化层，用于组成时序网络。
步骤S4-3：构建压缩激活层，用于提取连铸坯生产过程数据的中层特征表示。
步骤S4-4：构建多维注意力层，用于提取连铸坯生产过程数据的高层特征表示。
步骤S4-5：构建完整的模型，将高层特征表示与感知关键点数量Ps和多变量时序距离DM堆叠后，输出到全连接层和Softmax激活函数层进行输出，获得完整的连铸坯质量预测结果。
实施例中，将高层特征表示与感知关键点数量13和时序距离DM＝13.6堆叠后，输出到全连接层和Softmax激活函数层进行输出，获得完整的连铸坯质量预测结果。
步骤S4-6：服务器根据处理后的样本时序数据X训练构建好的时序网络模型，直到模型的损失小于一定阈值ε。
实施例中，时序网络模型损失小于0.5时停止训练，获得最终模型。
步骤S5：传感器采集连铸坯的生产过程实时数据，并实时上传到服务器。
实施例中，获得连铸坯的生产过程实时数据X0，将生产过程实时数据X0上传到服务器。
步骤S6：服务器对收集到的生产过程实时数据进行预处理和标准化，筛选重要特征集合F＝{f1,f2,…fM}中的多变量X＝{x1,x2,…,xm,…,xM}。
步骤S6具体包括以下子步骤：
步骤S6-1：服务器对收集到的待预测生产过程实时数据进行预处理和标准化。
实施例中，服务器对生产过程实时数据X0进行预处理和标准化。
步骤S6-2：服务器筛选重要特征集合F＝{f1,f2,…fM}中的M条单变量数据x1,x2,…,xm,…,xM，并重新定义为多变量X＝{x1,x2,…,xm,…,xM}。
实施例中，筛选后获得16条单变量数据x1,x2,…,x16，则X＝{x1,x2,…,x16}。
步骤S7：服务器计算X＝{x1,x2,…,xm,…,xM}的感知关键点数量Ps和多变量时序距离DM。
步骤7具体包括以下子步骤：
步骤S7-1：计算X＝{x1,x2,…,xm,…,M}的感知关键点数量Ps。
实施例中，数据X＝{x1,x2,…,x16}的感知关键点数量Ps＝23。
步骤S7-2：计算X＝{x1,x2,…,xm,…,M}的多变量时序距离DM。
实施例中，数据X＝{x1,x2,…,x16}的多变量时序距离DM＝54.3。
步骤S8：服务器将X＝{x1,x2,…,xm,…,xM}、感知关键点数量Ps和多变量时序距离DM输入训练好的时序网络模型中，获得该连铸坯的质量类别。
实施例中，数据X＝{x1,x2,…,x16}、Ps＝23和DM＝54.3输入最终的时序网络模型，获得该连铸坯的质量类别为不合格。

Claims (6)

1.一种基于时序网络的连铸坯质量预测方法，其特征在于，包括离线质量缺陷预测器训练和在线质量缺陷预测两个部分，其中，所述离线质量缺陷预测器训练包括以下步骤。
步骤S1：服务器收集连铸坯生产过程数据和对应的样本标签，对连铸坯生产过程数据进行预处理后，基于连铸坯生产过程数据筛选出M个重要特征变量，去除连铸坯生产过程数据中不属于重要特征变量的数据获得多变量数据X＝{x1，x2，...，xm，...，xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；
步骤S2：服务器提取多变量数据X中的感知关键点，并统计得到感知关键点数量Ps；
步骤S3：服务器计算出多变量数据X中每条单变量对应的时序距离D，然后根据时序距离D计算出多变量数据X对应的时序距离DM；
步骤S4：服务器构建时序网络模型，根据处理后的多变量数据X训练时序网络模型；
所述在线质量缺陷预测包括以下步骤：
步骤S5：传感器采集连铸坯的生产过程实时数据，并将其上传到服务器；
步骤S6：服务器对收集到的生产过程实时数据进行预处理和标准化，从生产过程实时数据中筛选出与M个重要特征变量相对应的多变量数据X；
步骤S7：服务器计算得到多变量数据X的感知关键点数量Ps和时序距离DM；
步骤S8：服务器将多变量数据X、感知关键点数量Ps和时序距离DM输入训练好的时序网络模型中，获得该连铸坯的质量类别。
2.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤S1具体包括以下子步骤：
步骤S1-1：服务器收集连铸坯生产过程数据和对应的样本标签，去除重复数据，对缺失数据填零处理，将连铸坯生产过程数据进一步定义为样本时序数据；
步骤S1-2：标准化样本时序数据X，根据公式
Figure FDA0003619483570000011
将样本数据X缩放到标准区间[0.0，1.0]内，std(X)表示标准化函数；
步骤S1-3：根据标准化后的样本时序数据，利用随机森林模型筛选出M个重要特征变量，得到重要特征集合F＝{f1，f2，...fM}，fM表示第M个重要特征；
步骤S1-4：去除样本时序数据X中不在重要特征集合F中的特征变量数据，则将每条样本时序数据X重新定义为一个多变量数据，表示为X＝{x1，x2，...，xm，...，xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据。
3.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤2具体包括以下子步骤：
步骤S2-1：计算多变量X中的感知关键点，将第i个感知关键点表示为Pi，则将符合下式的波动点tpi记为感知关键点Pi，得到关键点集合P＝{P1，P2，...，Pi，...，Pn}，n表示样本时序数据X中的感知关键点的总数：
tpi-1≤tpi≤tpi+1或者tpi-1≥tpi≤tpi+1
s.t.|ki-ki-1|≥δ
式中，ki表示两个不同观测点相连而成的直线的斜率，
Figure FDA0003619483570000021
(xi，yi)分别是时序中的某个时间点和某个变量值；
步骤S2-2：计算每条多变量X中的感知关键点数量Ps＝|P|＝n。
4.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤S3具体包括以下子步骤：
步骤S3-1：计算每条单变量对应的时序与基准时序的动态时间距离D，计算得到的第m个单变量xm的时序为n以及基准时序的动态时间距离D为Dn，n＝1，2，...，M；
设观测点i与观测点j的动态时间距离D为D(i，j)，则有：
D(i，j)＝Mij+min(D(i-1，j)，D(i-1，j-1)，D(i，j-1))
Figure FDA0003619483570000022
式中，(gi，hi)表示两条时序起点组成的元组，(gs，hs)表示两条时序终点组成的元组，k表示观测时序的总步长；
步骤S3-2，根据计算多变量X对应的时序距离DM，则有
Figure FDA0003619483570000023
5.如权利要求1所述一种基于时序网络的连铸坯质量预测方法，其特征在于，所述步骤S4具体包括以下子步骤：
步骤S4-1：构建DTW动态卷积层，用于提取连铸坯生产过程数据的底层特征，如下式所示：
Figure FDA0003619483570000031
式中，
Figure FDA0003619483570000032
和
Figure FDA0003619483570000033
分别表示一维过滤器和DTW动态卷积运算，
Figure FDA0003619483570000034
和
Figure FDA0003619483570000035
表示输入的多变量数据X和特征输出表示；
步骤S4-2：构建模型基础层，包括卷积层、LSTM层、批正则化层、ReLU层和最大池化层，用于组成时序网络。
步骤S4-3：构建压缩激活层，用于提取连铸坯生产过程数据的中层特征表示，如下式所示：
Figure FDA0003619483570000036
Figure FDA0003619483570000037
Figure FDA0003619483570000038
式中，
Figure FDA0003619483570000039
表示第k个特征变量对应的时序压缩后的单值，
Figure FDA00036194835700000310
表示第k个特征变量对应的时序，W表示时序数据的步长，
Figure FDA00036194835700000311
表示第k个特征变量的第w个时序中的第i个观测点，Fsqueeze(·)表示对时序数据压缩处理，
Figure FDA00036194835700000312
表示对向量
Figure FDA00036194835700000313
激活后的新向量，
Figure FDA00036194835700000314
执行多变量时序压缩后生成的向量，σ表示sigmoid激活函数，W2表示待训练的权重参数，δ表示线性整流激活函数，W1表示待训练的权重参数，Fexcite(·)表示对向量执行激活操作，Fscale(·)表示对输入的多变量时序进行缩放操作，
Figure FDA00036194835700000315
表示输入的多变量时序数据，
Figure FDA00036194835700000316
为经过压缩激活后的特征表示；
步骤S4-4：构建多维注意力层，用于提取连铸坯生产过程数据的高层特征表示，如下式所示：
Figure FDA00036194835700000317
a＝Softmax(p)
Figure FDA00036194835700000318
式中，压缩合并后的向量ht通过各自特征表示向量fj的权重αj进行聚合；a表示注意力的得分向量；p表示激活后的表示向量；
Figure FDA00036194835700000319
表示第一网络权重参数；F表示时序特征矩阵；
Figure FDA00036194835700000320
表示第一网络偏置参数；
Figure FDA00036194835700000321
表示第二网络权重参数；
Figure FDA00036194835700000322
表示第二网络偏置参数；
步骤S4-5：构建完整的模型，将高层特征表示与感知关键点数量Ps和多变量时序距离DM堆叠后，输出到全连接层和Softmax激活函数层进行输出，获得完整的连铸坯质量预测结果。
步骤S4-6：服务器根据处理后的样本时序数据X训练构建好的时序网络模型，直到模型的损失小于一定阈值ε。
6.一种基于时序网络的连铸坯质量预测系统，其特征在于，包括离线质量缺陷预测器训练子系统以及在线质量缺陷预测子系统，其中：
离线质量缺陷预测器训练子系统包括以下模块：
数据收集与预处理模块，用于服收集连铸坯生产过程数据和对应的样本标签，去除连铸坯生产过程数据中重复数据，并对其中的缺失数据填零处理，随后对连铸坯生产过程数据进行标准化处理，得到缩放到标准区间[0.0，1.0]内的标准化样本数据X；
数据特征变量筛选模块，用于基于标准化样本数据X利用随机森林模型筛选重要特征变量，得到重要特征集合F＝{f1，f2，...fM}，然后去除标准化样本数据X中不在重要特征集合F中的特征变量数据，得到多变量数据X＝{x1，x2，...，xm，...，xM}，xm为多变量数据X中的第m个单变量数据，为筛选出的一个重要特征变量数据；
数据变量感知关键点提取模块，用于提取多变量数据X中的感知关键点，计算每条多变量数据X中的感知关键点，得到感知关键点集合P＝{P1，P2，...，Pi，...，Pn}，n表示多变量数据X中的感知关键点的总数，然后计算每条多变量数据X中的感知关键点数量Ps＝|P|＝n；
数据变量时序距离计算模块，计算多变量数据X中每条单变量对应的时序与基准时序的动态时间距离D，然后根据动态时间距离D计算多变量数据X对应的时序距离DM；
时序网络模型构建模块，用于构建时序网络模型，该时序网络模型包括：用于提取连铸坯数据的底层特征的DTW动态卷积层、模型基础层、用于提取连铸坯数据的中层特征表示压缩激活层、用于连铸坯数据的高层特征表示的多维注意力层，最后，将高层特征表示与感知关键点数量Ps和时序距离DM堆叠后，连接到全连接层和Softmax激活函数层进行输出，其中，模型基础层包括卷积层、LSTM层、批正则化层、ReLU层和最大池化层；
时序网络模型训练模块，用于根据处理后的多变量数据X训练构建好的时序网络模型，直到模型的损失小于一定阈值ε；
在线质量缺陷预测子系统包括以下模块：
数据收集与预处理模块，用于利用传感器采集连铸坯的生产过程实时数据，并上传到服务器，服务器对其进行预处理以及标准化处理后，获得标准化实时数据X；
数据特征变量筛选模块，去除标准化实时数据X中不在重要特征集合F中的特征变量数据，得到多变量实时数据X；
数据变量感知关键点提取模块，用于提取多变量实时数据X中的感知关键点，计算得到每条多变量实时数据X中的感知关键点，得到感知关键点集合后，计算该多变量实时数据X中的实时感知关键点数量Ps；
数据变量时序距离计算模块，计算多变量实时数据X中每条实时单变量数据对应的时序与基准时序的动态时间距离D，然后根据动态时间距离D计算得到该多变量实时数据X的实时时序距离DM；
时序网络模型预测模块，将多变量实时数据X、实时感知关键点数量Ps和实时时序距离DM输入训练好的时序网络模型中，获得该连铸坯的质量类别。
CN202210452814.3A 2022-04-27 2022-04-27 一种基于时序网络的连铸坯质量预测方法及系统 Active CN115034554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210452814.3A CN115034554B (zh) 2022-04-27 2022-04-27 一种基于时序网络的连铸坯质量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210452814.3A CN115034554B (zh) 2022-04-27 2022-04-27 一种基于时序网络的连铸坯质量预测方法及系统

Publications (2)

Publication Number Publication Date
CN115034554A true CN115034554A (zh) 2022-09-09
CN115034554B CN115034554B (zh) 2024-09-24

Family

ID=83118573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210452814.3A Active CN115034554B (zh) 2022-04-27 2022-04-27 一种基于时序网络的连铸坯质量预测方法及系统

Country Status (1)

Country Link
CN (1) CN115034554B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116213659A (zh) * 2023-03-18 2023-06-06 宝钢工程技术集团有限公司 一种预防连铸结晶器液位冒涨的方法
CN117436570A (zh) * 2023-09-20 2024-01-23 上海朋熙半导体有限公司 一种晶圆制造缺陷的预测方法、装置、设备及可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015055060A1 (zh) * 2013-10-16 2015-04-23 湖南镭目科技有限公司 一种连铸坯表面质量在线检测方法
CN108961239A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN112418538A (zh) * 2020-11-30 2021-02-26 武汉科技大学 一种基于随机森林分类的连铸坯夹杂预测方法
CN114329940A (zh) * 2018-02-05 2022-04-12 北京科技大学 一种基于极限学习机的连铸坯质量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015055060A1 (zh) * 2013-10-16 2015-04-23 湖南镭目科技有限公司 一种连铸坯表面质量在线检测方法
CN114329940A (zh) * 2018-02-05 2022-04-12 北京科技大学 一种基于极限学习机的连铸坯质量预测方法
CN108961239A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN112418538A (zh) * 2020-11-30 2021-02-26 武汉科技大学 一种基于随机森林分类的连铸坯夹杂预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
安波;闫彬;刘永姜;: "基于BP和Kohonen神经网络结合的铸坯在线质量评估", 中北大学学报(自然科学版), no. 03, 15 June 2016 (2016-06-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116213659A (zh) * 2023-03-18 2023-06-06 宝钢工程技术集团有限公司 一种预防连铸结晶器液位冒涨的方法
CN117436570A (zh) * 2023-09-20 2024-01-23 上海朋熙半导体有限公司 一种晶圆制造缺陷的预测方法、装置、设备及可读介质

Also Published As

Publication number Publication date
CN115034554B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN115034554B (zh) 一种基于时序网络的连铸坯质量预测方法及系统
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN112100745B (zh) 基于lda理论的汽车大梁钢力学性能预测方法
CN110739031B (zh) 一种冶金烧结过程的有监督预测方法、装置及存储介质
CN112819802A (zh) 基于风口信息深度学习的监督及预测高炉炉况异常的方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
Wang et al. Remaining useful life prediction of bearings based on convolution attention mechanism and temporal convolution network
KR102366787B1 (ko) 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템
CN117076936A (zh) 一种基于多头注意力模型的时序数据异常检测方法
CN115841004A (zh) 基于多维数据的带钢热轧过程力学性能软测量方法及装置
CN117993613A (zh) 针对数字化工厂运行数据的人工智能分析方法及系统
CN116883393A (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
CN117669373A (zh) 一种锻造成形装备液压系统能耗预测方法及系统
CN109920489A (zh) 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法
CN117473439A (zh) 一种无缝钢管连轧生产过程监测与异常追溯方法及系统
CN116213095B (zh) 一种基于重介质分选的精煤产品灰分智能调节方法及系统
Wang et al. Multivariate auto‐correlated process control by a residual‐based mixed CUSUM‐EWMA model
CN115446276B (zh) 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法
CN115481715A (zh) 一种基于am-gru-bpnn的产品质量指标预测方法、系统
CN111258996B (zh) 一种面向工业大数据的产品质量多源深度融合预报方法
Li et al. A Transfer Learning Based Method for Incipient Fault Detection
Xu et al. Defect recognition method based on fusion learning of multi-layer image features
CN110647922A (zh) 基于公共和特有特征提取的分层式非高斯过程监测方法
CN116595889B (zh) 基于peek材料的薄型筋体均布结构加工方法及系统
CN117077544B (zh) 一种油气分离器出口压力预测方法、装置及电子设备

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