CN115780530A - 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 - Google Patents
基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 Download PDFInfo
- Publication number
- CN115780530A CN115780530A CN202310055392.0A CN202310055392A CN115780530A CN 115780530 A CN115780530 A CN 115780530A CN 202310055392 A CN202310055392 A CN 202310055392A CN 115780530 A CN115780530 A CN 115780530A
- Authority
- CN
- China
- Prior art keywords
- fault
- sub
- block
- blocks
- variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000005096 rolling process Methods 0.000 title claims abstract description 79
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 70
- 239000010959 steel Substances 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 109
- 230000001364 causal effect Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 238000012937 correction Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 9
- 238000005098 hot rolling Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于专家知识与数据联合驱动的轧钢故障溯源方法及装置，涉及生产过程的控制和监测技术领域。包括：获取待检测轧钢全流程的运行数据；根据运行数据，将轧钢全流程划分为若干子块；根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径；对每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。本发明结合了专家知识和数据的优势，并结合模糊理论，进行主观修正，能够在检测到故障后，及时推理出故障的传播路径，定位到故障的最根本原因。
Description
技术领域
本发明涉及生产过程的控制和监测技术领域，特别是指一种基于专家知识与数据联合驱动的轧钢故障溯源方法及装置。
背景技术
近年来，带钢热轧过程正朝着长流程、大规模、集成化、复杂化方向发展。带钢热轧全流程各设备关联复杂、过程变量之间耦合性强，全流程加工环节众多且相互影响。有时一个节点出现故障将直接影响到整个流程的生产，若相关故障不能及时诊断和排除将可能会造成重大的事故。因此，针对带钢热轧过程的复杂特性进行准确地根源诊断，并及时维修从而排除故障已成为热轧工业过程重要的研究内容。
故障诊断是一种重要的保证复杂系统可靠安全运行监测技术，故障溯源作为故障诊断的重要环节被用于定位故障位置和识别故障传播路径。由于轧钢过程的复杂特性，导致故障溯源存在困难。传统的故障溯源通常基于单一的专家知识或运行数据，专家知识的广泛内涵便于实现多学科知识的灵活集成，具有良好的可解释性，且知识作为一种数据和信息高度凝练的体现, 也往往意味着更高效的算法执行效率。但是在实际的复杂过程中，过程知识尚不完全清晰，获取代价高昂，且具有较高的主观性。因此，近年来基于数据的故障溯源方法得到了广泛的应用。基于运行数据的方法从数据中持续学习和进化、算法通用性强，但是在理论特性分析上往往存在困难, 难以确定变量间复杂的因果关系，其典型的“黑箱”特性也带来了可解释性差等问题。因此单一的基于专家知识或者基于数据的方法难以解决复杂的轧钢过程流程众多，变量关系复杂的问题。将专家知识和数据驱动两大类方法相结合, 利用各自优势, 形成知识与数据联合驱动的新方法，能够在故障溯源领域发挥更大的优势。但是现有的溯源方法中，知识和数据联合驱动的方法还没有得到有效的应用。
BN（Bayesian network，贝叶斯网络）是一种可以有效处理不确定性问题的推理方法，能够进行信息融合与表达，以其独特的不确定性知识表达形式、极强的概率表达能力、综合先验知识的增量学习特性，在故障诊断、数据挖掘等领域获得了成功应用。然而，BN在故障溯源应用较少，且在实际的应用中，BN的构建有如下困难：①节点变量及关系的确定困难。变量之间的关系错综复杂，有着多对多的因果关系，所以基于数据难以得到完整的因果关系。②条件概率获取困难。由于设备样本数据不够完善，导致隐藏的信息不完整，条件概率估计困难。基于此，需要结合机理和专家知识以及采集到的样本数据建立模糊贝叶斯网络，推理故障的完整传播路径。
发明内容
本发明针对现有的溯源方法中，知识和数据联合驱动的方法还没有得到有效的应用的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于专家知识与数据联合驱动的轧钢故障溯源方法，该方法由电子设备实现，该方法包括：
S1、获取待检测轧钢全流程的运行数据。
S2、根据运行数据，将轧钢全流程划分为若干子块。
S3、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径。
S4、对每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
可选地，S3中的根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径，包括：
S31、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障变量。
S32、根据每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构。
S33、根据每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径。
可选地，S32中的根据每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构，包括：
S321、将每个故障子块的故障变量作为故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定节点中两两节点间的因果关系。
S322、根据多位专家的经验知识估计因果关系的强度；其中，因果关系的强度用连接强度矩阵表示。
S323、对连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵。
S324、根据互信息值对加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵。
S325、根据修正后的连接强度矩阵以及预设强度阈值，对初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。
可选地，S323中的对连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵，包括：
S3231、根据层次分析法以及对多位专家给出的判断矩阵进行求最大特征根的方式，进行判断矩阵的一致性检验，得到满足一致性检验的判断矩阵。
S3232、根据满足一致性检验的判断矩阵，计算多位专家中的每位专家的权重因子。
S3233、根据每位专家的权重因子，对连接强度矩阵中的元素逐一进行加权处理，得到加权后的连接强度矩阵。
可选地，S324中的互信息值的计算方法，如下式（1）所示：
其中，
为变量x和变量y的互信息值，
为变量x和变量y的联合密度；
为变量x的边缘密度；
为变量y的边缘密度。
可选地，S33中的根据每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径，包括：
S331、获取多个专家给出的初始先验概率值。
S332、根据每位专家的权重因子对初始先验概率值进行加权，得到先验概率。
S333、根据模糊数理论估计节点间的条件概率。
S334、根据先验概率以及条件概率，得到节点间的后验概率。
S335、根据后验概率，确定每个故障子块的故障传播路径。
可选地，S333中的根据模糊数理论估计节点间的条件概率，包括：
S3331、获取多个专家对每个节点给出的语言变量，语言变量用于评估节点间的因果关系强弱。
S3332、根据预设的语言变量与三角模糊数之间的对应关系，获取语言变量对应的三角模糊数。
S3333、对任一节点，计算多个专家给出的三角模糊数的算术平均值。
S3334、根据三角模糊数与算术平均值的相似度，确定每个专家的评估权重。
S3335、利用均值面积法对三角模糊数进行去模糊化，得到每个专家对故障概率的评估值。
S3336、根据每个专家的评估权重对评估值进行加权，得到节点间的条件概率。
另一方面，本发明提供了一种基于专家知识与数据联合驱动的轧钢故障溯源装置，该装置应用于实现基于专家知识与数据联合驱动的轧钢故障溯源方法，该装置包括：
获取模块，用于获取待检测轧钢全流程的运行数据。
划分模块，用于根据运行数据，将轧钢全流程划分为若干子块。
故障检测模块，用于根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径。
输出模块，用于对每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
可选地，故障检测模块，进一步用于：
S31、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障变量。
S32、根据每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构。
S33、根据每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径。
可选地，故障检测模块，进一步用于：
S321、将每个故障子块的故障变量作为故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定节点中两两节点间的因果关系。
S322、根据多位专家的经验知识估计因果关系的强度；其中，因果关系的强度用连接强度矩阵表示。
S323、对连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵。
S324、根据互信息值对加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵。
S325、根据修正后的连接强度矩阵以及预设强度阈值，对初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。
可选地，故障检测模块，进一步用于：
S3231、根据层次分析法以及对多位专家给出的判断矩阵进行求最大特征根的方式，进行判断矩阵的一致性检验，得到满足一致性检验的判断矩阵。
S3232、根据满足一致性检验的判断矩阵，计算多位专家中的每位专家的权重因子。
S3233、根据每位专家的权重因子，对连接强度矩阵中的元素逐一进行加权处理，得到加权后的连接强度矩阵。
可选地，互信息值的计算方法，如下式（1）所示：
其中，
为变量x和变量y的互信息值，
为变量x和变量y的联合密度；
为变量x的边缘密度；
为变量y的边缘密度。
可选地，故障检测模块，进一步用于：
S331、获取多个专家给出的初始先验概率值。
S332、根据每位专家的权重因子对初始先验概率值进行加权，得到先验概率。
S333、根据模糊数理论估计节点间的条件概率。
S334、根据先验概率以及条件概率，得到节点间的后验概率。
S335、根据后验概率，确定每个故障子块的故障传播路径。
可选地，故障检测模块，进一步用于：
S3331、获取多个专家对每个节点给出的语言变量，语言变量用于评估节点间的因果关系强弱。
S3332、根据预设的语言变量与三角模糊数之间的对应关系，获取语言变量对应的三角模糊数。
S3333、对任一节点，计算多个专家给出的三角模糊数的算术平均值。
S3334、根据三角模糊数与算术平均值的相似度，确定每个专家的评估权重。
S3335、利用均值面积法对三角模糊数进行去模糊化，得到每个专家对故障概率的评估值。
S3336、根据每个专家的评估权重对评估值进行加权，得到节点间的条件概率。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于专家知识与数据联合驱动的轧钢故障溯源方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于专家知识与数据联合驱动的轧钢故障溯源方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，采用知识和数据联合驱动的方式建立模糊贝叶斯网络，用于轧钢过程的故障溯源过程，将专家的经验和知识融入到复杂工业过程的溯源中，有更好的解释性；且基于数据的方法可能需要复杂的算法或模型，在建模的过程中可能会损失数据中蕴含的故障特征和信息，将知识融入建模过程，可以简化建模过程，并保留了数据中包含的故障信息，溯源可靠性更高；提出了模糊贝叶斯用于轧钢过程的故障溯源方法，适用于在不确定知识表达和推理领域的有效性，可以在不完全、不精确或者不确定的信息中做出判断和推理；考虑到专家和机理知识获取的充分性，提出了对多位专家知识融合，并利用基于数据的方法进行主观一致性修正的算法，既可以修正专家知识的不充分和主观性，也可以将多位专家的评估基准进行科学有效的融合，得到了更加充分合理的先验知识，解释性更强，说服力更强。本发明能够将基于知识和基于数据方法的优势相结合，在工业过程发生故障时从可能的故障变量中推理出故障的传播路径，追溯到故障产生的最根本原因，有助于操作人员的故障修复，提高企业的生产效率和数字化监控水平。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于专家知识与数据联合驱动的轧钢故障溯源方法流程示意图；
图2是本发明实施例提供的带钢热连轧过程流程示意图；
图3是本发明实施例提供的精轧过程流程示意图；
图4是本发明实施例提供的知识和数据联合驱动的轧钢过程故障溯源方法流程示意图；
图5是本发明实施例提供的层次分析法和一致性修正方法示意图；
图6是本发明实施例提供的基于互信息的连接矩阵调整策略示意图；
图7是本发明实施例提供的模糊贝叶斯网络结构示意图；
图8是本发明实施例提供的基于专家知识与数据联合驱动的轧钢故障溯源装置框图；
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种基于专家知识与数据联合驱动的轧钢故障溯源方法，该方法可以由电子设备实现。如图1所示的基于专家知识与数据联合驱动的轧钢故障溯源方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取待检测轧钢全流程的运行数据。
一种可行的实施方式中，可以从轧钢全流程现场根据相同的采样频率进行一段时间的运行数据采集，作为原始数据集。
S2、根据运行数据，将轧钢全流程划分为若干子块。
一种可行的实施方式中，从过程运行特点、故障机理和变量意义出发，结合对专家知识和历史数据的分析，将轧钢全流程划分为若干有物理意义的子块。
S3、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径。
可选地，上述步骤S3可以包括如下步骤S31-S33：
S31、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障变量。
一种可行的实施方式中，利用分布式故障检测方法检测到故障是否发生，并利用贡献图对故障子块求得可能引起故障的变量。
S32、根据每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构。
一种可行的实施方式中，针对每个子块，将故障变量作为贝叶斯网络节点，并构建节点连接强度矩阵，得到初始因果关系和传播路径。根据实际样本数据进行主观修正，得到最终的模糊贝叶斯网络结构。
可选地，上述步骤S32可以包括如下步骤S321-S325：
S321、将每个故障子块的故障变量作为故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定节点中两两节点间的因果关系。
一种可行的实施方式中，将可能的故障变量作为贝叶斯网络节点，在收集了各种关于子块的运行机制和工作原理后，确定节点间的因果关系，如变量x是变量y的因，则贝叶斯网络中表示为x指向y。
S322、根据多位专家的经验知识估计因果关系的强度；其中，因果关系的强度用连接强度矩阵表示。
一种可行的实施方式中，邀请N位专家基于自身经验和知识估计网络中n个节点间两两节点的因果关系强度，用连接强度矩阵P表示，如下式（1）所示：
其中，
表示变量x是变量y的因的强度大小，所以
和
是一对相反数。
S323、对连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵。
可选地，上述步骤S323可以包括如下步骤S3231-S3233：
S3231、根据层次分析法以及对多位专家给出的判断矩阵进行求最大特征根的方式，进行判断矩阵的一致性检验，得到满足一致性检验的判断矩阵。
S3232、根据满足一致性检验的判断矩阵，计算多位专家中的每位专家的权重因子。
S3233、根据每位专家的权重因子，对连接强度矩阵中的元素逐一进行加权处理，得到加权后的连接强度矩阵。
一种可行的实施方式中，N位专家分别基于自己的经验和知识得到连接强度矩阵，并利用一致性检验进行优化。利用层次分析法得到判断矩阵和N位专家的权重因子，并对矩阵P中的元素逐一进行加权处理。
具体地，将问题分为三层，目标层、准则层、方案层，针对此问题的目标层为估计节点的先验概率，准则层为专家的自身决策影响因素，如经验值，专业知识掌握程度、操作熟练度等；方案层为N位专家。
进一步地，从第二层开始利用判断矩阵确定下层各因素对上层因素的影响大小。判断矩阵由专家给出，如第二层m个因素，第三层n个因素，则需要生成m个n维的判断矩阵和一个m维的判断矩阵。矩阵元素表示下层因素对上层因素的影响大小。如第二层的指标对目标层的判断矩阵为A，如下式（2）所示：
进一步地，假设判断矩阵A为m维，且最大特征根
，通过
得到对应的特征向量，将特征向量归一化得到最终的权重向量。
进一步地，由于判断矩阵来自专家评估，所以进行一致性检验。一致性指标如下式（3）所示：
进一步地，引入一致性比率CR：
其中，RI表示随机一致性指标，它的取值只跟判断矩阵的阶数相关，具体取值如表1所示。当CR<0.1时，表示矩阵在给定的条件下具有良好的一致性，反之则需要调整判断矩阵A，直到满足一致性检验。
表1
通过对满足条件的判断矩阵的最大特征根和特征向量，对应特征向量为本层元素对上层元素的权重因子，依次自底向上可以求得底层元素对顶层目标层的权重因子。
S324、根据互信息值对加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵。
一种可行的实施方式中，利用互信息进行主观修正，利用采集到的数据计算两两变量之间的相关性，对互信息值大于或者小于某个阈值的元素进行修正。当互信息大时，表示变量关系强，反之表示变量关系弱。互信息从熵的角度度量了两个变量的相关性，变量x和y之间的互信息计算方法，如下式（5）所示：
其中，
为变量x和变量y的互信息值，
为变量x和变量y的联合密度；
为变量x的边缘密度；
为变量y的边缘密度。
S325、根据修正后的连接强度矩阵以及预设强度阈值，对初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。
一种可行的实施方式中，设置强度阈值，当连接强度矩阵对应元素的值大于阈值，则两节点因果关系强，贝叶斯网络保留此连接；若元素值小于阈值，则表示对应节点因果关系弱，贝叶斯网络删除此连接；由此确定最终主观修正后的贝叶斯网络结构。
S33、根据每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径。
一种可行的实施方式中，利用专家知识和模糊数理论相结合，估计节点的先验概率和条件概率。并根据后验概率确定最终故障传播路径。
可选地，上述步骤S33可以包括如下步骤S331-S333：
S331、获取多个专家给出的初始先验概率值。
S332、根据每位专家的权重因子对初始先验概率值进行加权，得到先验概率。
一种可行的实施方式中，由N位专家给出初始先验概率值，利用层次分析法得到专家的权重因子，对各专家的先验概率加权得到最终的先验概率。
S333、根据模糊数理论估计节点间的条件概率。
可选地，上述步骤S333可以包括如下步骤S3331-S3336：
S3331、获取多个专家对每个节点给出的语言变量，语言变量用于评估节点间的因果关系强弱。
S3332、根据预设的语言变量与三角模糊数之间的对应关系，获取语言变量对应的三角模糊数。
一种可行的实施方式中，设三角模糊数
，a, b, c分别为模糊数的上界、最可能的估计值和下界。隶属函数
，如下式（6）所示：
假设两个三角模糊数为
，
，则两个模糊数的求和运算，如下式（7）所示：
进一步地，引入五种语言变量来评估节点之间的因果关系强弱，分别是很低、低、中等、高、很高。语言变量与三角模糊数之间的对应关系如表2所示。
表2
进一步地，由N位专家给出评估值，采用加权的方式得到最终的模糊数。假设第k个专家对第i个节点给出的语言变量对应的三角模糊数，如下式（8）所示：
S3333、对任一节点，计算多个专家给出的三角模糊数的算术平均值。
一种可行的实施方式中，三角模糊数
的算术平均值，如下式（9）所示：
S3334、根据三角模糊数与算术平均值的相似度，确定每个专家的评估权重。
S3335、利用均值面积法对三角模糊数进行去模糊化，得到每个专家对故障概率的评估值。
一种可行的实施方式中，为了将语言变量转换为条件概率的精确值，需要进行去模糊化，利用均值面积法对
进行去模糊化，第k个专家对故障概率的评估值为
，如下式（10）所示：
S3336、根据每个专家的评估权重对评估值进行加权，得到节点间的条件概率。
一种可行的实施方式中，最后对专家的评估结果进行加权得到评估结果，如下式（11）所示：
其中，
为基于模糊数的条件概率估计算法中第k个专家的权重因子。
S334、根据先验概率以及条件概率，得到节点间的后验概率。
S335、根据后验概率，确定每个故障子块的故障传播路径。
一种可行的实施方式中，利用先验概率和条件概率得到节点之间的后验概率大小，后验概率最大的为相关性最强的路径，最终保留的路径为故障的传播路径。
S4、对每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
一种可行的实施方式中，利用知识确定子块间的连接变量，并将子块的传播路径融合为全流程的故障传播路径。
举例来说，以轧钢工艺流程为例。需要说明的是，本发明实施例提供的知识和数据联合驱动的轧钢工艺流程故障追溯方法并不局限于轧钢工艺流程，也适用于其他类似的生产过程。
如图2所示为带钢热连轧过程流程示意图。带钢热轧全流程主要由加热、粗轧、飞剪、精轧、层流冷却、卷取等众多生产工序构成，为从原材料到最终产品形成的产品加工长流程串联结构。带钢热轧全流程有近15000个过程变量，控制回路有近300个。这些变量和回路相互影响和关联，出现产品质量（尤其是板形、组织性能等）波动时很难准确及时判定相关故障的原因，导致某些企业经常因产品质量用户退货而停产维修。
加热炉将板坯加热到合适的热轧温度一般为1200℃左右，其加热质量将直接影响轧制带钢质量。在粗轧机热板坯一般经过几个道次轧制成了2845mm的中间坯。该中间坯一般宽度方向变化较小，主要是厚度方向上延伸较多，因而板坯变长。热输出辊道将高速搬运中间坯，经过飞剪切头后进入精轧机组进行再轧制，当然有的工艺在中间坯进入精轧机组前还设置有热卷箱以保持带钢头尾相对温度。带钢经精轧机组最终轧制成成品厚度后经层流冷却装置进行组织性能优化，最后由卷取机卷取成卷。
如图3所示为带钢热连轧精轧过程流程示意图。精轧是带钢热轧全流程的核心部分，轧制产品的质量主要取决于精轧机组的装备和控制水平。基于此，本发明以精轧机组为主要研究对象。精轧机组一般由7个机架组成，每台机架主要由一对支撑辊、一对工作辊和相应的液压压下装置等部分构成。在精轧机组出口处一般装有测厚仪、测温仪、测宽仪和板形仪等各类仪表及传感器，记录并存储了大量的现场数据，为本发明所提出的新理论与新方法的应用验证工作提供了大量的信息资源。
精轧过程由七个机架的轧制过程串联构成，为了使流程分解的结果具有较强的物理意义，根据热连轧精轧过程的机理知识，将带钢热连轧精轧过程横向划分为上游、中游、下游三个部分，即将过程变量划分为3个子块，第1、2机架为上游，第3、4、5机架为中游、第6、7机架为下游，在子块划分中考虑了20个过程变量。
如图4所示为本发明提出的一种带钢热连轧故障溯源方法示意图，该方法的处理流程可以包括如下的步骤：
1）首先采集真实的轧钢过程运行数据，并利用机理知识将数据划分为几个有物理意义的子块。针对精轧过程，可以划分为3个子块。
2）并对全流程数据进行分布式故障检测，对每个子块辨识到可能的故障变量。
3）对每个子块，确定贝叶斯网络结构。
3.1）对每个子块的故障变量作为贝叶斯网络节点，确定初始网络结构G=（V, E,P）。其中，V代表网络中节点的集合，E代表路径中的两两节点之间的因果关系，即连接方向，P代表节点的条件概率表，表示每个节点与其父节点之间的关系强度的描述。
3.2）假设子块b的故障变量为l个，则由N位专家给出两两节点之间的连接强度矩阵
，i=1,2,…,N。当变量x和变量y因果关系强时，对应连接强度矩阵对应元素取值大，反之取值小。且x指向y的强度为a时，则y指向x的强度为-a，矩阵P的元素
的取值满足[-1,1]。N位专家给出N个连接强度矩阵。
3.3）对N位专家，综合考虑经验值，机理知识掌握程度和操作熟练程度等因素作为层次分析法三层结构中的准则层，通过一致性检验方法进行修正，当一致性比率CR<0.1时，表示通过验证，得到N位专家对应的权重因子
。表示对应专家对连接强度矩阵预测的可靠系数。
3.4）通过权重因子对连接强度进行合成，得到最终的连接强度矩阵。假设第k位专家的连接强度矩阵为
，对应的元素为
，则加权得到最终的连接强度矩阵元素，如下式（12）所示：
3.5）连接强度矩阵表示专家知识对变量间关系强弱的评判，具有较强的主观性，且数据中蕴含的信息和特征并没有被充分利用，所以结合采集到的具体数据对连接强度进行修正是很有必要的。引入互信息计算变量间的关系强弱，对互信息强的元素进行调整。
3.6）调整完成的矩阵P为基于数据和基于知识的综合考虑的结果，具有更高的科学性。利用矩阵P得到最终的贝叶斯网络结构，大于a的变量之间路径被保留，小于a的路径表示因果关系不强，因此在贝叶斯网路中不保留此路径。得到最终的贝叶斯网络结构，得到了所有可能的故障传播路径。
4）当确定好网络节点和因果关系路径后，需要估计节点的先验概率和条件概率。
4.1）确定先验概率。由N位专家给出节点的先验概率，由已经得到的权重因子对先验概率进行加权，得到最终的先验概率值。
4.2）引入三角模糊数，结合专家知识，估计节点的条件概率值。引入5种语言变量来评估节点之间的因果关系强弱，分别是很低、低、中等、高、很高，分别对应有模糊数取值。由N位专家给出评估值，采用加权的方式得到最终的模糊数。假设第k个专家对第i个节点给出的语言变量对应的三角模糊数，如下式（13）所示：
并得到三角模糊数
的算术平均值，如下式（14）所示：
为了将语言变量转换为条件概率的精确值，需要进行去模糊化，利用均值面积法对
进行去模糊化，得到第k个专家对故障概率的评估值为
，如下式（15）所示：
通过计算
与
的相似度可以确定不同专家评估结果的权重，对专家的评估结果进行加权得到评估结果，如下式（16）所示：
5）根据先验概率和条件概率得到后验概率，当前节点与其所有父节点的后验概率最大的节点为故障传播路径中的节点。由此得到故障的完整传播路径。
6）得到每个子块的故障传播路径后，基于先验知识得到子块间的连接变量，将子块的故障传播路径融合为全流程的传播路径，得到最终的故障溯源结果。在全流程层面得到故障的传播路径，便于后续的故障修复。
如图5所示为层次分析和一致性修正方法示意图。层次分析法将问题分为三层，目标层、准则层、方案层，针对此问题的目标层为估计节点的先验概率，准则层为专家的自身决策影响因素，如流程运作经验，理论知识掌握程度、操作熟练程度等；方案层为N位专家。
从第二层开始利用判断矩阵确定下层各因素对上层因素的影响大小。判断矩阵由专家给出，矩阵元素表示下层因素对上层因素的影响大小。引入一致性比率，不断对判断矩阵进行一致性修正。通过对满足条件的判断矩阵的最大特征根和特征向量，对应特征向量为本层元素对上层元素的权重因子，依次自底向上可以求得底层元素对顶层目标层的权重因子。
如图6所示为基于互信息的连接矩阵调整策略示意图。得到专家加权后的连接矩阵后，需要结合采集到的实际数据，进行主观修正。当两变量的互信息值大于0.5时表示相关性强，当小于0.5时表示相关性弱，需要根据变量间具体的互信息值调整连接矩阵中元素的取值，将数据和知识相结合，得到最终的连接强度矩阵。
如图7所示的为模糊贝叶斯网络示意图。由专家确定初始的贝叶斯网络，包括有因果关系的节点及其因果关系，根据专家知识加权以及互信息修正后的连接强度矩阵，将取值较小的路径删除，保留取值较大的路径，确定最终的贝叶斯网络结构。最后，通过节点及其父节点的后验概率，得到每个子节点相关性最强的父节点，得到完整的故障传播路径。
本发明实施例所述的知识与数据联合驱动的轧钢过程溯源方法，将专家知识和数据方法的优势相结合，构建了解释性更强的模糊贝叶斯网络结构，用于轧钢过程的故障溯源，能够在检测到故障后，及时推理出故障的传播路径，识别出故障的根本原因，对于保证轧钢过程的安全性和产品质量的稳定性具有重要的工程意义。
本发明实施例中，采用知识和数据联合驱动的方式建立模糊贝叶斯网络，用于轧钢过程的故障溯源过程，将专家的经验和知识融入到复杂工业过程的溯源中，有更好的解释性；且基于数据的方法可能需要复杂的算法或模型，在建模的过程中可能会损失数据中蕴含的故障特征和信息，将知识融入建模过程，可以简化建模过程，并保留了数据中包含的故障信息，溯源可靠性更高；提出了模糊贝叶斯用于轧钢过程的故障溯源方法，适用于在不确定知识表达和推理领域的有效性，可以在不完全、不精确或者不确定的信息中做出判断和推理；考虑到专家和机理知识获取的充分性，提出了对多位专家知识融合，并利用基于数据的方法进行主观一致性修正的算法，既可以修正专家知识的不充分和主观性，也可以将多位专家的评估基准进行科学有效的融合，得到了更加充分合理的先验知识，解释性更强，说服力更强。本发明能够将基于知识和基于数据方法的优势相结合，在工业过程发生故障时从可能的故障变量中推理出故障的传播路径，追溯到故障产生的最根本原因，有助于操作人员的故障修复，提高企业的生产效率和数字化监控水平。
如图8所示，本发明实施例提供了一种基于专家知识与数据联合驱动的轧钢故障溯源装置800，该装置800应用于实现基于专家知识与数据联合驱动的轧钢故障溯源方法，该装置800包括：
获取模块810，用于获取待检测轧钢全流程的运行数据。
划分模块820，用于根据运行数据，将轧钢全流程划分为若干子块。
故障检测模块830，用于根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径。
输出模块840，用于对每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
可选地，故障检测模块830，进一步用于：
S31、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障变量。
S32、根据每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构。
S33、根据每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径。
可选地，故障检测模块830，进一步用于：
S321、将每个故障子块的故障变量作为故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定节点中两两节点间的因果关系。
S322、根据多位专家的经验知识估计因果关系的强度；其中，因果关系的强度用连接强度矩阵表示。
S323、对连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵。
S324、根据互信息值对加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵。
S325、根据修正后的连接强度矩阵以及预设强度阈值，对初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。
可选地，故障检测模块830，进一步用于：
S3231、根据层次分析法以及对多位专家给出的判断矩阵进行求最大特征根的方式，进行判断矩阵的一致性检验，得到满足一致性检验的判断矩阵。
S3232、根据满足一致性检验的判断矩阵，计算多位专家中的每位专家的权重因子。
S3233、根据每位专家的权重因子，对连接强度矩阵中的元素逐一进行加权处理，得到加权后的连接强度矩阵。
可选地，互信息值的计算方法，如下式（1）所示：
其中，
为变量x和变量y的互信息值，
为变量x和变量y的联合密度；
为变量x的边缘密度；
为变量y的边缘密度。
可选地，故障检测模块830，进一步用于：
S331、获取多个专家给出的初始先验概率值。
S332、根据每位专家的权重因子对初始先验概率值进行加权，得到先验概率。
S333、根据模糊数理论估计节点间的条件概率。
S334、根据先验概率以及条件概率，得到节点间的后验概率。
S335、根据后验概率，确定每个故障子块的故障传播路径。
可选地，故障检测模块830，进一步用于：
S3331、获取多个专家对每个节点给出的语言变量，语言变量用于评估节点间的因果关系强弱。
S3332、根据预设的语言变量与三角模糊数之间的对应关系，获取语言变量对应的三角模糊数。
S3333、对任一节点，计算多个专家给出的三角模糊数的算术平均值。
S3334、根据三角模糊数与算术平均值的相似度，确定每个专家的评估权重。
S3335、利用均值面积法对三角模糊数进行去模糊化，得到每个专家对故障概率的评估值。
S3336、根据每个专家的评估权重对评估值进行加权，得到节点间的条件概率。
本发明实施例中，采用知识和数据联合驱动的方式建立模糊贝叶斯网络，用于轧钢过程的故障溯源过程，将专家的经验和知识融入到复杂工业过程的溯源中，有更好的解释性；且基于数据的方法可能需要复杂的算法或模型，在建模的过程中可能会损失数据中蕴含的故障特征和信息，将知识融入建模过程，可以简化建模过程，并保留了数据中包含的故障信息，溯源可靠性更高；提出了模糊贝叶斯用于轧钢过程的故障溯源方法，适用于在不确定知识表达和推理领域的有效性，可以在不完全、不精确或者不确定的信息中做出判断和推理；考虑到专家和机理知识获取的充分性，提出了对多位专家知识融合，并利用基于数据的方法进行主观一致性修正的算法，既可以修正专家知识的不充分和主观性，也可以将多位专家的评估基准进行科学有效的融合，得到了更加充分合理的先验知识，解释性更强，说服力更强。本发明能够将基于知识和基于数据方法的优势相结合，在工业过程发生故障时从可能的故障变量中推理出故障的传播路径，追溯到故障产生的最根本原因，有助于操作人员的故障修复，提高企业的生产效率和数字化监控水平。
图9是本发明实施例提供的一种电子设备900的结构示意图，该电子设备900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）901和一个或一个以上的存储器902，其中，存储器902中存储有至少一条指令，至少一条指令由处理器901加载并执行以实现下述基于专家知识与数据联合驱动的轧钢故障溯源方法：
S1、获取待检测轧钢全流程的运行数据。
S2、根据运行数据，将轧钢全流程划分为若干子块。
S3、根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径。
S4、对每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于专家知识与数据联合驱动的轧钢故障溯源方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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 (10)
1.一种基于专家知识与数据联合驱动的轧钢故障溯源方法，其特征在于，所述方法包括：
S1、获取待检测轧钢全流程的运行数据；
S2、根据所述运行数据，将轧钢全流程划分为若干子块；
S3、根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障传播路径；
S4、对所述每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
2.根据权利要求1所述的方法，其特征在于，所述S3中的根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障传播路径，包括：
S31、根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障变量；
S32、根据所述每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构；
S33、根据所述每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径。
3.根据权利要求2所述的方法，其特征在于，所述S32中的根据所述每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构，包括：
S321、将所述每个故障子块的故障变量作为所述故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定所述节点中两两节点间的因果关系；
S322、根据多位专家的经验知识估计所述因果关系的强度；其中，所述因果关系的强度用连接强度矩阵表示；
S323、对所述连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵；
S324、根据互信息值对所述加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵；
S325、根据所述修正后的连接强度矩阵以及预设强度阈值，对所述初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。
4.根据权利要求3所述的方法，其特征在于，所述S323中的对所述连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵，包括：
S3231、根据层次分析法以及对多位专家给出的判断矩阵进行求最大特征根的方式，进行判断矩阵的一致性检验，得到满足一致性检验的判断矩阵；
S3232、根据所述满足一致性检验的判断矩阵，计算多位专家中的每位专家的权重因子；
S3233、根据所述每位专家的权重因子，对所述连接强度矩阵中的元素逐一进行加权处理，得到加权后的连接强度矩阵。
5.根据权利要求3所述的方法，其特征在于，所述S324中的互信息值的计算方法，如下式（1）所示：
其中，
为变量x和变量y的互信息值，
为变量x和变量y的联合密度；
为变量x的边缘密度；
为变量y的边缘密度。
6.根据权利要求2所述的方法，其特征在于，所述S33中的根据所述每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径，包括：
S331、获取多个专家给出的初始先验概率值；
S332、根据每位专家的权重因子对所述初始先验概率值进行加权，得到先验概率；
S333、根据模糊数理论估计节点间的条件概率；
S334、根据所述先验概率以及条件概率，得到节点间的后验概率；
S335、根据所述后验概率，确定每个故障子块的故障传播路径。
7.根据权利要求6所述的方法，其特征在于，所述S333中的根据模糊数理论估计节点间的条件概率，包括：
S3331、获取多个专家对每个节点给出的语言变量，所述语言变量用于评估节点间的因果关系强弱；
S3332、根据预设的语言变量与三角模糊数之间的对应关系，获取所述语言变量对应的三角模糊数；
S3333、对任一节点，计算所述多个专家给出的三角模糊数的算术平均值；
S3334、根据所述三角模糊数与所述算术平均值的相似度，确定每个专家的评估权重；
S3335、利用均值面积法对所述三角模糊数进行去模糊化，得到每个专家对故障概率的评估值；
S3336、根据所述每个专家的评估权重对所述评估值进行加权，得到节点间的条件概率。
8.一种基于专家知识与数据联合驱动的轧钢故障溯源装置，其特征在于，所述装置包括：
获取模块，用于获取待检测轧钢全流程的运行数据；
划分模块，用于根据所述运行数据，将轧钢全流程划分为若干子块；
故障检测模块，用于根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障传播路径；
输出模块，用于对所述每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果。
9.根据权利要求8所述的装置，其特征在于，故障检测模块，进一步用于：
S31、根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障变量；
S32、根据所述每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构；
S33、根据所述每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径。
10.根据权利要求9所述的装置，其特征在于，故障检测模块，进一步用于：
S321、将所述每个故障子块的故障变量作为所述故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定所述节点中两两节点间的因果关系；
S322、根据多位专家的经验知识估计所述因果关系的强度；其中，所述因果关系的强度用连接强度矩阵表示；
S323、对所述连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵；
S324、根据互信息值对所述加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵；
S325、根据所述修正后的连接强度矩阵以及预设强度阈值，对所述初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055392.0A CN115780530B (zh) | 2023-01-19 | 2023-01-19 | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055392.0A CN115780530B (zh) | 2023-01-19 | 2023-01-19 | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115780530A true CN115780530A (zh) | 2023-03-14 |
| CN115780530B CN115780530B (zh) | 2023-05-09 |
Family
ID=85429716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310055392.0A Active CN115780530B (zh) | 2023-01-19 | 2023-01-19 | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115780530B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013153026A1 (en) * | 2012-04-12 | 2013-10-17 | Telefonica, S.A. | A method and a program for automatic diagnosis of problems in telecommunication networks |
| CN105929812A (zh) * | 2016-04-18 | 2016-09-07 | 北京科技大学 | 带钢热连轧质量的故障诊断方法及装置 |
| CN105955241A (zh) * | 2016-06-03 | 2016-09-21 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
| US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
| CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及系统 |
| CN112184034A (zh) * | 2020-09-30 | 2021-01-05 | 江南大学 | 基于互信息的多块k近邻故障监测方法及系统 |
| CN113110402A (zh) * | 2021-05-24 | 2021-07-13 | 浙江大学 | 知识与数据驱动的大规模工业系统分布式状态监测方法 |
| CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
| CN114077876A (zh) * | 2022-01-19 | 2022-02-22 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
-
2023
- 2023-01-19 CN CN202310055392.0A patent/CN115780530B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013153026A1 (en) * | 2012-04-12 | 2013-10-17 | Telefonica, S.A. | A method and a program for automatic diagnosis of problems in telecommunication networks |
| CN105929812A (zh) * | 2016-04-18 | 2016-09-07 | 北京科技大学 | 带钢热连轧质量的故障诊断方法及装置 |
| CN105955241A (zh) * | 2016-06-03 | 2016-09-21 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
| US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
| CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及系统 |
| CN112184034A (zh) * | 2020-09-30 | 2021-01-05 | 江南大学 | 基于互信息的多块k近邻故障监测方法及系统 |
| CN113110402A (zh) * | 2021-05-24 | 2021-07-13 | 浙江大学 | 知识与数据驱动的大规模工业系统分布式状态监测方法 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
| CN114077876A (zh) * | 2022-01-19 | 2022-02-22 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115780530B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
| CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| Ma et al. | A novel hierarchical detection and isolation framework for quality-related multiple faults in large-scale processes | |
| CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
| Yue et al. | Root cause analysis for process industry using causal knowledge map under large group environment | |
| CN115081749A (zh) | 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统 | |
| CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
| CN115759409A (zh) | 多时间模式注意力机制优化lstm模型的水闸形变预测方法 | |
| CN116292367A (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
| Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
| CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
| CN115780530B (zh) | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 | |
| Dong et al. | Hierarchical causal graph-based fault root cause diagnosis and propagation path identification for complex industrial process monitoring | |
| Ni et al. | Application of adaptive probabilistic neural network to damage detection of Tsing Ma suspension bridge | |
| CN114779739A (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 | |
| CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
| JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
| CN113210936B (zh) | 一种直缝焊管的焊接方法、系统和可读介质 | |
| CN115392618A (zh) | 一种基于ahp-ew和ae-rnn融合的食品安全风险预警模型及其建立方法 | |
| CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 |
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 |