CN116020879B - 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 - Google Patents

面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 Download PDF

Info

Publication number
CN116020879B
CN116020879B CN202310114427.3A CN202310114427A CN116020879B CN 116020879 B CN116020879 B CN 116020879B CN 202310114427 A CN202310114427 A CN 202310114427A CN 116020879 B CN116020879 B CN 116020879B
Authority
CN
China
Prior art keywords
space
data
scale
time
hidden markov
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.)
Active
Application number
CN202310114427.3A
Other languages
English (en)
Other versions
CN116020879A (zh
Inventor
张驰
董洁
彭开香
张红军
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 Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202310114427.3A priority Critical patent/CN116020879B/zh
Publication of CN116020879A publication Critical patent/CN116020879A/zh
Application granted granted Critical
Publication of CN116020879B publication Critical patent/CN116020879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Control Of Metal Rolling (AREA)

Abstract

本发明公开了一种面向工艺参数带钢热连轧时空多尺度过程监控方法及装置,涉及工业过程监控技术领域。包括:获取带钢热连轧全流程的多维时空数据;其中,多维时空数据包括过程数据以及工艺参数;将多维时空数据输入到构建好的时空多尺度过程监控模型;根据多维时空信息数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果。本发明能够突破传统过程监测方法仅利用过程维数据,未能对全流程、多系统下的时空信息进行有效挖掘与关联解析的局限,通过实时控制层与过程控制层的协同监测,实现工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等非显性故障有效检测。

Description

面向工艺参数带钢热连轧时空多尺度过程监控方法及装置
技术领域
本发明涉及工业过程监控技术领域,特别是指一种面向工艺参数带钢热连轧时空多尺度过程监控方法及装置。
背景技术
随着数字化、智能化、网络化技术逐步深入制造业,以钢铁、有色、建材、化工为代表的现代流程制造普遍呈现出作业环境强动态、工艺流程高复杂、作业工序高协同、生产资源多异构的新特点。这些流程生产过程普遍伴随着多种物理化学反应,操作条件恶劣,工况复杂频变,过程监测及优化控制为流程的安全高效以及产品质量的稳定提供了有利的技术保障。
目前,基于数据驱动的工业过程监测方法取得了丰富的理论进展与产线应用。现有方法多数从大量过程历史数据出发,利用信号分析、多元统计分析、机器学习、深度学习等技术,挖掘蕴含在数据中的潜在工况模式,解析正常工况与异常工况的特征差异,构造监测统计量与控制限,形成相应的故障检测逻辑与综合诊断模型。
以带钢热轧过程为例,其流程空间分布广、工序众多且关联耦合、工艺复杂、不确定性干扰因素多,通常采用机理/统计模型以及单工序相对独立控制的方式,各工序都有相对独立的工艺模型制定工艺规程、工艺参数和各控制回路设定值,以此保证生产过程的经济性和产品质量的稳定性。横向全流程生产线及纵向综合自动化系统交互协作,信息资源在物质流-能量流-信息流交织下呈现出复杂的时空多尺度特性。现有方法聚焦于横向全流程的过程运行状态监控与质量异常监测,被监测对象局限于底层设备及实时控制层,待检测故障仅涉及传感器失效、执行器故障、及外部扰动带来的控制性能异常等表象故障。随着多品种、多规格、高附加值定制化生产需求,一条热轧产线带钢产品通常覆盖厚度范围0.8-12.7mm,宽度范围700-1550mm。对于带钢成品表面质量、板形、宽度、厚度、组织性能等质量指标的追求更趋向于精细化。以上因素使得轧制工艺更为复杂、作业模式切换更频繁、质量异常及工况非优波动更具有隐蔽性。回路设定异常、工艺参数失配、模型计算有误、负荷分配不当等过程控制层故障的发生,会直接导致底层控制回路与设备按照错误设定的逻辑程序运行,严重影响生产顺行,使得质量与期望有较大偏差且在底层回路间隐性传播演化。而上述故障往往很难通过现有的过程监测方法进行及时的警报与诊断,且现有故障检测模型与技术仅利用过程数据与质量数据,未能对全流程、多系统下的时空信息进行有效挖掘与关联解析,对于二级系统及更高层的综合自动化系统信息考虑不足,没能建立系统层次化设定下的联动映射关系。
发明内容
本发明针对现有故障检测模型与技术仅利用过程数据与质量数据,未能对全流程、多系统下的时空信息进行有效挖掘与关联解析,对于二级系统及更高层的综合自动化系统信息考虑不足,没能建立系统层次化设定下的联动映射关系的问题,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,本发明提供了一种面向工艺参数带钢热连轧时空多尺度过程监控方法,该方法由电子设备实现,该方法包括:
S1、获取带钢热连轧全流程的多维时空数据;其中,多维时空数据包括过程数据以及工艺参数。
S2、将多维时空数据输入到构建好的时空多尺度过程监控模型。
S3、根据多维时空信息数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果。
可选地,S2中的时空多尺度过程监控模型的构建过程包括:
S21、获取带钢热连轧全流程正常工况下的历史多维时空数据。
S22、对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
S23、对预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征。
S24、根据过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型,构建基于负对数似然概率的监测统计量的计算方法。
可选地,S21中的获取带钢热连轧全流程正常工况下的历史多维时空数据,包括:
S211、对带钢热连轧全流程进行物理空间分解,得到多生产工序或多操作单元。
S212、获取多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据。
S213、对带钢热连轧全流程进行信息空间分解,得到多系统层级。
S214、获取多系统层级正常工况下的工艺参数。
可选地,S22中的对历史多维时空数据进行预处理,得到预处理后的多维时空数据,包括:
S221、构建全连接网络张量分解的数据填补模型。
S222、设定数据填补模型的目标函数为最小化预设重构误差。
S223、采用临近交替最小化原则对目标函数进行求解,得到构建好的全连接网络张量分解的数据填补模型。
S224、基于构建好的全连接网络张量分解的数据填补模型,对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
可选地,S23中的对预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征,包括:
S231、利用动态内部主成分分析法,对预处理后的多维时空数据中的过程数据进行特征提取,得到过程数据维小尺度动态特征。
S232、利用慢特征分析法对预处理后的多维时空数据中的工艺参数进行特征提取,得到工艺参数维大尺度趋势特征。
可选地,S24中的双层隐马尔科夫模型的训练过程包括:
构建双层隐马尔科夫模型,双层隐马尔科夫模型包括第一层隐马尔科夫模型以及第二层隐马尔科夫模型。
根据Baum-Welch算法对双层隐马尔科夫模型的参数进行训练,得到训练好的双层隐马尔科夫模型。
可选地,S24中的双层隐马尔科夫模型,如下式(1)所示:
Figure SMS_1
(1)
其中,
Figure SMS_2
表示双层隐马尔科夫模型的参数集合,/>
Figure SMS_6
表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure SMS_8
表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵,
Figure SMS_3
表示第一层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_5
表示第二层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_7
表示第一层隐马尔科夫模型的初始状态概率分布矩阵,
Figure SMS_9
表示第二层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure SMS_4
表示上层隐马尔科夫模型对下层隐马尔科夫模型的条件概率矩阵。
可选地,S3中的根据多维时空数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果,包括:
S31、根据多维时空数据以及时空多尺度过程监控模型,得到基于负对数似然概率的监测统计量;
S32、判断监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
另一方面,本发明提供了一种面向工艺参数带钢热连轧时空多尺度过程监控装置,该装置应用于实现面向工艺参数带钢热连轧时空多尺度过程监控方法,该装置包括:
获取模块,用于获取带钢热连轧全流程的多维时空数据;其中,多维时空数据包括过程数据以及工艺参数。
输入模块,用于将多维时空数据输入到构建好的时空多尺度过程监控模型。
输出模块,用于根据多维时空信息数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果。
可选地,输入模块,进一步用于:
S21、获取带钢热连轧全流程正常工况下的历史多维时空数据。
S22、对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
S23、对预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征。
S24、根据过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型,构建基于负对数似然概率的监测统计量的计算方法。
可选地,输入模块,进一步用于:
S211、对带钢热连轧全流程进行物理空间分解,得到多生产工序或多操作单元。
S212、获取多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据。
S213、对带钢热连轧全流程进行信息空间分解,得到多系统层级。
S214、获取多系统层级正常工况下的工艺参数。
可选地,输入模块,进一步用于:
S221、构建全连接网络张量分解的数据填补模型。
S222、设定数据填补模型的目标函数为最小化预设重构误差。
S223、采用临近交替最小化原则对目标函数进行求解,得到构建好的全连接网络张量分解的数据填补模型。
S224、基于构建好的全连接网络张量分解的数据填补模型,对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
可选地,输入模块,进一步用于:
S231、利用动态内部主成分分析法,对预处理后的多维时空数据中的过程数据进行特征提取,得到过程数据维小尺度动态特征。
S232、利用慢特征分析法对预处理后的多维时空数据中的工艺参数进行特征提取,得到工艺参数维大尺度趋势特征。
可选地,输入模块,进一步用于:
S241、将过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征输入到训练好的双层隐马尔科夫模型,得到基于负对数似然概率的监测统计量。
S242、判断监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
可选地,输入模块,进一步用于:
构建双层隐马尔科夫模型,双层隐马尔科夫模型包括第一层隐马尔科夫模型以及第二层隐马尔科夫模型。
根据Baum-Welch算法对双层隐马尔科夫模型的参数进行训练,得到训练好的双层隐马尔科夫模型。
可选地,双层隐马尔科夫模型,如下式(1)所示:
Figure SMS_10
(1)
其中,
Figure SMS_12
表示双层隐马尔科夫模型的参数集合,/>
Figure SMS_14
表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure SMS_16
表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵,
Figure SMS_11
表示第一层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_15
表示第二层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_17
表示第一层隐马尔科夫模型的初始状态概率分布矩阵,
Figure SMS_18
表示第二层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure SMS_13
表示上层隐马尔科夫模型对下层隐马尔科夫模型的条件概率矩阵。
可选地,输出模块,进一步用于:
S31、根据多维时空数据以及时空多尺度过程监控模型,得到基于负对数似然概率的监测统计量;
S32、判断监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
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面向工艺参数带钢热连轧时空多尺度过程监控方法。
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面向工艺参数带钢热连轧时空多尺度过程监控方法。
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,提供了一种面向工艺参数的带钢热连轧过程时空多尺度监测方法,协同考虑过程物理空间与信息空间分布特性,有效利用过程数据维与工艺参数维等多维信息资源,对全流程、多系统下的时空信息进行有效挖掘与关联解析,实现了工艺参数导向下的过程监控,提高了信息资源利用率,也为后续工艺参数异常追踪与优化提供支撑。
通过双层隐马尔科夫模型对多尺度特征进行关联分析与动态行为建模,上述技术方案形成的面向工艺参数的带钢热连轧过程监测模型,在对过程传感器故障、执行器异常、控制回路或关键环节失效等显性故障进行精准监测的基础上,能够进一步挖掘工艺参数信息与设定值对于底层设备及控制系统的调控作用,继而实现工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等非显性故障的有效捕捉。
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面向工艺参数带钢热连轧时空多尺度过程监控方法流程示意图;
图2是本发明实施例提供的带钢热轧过程工艺布置及综合自动化系统示意图;
图3是本发明实施例提供的面向工艺参数的带钢热连轧过程时空多尺度监测流程图;
图4是本发明实施例提供的全连接张量网络分解示意图;
图5是本发明实施例提供的多尺度特征双层隐马尔科夫模型示意图;
图6是本发明实施例提供的面向工艺参数带钢热连轧时空多尺度过程监控装置框图;
图7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面向工艺参数带钢热连轧时空多尺度过程监控方法,该方法可以由电子设备实现。如图1所示的面向工艺参数带钢热连轧时空多尺度过程监控方法流程图,该方法的处理流程可以包括如下的步骤:
S1、获取带钢热连轧全流程的多维时空数据。
其中,多维时空数据可以包括过程数据以及工艺参数。
一种可行的实施方式中,本发明监控对象主要包括带钢热轧生产综合自动化层级的设备层、实时控制层、以及过程控制层,旨在分析工艺参数对底层控制回路与设备运行状态的潜在影响机制,建立工艺参数导向下的层次化过程监控模型。
S2、将多维时空数据输入到构建好的时空多尺度过程监控模型。
其中,历史多维时空数据主要包含长流程工序作业的历史过程数据、质量数据、二级模型计算值、工艺参数设定信息等。上述信息资源采样自不同的信息-物理空间,具有多采样频率、多尺度关联、多重隐含因果性等典型时空特征。
可选地,上述步骤S2可以包括如下步骤S21-S24:
S21、获取带钢热连轧全流程正常工况下的历史多维时空数据。
可选地,上述步骤S21可以包括如下步骤S211-S214:
S211、对带钢热连轧全流程进行物理空间分解,得到多生产工序或多操作单元。
S212、获取多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据。
一种可行的实施方式中,基于过程机理与知识,对带钢热连轧全流程进行物理空间分解,形成以质量流约束的多生产工序或操作单元。其中,每个工序或操作单元内包含特定的生产设备与相对独立的控制系统。从热连轧现场收集正常工况下各工序或单元的操作信号、控制信号、物理量测量信号等反应过程运行状态的数据作为过程变量的参考变量。
S213、对带钢热连轧全流程进行信息空间分解,得到多系统层级。
S214、获取多系统层级正常工况下的工艺参数。
一种可行的实施方式中,综合考虑企业综合管控与实际信息互联架构,对带钢热连轧综合自动化系统进行信息空间分解,形成工作流约束下的多系统层级,其中,每一层级与相邻层级间协作关联,向上一层传达作业信息与生产实绩等,向下一层传达生产计划与操作指令等。从生产信息管理系统数据库中导出特定产品规格/批次/工况下的模型设定数据与工艺参数信息。
S22、对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
可选地,上述步骤S22可以包括如下步骤S221-S224:
S221、构建全连接网络张量分解的数据填补模型。
S222、设定数据填补模型的目标函数为最小化预设重构误差。
S223、采用临近交替最小化原则对目标函数进行求解,得到构建好的全连接网络张量分解的数据填补模型。
S224、基于构建好的全连接网络张量分解的数据填补模型,对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
一种可行的实施方式中,基于张量的全连接网络分解技术,对历史数据进行时空转化,主要包括多采样率预处理及时域缺失补全。
其中,全连接网络张量分解的数据填补模型构造如式(1)所示,其分解目标是将一个
Figure SMS_19
阶张量/>
Figure SMS_20
分解为一组/>
Figure SMS_21
阶低维因子张量/>
Figure SMS_22
Figure SMS_23
(1)
其中,
Figure SMS_24
,并且/>
Figure SMS_29
。索引为/>
Figure SMS_32
的元素表示为/>
Figure SMS_26
;/>
Figure SMS_27
表示张量阶数;/>
Figure SMS_30
表示全连接张量分解因子;/>
Figure SMS_33
表示索引,其下标表示索引位置;/>
Figure SMS_25
的最大值为/>
Figure SMS_28
,/>
Figure SMS_31
表示预定义的秩。上式分解可以简记为
Figure SMS_34
,表示张量的全连接网络分解操作。
假设给定目标张量
Figure SMS_35
的一个不完全观测/>
Figure SMS_36
,那么张量分解的目标函数定义为最小化式(2)的重构误差:
Figure SMS_37
(2)
其中,
Figure SMS_38
,/>
Figure SMS_39
,并且/>
Figure SMS_40
。/>
Figure SMS_41
表示已知元素(非缺失值)的位置索引,/>
Figure SMS_42
表示投影算子,它将/>
Figure SMS_43
位置索引处的元素投影至其本身而其余元素投影为/>
Figure SMS_44
上述优化问题通过临近交替最小化原则求解,交替更新项计算如下式(3):
Figure SMS_45
(3)
其中,
Figure SMS_46
为式(3)目标函数,/>
Figure SMS_47
为临近因子(可调参数),/>
Figure SMS_48
为迭代次数。
进一步地,
Figure SMS_49
的迭代式如下式(4):
Figure SMS_50
(4)
其中,
Figure SMS_51
进一步地,有:
Figure SMS_52
(5)
并且,
Figure SMS_53
进一步地,
Figure SMS_54
的迭代式如下式(6):
Figure SMS_55
(6)
其中,
Figure SMS_56
表示/>
Figure SMS_57
的补集。
S23、对预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征。
可选地,上述步骤S23可以包括如下步骤S231-S232:
S231、利用动态内部主成分分析法,对预处理后的多维时空数据中的过程数据进行特征提取,得到过程数据维小尺度动态特征。
一种可行的实施方式中,基于正常工况下过程数据信息,包括传感设备测量信息与实时控制信号等,利用动态内部主成分分析方法提取动态特征,形成反应过程实时运行状态的小尺度特征表达。
具体地,带钢热连轧过程维数据主要包括设备层与实时控制层数据信息,选取机架总轧制力、机架轧制力差、活套张力、活套位置控制、活套高度、机架辊缝、功率、滚速、窜辊力(F1机架无弯辊力)为过程参考变量;过程数据蕴含了连续生产过程各变量的时序惯性及在反馈控制下生产过程的波动情况,利用DiPCA(Dynamic inner principal analysis,动态内部主成分分析)对过程数据提取反映过程运行动态行为的快时变潜变量与投影矩阵,基于特征提取得到的动态潜变量,形成过程数据维的小尺度特征。
小尺度特征表达如下式(7):
Figure SMS_58
(7)
其中,
Figure SMS_59
是过程历史数据集,/>
Figure SMS_60
,/>
Figure SMS_61
,/>
Figure SMS_62
为待求解投影矩阵,/>
Figure SMS_63
为自回归模型系数。
Figure SMS_64
(8)
S232、利用慢特征分析法对预处理后的多维时空数据中的工艺参数进行特征提取,得到工艺参数维大尺度趋势特征。
一种可行的实施方式中,针对工艺参数维信息,利用慢特征分析方法提取慢时变特征,形成反应过程运行趋势并起重要调控作用的相对静态的大尺度特征表达。
具体地,带钢热连轧过程工艺参数维的参考变量包含:轧机负荷分配、入口厚度设定、轧制力设定、辊缝参考值、速度参考值、前滑值、机架距离、X-Rey测厚仪距离等。工艺参数维数据通常由专家经验及设定模型计算获得,对实时生产过程起到重要调控作用;相较于过程维数据,工艺参数维数据相对静态,但也呈现出易受噪声干扰、信息冗余的特点;利用SFA(Slow feature analysis, 慢特征分析)方法,捕获工艺参数维数据的潜在演变趋势,反映过程控制层对底层系统变化调控的本质潜变量,以此约简数据维度、提取缓变平稳信号作为大尺度特征。
大尺度特征表达如下式(9):
Figure SMS_65
(9)
约束条件如下式(10)-(12):
Figure SMS_66
(10)
Figure SMS_67
(11)
Figure SMS_68
(12)
其中,
Figure SMS_69
表示权重向量,为待学习参数;/>
Figure SMS_70
表示原始信号的非线性扩展;/>
Figure SMS_71
表示一阶微分,第/>
Figure SMS_72
个特征的变化速率表征为/>
Figure SMS_73
,/>
Figure SMS_74
算子表示时间维度的平均,
Figure SMS_75
S24、根据过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型,得到带钢热连轧时空多尺度过程监控结果。
可选地,上述步骤S24可以包括如下步骤S241-S242:
S241、将过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征输入到训练好的双层隐马尔科夫模型,构建基于负对数似然概率的监测统计量的计算方法。
可选地,双层隐马尔科夫模型的训练过程包括:
S2411、构建双层隐马尔科夫模型,双层隐马尔科夫模型包括第一层隐马尔科夫模型以及第二层隐马尔科夫模型。
可选地,基于多尺度特征表达,利用双层隐马尔科夫模型进行特征关联与融合,挖掘层级间信息关联与匹配机制。双层隐马尔科夫模型,如下式(13)所示:
Figure SMS_76
(13)
其中,
Figure SMS_77
表示双层隐马尔科夫模型的参数集合,/>
Figure SMS_80
表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure SMS_82
表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵,
Figure SMS_78
表示第一层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_81
表示第二层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_83
表示第一层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure SMS_84
表示第二层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure SMS_79
表示上层隐马尔科夫模型对下层隐马尔科夫模型的条件概率矩阵。
一种可行的实施方式中,实际生产运行过程中,各工序/单元/设备的工艺参数优化设定是根据实际工况条件,由工艺基准数学模型计算而得,其对于实时控制层的顺序与逻辑控制以及底层设备的主辅传动、电、液、气动作执行具有精准调控作用。第一层隐马尔科夫模型对应底层设备与实时控制层动态运行状态,其中观测序列为提取的小尺度时序特征。第二层隐马尔可夫模型对应过程控制层的调控状态,其中观测序列为提取的大尺度特征。双层隐马尔科夫模型采用2层拓扑结构描述不同尺度(大尺度-小尺度)下的过程运行状态。具体每一层中,考虑过程的连续性,基于马尔科夫假设,当前状态依赖于上一时刻状态;在不同尺度间,重点挖掘动态行为的联动效应。与传统过程监测模型建立方法不同,双层隐马尔科夫模型由多重尺度下的两条非对称链构成。该方法利用了过程数据维与工艺参数维的多维信息,而现有多数方法仅从单一过程序列中来学习过程运行的动态模式或进行监测模型的参数训练。该模型通过两层隐马尔可夫结构,实现了过程数据维与工艺参数维多尺度特征的层次化建模,挖掘了多维信息的关联机制,由正常工况下历史数据构建的模型,能够时序、动态地描述生产运行模式,蕴含了上层工艺参数对底层过程变量在闭环反馈下的调节作用。
进一步地,监测模型在对过程传感器故障、执行器异常、控制回路或关键环节失效等显性故障进行精准监测的基础上,进一步挖掘工艺参数信息与设定值对于底层设备及控制系统的调控作用,继而实现工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等非显性故障的有效捕捉。
进一步地,钢热轧流程生产通常是一个带有反馈调节的连续过程,实时运行状态在设定值与工艺设定的约束下,与前一时刻状态密切相关。两种不同尺度的特征反映了不同层面下过程运行的时空行为,通过双层隐马尔科夫模型建立不同尺度下的联动映射关系。双层隐马尔科夫模型通过
Figure SMS_85
挖掘工艺参数维约束下的潜在动态行为,描述实时控制层与工艺参数层的关联机制。基于双层隐马尔可夫结构,实现了过程数据维与工艺参数维多尺度特征的层次化建模,挖掘了多维信息的关联机制;由正常工况下历史数据构建的模型,能够时序、动态的描述生产运行模式,蕴含了上层工艺参数对底层过程变量在闭环反馈下的调节作用。
正常工况下,模型参数集合记为
Figure SMS_86
。在第/>
Figure SMS_87
层的状态转移矩阵/>
Figure SMS_88
中,当前状态仅能转移至下一状态不具备反向转移特性,即/>
Figure SMS_89
。状态输出矩阵定量描述了当前隐状态输出某一观测序列的概率:
Figure SMS_90
(14)
式中,元素
Figure SMS_91
上层隐马尔科夫模型对下一层隐马尔科夫模型的条件概率矩阵
Figure SMS_92
表示上层大尺度特征序列状态条件下存在下层小尺度动态行为特征序列的概率,有
Figure SMS_93
进一步地,设可观测序列为
Figure SMS_94
,其中每个观测样本均有大尺度特征与小尺度特征联合构成。时刻/>
Figure SMS_98
对应的观测样本为/>
Figure SMS_100
,/>
Figure SMS_95
,其状态序列为
Figure SMS_97
。给定一组未知状态的可观测序列/>
Figure SMS_99
与正常工况下训练好的标称模型参数/>
Figure SMS_101
,未知状态的多尺度特征序列与标称模型的匹配程度由概率/>
Figure SMS_96
量化,如下式(15):
Figure SMS_102
(15)
其中,前向变量
Figure SMS_103
由前向算法递推得到。
Figure SMS_104
(16)
Figure SMS_105
(17)
S2412、根据Baum-Welch算法对双层隐马尔科夫模型的参数进行训练,得到训练好的双层隐马尔科夫模型。
一种可行的实施方式中,两层隐马尔科夫模型中,每一层隐马尔科夫模型的参数由Baum-Welch算法(可视为Expectation Maximization算法的特例)训练得到,包含状态转移概率
Figure SMS_106
,观测状态概率/>
Figure SMS_107
,以及上层隐马尔科夫模型对下层的条件概率/>
Figure SMS_108
。参数的具体训练过程如下:
Figure SMS_109
(18)/>
Figure SMS_110
(19)
Figure SMS_111
(20)
Figure SMS_112
(21)
其中,
Figure SMS_113
表述给定模型参数/>
Figure SMS_117
和一组观测序列/>
Figure SMS_119
,当前时刻/>
Figure SMS_115
处于状态/>
Figure SMS_116
,而下一个采样时刻/>
Figure SMS_118
属于状态/>
Figure SMS_120
的期望概率;/>
Figure SMS_114
表示在给定参数下产生观测序列的最佳转换序列概率。
S2413、根据训练好的双层隐马尔科夫模型,定义基于负对数似然概率的监测统计量的计算方法。
一种可行的实施方式中,定义如下基于负对数似然概率的监测统计量:
Figure SMS_121
(22)
如果当前观测序列
Figure SMS_122
属于正常运行状态下的样本,那么其对于正常工况训练出来双层隐马尔科夫模型参数/>
Figure SMS_123
有较好的拟合程度,概率/>
Figure SMS_124
是/>
Figure SMS_125
区间一个较大的值;反之,若当前观测序列特征尺度不匹配或与正常样本有较大分布差异,则概率
Figure SMS_126
接近于/>
Figure SMS_127
进一步地,由正常工况历史运行数据,利用核密度估计法,确定相应的控制限
Figure SMS_128
。本发明选取径向基函数作为核函数,
Figure SMS_129
(23)
若给定显著性水平
Figure SMS_130
,满足条件/>
Figure SMS_131
,可以获得用以区分正常运行于异常发生状态的阈值/>
Figure SMS_132
,其中,
Figure SMS_133
(24)
Figure SMS_134
表示核函数算子,/>
Figure SMS_135
为内核带宽。
故障检测逻辑判断定义如下:
Figure SMS_136
(25)
S242、判断监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
一种可行的实施方式中,上述构建的隐马尔可夫模型的双层拓扑结构,建立了层次化的过程运行状态表征,考虑过程连续性,构建基于负对数似然概率的监测统计量,其中,监测控制限由正常工况下历史数据通过核密度估计确定。
S3、根据时空信息数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果。
举例来说,带钢热轧生产线通常具有流程长、生产环境恶劣、工艺复杂、工序关联衔接、工况动态频边等特点。典型的带钢热轧工艺布置及综合自动化层级系统如图2所示。加热炉、粗轧、精轧、层流冷却、卷取等工序按一定流程规范串级分布于生产线,众多重型设备以复杂控制回路耦合相连,设备层(L0)、实时控制层(L1)、过程控制层(L2)等综合自动化系统层级通过信息系统协作互联。热轧生产过程众多数据资源在物质流-能量流-信息流交织下呈现出典型的时空多尺度特点;同时,过程数据、质量数据、工艺数据等多维属性加剧了特征解析与层次化监测建模的困难。本发明基于时空数据的多尺度解析建立了面向工艺参数的层次化过程监测模型,该方法实现流程如图3所示。
以带钢热轧精轧关键工序为应用背景,监测设备包含F1~F7七台精轧机架,这些机架在精轧控制系统作用下耦合关联,将中间板坯轧制成预设厚度。本实施例中一级数据(过程数据维)的参考变量包含:机架总轧制力、机架轧制力差、活套张力、活套位置控制、活套高度、机架辊缝、功率、滚速、窜辊力(F1机架无弯辊力)。二级数据(工艺参数维)的参考变量包含:轧机负荷分配、入口厚度设定、轧制力设定、辊缝参考值、速度参考值、前滑值、机架距离、X-Rey测厚仪距离。带钢热轧精轧生产过程在轧制力模型、厚度模型、轧制速度模型等机理模型基础上,依靠自动厚度控制系统反馈调节,各设备、环节、控制回路协同工作,将中间板坯轧制成符合预设规格的带钢产品。其中,过程数据为信息直接反映了实时运行的高度动态行为,而工艺参数维信息则对底层设备与控制回路起到了关键调控作用。
本实施例中的数据采样自不同的信息物理空间,具有典型时空多尺度属性。首先,在机理知识指导下,对全流程进行分解并进行时空数据匹配预处理。利用张量的全连接网络分解,如算法1所示,对正常工况下的历史数据进行多采样频率填补及理想化预处理。本实施例提供的全连接张量网络分解示意图如图4所示。
Figure SMS_137
完成时空数据多采样频率预处理后,依据先验知识,将重构张量划分为过程数据维与工艺参数维两个数据集。过程数据蕴含了连续生产过程各变量的时序惯性及在反馈控制下生产过程的波动情况,利用动态内部主成分分析对过程数据提取反映过程运行动态行为的快时变潜变量与投影矩阵,如算法2所示。提取的特征即可视为小尺度特征,在线数据依据投影矩阵计算样本特征。
Figure SMS_138
工艺参数维数据通常由专家经验及设定模型计算获得,对实时生产过程起到重要调控作用。相较于过程维数据,工艺参数维数据相对静态,但也呈现出易受噪声干扰、信息冗余的特点。利用慢特征分析方法,捕获工艺参数维数据的潜在演变趋势,反映过程控制层对底层系统变化调控的本质潜变量,以此约简数据维度、提取缓变平稳信号作为大尺度特征,如算法3所示。
Figure SMS_139
进一步地,如图5所示,获取多尺度特征后,利用双层隐马尔科夫模型进行特征关联模式分析并构建层次化监测模型。该模型通过两层隐马尔可夫结构,实现了过程数据维与工艺参数维多尺度特征的层次化建模,挖掘了多维信息的关联机制。由正常工况下历史数据构建的模型,能够时序、动态的描述生产运行模式,蕴含了上层工艺参数对底层过程变量在闭环反馈下的调节作用。在线过程数据可视为一组新的观测序列,若其属于正常工况,则给定模型参数
Figure SMS_140
对其拟合效果良好,模型的负对数似然概率/>
Figure SMS_141
为一个较小的数值;若其属于异常工况,则其与正常数据分布、特征等方面存在差异,不能被给定模型参数良好拟合,以此算出的/>
Figure SMS_142
为较大值。
以上即为该实施例的具体实施步骤,此外,需要进一步说明的是,本发明中提供的方法利用了工艺参数维信息与过程数据维信息。在时空数据匹配处理与多尺度特征提取后,分别作为两层隐马尔可夫模型进行协同建模,由双层隐马尔可夫模型的时序学习与两层关联学习,多尺度特征间的关联关系得到有效挖掘。监测模型构建过程中,考虑了工艺参数对于底层运行状态的因果动态性及过程本身的惯性,因此,相较于传统方法,该方法能够有效捕捉工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等轧制过程的非显性故障。
本发明首先利用时空变换与同步化处理方法对多维信息资源进行预处理,继而通过个性化的特征提取方法进行时空多尺度特征表达,在此基础上以工艺参数为导向,进行信息关联模式解析与监测模型构建。与现有的故障检测与诊断方法与系统不同,本发明致力于建立工艺参数主导下的过程监测模型,针对实时控制层与过程控制层的典型故障,将底层运行状态与上层设定信息关联匹配,实现底层运行异常或工艺模式失调的协同监测。异常出现后,按照自底向上的逻辑顺序进行异常原因追溯,将异常根源定位至潜在系统层级及相应的工艺参数,为现场工程师提供直接指导信息,从而提高诊断的实时性与溯源的准确性。
本发明实施例中,提供了一种面向工艺参数的带钢热连轧过程时空多尺度监测方法,协同考虑过程物理空间与信息空间分布特性,有效利用过程数据维与工艺参数维等多维信息资源,对全流程、多系统下的时空信息进行有效挖掘与关联解析,实现了工艺参数导向下的过程监控,提高了信息资源利用率,也为后续工艺参数异常追踪与优化提供支撑。
通过双层隐马尔科夫模型对多尺度特征进行关联分析与动态行为建模,上述技术方案形成的面向工艺参数的带钢热连轧过程监测模型,在对过程传感器故障、执行器异常、控制回路或关键环节失效等显性故障进行精准监测的基础上,能够进一步挖掘工艺参数信息与设定值对于底层设备及控制系统的调控作用,继而实现工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等非显性故障的有效捕捉。
如图6所示,本发明实施例提供了一种面向工艺参数带钢热连轧时空多尺度过程监控装置600,该装置600应用于实现面向工艺参数带钢热连轧时空多尺度过程监控方法,该装置600包括:
获取模块610,用于获取带钢热连轧全流程的多维时空数据;其中,多维时空数据包括过程数据以及工艺参数。
输入模块620,用于将多维时空数据输入到构建好的时空多尺度过程监控模型。
输出模块630,用于根据多维时空信息数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果。
可选地,输入模块620,进一步用于:
S21、获取带钢热连轧全流程正常工况下的历史多维时空数据。
S22、对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
S23、对预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征。
S24、根据过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型,构建基于负对数似然概率的监测统计量的计算方法。
可选地,输入模块620,进一步用于:
S211、对带钢热连轧全流程进行物理空间分解,得到多生产工序或多操作单元。
S212、获取多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据。
S213、对带钢热连轧全流程进行信息空间分解,得到多系统层级。
S214、获取多系统层级正常工况下的工艺参数。
可选地,输入模块620,进一步用于:
S221、构建全连接网络张量分解的数据填补模型。
S222、设定数据填补模型的目标函数为最小化预设重构误差。
S223、采用临近交替最小化原则对目标函数进行求解,得到构建好的全连接网络张量分解的数据填补模型。
S224、基于构建好的全连接网络张量分解的数据填补模型,对历史多维时空数据进行预处理,得到预处理后的多维时空数据。
可选地,输入模块620,进一步用于:
S231、利用动态内部主成分分析法,对预处理后的多维时空数据中的过程数据进行特征提取,得到过程数据维小尺度动态特征。
S232、利用慢特征分析法对预处理后的多维时空数据中的工艺参数进行特征提取,得到工艺参数维大尺度趋势特征。
可选地,输入模块620,进一步用于:
S241、将过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征输入到训练好的双层隐马尔科夫模型,得到基于负对数似然概率的监测统计量。
S242、判断监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
可选地,输入模块620,进一步用于:
构建双层隐马尔科夫模型,双层隐马尔科夫模型包括第一层隐马尔科夫模型以及第二层隐马尔科夫模型。
根据Baum-Welch算法对双层隐马尔科夫模型的参数进行训练,得到训练好的双层隐马尔科夫模型。
可选地,双层隐马尔科夫模型,如下式(1)所示:
Figure SMS_143
(1)
其中,
Figure SMS_145
表示双层隐马尔科夫模型的参数集合,/>
Figure SMS_147
表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure SMS_149
表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵,
Figure SMS_146
表示第一层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_148
表示第二层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure SMS_150
表示第一层隐马尔科夫模型的初始状态概率分布矩阵,
Figure SMS_151
表示第二层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure SMS_144
表示上层隐马尔科夫模型对下层隐马尔科夫模型的条件概率矩阵。
可选地,输出模块,进一步用于:
S31、根据多维时空数据以及时空多尺度过程监控模型,得到基于负对数似然概率的监测统计量;
S32、判断监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
本发明实施例中,提供了一种面向工艺参数的带钢热连轧过程时空多尺度监测方法,协同考虑过程物理空间与信息空间分布特性,有效利用过程数据维与工艺参数维等多维信息资源,对全流程、多系统下的时空信息进行有效挖掘与关联解析,实现了工艺参数导向下的过程监控,提高了信息资源利用率,也为后续工艺参数异常追踪与优化提供支撑。
通过双层隐马尔科夫模型对多尺度特征进行关联分析与动态行为建模,上述技术方案形成的面向工艺参数的带钢热连轧过程监测模型,在对过程传感器故障、执行器异常、控制回路或关键环节失效等显性故障进行精准监测的基础上,能够进一步挖掘工艺参数信息与设定值对于底层设备及控制系统的调控作用,继而实现工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等非显性故障的有效捕捉。
图7是本发明实施例提供的一种电子设备700的结构示意图,该电子设备700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)701和一个或一个以上的存储器702,其中,存储器702中存储有至少一条指令,至少一条指令由处理器701加载并执行以实现下述面向工艺参数带钢热连轧时空多尺度过程监控方法:
S1、获取带钢热连轧全流程的多维时空数据;其中,多维时空数据包括过程数据以及工艺参数。
S2、将多维时空数据输入到构建好的时空多尺度过程监控模型。
S3、根据多维时空信息数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果。
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面向工艺参数带钢热连轧时空多尺度过程监控方法。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 (2)

1.一种面向工艺参数带钢热连轧时空多尺度过程监控方法,其特征在于,所述方法包括:
S1、获取带钢热连轧全流程的多维时空数据;其中,所述多维时空数据包括过程数据以及工艺参数;
S2、将所述多维时空数据输入到构建好的时空多尺度过程监控模型;
S3、根据所述多维时空数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果;
所述S2中的时空多尺度过程监控模型的构建过程包括:
S21、获取带钢热连轧全流程正常工况下的历史多维时空数据;
S22、对所述历史多维时空数据进行预处理,得到预处理后的多维时空数据;
S23、对所述预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征;
S24、根据所述过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型,构建基于负对数似然概率的监测统计量的计算方法;
所述S21中的获取带钢热连轧全流程正常工况下的历史多维时空数据,包括:
S211、对带钢热连轧全流程进行物理空间分解,得到多生产工序或多操作单元;
S212、获取所述多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据;
S213、对带钢热连轧全流程进行信息空间分解,得到多系统层级;
S214、获取所述多系统层级正常工况下的工艺参数;
所述S22中的对所述历史多维时空数据进行预处理,得到预处理后的多维时空数据,包括:
S221、构建全连接网络张量分解的数据填补模型;
S222、设定所述数据填补模型的目标函数为最小化预设重构误差;
S223、采用临近交替最小化原则对所述目标函数进行求解,得到构建好的全连接网络张量分解的数据填补模型;
S224、基于所述构建好的全连接网络张量分解的数据填补模型,对所述历史多维时空数据进行预处理,得到预处理后的多维时空数据;
所述S23中的对所述预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征,包括:
S231、利用动态内部主成分分析法,对所述预处理后的多维时空数据中的过程数据进行特征提取,得到过程数据维小尺度动态特征;
S232、利用慢特征分析法对所述预处理后的多维时空数据中的工艺参数进行特征提取,得到工艺参数维大尺度趋势特征;
所述S24中的双层隐马尔科夫模型的训练过程包括:
构建双层隐马尔科夫模型,所述双层隐马尔科夫模型包括第一层隐马尔科夫模型以及第二层隐马尔科夫模型;
根据Baum-Welch算法对所述双层隐马尔科夫模型的参数进行训练,得到训练好的双层隐马尔科夫模型;
所述S24中的双层隐马尔科夫模型,如下式(1)所示:
Figure QLYQS_1
(1)
其中,
Figure QLYQS_3
表示双层隐马尔科夫模型的参数集合,/>
Figure QLYQS_5
表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure QLYQS_7
表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure QLYQS_4
表示第一层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure QLYQS_6
表示第二层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure QLYQS_8
表示第一层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure QLYQS_9
表示第二层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure QLYQS_2
表示上层隐马尔科夫模型对下层隐马尔科夫模型的条件概率矩阵;
所述S3中的根据所述多维时空数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果,包括:
S31、根据所述多维时空数据以及时空多尺度过程监控模型,得到基于负对数似然概率的监测统计量;
S32、判断所述监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
2.一种面向工艺参数带钢热连轧时空多尺度过程监控装置,其特征在于,所述装置包括:
获取模块,用于获取带钢热连轧全流程的多维时空数据;其中,所述多维时空数据包括过程数据以及工艺参数;
输入模块,用于将所述多维时空数据输入到构建好的时空多尺度过程监控模型;
输出模块,用于根据所述多维时空数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果;
时空多尺度过程监控模型的构建过程包括:
S21、获取带钢热连轧全流程正常工况下的历史多维时空数据;
S22、对所述历史多维时空数据进行预处理,得到预处理后的多维时空数据;
S23、对所述预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征;
S24、根据所述过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型,构建基于负对数似然概率的监测统计量的计算方法;
所述S21中的获取带钢热连轧全流程正常工况下的历史多维时空数据,包括:
S211、对带钢热连轧全流程进行物理空间分解,得到多生产工序或多操作单元;
S212、获取所述多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据;
S213、对带钢热连轧全流程进行信息空间分解,得到多系统层级;
S214、获取所述多系统层级正常工况下的工艺参数;
所述S22中的对所述历史多维时空数据进行预处理,得到预处理后的多维时空数据,包括:
S221、构建全连接网络张量分解的数据填补模型;
S222、设定所述数据填补模型的目标函数为最小化预设重构误差;
S223、采用临近交替最小化原则对所述目标函数进行求解,得到构建好的全连接网络张量分解的数据填补模型;
S224、基于所述构建好的全连接网络张量分解的数据填补模型,对所述历史多维时空数据进行预处理,得到预处理后的多维时空数据;
所述S23中的对所述预处理后的多维时空数据进行特征提取,得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征,包括:
S231、利用动态内部主成分分析法,对所述预处理后的多维时空数据中的过程数据进行特征提取,得到过程数据维小尺度动态特征;
S232、利用慢特征分析法对所述预处理后的多维时空数据中的工艺参数进行特征提取,得到工艺参数维大尺度趋势特征;
所述S24中的双层隐马尔科夫模型的训练过程包括:
构建双层隐马尔科夫模型,所述双层隐马尔科夫模型包括第一层隐马尔科夫模型以及第二层隐马尔科夫模型;
根据Baum-Welch算法对所述双层隐马尔科夫模型的参数进行训练,得到训练好的双层隐马尔科夫模型;
所述S24中的双层隐马尔科夫模型,如下式(1)所示:
Figure QLYQS_10
(1)
其中,
Figure QLYQS_12
表示双层隐马尔科夫模型的参数集合,/>
Figure QLYQS_14
表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure QLYQS_16
表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵,/>
Figure QLYQS_13
表示第一层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure QLYQS_15
表示第二层隐马尔科夫模型的观测状态转移概率矩阵,/>
Figure QLYQS_17
表示第一层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure QLYQS_18
表示第二层隐马尔科夫模型的初始状态概率分布矩阵,/>
Figure QLYQS_11
表示上层隐马尔科夫模型对下层隐马尔科夫模型的条件概率矩阵;
所述根据所述多维时空数据以及时空多尺度过程监控模型,得到带钢热连轧时空多尺度过程监控结果,包括:
S31、根据所述多维时空数据以及时空多尺度过程监控模型,得到基于负对数似然概率的监测统计量;
S32、判断所述监测统计量是否小于或等于预设监测控制限,若是,则带钢热连轧时空多尺度过程运行正常;否则,带钢热连轧时空多尺度过程发生故障。
CN202310114427.3A 2023-02-15 2023-02-15 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 Active CN116020879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310114427.3A CN116020879B (zh) 2023-02-15 2023-02-15 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310114427.3A CN116020879B (zh) 2023-02-15 2023-02-15 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置

Publications (2)

Publication Number Publication Date
CN116020879A CN116020879A (zh) 2023-04-28
CN116020879B true CN116020879B (zh) 2023-06-16

Family

ID=86073935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310114427.3A Active CN116020879B (zh) 2023-02-15 2023-02-15 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置

Country Status (1)

Country Link
CN (1) CN116020879B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150832B (zh) * 2023-11-01 2024-02-23 北京科技大学 一种热轧数字孪生带钢横截面形状实时预测方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019209110A1 (de) * 2019-06-24 2020-12-24 Sms Group Gmbh Industrielle Anlage, insbesondere Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie und Verfahren zum Betreiben einer industriellen Anlage, insbesondere einer Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie
CN110288046B (zh) * 2019-07-02 2022-11-18 南京恩瑞特实业有限公司 一种基于小波神经网络与隐马尔科夫模型的故障预测方法
CN111695780B (zh) * 2020-05-18 2023-04-18 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
CN111724126B (zh) * 2020-06-12 2024-03-12 北京科技大学顺德研究生院 一种工艺流程质量异常精准追溯方法及系统
CN114372341A (zh) * 2020-10-15 2022-04-19 上海宝信软件股份有限公司 基于数字孪生的钢铁热轧管控系统及方法
CN113835411B (zh) * 2021-09-07 2023-10-27 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
CN114360094B (zh) * 2021-11-19 2023-02-03 山东钢铁股份有限公司 一种大型轧机三维可视化实现方法及系统
CN114564879A (zh) * 2022-01-11 2022-05-31 东北大学 一种基于多尺度数据融合的连退带钢硬度在线预测方法

Also Published As

Publication number Publication date
CN116020879A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
US8380642B2 (en) Methods and systems for self-improving reasoning tools
Lindemann et al. Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks
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
Lughofer et al. Autonomous supervision and optimization of product quality in a multi-stage manufacturing process based on self-adaptive prediction models
CN112926273A (zh) 一种多元退化设备剩余寿命预测方法
CN111724126A (zh) 一种工艺流程质量异常精准追溯方法及系统
CN116757534A (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN116020879B (zh) 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN112132394B (zh) 一种电厂循环水泵预测性状态评估方法及系统
CN117393076B (zh) 耐热环氧树脂生产过程智能监测方法及系统
CN113536670A (zh) 一种群体产品剩余寿命预测的联邦迁移学习方法
CN116050665A (zh) 供热设备故障预测方法
CN114218872A (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
Zhou et al. Mixed-framework-based energy optimization of chemi-mechanical pulping
Lee et al. In-line predictive monitoring framework
CN117639602A (zh) 电机运行状态自适应调节方法及系统
CN117234785B (zh) 基于人工智能自查询的集控平台错误分析系统
Hua et al. Adaptive ensemble fault diagnosis based on online learning of personalized decision parameters
CN113536671A (zh) 一种基于lstm的锂电池寿命预测方法
CN111142488B (zh) 基于工况比对驱动的流程工业优化方法
CN117390960A (zh) 一种数控机床用加工精度智能分析方法
Raptodimos et al. An artificial neural network approach for predicting the performance of ship machinery equipment
Karagiorgou et al. On making factories smarter through actionable predictions based on time-series data

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