CN118403904B - 基于多维数据的轧辊异常处理方法、装置、介质和设备 - Google Patents

Abstract

本申请提供了一种基于多维数据的轧辊异常处理方法、装置、介质和设备，属于数据处理技术领域。该方法包括：获取部署在轧辊上的多个传感器上传的初始监控数据集合；识别其中存在疑似异常的数据作为基准数据；从集合中提取第二监控数据集和包含基准数据的第一监控数据集；检测基准数据在第一监控数据集中的数据变化模式；当数据变化模式为急剧变化模式时，基于第一监控数据集和第二监控数据集调用第一轧辊异常分析模型对轧辊进行异常分析；当数据变化模式为缓慢变化模式时，基于第一监控数据集和第二监控数据集调用第二轧辊异常分析模型对轧辊进行异常分析。本申请可提高轧辊异常分析的准确性。

Description

基于多维数据的轧辊异常处理方法、装置、介质和设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于多维数据的轧辊异常处理方法、装置、介质和设备。

背景技术

随着冶金自动化水平的提高，钢铁企业对生产的连续性和设备的稳定性都提出了很高的要求，作为轧钢厂核心设备的轧机出现任何故障，都将会给工厂造成非常大的经济损失。轧辊是轧机上的核心部件，其主要作用是通过与金属材料的接触和相对运动，使金属材料产生连续塑性变形，从而生产出各种形状和规格的金属产品。

在轧制过程中，轧辊可能会因各种因素而出现故障或异常，如振动、打滑、表面损伤、裂纹、硬度不合格等。这些故障或异常不仅会影响轧制产品的质量和生产效率，还可能对轧机设备造成损坏，甚至引发安全事故。因此，及时发现并准确分析轧辊是否存在异常，对于保障轧制生产的顺利进行具有重要意义。

轧辊工作时，会通过部署多种传感器（如温度传感器、压力传感器、位移传感器、振动传感器等）对其作业情况进行检测。这些传感器能够实时获取轧辊的温度、压力、位移等参数，并通过数据分析来判断轧辊是否存在故障。

在现有的轧辊故障处理技术中，通常采用单个传感器（如温度传感器、压力传感器、位移传感器、振动传感器等）对轧辊的状态进行监测和数据采集。然而，由于轧辊故障的类型和原因多种多样，单个传感器往往只能提供有限的故障信息，难以全面、准确地反映轧辊的实际状态，导致对故障类型的误判或漏判，影响故障处理的及时性和有效性。

发明内容

基于此，本申请的目的在于提供一种基于多维数据的轧辊异常处理方法、装置、介质和设备，以提高轧辊异常分析的准确性。

本申请第一方面，提供了一种基于多维数据的轧辊异常处理方法，所述方法包括：

获取部署在轧辊上的多个传感器上传的初始监控数据集合，所述多个传感器包括第一传感器和第二传感器；

识别所述初始监控数据集合中存在疑似异常的数据作为基准数据；

从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集，所述第一监控数据集为产生所述基准数据的第一传感器在第一时间段产生的数据，所述第二监控数据集为与所述第一传感器存在关联关系的至少一个第二传感器在第二时间段产生的数据；

检测所述基准数据在所述第一监控数据集中的数据变化模式；

当所述数据变化模式为急剧变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析；

当所述数据变化模式为缓慢变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析。

在其中一个实施例中，在所述从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集之前，还包括：

获取所述基准数据所属的数据类型和发生时刻，基于所述数据类型和所述发生时刻确定所述第一时间段和所述第二时间段。

在其中一个实施例中，所述识别所述初始监控数据集合中存在疑似异常的数据作为基准数据，包括：

根据所述轧辊的作业状态获取与每种传感器上传的数据相匹配的安全阈值区间；

从所述初始监控数据集合中提取超出所述安全阈值区间的数据；

根据所提取的数据确定所述存在疑似异常的数据。

在其中一个实施例中，所述根据所提取的数据确定所述存在疑似异常的数据，包括：检测所提取的数据中是否存在重复性数据，当存在重复性数据时，对所述重复性数据进行去除，形成所述疑似异常的数据。

在其中一个实施例中，所述关联关系包括第一关联关系和第二关联关系；所述方法还包括：

获取所述多个传感器在所述轧辊上的位置；

为处于所述轧辊上同一个部件上的传感器创建第一关联关系；

为处于所述轧辊上处于第一部件上的第三传感器和处于与所述第一部件相连的第二部件上的第四传感器创建第二关联关系，所述第三传感器和所述第四传感器相同类型的传感器。

在其中一个实施例中，所述检测所述基准数据在所述第一监控数据集中的数据变化模式，包括：按照预先设定的聚类模型对所述基准数据所属的数据变化模式进行聚类，输出所述基准数据所属的数据变化模式。

在其中一个实施例中，所述第一轧辊异常分析模型为卷积神经网络CNN模型，所述第二轧辊异常分析模型为长短期记忆网络LSTM模型。

在其中一个实施例中，所述基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析，包括：以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述CNN模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。

在其中一个实施例中，所述基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析，包括：以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述LSTM模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。

本申请第二方面，提供了一种基于多维数据的轧辊异常处理装置，所述装置包括：

初始监控数据集合获取模块，用于获取部署在轧辊上的多个传感器上传的初始监控数据集合，所述多个传感器包括第一传感器和第二传感器；

输入数据识别模块，用于识别所述初始监控数据集合中存在疑似异常的数据作为基准数据；从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集，所述第一监控数据集为产生所述基准数据的第一传感器在第一时间段产生的数据，所述第二监控数据集为与所述第一传感器存在关联关系的至少一个第二传感器在第二时间段产生的数据；

数据变化模式检测模块，用于检测所述基准数据在所述第一监控数据集中的数据变化模式；

异常分析模块，用于当所述数据变化模式为急剧变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析；当所述数据变化模式为缓慢变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析。

本申请第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，所述可执行指令被处理器执行时使所述处理器执行本申请任一项实施例中所述的方法。

本申请第四方面，提供了一种电子设备，包括：一个或多个处理器；

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行本申请任一项实施例中所述的方法。

本申请中的基于多维数据的轧辊异常处理方法、装置、介质和设备，通过针对疑似异常的基准数据进行提取，根据选取的基准数据来确定第一监控数据集和第二监控数据集，利用存在关联关系的多维数据来作为轧辊异常分析的基础，不仅提高了对数据选取的全面性，还能避免引入了过多无用的数据，对分析造成了干扰。由于轧辊存在异常的原因多种多样，且异常数据所呈现出来的特征也多种多样，难以根据一种通用的轧辊异常分析模型完成轧辊的所有异常情况的分析。本申请还进一步针对该基准数据进行数据变化模式识别，针对不同的数据变化模式调用对应适配的轧辊异常分析模型来进行轧辊异常分析，从而可以提高轧辊异常分析的准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请范围的限定。

图1为一个实施例中基于多维数据的轧辊异常处理方法的流程示意图；

图2为一个实施例中识别所述初始监控数据集合中存在疑似异常的数据作为基准数据的流程示意图；

图3为一个实施例中基于多维数据的轧辊异常处理装置的结构框图；

图4为另一个实施例中基于多维数据的轧辊异常处理方法装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请所使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

比如本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。比如“第一传感器”和“第二传感器”都是传感器，但两者并非是同一个传感器。

再比如本申请所使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在一个实施例中，如图1所示，提供了一种基于多维数据的轧辊故障处理方法，该方法包括：

步骤102，获取部署在轧辊上的多个传感器上传的初始监控数据集合。

本实施例中，多个传感器包括第一传感器和第二传感器。轧辊上部署有多个传感器，这些传感器包括但不限于温度传感器、压力传感器、位移传感器、振动传感器、速度传感器、角度传感器等其中的一种或多种。每种传感器的数量通常可以具有一个或多个，不同的传感器对应部署在轧辊不同的部位。其中，压力传感器可用于实时监测轧制过程中的轧制力，可部署在轧辊下面的压头基座中，用于测量带肋钢筋表面上所受到的总的压下力。通过测量轧辊之间的压力，可以确保轧制力度的准确性和稳定性，从而控制产品的尺寸和形状。温度传感器具体可为红外测温传感器、电磁感应测温传感器或接触测温传感器等，部署在轧辊表面的温度传感器用于实时检测轧辊的表面温度。位移传感器可用于测量轧辊的开口度、轧制过程中的材料位置等参数，确保轧制过程的准确性和稳定性。

轧辊在作业过程中，其上部署的各个传感器可实时检测轧辊的运行状态，并将测量得到的相关数据上传至电子设备。电子设备可接收轧辊上部署的各个传感器上传的相关数据，并对数据进行预处理，形成可以对轧辊进行异常分析的初始监控数据集合。具体的，该预处理的过程可包括对各个传感器上传的数据进行滤波、降噪等信号预处理，以及缺失值处理等数据清洗处理，和数据标准化、归一化等数据转换处理等其中的一种或多种处理。

比如针对振动传感器上传的相关振动数据，可对其进行滤波、降噪等处理，并从其振动数据中进行振幅、频率、相位等关键参数的提取，以便进行相关的异常分析。

在得到各个传感器的初始监控数据之后，形成相关的初始监控数据集合。其中，该初始监控数据集合中包含了初始监控数据以及产生该数据的传感器的标识和数据产生时间。传感器标识用于唯一标识对应的传感器，可由预设位数的数字、字母或特殊字符等其中的一种或多种所组成，通过该传感器标识，可以获知具体传感器的身份，并且可以查询到该传感器在轧辊上所部署的位置。

步骤104，识别所述初始监控数据集合中存在疑似异常的数据作为基准数据。

本申请中，轧辊在生产作业过程中，由于受到各种因素，经常会出现故障或其它异常情况。电子设备预先根据轧机的正常作业情况设定各个传感器对应的正常状态数据。该正常状态数据表示轧机处于正常作业情况下应当体现出来的检测数据。针对采集的初始监控数据集合中，与该正常状态数据不匹配的，即作为疑似异常的数据，并将其作为用于进行轧辊异常分析的基准数据。

具体的，轧辊根据不同的生产订单要求，执行对应不同的作业模式，其具有不同的运行参数。在进行不同的作业模式下，不同类型或不同位置下的传感器对应的正常状态数据各不相同，电子设备可基于轧辊历史作业数据，按照经验值设定轧辊处于不同作业模式下，其上的各个传感器所处的正常状态数据，并将该作业模式、传感器标识和正常状态数据之间建立相应的关联关系。该关联关系可存储在相应的关联关系表中。该正常状态数据可为一个固定数值或区间数值，且在同一个作业模式下，在不同时刻下对应的正常状态数据也不相同。

电子设备可基于初始监控数据集合中，各初始监控数据对应的上传时间，确定对应轧辊在该时间所处的作业模式，并从该关联关系表中查询该作业模式在对应时刻下的不同的传感器标识所对应的正常状态数据，并比较初始监控数据集合中，对应的初始监控数据是否与该正常状态数据相匹配。若不匹配，则说明该轧辊可能存在异常，并将该不匹配的初始监控数据作为疑似异常的数据。

在一个实施例中，各传感器对应的正常状态数据可为基于轧辊在对应作业模式下的作业时长所形成的数据曲线。电子设备可比较该初始监控数据对应的作业模式，并比较相关传感器的初始监控数据形成的数据曲线与正常状态数据对应的数据曲线之间的匹配度，并将与正常状态数据对应的数据曲线上匹配度低于匹配度阈值的部分数据作为基准数据。

在一个实施例中，该正常状态数据还可包括安全阈值区间，电子设备可根据轧辊在不同的作业模式下的不同时刻，设定各个传感器对应的安全阈值区间，比较对应的初始监控数据是否处于对应的作业模式的相同时刻下的安全阈值区间。若处于，则说明该初始监控数据不属于基准数据；若不处于，即超出了该安全阈值区间时，在判定该超出部分的数据为疑似异常的基准数据。

具体的，如图2所示，步骤104包括：

步骤202，根据所述轧辊的作业状态获取与每种传感器上传的数据相匹配的安全阈值区间。

本实施例中，电子设备针对各个传感器，依据其在轧辊上的部署位置，根据轧辊的作业状态，设定其在不同的作业时刻对应的安全阈值区间。在获取到初始监控数据之后，根据初始监控数据对应的传感器标识以及数据产生时刻，获取轧辊上的在该时刻所处的作业状态和作业时刻下，对应传感器的安全阈值区间。

举例来说，对于某个热轧钢板的作业，在处于精轧阶段的某个时刻或时间段A下，处于轧辊某个部位上的温度传感器B对应的安全阈值区间为温度区间t1~t2。若初始监控数据集合为轧钢处于对应的该热轧钢板作业环境下上传的数据，其中的表示对应温度传感器B在与该作业时刻或时间段A对应的初始监控数据C所对应的安全阈值区间即为上述的温度区间t1~t2。

步骤204，从所述初始监控数据集合中提取超出所述安全阈值区间的数据。

针对初始监控数据对应的安全阈值区间，可以比较该初始监控数据是否处于该安全阈值区间内。当不处于该安全阈值区间之内，则说明该数据可能存在异常，可提取出该初始监控数据。

步骤206，根据所提取的数据确定所述存在疑似异常的数据。

本实施例中，可以直接将所提取出来的数据作为疑似异常的数据。也可以针对所提取出来的数据进行相应的处理，将处理后的数据作为疑似异常的数据。还可以根据所提取出来的数据，对其进行适当扩展，将扩展后的数据作为疑似异常的数据，其中，该扩展可包括在时间上的扩展，比如将所提取出来的数据以及与所提取的数据在产生时间上相连的数据均作为疑似异常的数据。

本实施例中，通过设定安全阈值区间，将不处于安全阈值区间的数据作为疑似异常的数据，提高了基准数据提取的效率。

在一个实施例中，步骤206包括：检测所提取的数据中是否存在重复性数据，当存在重复性数据时，对所述重复性数据进行去除，形成所述疑似异常的数据。

本实施例中，针对所提取出来的数据，进一步对其进行重复性检测。其中，受轧辊在作业过程中的环境影响，传感器自身可能会出现异常或被干扰，导致所测量得到的数据被重复性地上传，导致所提取出来的数据中存在重复性的数据。

基于此，电子设备进一步针对所提取出来的数据进行重复性检测，当识别到存在重复性数据时，可将存在重复的数据进行去除，将去除了重复的数据之后所保留的数据作为疑似异常的数据。

具体的，电子设备可以检测所提取出来的数据之间是否相同，针对相同的数据，进一步检测该数据上报的频率是否为按照正常频率所上报的时刻，若检测到所数据的上报频率超过正常频率，且存在相同的数据之间的上报时刻相同或相似，则判定该数据为重复数据。

通过对重复性的数据进行去除，可以进一步提高待进行轧辊异常分析的数据的准确性。

步骤106，从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集。

本实施例中，在得到了基准数据之后，电子设备基于该基准数据从该初始监控数据集合中提取出两个子数据集，分别为第一监控数据集和第二监控数据集。所述第一监控数据集为产生所述基准数据的第一传感器在第一时间段产生的数据，其反映了轧辊在可能故障发生前后时，包含基准数据在内的数据所展示出来的运行状态变化。所述第二监控数据集为与所述第一传感器存在关联关系的至少一个第二传感器在第二时间段产生的数据，它提供了与轧辊在可能故障发生前后时，其他维度的信息。基于多种维度的信息，可以提高针对轧辊异常检测的全面性和准确性。

其中，第一时间段为包含了基准数据所在的时刻下的时间段。第一时间段可为以基准数据所产生的时刻为参考时刻T0，向前扩展第一时长T1和向后扩展第二时长T2，基于向前和向后扩展的时长作为该第一时间段。其中第一时长T1和第二时长T2可为相同的数值，也可以为不同的数值。具体地，电子设备可针对部署在不同位置的传感器，以及轧辊在不同的作业模式下，设定不同的第一时间段，比如针对不同的传感器以及不同的作业模式，所设定的第一时长T1和第二时长T2不同。

与第一时间段类似地，第二时间段可以为与第一时间段相同的时间段，也可以为不同的时间段。第二时间段同样可以为以基准数据所产生的时刻为参考时刻T0，向前扩展第三时长T3和向后扩展第四时长T4，基于向前和向后扩展的时长作为该第二时间段。其中，第三时长T3和第四时长T4可为相同的数值，也可以为不同的数值。

电子设备可以预先建立不同位置下的传感器之间的关联关系，该关联关系表示存在异常时，可以通过多个传感器上传的数据而检测出来。比如针对处于第一位置下的振动传感器，电子设备可以设置其与处于相同位置下的温度传感器以及压力传感器之间具有关联关系，还可以设置其与处于第二位置下的振动传感器也具有关联关系，该第二位置与第一位置之间的距离处于预设的距离阈值之内。

通过预先建立设有关联关系的传感器，使得在检测到某个传感器存在疑似异常的数据时，通过基于该关联关系获取到与该传感器相关联的其他传感器的数据，进而可以通过多个传感器的数据来共同分析轧辊是否存在异常，提高了轧辊异常分析的准确性。且仅获取具有关联关系的传感器的数据，也避免了获取过多无效的数据，避免了对轧辊的异常情况分析造成干扰。

步骤108，检测所述基准数据在所述第一监控数据集中的数据变化模式。

本实施例中，电子设备还可以进一步检测该基准数据在第一监控数据集中所处的数据变化模式。其中，数据变化模式包括急剧变化模式和缓慢变化模式。急剧变化模式表示该基准数据的异常情况体现为变化迅速或陡峭或急剧，处于突变情况；缓慢变化模式表示该基准数据处于一种缓慢或渐变的异常变化的情况。针对不同的数据变化模式，其体现出来的轧辊异常类型可能各不相同。根据所分析出来的数据变化模式，从而可以针对性地采取对应不同的分析模型来进行轧辊异常情况分析，以提高轧辊异常分析的准确性。

具体地，电子设备可以分析所提取出来的第一监控数据集中，基准数据与其他数据之间的变化幅度，基于该变化幅度来确定所属的数据变化模式。其中，该变化幅度可为幅值差值，或者幅值百分比等可以提现变化差异大小的数值。可选地，电子设备还可以比较该基准数据超出其对应的安全阈值区间的幅度，基于该幅度来确定数据变化模式。

比如急剧变化模式通常表示轧辊出现了突然性的故障，如断裂、卡死等；而缓慢变化模式则可能表示轧辊存在渐进性的故障，如磨损、疲劳等。

步骤110，当所述数据变化模式为急剧变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析。

步骤112，当所述数据变化模式为缓慢变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析。

本实施例中，电子设备预先设定了第一轧辊异常分析模型和第二轧辊异常分析模型。其中，第一轧辊异常分析模型适用于对包含急剧变化模式下的数据进行轧辊异常分析；第二轧辊异常分析模型适用于对包含缓慢变化模式下的数据进行轧辊异常分析。比如该第一轧辊异常分析模型和第二轧辊异常分析模型分别为两种机器学习模型或深度学习模型，比如为支持向量机的模型或者神经网络模型等。

电子设备通过采集大量的处于急剧变化模式下的轧辊异常的第一监控数据集样本和第二监控数据集样本，并针对该第一轧辊异常分析模型进行训练，从而形成能够较为准确分析出轧辊是否存在异常的模型。同样地，通过采集大量的处于急剧变化模式下的轧辊异常的第一监控数据集样本和第二监控数据集样本，并针对该第二轧辊异常分析模型进行训练，从而形成能够较为准确分析出轧辊是否存在异常的模型。该第一轧辊异常分析模型和第二轧辊异常分析模型均可以输出轧辊存在异常的异常种类以及置信度。

可选地，该第一轧辊异常分析模型具体可为卷积神经网络CNN模型，该CNN模型更适合识别时间序列的突变特征；第二轧辊异常分析模型具体为长短期记忆网络LSTM模型，该LSTM模型更适合识别长期变化特征。

通过构建相应的池化层、激活函数、全连接层等相关参数，构建好对应的CNN模型，并针对该CNN模型设置好对应的学习率、批大小（Batch Size）、迭代次数（Epochs）、损失函数等其中的一种或多种相关参数后，将准备的样本数据对该模型进行迭代训练，将样本输入到CNN模型中，进行前向传播，计算预测值和损失值，并使用优化器根据损失值反向传播梯度，并更新模型参数，在每个epoch结束时，使用验证集评估模型的性能，并记录损失值和准确率等指标。当迭代次数达到预设的最大次数，或者检测到损失值达到预设要求后，终止训练。输出最终形成的CNN模型。

其中，电子设备可以预先准备大量用于CNN模型的样本数据，每份样本数据中均包括适用于急剧变化模式的第一监控数据集样本和第二监控数据集样本，以及该样本数据对应的轧辊的异常类型。针对该样本数据进一步划分为验证集以及训练集。其中，第一监控数据集样本作为CNN模型的主输入数据，第二监控数据集样本和对应的异常类型作为CNN模型的从属输入数据，按照上述设置的参数对该模型进行训练，并在训练完成之后，将验证集导入到该模型中进行验证，其中，所输入的验证集不包括异常类型，CNN模型通过输出所预测出来的异常类型以及置信度，将所输出的异常类型与验证集对应的异常类型进行比较，当其准确性达到预设的准确性要求之后，完成该CNN模型的训练。

类似地，针对LSTM模型，同样可以采取类似的训练方式，完成针对LSTM模型的训练。具体地，通过构建LSTM模型的池化层、激活函数、全连接层等相关参数，并针对该LSTM模型设置好对应的学习率、批大小（Batch Size）、迭代次数（Epochs）、损失函数等其中的一种或多种相关参数后，将准备的样本数据对该模型进行迭代训练，将样本输入到LSTM模型中进行迭代训练。当迭代次数达到预设的最大次数，或者检测到损失值达到预设要求后，终止训练。输出最终形成的LSTM模型。

其中，电子设备可以预先准备大量的用于LSTM模型的样本数据，与该CNN模型的样本数据类似，用于LSTM模型的每份样本数据中均包括适用于缓慢变化模式的第一监控数据集样本和第二监控数据集样本，以及该样本数据对应的轧辊的异常类型。针对该样本数据进一步划分为验证集以及训练集。其中，第一监控数据集样本作为LSTM模型的主输入数据，第二监控数据集样本和对应的异常类型作为LSTM模型的从属输入数据，按照上述设置的参数对该模型进行训练，并在训练完成之后，将验证集导入到该模型中进行验证，其中，所输入的验证集不包括异常类型，LSTM模型通过输出所预测出来的异常类型以及置信度，将所输出的异常类型与验证集对应的异常类型进行比较，当其准确性达到预设的准确性要求之后，完成该LSTM模型的训练。

本申请基于多维数据的轧辊异常处理方法，通过针对疑似异常的基准数据进行提取，根据选取的基准数据来确定第一监控数据集和第二监控数据集，利用存在关联关系的多维数据来作为轧辊异常分析的基础，不仅提高了对数据选取的全面性，还能避免引入了过多无用的数据，对分析造成了干扰。由于轧辊存在异常的原因多种多样，且异常数据所呈现出来的特征也多种多样，难以根据一种通用的轧辊异常分析模型完成轧辊的所有异常情况的分析。本申请还进一步针对该基准数据进行数据变化模式识别，针对不同的数据变化模式调用对应适配的轧辊异常分析模型来进行轧辊异常分析，从而可以提高轧辊异常分析的准确性。

在一个实施例中，在步骤106之前，还包括：获取所述基准数据所属的数据类型和发生时刻，基于所述数据类型和所述发生时刻确定所述第一时间段和所述第二时间段。

本申请中，数据类型用于体现出初始监控数据是由哪种类型的传感器所产生的数据。可选地，不同的数据类型所采集的第一时间段和第二时间段各不相同。电子设备预先设定了轧辊在处于不同的作业模式下，在不同的作业时长、不同的传感器标识所需要分析的数据的时间维度。

举例来说，对于上述的某个热轧钢板的作业，在处于精轧阶段的某个时刻或时间段A下的温度传感器B上传的数据，电子设备可以根据预先配置的数据类型和发生时刻，查询该温度传感器B在该时刻下对应的第一时间段和第二时间段。可选地，该第一时间段和第二时间段可以是相同的时间段，也可以是不同的时间段。

举例来说，当基准数据为处于该时刻A下的温度传感器B上传的数据，基于该数据，所确定的第一时间段为某个时间段A，第二时间段为某个时间段B。若当该基准数据为同样处于时刻A下的数据，但该数据是轧辊上的部署的某个振动传感器C所上传的数据，则基于该数据所确定的第一时间段为时间段C，第二时间段为时间段D。其中，上述的时间段A、时间段B、时间段C和时间段D可以均为相同的时间段，也可以为不同的时间段。

进一步地，其中，第二时间段还与第二传感器具有关联关系。当与第一传感器存在关联关系的第二传感器包括多个时，每个第二传感器对应的第二时间段可以是相同的时间段，也可以是不同的时间段。

举例来说，当第一传感器为上述的温度传感器A时，与该温度传感器具有关联关系的第二传感器可以包括上述的振动传感器B以及与温度传感器相邻的某个压力传感器C。电子设备基于该基础数据的数据类型以及发生时刻，除了确定适用于该温度传感器A对应的第一时间段之外，还分别计算出对应于该振动传感器B的第二时间段M1，以及对应于该压力传感器C的第二时间段M2，其中，该第二时间段M1和第二时间段M2可以为相同的时间段，也可以为不同的时间段。该第二时间段M1用于确定振动传感器B在处于该第二时间段M1所上传的第二监控数据集N1，第二时间段M2用于确定该压力传感器C2在第二时间段M2所上传的第二监控数据集N2。

通过根据基准数据的数据类型和数据发生时刻来确定第一时间段和第二时间段，可以在确保进行轧辊异常分析的数据的准确性和全面性的同时，还可以避免引入过多无用的初始监控数据，对轧辊异常分析造成干扰。

在一个实施例中，所述关联关系包括第一关联关系和第二关联关系；该基于多维数据的轧辊异常处理方法还包括预先为各个传感器创建关联关系的过程。该过程具体包括：获取所述多个传感器在所述轧辊上的位置；为处于所述轧辊上同一个部件上的传感器创建第一关联关系；为处于所述轧辊上处于第一部件上的第三传感器和处于与所述第一部件相连的第二部件上的第四传感器创建第二关联关系，所述第三传感器和所述第四传感器相同类型的传感器。

本实施例中，针对部署在轧辊上的各个传感器，电子设备可以各个传感器的部署位置和传感器提供的数据可以检测出来的轧辊出现的异常种类的情况而将对轧辊异常检测具有帮助的传感器之间建立关联关系。

具体的，该关联关系包括属于相同传感器类型的关系，以及属于不同传感器类型的关系。

电子设备通过遍历轧辊上部署的各个传感器的位置，将处于轧辊上同一个部件上所部署的传感器建立第一关联关系。举例来说，轧辊包括水平辊、立棍等部件，针对部署在同一个水平辊上的多个传感器，可以将其建立第一关联关系，而针对与水平辊具有直接联系的其他部件，可将该其他部件上与该水平辊上属于相同类型的传感器建立第二关联关系。比如说在水平辊上部署有振动传感器F（即第三传感器），与该水平辊物理相连的某个部件上也部署有振动传感器E（即第四传感器），则可以将该振动传感器F和振动传感器E之间建立第二关联关系。

当确定了基准数据之后，基于产生该基准数据的传感器，获取与其具有第一关联关系的传感器在其对应的第二时间段所产生的数据，作为上述的第二监控数据集，同时还进一步获取与其具有第二关联关系的传感器在其对应的第二时间段所产生的数据也作为第二监控数据集。

通过根据传感器的部署位置以及传感器的类型来确定第二监控数据集对应的第二传感器，可以提高第二监控数据集提取的全面性。

在一个实施例中，步骤108包括：按照预先设定的聚类模型对所述基准数据所属的数据变化模式进行聚类，输出所述基准数据所属的数据变化模式。

本实施例中，该聚类模型具体可为K-means聚类、层次聚类、DBSCAN聚类、GMM聚类等其中的一种或多种聚类模型的组合。

电子设备可依据预先准备的急剧变化模式和缓慢变化模式来分别设置相应的聚类中心，并设置两种情况下的第一监控数据样本数据，以及各个样本数据对应的正常数据，基于该正常数据和样本数据进行聚类模型训练，使得完成训练后的聚类模型将样本数据分类到对应的聚类中心的准确性达到预设要求。

具体的，以聚类模型为K-means聚类为例，电子设备可以计算出该第一监控数据集和各个聚类中心的距离，并基于所计算出来的距离来确定该第一监控数据集所属的数据变化模式。通过聚类模型，可以准确地确定第一监控数据集所述的数据变化模式。

在一个实施例中，第一轧辊异常分析模型为卷积神经网络CNN模型，所述第二轧辊异常分析模型为长短期记忆网络LSTM模型。步骤110包括：以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述CNN模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。步骤112包括：以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述LSTM模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。

本实施例中，置信度表示轧辊存在异常的概率，置信度越大，则表示轧辊所存在异常的概率也越大。其中，异常类型包括上述的振动、打滑、表面损伤、裂纹、硬度不合格等多种类型，还可以包括传感器异常的类型。针对所输入的第一监控数据集和第二监控数据集，轧辊异常分析模型可以计算出该两种数据集对应的一种或每种异常类型的置信度。比如可以输出表示存在振动异常的置信度为90%，表示存在打滑的置信度为30%，表示存在裂纹的置信度为45%等。

在输出了一种或多种异常类型的置信度之后，当该置信度超过预设的置信度阈值时，可发出相应的警报，以使得相关人员可以即时对轧辊进行异常检查核验，避免故障扩大化。其中，该置信度阈值可为固定的数值，或者可以为根据不同的异常类型而设定的不同的数值。比如针对振动类型，所设定的置信度阈值为85%；针对裂纹类型，设定其对应的置信度阈值为80%。

上述的基于多维数据的轧辊异常处理方法，通过利用适合进行急剧变化模式的CNN模型来对属于急剧变化模式的数据集进行轧辊异常检测，可以提高处于该模式数据下的轧辊异常检测准确性；通过设置适合进行缓慢变化模式的LSTM模型来对属于缓慢变化模式的数据集进行轧辊异常检测，可以提高处于该模式数据下的轧辊异常检测准确性，通过两种模型的结合，使得可以提高轧辊异常检测的全面性和准确性。

在一个实施例中，如图3所示，提供了一种基于多维数据的轧辊异常处理装置，所述装置包括：

初始监控数据集合获取模块302，用于获取部署在轧辊上的多个传感器上传的初始监控数据集合，所述多个传感器包括第一传感器和第二传感器。

输入数据识别模块304，用于识别所述初始监控数据集合中存在疑似异常的数据作为基准数据；从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集，所述第一监控数据集为产生所述基准数据的第一传感器在第一时间段产生的数据，所述第二监控数据集为与所述第一传感器存在关联关系的至少一个第二传感器在第二时间段产生的数据。

数据变化模式检测模块306，用于检测所述基准数据在所述第一监控数据集中的数据变化模式。

异常分析模块308，用于当所述数据变化模式为急剧变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析；当所述数据变化模式为缓慢变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析。

在一个实施例中，输入数据识别模块304还用于获取所述基准数据所属的数据类型和发生时刻，基于所述数据类型和所述发生时刻确定所述第一时间段和所述第二时间段。

在一个实施例中，数据变化模式检测模块306还用于根据所述轧辊的作业状态获取与每种传感器上传的数据相匹配的安全阈值区间；从所述初始监控数据集合中提取超出所述安全阈值区间的数据；根据所提取的数据确定所述存在疑似异常的数据。

在一个实施例中，输入数据识别模块304还用于检测所提取的数据中是否存在重复性数据，当存在重复性数据时，对所述重复性数据进行去除，形成所述疑似异常的数据。

在一个实施例中，所述关联关系包括第一关联关系和第二关联关系；如图4所示，该装置还包括：关联关系识别模块301，用于获取所述多个传感器在所述轧辊上的位置；为处于所述轧辊上同一个部件上的传感器创建第一关联关系；为处于所述轧辊上处于第一部件上的第三传感器和处于与所述第一部件相连的第二部件上的第四传感器创建第二关联关系，所述第三传感器和所述第四传感器相同类型的传感器。

在一个实施例中，数据变化模式检测模块306还用于按照预先设定的聚类模型对所述基准数据所属的数据变化模式进行聚类，输出所述基准数据所属的数据变化模式。

在一个实施例中，所述第一轧辊异常分析模型为卷积神经网络CNN模型，所述第二轧辊异常分析模型为长短期记忆网络LSTM模型；异常分析模块308还用于以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述CNN模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。

在一个实施例中，异常分析模块308还用于以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述LSTM模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述各方法实施例中的步骤。

在一个实施例中，还提供了一种电子设备，包括一个或多个处理器；存储器，存储器中存储有一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述各方法实施例中的步骤。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在上面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。公开于该背景技术部分的信息仅仅旨在加深对本申请的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (10)

1.一种基于多维数据的轧辊异常处理方法，其特征在于，所述方法包括：

获取部署在轧辊上的多个传感器上传的初始监控数据集合，所述多个传感器包括第一传感器和第二传感器；

识别所述初始监控数据集合中存在疑似异常的数据作为基准数据；

从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集，所述第一监控数据集为产生所述基准数据的第一传感器在第一时间段产生的数据，所述第二监控数据集为与所述第一传感器存在关联关系的至少一个第二传感器在第二时间段产生的数据；

检测所述基准数据在所述第一监控数据集中的数据变化模式；

当所述数据变化模式为急剧变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析；

当所述数据变化模式为缓慢变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析。

2.根据权利要求1所述的方法，其特征在于，在所述从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集之前，还包括：

获取所述基准数据所属的数据类型和发生时刻，基于所述数据类型和所述发生时刻确定所述第一时间段和所述第二时间段。

3.根据权利要求1所述的方法，其特征在于，所述识别所述初始监控数据集合中存在疑似异常的数据作为基准数据，包括：

根据所述轧辊的作业状态获取与每种传感器上传的数据相匹配的安全阈值区间；

从所述初始监控数据集合中提取超出所述安全阈值区间的数据；

根据所提取的数据确定所述存在疑似异常的数据。

4.根据权利要求3所述的方法，其特征在于，所述根据所提取的数据确定所述存在疑似异常的数据，包括：

检测所提取的数据中是否存在重复性数据，当存在重复性数据时，对所述重复性数据进行去除，形成所述疑似异常的数据。

5.根据权利要求1所述的方法，其特征在于，所述关联关系包括第一关联关系和第二关联关系；所述方法还包括：

获取所述多个传感器在所述轧辊上的位置；

为处于所述轧辊上同一个部件上的传感器创建第一关联关系；

为处于所述轧辊上处于第一部件上的第三传感器和处于与所述第一部件相连的第二部件上的第四传感器创建第二关联关系，所述第三传感器和所述第四传感器相同类型的传感器。

6.根据权利要求1所述的方法，其特征在于，所述检测所述基准数据在所述第一监控数据集中的数据变化模式，包括：

按照预先设定的聚类模型对所述基准数据所属的数据变化模式进行聚类，输出所述基准数据所属的数据变化模式。

7.根据权利要求1所述的方法，其特征在于，所述第一轧辊异常分析模型为卷积神经网络CNN模型，所述第二轧辊异常分析模型为长短期记忆网络LSTM模型；

所述基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析，包括：

以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述CNN模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度；

所述基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析，包括：

以所述第一监控数据集为主输入数据，以所述第二监控数据集为从属输入数据，调用所述LSTM模型进行分析，输出所述轧辊可能存在的异常类型和对应的异常置信度。

8.一种基于多维数据的轧辊异常处理装置，其特征在于，所述装置包括：

初始监控数据集合获取模块，用于获取部署在轧辊上的多个传感器上传的初始监控数据集合，所述多个传感器包括第一传感器和第二传感器；

输入数据识别模块，用于识别所述初始监控数据集合中存在疑似异常的数据作为基准数据；从所述初始监控数据集合中提取第二监控数据集和包含所述基准数据的第一监控数据集，所述第一监控数据集为产生所述基准数据的第一传感器在第一时间段产生的数据，所述第二监控数据集为与所述第一传感器存在关联关系的至少一个第二传感器在第二时间段产生的数据；

数据变化模式检测模块，用于检测所述基准数据在所述第一监控数据集中的数据变化模式；

异常分析模块，用于当所述数据变化模式为急剧变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第一轧辊异常分析模型对所述轧辊进行异常分析；当所述数据变化模式为缓慢变化模式时，基于所述第一监控数据集和所述第二监控数据集调用第二轧辊异常分析模型对所述轧辊进行异常分析。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有可执行指令，所述可执行指令被处理器执行时使所述处理器执行如权利要求1至7中任一项所述的方法。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项所述的方法。