一种基于数据驱动的连轧过程故障检测方法与流程

专利检索2022-05-10  5



1.本发明属于轧制过程的自动化控制技术邻域,具体涉及一种基于数据驱动的连轧过程故障检测方法。


背景技术:

2.随着集散控制系统的广泛采用和计算机技术的发展,冷轧生产不断向大规模、复杂化、集成化发展。其控制系统内部联系紧密,一旦某个环节出现故障,必然会影响其它子系统,甚至造成整个流程控制系统的性能下降,最终影响整个生产过程以及产品质量。为了保证轧制品的质量、保障轧制过程持续可靠和稳定运行,轧制过程监测与故障诊断技术具有重要的科学意义和应用价值。
3.为了有效检测轧制过程中出现的故障,传统的多元统计分析方法在学术界和工业界受到了广泛的研究。但是在实际应用中,基于统计规律的浅层学习方法,其学习能力不强,只能提取初级特征,而深度学习网络通过组合低层特征形成更加抽象的高层特征表示,使其具有良好的特征学习能力。


技术实现要素:

4.针对现有技术的不足,本发明提出一种基于数据驱动的连轧过程故障检测方法,充分的利用连轧生产过程中的大量数据,实现冷连轧生产的过程监控与故障检测,保证生产过程的正常运行。
5.本发明的技术方案是这样实现的:一种基于数据驱动的连轧过程故障检测方法,包括以下步骤:
6.步骤1:采集包含正常生产过程的带钢生产数据以及发生故障时的带钢生产数据,所述数据包括机架的出口厚度、机架的前张力以及机架的轧制力;
7.步骤2:对采集的生产数据进行数据标准化处理;
8.具体为,原数据集(采集的原始数据构成的数据集)包含多个特征,且量纲各不相同,采用标准差标准化,使得处理后的数据均值为零,标准差为一,公式如下:
[0009][0010]
其中,x
i
,μ,σ分别是标准化后的值,初始值,原数据集中的均值和标准差;
[0011]
步骤3:使用栈式自编码器深度学习模型对处理后的数据进行特征提取与数据降维;
[0012]
步骤3.1:确定栈式自编码器的重构误差函数:单个自编码器是一种对称的三层无监督神经网络,分为输入层、隐含层和输出层,其中输入层节点数等于输出层的节点数,隐含层节点数小于输出层节点数;采用的深度学习网络的误差函数公式如下:
[0013][0014]
其中,x为输入层输入数据,为输出层输出数据;
[0015]
步骤3.2:确定栈式自编码器网络结构与网络初始参数:栈式自编码器所采用的自编码器的个数为n,其隐含层的节点数分别为x和y,网络中每个神经元所采用的激活函数采用sigmoid函数,网络的传递函数采用梯度下降法,网络的学习率确定为δ,网络的初始权值与阈值采用符合标准正太分布的随机数;
[0016]
步骤3.3:确定终止条件:设置一个足够小的正数ε作为网络训练停止的终止条件,若误差函数的值小于这个正数,则停止训练,此时的网络参数是训练得到的最优结果,对其进行保存。此时深度学习网络输出如下:
[0017][0018]
其中,θ
n
‑1和θ
n
为两个自编码器的网络参数,m和s分别为数据降维前与降维后的维度,x为网络的输入层输入,h(n

1)为第n

1个自编码器输出,h(n)为第n个自编码器输出;若损失函数的值大于等于这个正数ε,则继续做训练,直至达到的值小于该正数ε;
[0019]
步骤4:基于经过栈式自编码器完成特征提取后的数据,建立典型相关分析故障检测模型;
[0020]
步骤4.1:计算协方差矩阵:根据步骤3.3计算出的深度学习网络模型输出矩阵h(n),结合质量变量矩阵y,计算其自身的协方差矩阵cov(h(n),h(n))和cov(y,y)以及它们之间的协方差矩阵cov(h(n),y)。协方差矩阵计算如下:
[0021][0022][0023][0024]
其中,h(n)
i
为深度学习网络模型输出矩阵h(n)第i行,其中y
i
为质量变量矩阵y第i行,1≤i≤m;
[0025]
步骤4.2:计算输入输出的相关性评估依据:根据栈式自编码器结合典型相关分析算法的目标函数:
[0026]
[0027]
其中,是约束条件;
[0028]
计算出输入输出的相关性矩阵γ,评估依据如下:
[0029]
γ=cov(h(n),h(n))

0.5
cov(h(n),y)cov(y,y)

0.5
[0030]
步骤4.3:计算系数矩阵:通过对γ进行svd分解,得到系数矩阵j
s
和l
s

[0031]
j
s
=cov(h(n),h(n))

0.5
e(:,1:k)
[0032]
l
s
=cov(y,y)

0.5
θ(:,1:k)
[0033]
步骤4.4:计算统计量值:t2统计量用于检测发生在输入子空间且与输出相关的那部分故障,q统计量用于检测发生在输出子空间且与输入相关的那部分故障;
[0034]
相应的t2统计量如下:
[0035][0036]
相应的q统计量如下:
[0037][0038][0039]
其中λ
k
为特征值矩阵;
[0040]
步骤4.5:计算控制限值:基于步骤1采集而来的正常生产过程的带钢生产数据,根据步骤2~步骤4.4计算出多个样本的t2统计量以及q统计量,之后计算相应的控制限的值;
[0041]
给定一个置信度水平α,采用高斯核函数进行密度估计,其中正数σ为核函数的带宽,t2统计量的控制限表达式:
[0042][0043]
q统计量的控制限表达式为:
[0044][0045]
其中,n为自编码器堆叠层数,π为圆周率;
[0046]
步骤4.6:基于步骤1采集而来的发生故障时的带钢生产数据,根据步骤2~步骤4.4计算出多个样本的t2统计量以及q统计量,若(t2统计量的控制限)或q(k)>j
th,q
(q统计量的控制限),则认为出现了故障。
[0047]
本发明优点:本发明提出了一种基于数据驱动的连轧过程故障检测方法,通过将传统的多元统计分析方法、典型相关分析与深度学习模型栈式自编码器结合,克服了传统方法特征提取能力上的不足,有效的检测轧制生产过程中出现的故障。本发明提出的方法,不仅精度高,而且运算速度快,利用大量的生产过程数据通过直接在计算机上编程,即可实现在线投入使用,成本十分低廉。
附图说明
[0048]
图1为本发明实施例的栈式自编码器对数据进行特征提取过程示意图;
[0049]
图2为本发明提出的一种基于数据驱动的连轧过程故障检测方法的流程图;
[0050]
图3为故障检测结果的统计量图;其中,(a)t2统计量,(b)q统计量;前1000个表示
正常样本,后1000个表示故障样本,灰色的虚线代表控制限。
具体实施方式
[0051]
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
[0052]
实施例
[0053]
一种基于数据驱动的连轧过程故障检测方法,如图2流程图所示,包括以下步骤:
[0054]
本实施例中采用五机架冷连轧机组生产过程中的数据,轧辊直径425mm,一机架带钢入口厚度设定值为2mm,五机架带钢出口厚度设定值为0.2mm。
[0055]
步骤1:采集五机架冷连轧机组生产数据,以f5机架出口厚度作为质量变量,选取对其影响较大的f1、f4机架的出口厚度、f1~f5机架间的张力以及f1~f5机架的轧制力共11个变量作为过程变量进行研究。采集正常生产过程数据2000例,采集发生轧辊偏心故障的数据2000例,采集数据间隔为0.01s,采集时间均为20s。其中故障数据中故障发生时间时刻在第10s处;
[0056]
步骤2:标准化处理数据,原数据集包含多个特征,且量纲各不相同,采用标准差标准化,使得处理后的数据均值为零,标准差为一,公式如下:
[0057][0058]
其中,x
i
,μ,σ分别是标准化后的值,初始值,数据集中的均值和标准差。
[0059]
步骤3:如图1所示,使用栈式自编码器深度学习模型对处理后的数据进行特征提取与数据降维,具体步骤如下:
[0060]
步骤3.1:确定栈式自编码器的重构误差函数:采用交叉熵作为网络的误差函数,公式如下:
[0061][0062]
其中x为输入层输入数据,为输出层输出数据。
[0063]
步骤3.2:确定栈式自编码器网络结构与网络初始参数:栈式自编码器所采用的自编码器的个数为2,其隐含层的节点数分别为10和8,网络中每个神经元所采用的激活函数采用sigmoid函数,网络的传递函数采用梯度下降法,网络的学习率确定为0.01,网络的初始权值与阈值采用符合标准正太分布的随机数。
[0064]
步骤3.3:确定终止条件:设置一个足够小的正数ε=0.1作为网络训练停止的终止条件,不断训练直到损差函数的值小于这个正数,停止训练,输出经过栈式自编码器降维后的过程变量数据h(2)。
[0065]
步骤4:基于经过栈式自编码器完成特征提取后的数据,建立典型相关分析故障检测模型,具体步骤如下:
[0066]
步骤4.1:对于离线过程中采集的正常生产过程数据2000例,经过栈式自编码器降维后得到过程变量数据h1(2),计算出其协方差矩阵cov(h1(2),h1(2)),cov(y,y)和cov(h1(2),y)。
[0067]
步骤4.2:计算输入输出的相关性评估依据γ1,公式如下:
[0068]
γ1=cov(h1(2),h1(2))

0.5
cov(h1(2),y)cov(y,y)

0.5
[0069]
步骤4.3:计算系数矩阵::通过对γ1进行svd分解,公式如下:
[0070]
γ1=e1λ1θ1
t
[0071]
得到系数矩阵j1
s
和l1
s

[0072]
j1
s
=cov(h1(2),h1(2))

0.5
e1(:,1:k)
[0073]
l1
s
=cov(y,y)

0.5
θ1(:,1:k)
[0074]
步骤4.4:计算统计量值:t2统计量与q统计量公式如下所示:
[0075][0076][0077][0078]
由此可得2000个t2统计量与2000个q统计量的值。
[0079]
步骤4.5:计算控制限值:给定一个置信度水平α=0.1,采用高斯核函数用于密度估计,其中正数σ=0.5为核函数的带宽,分别计算t2统计量以及q统计量的控制限的值,计算出j
th,q
=0.2105。
[0080]
步骤4.6:对于在线过程中采集的发生轧辊偏心故障的数据2000例,经过栈式自编码器降维后得到过程变量数据h2(2),计算出其协方差矩阵cov(h2(2),h2(2)),cov(y,y)和cov(h2(2),y),重复步骤4.2~4.4,最终可得2000个t2统计量与2000个q统计量的值。如图3所示,t2统计量以及q统计量都在第10s超过其对应的控制限,准确的检测出故障的发生,其误报率都为0,而且t2统计量故障检测率为98.3%,q统计量故障检测率为99.9%。
转载请注明原文地址:https://win.8miu.com/read-50189.html

最新回复(0)