一种基于联合数据驱动生产过程的质量故障定位方法技术

本发明专利技术提供一种基于联合数据驱动生产过程的质量故障定位方法，该方法包括：提取质量因果拓扑图模型；建立联合数据驱动的多模态监测模型；基于贡献率与过程知识建立质量故障诊断的性能评估指标；根据所述多模态监测模型，识别质量故障传播路径，根据所述质量故障诊断的性能评估指标定位质量故障。本发明专利技术在拓扑图特征提取、多元统计数据驱动的过程监控与机器学习的基础上，提出了适合于质量监控的联合数据驱动的故障诊断，为基于数据与知识的生产过程质量故障诊断提供新的途径，弥补了传统的统计过程监控难以解决的质量故障传播路径识别与故障定位问题，基于数据与知识的“定量‑定性‑定量”的联合数据驱动实现了准确、高效的质量故障定位和诊断。

【技术实现步骤摘要】

本专利技术属于生产过程的控制和监测
，具体涉及一种基于联合数据驱动生产过程的质量故障定位方法。
技术介绍
间歇式生产，是对现代化生产过程的分工细化和流程化过程，广泛应用于机械、五金、塑料、汽配等产业。近年来，为适应市场对多品种、多规格、高质量功能型产品的需求，间歇工业过程正朝着高效、大型和集成化方向发展，而随着生产规模的扩大以及复杂性增加，对生产过程的安全性和可靠性要求也越来越高。现代复杂间歇过程往往变量与控制回路众多且相互关联，一个节点出现故障将直接影响到产品质量和生产效益，甚至引起生产过程瘫痪，对于钢铁、有色、化工等生产企业，若故障不能及时诊断和排除，将造成重大事故。为保证生产过程的安全性、产品质量的稳定性，对复杂间歇过程进行在线监测，准确地进行故障诊断，并及时地排除故障，保证最终产品质量符合要求已成为目前过程控制领域的一个重要研究方向。例如，基于联合数据驱动的现代带钢热连轧是一条按订单柔性化生产的高质、高效的全自动化生产作业线，典型的1700mm带钢热连轧年产出约350万吨带钢，轧制速度可达20m/s，成品厚度范围0.8～12.7mm，宽度范围700～1550mm，可覆盖几百个钢种。成品带钢的表面质量、内部缺陷、板形、厚度、宽度及组织性能直接影响带钢的深加工和材料性能，也直接影响企业的经济效益。带钢热连轧全流程有近15000个过程变量，控制回路数有近300个控制回路，近一半过程变量直接或间接影响带钢产品质量。这些过程变量和控制回路相互影响和关联，出现产品质量(尤其是板形、组织性能等质量)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(往往是毫无目的的全线维护)。产生上述困扰的根本原因在于带钢热连轧这一复杂间歇过程具有与生俱来的动态非线性、变量和回路间强耦合、多批次多工况导致的多模态特性、过程的时变特性、随机噪声产生的不确定性等特点，导致质量故障原因多样、故障演变过程复杂、故障具体位置及变化方向不确定、故障范围宽泛、故障与原因存在交叉重叠等，而传统的过程监控方法在过程的描述中过于粗糙，不能充分挖掘过程的先验知识应用于对质量故障的监控，因此，在应用中具有很大的局限性，不能及时、准确的对生产过程的质量故障进行有效的监控和判断。
技术实现思路
本专利技术实施例的目的是提供一种基于数据联合驱动生产过程的质量故障定位方法，及时、准确的对生产过程的质量故障进行有效的监控和判断。为解决上述技术问题，本专利技术的实施例提供一种基于数据联合驱动生产过程的质量故障定位方法，所述方法包括如下步骤：提取质量因果拓扑图模型；建立联合数据驱动的多模态监测模型；基于贡献率与过程知识建立质量故障诊断的性能评估指标；根据所述多模态监测模型，识别质量故障传播路径，根据所述质量故障诊断的性能评估指标定位质量故障。上述方案中，所述提取质量因果拓扑图模型，进一步为基于数据联合驱动的过程知识与历史数据提取质量因果拓扑图模型。上述方案中，所述提取质量因果拓扑图模型，具体包括如下步骤：步骤101，分析质量因果拓扑图变量相关性；步骤102，设计变量间相关性指标的阈值；步骤103，专家知识指导下提取因果拓扑图。上述方案中，所述分析质量因果拓扑图变量相关性进一步包括：利用相关性统计分析与机器学习方法对生产过程中相关变量对应的时间序列进行特征选择，生成质量因果拓扑图模型的d-分离等价类；对于d-分离等价类中的因果拓扑图模型，利用独立性测试的方法判别变量间的因果方向；利用相关算法对相关变量对应的时间序列间的协方差进行分解，结合Granger因果关系及统计检验理论，确定变量间的相关性指标；结合系统运行机理和先验知识，对所述变量间的因果方向及相关性指标进行修正。上述方案中，所述建立联合数据驱动的多模态监测模型，进一步为：根据所述质量因果拓扑图模型，建立监测质量故障演变过程的联合数据驱动的监测模型，并进一步建立联合数据驱动的多模态监测模型，并设定所述多监测模型的自适应过程。上述方案中，所述建立联合数据驱动的多模态监测模型，并设定所述多监测模型的自适应过程，具体包括如下步骤：步骤201，分析生产过程中数据的多模态；步骤202，采用贝叶斯理论分析新数据的模态识别与添加，建立新的相似度指标和灵敏度指标；步骤203，对每一个模态下的相应数据建立多模态的质量因果拓扑图；步骤204，考虑单一模态下的质量因果图相关性指标；步骤205，根据所述多模态的质量因果拓扑图建立多批次多模态质量监测模型；步骤206，设定多批次、多模态的生产过程质量监测模型的自适应过程，并利用实验室远程监控平台进行验证和测试。上述方案中，所述基于贡献率与过程知识建立质量故障诊断的性能评估指标，具体包括如下步骤：步骤301，将所述质量因果拓扑图模型、多模态监测模型应用于生产过程，收集质量故障数据，计算质量故障检测的故障检测率、误检率和时变特性数据；步骤302，根据质量故障检测的延迟特性，建立预期故障检测延迟性指标(Expected Detection Delay Index,，EDDI)，引入公式其中，EDDI为式(1)的数学期望，FDR(Fault Detection Rate)为故障检测率；步骤303，对所述故障检测率、误检率、时变特性数据和延时特性指标加权，设计质量故障诊断的性能评估指标。上述方案中，所述定位质量故障，具体包括如下步骤：步骤401，建立统一的联合监测投影子空间和质量故障检测流程；步骤402，识别质量故障的传播路径，定位质量故障。本专利技术提供一种基于联合数据驱动生产过程的质量故障定位方法，该方法包括：提取质量因果拓扑图模型；建立联合数据驱动的多模态监测模型；基于贡献率与过程知识建立质量故障诊断的性能评估指标；根据所述多模态监测模型，识别质量故障传播路径，根据所述质量故障诊断的性能评估指标定位质量故障。本专利技术在拓扑图特征提取、多元统计数据驱动的过程监控与机器学习的基础上，提出了适合于质量监控的联合数据驱动的故障诊断，为基于数据与知识的生产过程质量故障诊断提供新的途径，弥补了传统的统计过程监控难以解决的质量故障传播路径识别与故障定位问题，基于数据与知识的“定量-定性-定量”的联合数据驱动实现了准确、高效的质量故障定位和诊断。附图说明图1是本专利技术实施例1的带钢热连轧生产过程工艺布置图；图2是本专利技术实施例1的基于联合数据驱动生产过程的故障定位方法实施路线图；图3是本专利技术实施例1的带钢热连轧机架的多模态质量因果拓扑图。具体实施方式为使本专利技术要解决的技术问题、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。本专利技术针对联合数据驱动的生产过程，提出了一种质量故障的定位方法，力求克服现有的数据联合驱动方法对过程描述过于粗糙的不足，本专利技术按照“定量-定性-定量”的研究路线，采用基于数据与知识的联合数据驱动方法，深入研究了变量间的关联特性，精确地揭示了质量相关故障即质量故障的传播路径和故障源，实现了质量相关故障的准确定位，从而实现质量的及早检测、诊
断与维护。下面结合实施例1及附图对本专利技术做进一步说明。本实施例以数据联合驱动的带钢热连轧生产过程为例。需要说明的是，本专利技术的故障定位方法并不局限于带钢热连轧过程，也适用于其他的数据联合驱动的生产本文档来自技高网...

【技术保护点】
一种基于数据联合驱动生产过程的质量故障定位方法，其特征在于，所述方法包括如下步骤：提取质量因果拓扑图模型；建立联合数据驱动的多模态监测模型；基于贡献率与过程知识建立质量故障诊断的性能评估指标；根据所述多模态监测模型，识别质量故障传播路径，根据所述质量故障诊断的性能评估指标定位质量故障。

【技术特征摘要】
1.一种基于数据联合驱动生产过程的质量故障定位方法，其特征在于，所述方法包括如下步骤：提取质量因果拓扑图模型；建立联合数据驱动的多模态监测模型；基于贡献率与过程知识建立质量故障诊断的性能评估指标；根据所述多模态监测模型，识别质量故障传播路径，根据所述质量故障诊断的性能评估指标定位质量故障。2.根据权利要求1所述的故障定位方法，其特征在于，所述提取质量因果拓扑图模型，进一步为基于数据联合驱动的过程知识与历史数据提取质量因果拓扑图模型。3.根据权利要求2所述的故障定位方法，其特征在于，所述提取质量因果拓扑图模型，具体包括如下步骤：步骤101，分析质量因果拓扑图变量相关性；步骤102，设计变量间相关性指标的阈值；步骤103，专家知识指导下提取因果拓扑图。4.根据权利要求3所述的故障定位方法，其特征在于，所述分析质量因果拓扑图变量相关性进一步包括：利用相关性统计分析与机器学习方法对生产过程中相关变量对应的时间序列进行特征选择，生成质量因果拓扑图模型的d-分离等价类；对于d-分离等价类中的因果拓扑图模型，利用独立性测试的方法判别变量间的因果方向；利用相关算法对相关变量对应的时间序列间的协方差进行分解，结合Granger因果关系及统计检验理论，确定变量间的相关性指标；结合系统运行机理和先验知识，对所述变量间的因果方向及相关性指标进行修正。5.根据权利要求1所述的故障定位方法，其特征在于，所述建立联合数据驱动的多模态监测模型，进一步为：根据所述质量因果拓扑图模型，建立监测质量故障演变过程的联合数据驱动的监测模型，并进一步建立联合数据驱动的多模态监测模型，并设定所述多监测模型...

【专利技术属性】
技术研发人员：彭开香，马亮，董洁，张凯，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11