基于不平衡数据深度学习的连退生产过程故障诊断方法技术

本发明专利技术公开了基于不平衡数据深度学习的连退生产过程故障诊断方法，属于钢铁企业连续退火生产过程的自动控制技术领域。通过深度自编码网络建立连退带钢生产过程数据的特征提取模型，将原始高维输入属性空间映射到低维子空间；采用SMOTE过采样方法对跑偏故障数据进行处理，以现有样本为基础合成新的少数类样本；将以特征提取模型为基础构建的深度神经网络作为子学习机，并利用过采样后得到的平衡数据集，使用AdaBoost.M2算法训练得到用于连退生产过程的带钢跑偏预测的集成学习故障诊断模型。可提高带钢跑偏预测的准确性，尤其提高少数类样本故障检测的准确性，能够帮助现场操作人员及时对连退生产过程进行调节，避免出现生产事故。

【技术实现步骤摘要】
基于不平衡数据深度学习的连退生产过程故障诊断方法
本专利技术属于钢铁企业连续退火生产过程的自动控制
，特别涉及一种连续退火生产过程故障诊断方法。
技术介绍
在钢铁企业当中，冷轧连续退火生产线将酸洗、轧制、脱脂、退火、精整等一系列工艺流程集中在一条机组生产线中进行连续生产。相较于传统的罩式退火而言，连续退火具有生产效率高、产品成品率高等优点。在连续退火生产过程中，不断供应的钢卷被开卷机依次打开并首尾相接地焊接在一起，然后进入到连续退火炉当中进行退火处理以消除冷轧带钢的内应力。在上述过程中，由于带钢板型、温度、张力的波动及生产设备的磨损、误差等问题，带钢可能会出现打滑而偏离中心的现象，即跑偏。虽然当前有一部分连续退火机组安装了纠偏辊来应对跑偏问题，但当跑偏量过大时，纠偏辊也无法完成纠偏，这时如果不及时通过操作人员进行手工纠偏，则会出现断带等生产事故，造成整个连退生产线停产，严重影响企业经济效益。因此，如果能够通过连退生产过程所记录的数据提前判断出带钢是否会出现跑偏及跑偏的程度，对于指导连退机组的正常生产具有重大的意义。r>根据连续退火炉出本文档来自技高网...

【技术保护点】
1.基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，包括以下步骤：/n步骤1：采集连续退火生产过程中出现带钢跑偏故障时对应带钢的m项生产过程数据及相应的跑偏量，得到共有n个样本的数据集；/n步骤2：针对步骤1中获得的数据集进行数据预处理，获得初始数据集D

【技术特征摘要】
1.基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，包括以下步骤：
步骤1：采集连续退火生产过程中出现带钢跑偏故障时对应带钢的m项生产过程数据及相应的跑偏量，得到共有n个样本的数据集；
步骤2：针对步骤1中获得的数据集进行数据预处理，获得初始数据集Dprimary；
步骤3：采用深度自编码网络对步骤2中获得的初始数据集的输入变量进行特征提取，获得特征提取网络；
步骤4：对步骤2中获得的数据集Dprimary进行处理，以增加少数类故障数据的样本个数，获得四种类别跑偏量的样本数量大致相同的过采样数据集Dsmote；
步骤5：根据特征提取网络和过采样数据集Dsmote，通过AdaBoost.M2集成方法，生成带钢跑偏故障诊断模型；
步骤6：实时采集带钢生产过程数据，将其输入到步骤5中得到的带钢跑偏故障诊断模型中，通过诊断模型对当前带钢可能出现的跑偏故障进行预测。


2.根据权利要求1所述的基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，所述步骤2包括如下步骤：
步骤2.1：对生产过程数据归一化处理，处理后数据作为初始数据集Dprimary的输入变量；
步骤2.2：根据连续退火炉出口处带钢的跑偏量大小将其归类，并作为初始数据集Dprimary的输出变量。


3.根据权利要求1所述的基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，所述步骤3包括如下步骤：
步骤3.1：以初始数据集Dprimary为基础构建特征提取数据集Dfeature；
步骤3.2：设置深度自编码网络的网络层数L及每层的节点数，学习率γ，初始化网络权重W和偏置b；
步骤3.3：通过BP算法，以最小化输入与输出之间的均方误差为目标在训练集D1上训练深度自编码网络，并通过验证集D2对其进行评估；
步骤3.4：截取步骤3.3中训练所得深度自编码网络的前层，保留其网络参数，即为带钢跑偏故障数据的特征提取网络。

【专利技术属性】
技术研发人员：唐立新，王显鹏，胡腾辉，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21