一种基于数据驱动的连轧过程故障检测方法技术

一种基于数据驱动的连轧过程故障检测方法，属于轧制过程的自动化控制技术邻域，本发明专利技术首先采集包含正常生产过程带钢生产数据以及出现故障时的带钢生产数据；再将数据进行标准化处理；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，之后基于深度学习模型输出后的数据，结合典型相关分析多元统计方法，进行连轧过程的故障检测。本发明专利技术提供的基于数据驱动的连轧过程故障检测方法，运行速度快、检测精度高，本发明专利技术方法可直接在计算机上通过编程实现，且不需要成本上的投入，可以广泛推广到热轧生产中。可以广泛推广到热轧生产中。可以广泛推广到热轧生产中。

【技术实现步骤摘要】
一种基于数据驱动的连轧过程故障检测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]针对现有技术的不足，本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的连轧过程故障检测方法，其特征在于，包括以下步骤：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；步骤2：对采集的生产数据进行数据标准化处理；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；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。2.根据权利要求1所述的一种基于数据驱动的连轧过程故障检测方法，其特征在于，所述步骤1中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。3.根据权利要求1所述的一种基于数据驱动的连轧过程故障检测方法，其特征在于，所述步骤2对采集的生产数据进行数据标准化处理；进行标准化处理公式如下：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。4.根据权利要求1所述的一种基于数据驱动的连轧过程故障检测方法，其特征在于，所述步骤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；包括：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；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；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：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。5.根据权利要求4所述的一种基于数据驱动的连轧过程故障检测方法，其特征在于，所述步骤3.1中采用的深度学习网络的误差函数公式如下：其中，X为输入层输入数据，为输出层输出数据。6.根据权利要求4所述的一种基于数据驱动的连轧过程故障...

【专利技术属性】
技术研发人员：孙杰，王志，李树，刘云霄，乔继柱，丁肇印，李梦琴，彭文，丁敬国，张殿华，
申请(专利权)人：东北大学，
类型：发明
国别省市：