一种带钢热连轧非平稳过程微小故障检测方法及装置制造方法及图纸

本发明专利技术提供一种带钢热连轧非平稳过程微小故障检测方法及装置，属于工业过程监测技术领域。所述方法包括：将测试数据划分为平稳变量和非平稳变量测试数据；将非平稳变量测试数据输入到训练好的CA子模型，得到非平稳变量的平稳残差序列，将其与平稳变量测试数据进行结合后输入到训练好的CVDA子模型，得到状态、残差和差异3个子空间的测试数据；将各子空间的数据输入到训练好的SFA子模型，得到慢特征，进而使用孤立森林确定各子空间的局部、全局统计量以及全局控制限，进而判断带钢热连轧过程是否存在微小故障。采用本发明专利技术能够解决非平稳过程故障检测中变量非平稳趋势严重、微小故障难以检测且耗时长，以及特征提取对数据进行高斯分布假设限制的问题。分布假设限制的问题。分布假设限制的问题。

【技术实现步骤摘要】
一种带钢热连轧非平稳过程微小故障检测方法及装置


[0001]本专利技术涉及工业过程监测
，特别是指一种带钢热连轧非平稳过程微小故障检测方法及装置。

技术介绍

[0002]带钢热连轧过程是钢铁生产流程的关键工序，是一条以高速、高效、高质著称的全自动化生产作业线，主要包含加热炉、粗轧机组、传送带和飞剪、精轧机组、层流冷却装置、卷取机等装置。带钢热连轧生产线是生产效率极高的全自动化生产作业线，一条宽度为1700 mm的标准配置的带钢热连轧生产线年产量约为350万吨左右，带钢的轧制速度最高可达到20 m/s，薄规格产品的极限厚度尺寸能达到0.8 mm。如今社会工业化程度越来越高，现代轧钢设备不仅要求生产速度快，还要求保证产品质量，因此设备与产品质量的矛盾日益突出。由于系统的高度集成，故障会通过链式反应进行传递和恶化，不仅严重影响产品的质量，而且对人身和财产安全带来极大的威胁。如果能及时检测出复杂系统中的异常情况，就可以综合当前的经济、设备等各种因素制定出最优的维护策略，从而避免不必要的经济损失。因此，工业非平稳过程的故障检测就显得尤为重要。同时，随着先进仪器仪表和自动化系统的出现，大量反映过程运行信息的数据得以收集和存储，基于数据驱动的故障诊断方法已成为一个重要研究方向，并已成功应用于各种复杂流程工业。
[0003]带钢热连轧为一间歇过程，间歇生产始终处于操作条件切换和非平稳运行中，具体到同一批次运行周期内亦无稳态工作点，并在同一装置上频繁切换生产不同产品，产品切换后，生产条件改变，导致其过程特性也发生变化。传统的数据驱动的方法假定流程在标称操作数据的定义状态下操作，难以区分过程条件变化和异常事件。而且随着钢厂的调度，热连轧机组的负荷处于动态变化状态，导致呈现出非平稳的特性，即一部分过程变量的统计指标，如均值、方差、协方差等随着时间改变。传统的数据驱动的方法假设数据服从平稳高斯分布，因此难以提取被变量的非平稳趋势所掩盖的故障信号。此外，许多严重故障源于初期故障并逐渐演变，在初始阶段发生的故障通常具有幅度小的特点，容易被噪声和正常过程变化所掩盖，从而难以检测和诊断。因此，对于复杂的带钢热连轧非平稳过程微小故障检测的研究具有实际的工程意义。
[0004]针对非平稳特性，目前已经开发了很多方法，主要可以分为以下四类，分别为非平稳时间序列分析法、长期常数关系分析方法、时间驱动的多模态分析方法和条件驱动的多模态分析方法。
[0005]（1）非平稳时间序列分析法：非平稳时间序列分析法包括信号处理方法和数据差分方法等，信号处理方法的缺点是没有考虑变量之间的相关性，而数据差分的方法往往会导致故障信息丢失。
[0006]（2）长期常数关系分析方法：长期常数关系分析方法包括平稳子空间分析和协整分析方法等。长期常数关系可能会随着时间漂移，这种均衡关系不会永远成立。
[0007]（3）时间驱动的多模态分析方法：时间驱动的多模态分析方法是通过在时间轴上
将非平稳过程划分为不同的模态，并为各个模态开发模型，可以有效提高监控的可靠性。但是在实际工业中很难划分模态以及准确在线识别模态，这将会直接影响监控性能。
[0008]（4）条件驱动的多模态分析方法：条件驱动的多模态分析方法是根据运行条件的不同，在条件轴上将非平稳过程划分为不同的模态。但是该方法并没考虑多个条件变量的耦合效应。
[0009]针对非平稳特性，传统的多元统计方法如偏最小二乘(Partial Least Squares，PLS)、主成分分析(Principal Component Analysis，PCA)假设数据服从平稳高斯分布，当由于市场需求变化、生产计划调整、外部扰动等而导致的工业过程发生改变时，这些方法无法捕捉被变量的非平稳趋势所掩盖的故障信号。
[0010]针对微小故障特性，从定量的角度主要可以分为以下两类，分别为基于信号处理的微小故障诊断方法和基于人工智能的微小故障诊断方法。
[0011]（1）基于信号处理的微小故障诊断：通过信号处理来分析测量信号，获取详细的、较多的故障信号特征，来获取过程中微小故障的诊断结果，主要包括小波变换方法、形态信号处理方法、谱分析方法以及经验模式分解方法等。
[0012]（2）基于人工智能的微小故障诊断方法：人工智能微小故障诊断法是一种依赖于定量分析的智能诊断方法，主要包括神经网络、支持向量机和粗糙集等方法。
[0013]针对微小故障，传统处理微小故障问题多采用支持向量机（SVM）方法，该方法使用线性分离超平面将训练样本分为两类，具有突出的泛化性能和鲁棒性，但是，对于高维数据，SVM的运行时间较长。
[0014]传统的监测统计量选用（Hotelling statistic，霍特林统计量）、SPE（Squared Prediction Error，平方预测误差）统计量，但是轧钢过程的实际数据并非完全符合高斯分布，因此传统统计量的鲁棒性较差。
[0015]综上所述，传统的非平稳过程微小故障检测存在变量非平稳趋势严重、微小故障难以检测且耗时长，以及特征提取对数据进行高斯分布假设限制的问题。

技术实现思路

[0016]本专利技术实施例提供了一种带钢热连轧非平稳过程微小故障检测方法及装置，能够解决非平稳过程故障检测中变量非平稳趋势严重、微小故障难以检测且耗时长，以及特征提取对数据进行高斯分布假设限制的问题。所述技术方案如下：
[0017]一方面，提供了一种带钢热连轧非平稳过程微小故障检测方法，该方法应用于电子设备，该方法包括：
[0018]S1、获取训练好的CA
‑
CVDA
‑
SFA模型；其中，所述CA
‑
CVDA
‑
SFA模型包括：CA子模型、CVDA子模型和SFA子模型，CA表示协整分析，CVDA表示典型变量差异度分析，SFA表示慢特征分析；
[0019]S2、获取带钢热连轧过程的测试数据，根据训练数据的变量划分结果将所述测试数据划分为平稳变量测试数据和非平稳变量测试数据；
[0020]S3、将非平稳变量测试数据输入到训练好的CA子模型，得到非平稳变量的平稳残差序列，将所述平稳残差序列与平稳变量测试数据进行结合，得到平稳组合矩阵；
[0021]S4、将平稳组合矩阵输入到训练好的CVDA子模型中，得到状态子空间、残差子空间
和差异子空间的相应测试数据；其中，状态子空间为质量相关子空间，残差子空间为质量无关子空间，差异子空间是数据预测的状态变量与历史数据获得的状态变量的差值，用于检测微小故障；
[0022]S5、将各子空间的测试数据输入到训练好的SFA子模型，得到各子空间测试数据的慢特征；
[0023]S6、基于得到的各子空间测试数据的慢特征，使用孤立森林确定各子空间的统计量、全局统计量以及全局控制限；
[0024]S7、若所述全局统计量大于所述全局控制限，则所述带钢热连轧过程发生故障；
[0025]S8、若发生故障，则根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带钢热连轧非平稳过程微小故障检测方法，其特征在于，包括：S1、获取训练好的CA
‑
CVDA
‑
SFA模型；其中，所述CA
‑
CVDA
‑
SFA模型包括：CA子模型、CVDA子模型和SFA子模型，CA表示协整分析，CVDA表示典型变量差异度分析，SFA表示慢特征分析；S2、获取带钢热连轧过程的测试数据，根据训练数据的变量划分结果将所述测试数据划分为平稳变量测试数据和非平稳变量测试数据；S3、将非平稳变量测试数据输入到训练好的CA子模型，得到非平稳变量的平稳残差序列，将所述平稳残差序列与平稳变量测试数据进行结合，得到平稳组合矩阵；S4、将平稳组合矩阵输入到训练好的CVDA子模型中，得到状态子空间、残差子空间和差异子空间的相应测试数据；其中，状态子空间为质量相关子空间，残差子空间为质量无关子空间，差异子空间是数据预测的状态变量与历史数据获得的状态变量的差值，用于检测微小故障；S5、将各子空间的测试数据输入到训练好的SFA子模型，得到各子空间测试数据的慢特征；S6、基于得到的各子空间测试数据的慢特征，使用孤立森林确定各子空间的统计量、全局统计量以及全局控制限；S7、若所述全局统计量大于所述全局控制限，则所述带钢热连轧过程发生故障；S8、若发生故障，则根据状态子空间的统计量判断故障是否影响产品质量；并根据差异子空间的统计量检测是否存在故障，其中，所述故障包括：微小故障。2.根据权利要求1所述的带钢热连轧非平稳过程微小故障检测方法，其特征在于，所述S1中的CA
‑
CVDA
‑
SFA模型的训练过程包括：A1、获取不同轧钢过程的正常历史数据作为训练数据，并对其进行预处理；A2、通过ADF检验将预处理后的所述训练数据划分为平稳变量训练数据和非平稳变量训练数据；其中，ADF表示增广迪基
‑
福勒；A3、利用所述非平稳变量训练数据训练初始的CA子模型，得到训练好的CA子模型，利用训练好的所述CA子模型得到所述非平稳变量训练数据的平稳残差序列；A4、将所述平稳残差序列与平稳变量训练数据进行结合，得到平稳数据矩阵；A5、将所述平稳数据矩阵输入到初始的CVDA子模型，并对初始的CVDA子模型中的参数进行调优，得到训练好的CVDA子模型，通过训练好的所述CVDA子模型，将训练数据的空间划分为状态子空间、残差子空间和差异子空间；A6、将各子空间的训练数据输入到初始的SFA子模型，并对初始的SFA子模型中的参数进行调优，得到训练好的SFA子模型，通过训练好的所述SFA子模型，获取各子空间训练数据的慢特征；A7、基于各子空间训练数据的慢特征，得到各子空间训练数据的局部统计量及局部控制限，进而获取训练数据全局统计量及全局控制限。3.根据权利要求2所述的带钢热连轧非平稳过程微小故障检测方法，其特征在于，所述A1中的对训练数据进行预处理包括：对训练数据进行中心化，得到中心化后的训练数据；对中心化后的所述训练数据进行归一化，归一化后的训练数据即为预处理后的训练数
据。4.根据权利要求2所述的带钢热连轧非平稳过程微小故障检测方法，其特征在于，所述A2包括：基于预处理后的所述训练数据，通过交叉验证设置滞后差分项、模型变体、检验统计量、显著性水平参数，得到ADF检验结果；通过ADF检验结果，将预处理后的训练数据划分为平稳变量训练数据和非平稳变量训练数据。...

【专利技术属性】
技术研发人员：董洁，李大业，苗龙，彭开香，
申请(专利权)人：鞍钢集团朝阳钢铁有限公司，
类型：发明
国别省市：