【技术实现步骤摘要】
本专利技术涉及的是一种神经网络应用领域的技术，具体是一种基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法。
技术介绍
1、热轧轧钢生产线属于典型的连续生产模式，即生产物料在整条产线中进行连续且不间断地加工生产，以实现从原材料到最终轧钢产品的转变。精轧机轧辊是热轧产线中最重要的生产零部件之一，其表面缺陷、耐磨层直径等因素反映的轧辊综合健康状态，直接影响当前批次轧制轧钢的产品质量。针对热轧精轧机轧辊的性能衰退过程建立退化模型以预测其剩余寿命，对于降低热轧产线停机维护时间，提高热轧轧钢生产效率和产品质量具有重要工程意义。
技术实现思路
1、本专利技术针对现有基于双深度残差lstm的复杂装备剩余寿命的预测技术没有考虑设备运行环境对预测模型权重的影响，难以得到精确的预测结果；无法衡量复杂工况下设备剩余寿命的不确定性特征，对设备维护工作的参考价值有限的不足，提出一种基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，改变对轧辊剩余寿命预测精度差、难以获得不确定性评估结果的现状。
2、本专利技术是通过以下技术方案实现的：
3、本专利技术涉及一种基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，在离线阶段根据传感器采集数据库与维修表单中得到轧辊运行公里数l和轧辊直径d的历史数据生成得到轧辊健康指标数据集，对bayesian-lstm神经网络进行训练；在在线阶段，将待测热轧精轧机轧辊特征输入已训练的beyesian-lstm模型中，得到
4、所述方法具体包括：
5、步骤1：从传感器采集数据库与维修表单中得到轧辊运行公里数和轧辊直径的历史数据，利用异常检验技术剔除异常数据，并将处理后的轧辊运行公里数与轧辊直径数据相除后得到轧辊健康指标hi，同时得到轧辊健康指标数据集dr，其中：r为轧辊的编号；
6、步骤2：对合并后的轧辊健康指标数据集dr进行标准化处理，并按照比例ξ划分为训练集和测试集
7、所述的步骤2中对轧辊健康指标数据集进行标准化处理，具体为：其中：xi，k(t)第k个轧辊的第i个传感器在时间点t采集到的监测信息。
8、步骤3：构建并初始化beyesian神经网络的层数、分布假设类型、梯度下降方法，将训练集作为beyesian神经网络的输入，运用变分推断技术得到训练集数据模型权重ω的后验分布
9、所述的步骤3中变分推断技术得到训练集数据模型权重ω的后验分布具体实现过程为：用变分参数生成一个易于计算和推断的近似后验分布来逼近真实后验分布这一分布也称为变分分布qθ(ω)，通过计算变分分布qθ(ω)与真实后验分布之间的最小kl散度，具体为：其中：θ为变分分布的参数。
10、步骤4：构建并初始化lstm神经网络的网络结构、网络层数、神经元个数、学习率、dropout率、训练次数，将训练集与模型权重ω的后验分布作为lstm神经网络的输入进行训练，结合步骤3的beyesian神经网络得到已训练的beyesian-lstm模型；
11、所述的步骤4中lstm神经网络的神经单元包括：输入门it、输出门ot和遗忘门ft三个控制门，一个输入调制门mt，一个记忆细胞单元ct和一个隐藏层单元ht，每一个门及单元的运算权重从模型权重后验分布中抽取获得。
12、所述的结合是指：将bayesian神经网络的输出，即ω的后验分布作为每一个lstm神经元的输入。
13、步骤5：设定轧辊健康指标到达轧辊寿命终点时的故障阈值λ，根据故障阈值推导得到轧辊剩余寿命的公式，利用核密度估计法得到轧辊剩余寿命的不确定性评估指标；
14、所述的步骤5中轧辊剩余寿命的具体为：rul(t)＝ti{t|hi(t)＝λ，t＞0}-t0，其中：rul(t)为t时刻轧辊的剩余寿命，ti为轧辊健康指标首次到达故障阈值的时间。
15、所述的步骤5中轧辊剩余寿命的不确定性评估具体为：其中：m为预测结果的样本个数，hi为带宽，考虑轧钢运行批次特征，带宽可取1及1的整数倍，b和α为带宽的调节参数，rulav为轧辊剩余寿命的均值，k(*)为核函数。
16、步骤6：将测试集输入已训练的beyesian-lstm模型中，得到测试集轧辊健康指标hi的时序模型；
17、步骤7：以测试集轧辊健康指标hi的时序模型为基础，根据轧辊剩余寿命的公式与不确定性评估公式，预测测试集轧辊的剩余寿命。
18、本专利技术涉及一种实现上述方法的系统，包括：数据预处理单元、bayesian神经网络单元、lstm神经网络单元以及剩余寿命预测单元，其中：数据预处理单元根据异常检验和标准化技术，进行数据预处理，得到标准规范的轧辊健康指标数据集，bayesian神经网络单元输入为轧辊健康指标数据集，计算最优的变分分布，得到模型权重的后验分布，lstm神经网络单元输入为轧辊健康指标数据集与模型权重的后验分布，计算每一时刻的轧辊健康指标，得到训练好的beyesian-lstm模型，剩余寿命预测单元根据训练好的beyesian-lstm模型和故障阈值，计算轧辊剩余寿命，评估寿命预测结果的不确定性。
19、技术效果
20、本专利技术将轧辊运行过程中，外界环境造成的不确定性干扰融入模型权重中。相较于传统神经网络固定的单一值模型权重，本专利技术用训练集数据获得模型权重的分布来量化环境不确定性对模型不确定性的影响。然后，将模型权重的分布输入lstm神经网络中，结合当前输入的测试集轧辊健康指标数据，进一步衡量了轧辊剩余寿命的不确定性特征。
21、本专利技术在国内著名钢铁生产公司的热轧产线精轧机组轧辊的实测数据集上得到了充分验证，相较现存的基于rnn、lstm和gru的轧辊剩余寿命预测方法，以均方根误差rmse、平均绝对误差mae和拟合优度r2作为评价指标。本方法rmse指标分别相对降低77.57％、72.25％和49.27％，mae指标分别相对降低67.49％、58.87％和28.44％，r2指标分别相对提高17.86％、11.23％和2.06％，在测试集上的剩余寿命误差小于5％，具有优秀的预测能力。
本文档来自技高网...【技术保护点】
1.一种基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征在于，在离线阶段根据传感器采集数据库与维修表单中得到轧辊运行公里数L和轧辊直径d的历史数据生成得到轧辊健康指标数据集，对Bayesian-LSTM神经网络进行训练；在在线阶段，将待测热轧精轧机轧辊特征输入已训练的Beyesian-LSTM模型中，得到测试集轧辊健康指标HI的时序模型，结合轧辊剩余寿命与不确定性评估指标，预测测试集轧辊的剩余寿命。
2.根据权利要求1所述的基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征是，包括：
3.根据权利要求2所述的基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤2中对轧辊健康指标数据集进行标准化处理，具体为：其中：xi，k(t)第k个轧辊的第i个传感器在时间点t采集到的监测信息。
4.根据权利要求2所述的基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤3中变分推断技术得到训练集数据模型权重ω的后验分布具体实现过程为：用变分参数生成一个易于
5.根据权利要求2所述的基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤4中LSTM神经网络的神经单元包括：输入门It、输出门Ot和遗忘门Ft三个控制门，一个输入调制门Mt，一个记忆细胞单元Ct和一个隐藏层单元Ht，每一个门及单元的运算权重从模型权重后验分布中抽取获得；
6.根据权利要求2所述的基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤5中轧辊剩余寿命的具体为：RUL(t)＝Ti{t|HI(t)＝λ，t＞0}-t0，其中：RUL(t)为t时刻轧辊的剩余寿命，Ti为轧辊健康指标首次到达故障阈值的时间；
7.根据权利要求1-6中任一所述的基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法，其特征是，具体包括：
8.一种实现权利要求1-7中任一所述基于Bayesian-LSTM的热轧精轧机轧辊剩余寿命预测方法的系统，其特征在于，包括：数据预处理单元、Bayesian神经网络单元、LSTM神经网络单元以及剩余寿命预测单元，其中：数据预处理单元根据异常检验和标准化技术，进行数据预处理，得到标准规范的轧辊健康指标数据集，Bayesian神经网络单元输入为轧辊健康指标数据集，计算最优的变分分布，得到模型权重的后验分布，LSTM神经网络单元输入为轧辊健康指标数据集与模型权重的后验分布，计算每一时刻的轧辊健康指标，得到训练好的Beyesian-LSTM模型，剩余寿命预测单元根据训练好的Beyesian-LSTM模型和故障阈值，计算轧辊剩余寿命，评估寿命预测结果的不确定性。
...【技术特征摘要】
1.一种基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，其特征在于，在离线阶段根据传感器采集数据库与维修表单中得到轧辊运行公里数l和轧辊直径d的历史数据生成得到轧辊健康指标数据集，对bayesian-lstm神经网络进行训练；在在线阶段，将待测热轧精轧机轧辊特征输入已训练的beyesian-lstm模型中，得到测试集轧辊健康指标hi的时序模型，结合轧辊剩余寿命与不确定性评估指标，预测测试集轧辊的剩余寿命。
2.根据权利要求1所述的基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，其特征是，包括：
3.根据权利要求2所述的基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤2中对轧辊健康指标数据集进行标准化处理，具体为：其中：xi，k(t)第k个轧辊的第i个传感器在时间点t采集到的监测信息。
4.根据权利要求2所述的基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤3中变分推断技术得到训练集数据模型权重ω的后验分布具体实现过程为：用变分参数生成一个易于计算和推断的近似后验分布来逼近真实后验分布这一分布也称为变分分布qθ(ω)，通过计算变分分布qθ(ω)与真实后验分布之间的最小kl散度，具体为：其中：θ为变分分布的参数。
5.根据权利要求2所述的基于bayesian-lstm的热轧精轧机轧辊剩余寿命预测方法，其特征是，所述的步骤4中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。