[发明专利]一种基于非平衡数据的轧制过程故障诊断方法

权利要求书

1.一种基于非平衡数据的轧制过程故障诊断方法，其特征在于，包括以下步骤：

步骤1：采集轧制过程的生产数据；所述生产数据包括钢卷号、生产时间、中间坯厚度、轧制力、弯辊力、窜辊量、平均宽度、平均厚度、精轧入口温度、终轧温度、轧辊速度、后凸度、轧制公里数；

步骤2：对步骤1中生产数据进行预处理，包括连续型特征去除异常值、平滑处理和归一化、类别型特征编码处理，划分数据集，非平衡训练数据平衡化；

步骤3：基于经过特征选取和数据清洗过的数据集构建深度置信网络(DBN)模型；

步骤4：采用主动学习框架，在验证集中选出最能影响模型性能的样本用于更新DBN；

步骤5：定义评价指标对训练后的DBN模型进行评估，将轧制生产数据输入此模型，得到终轧凸度的分类结果；由此实现轧制过程中的故障诊断；

评价指标如下公式所示：

式中，c代表类别数，n_i和tr_i分别是真实属于第i类的样本数量及该类样本被正确分类的数量。

2.根据权利要求1所述的一种基于非平衡数据的轧制过程故障诊断方法，其特征在于，所述步骤2具体包括以下步骤：

步骤2.1：对生产数据中的连续型数据进行数据预处理；

步骤2.1.1：采用拉衣达准则(Pauta criterion)对生产数据中的连续性数据进行异常值剔除，如下公式所示：

其中，是x的平均值，S_x是标准差；x为样本数据，x_i为第i个样本数据，n为样本数据的数量，若某数据点与平均值的差的绝对值大于3倍的标准差，则该数据点将被视为异常值予以剔除；

步骤2.1.2：对生产数据中的连续性特征数据采用五点三次平滑，减小每个数据点所包含的测量误差，如下公式所示：

其中，是Y_i平滑后的值，Y_i代表第i个样本点，取值范围从1到n；

步骤2.1.3：采用最大最小归一化法归一化处理生产数据，如下公式所示：

其中，x_i,x_min,x_max分别是归一化后的值，初始值，生产数据集中的最小值和最大值；

步骤2.2：类别型特征编码处理；采用独热编码(one-hot)，将生产数据中所有的类别型特征数据及标签转化为数值型，编码规则如表1所示：

表1独热编码

步骤2.3：数据集划分；采用分层采样将预处理后的数据集按设定的比例划分，按照标签值对数据进行分类划分，使各类别在训练集、测试集与验证集中的占比相同；

步骤2.4：非平衡训练数据平衡化；针对训练集采用SMOTE过采样技术，增加属于0类和2类的样本的数量，使所有类的样本数量均等于初始训练集中最大类的数量，如下公式所示：

其中，x_new是合成的少数类新样本，x,是0类和2类中随机选择的两个样本点，rand(0,1)是0到1之间的随机数。