[发明专利]一种基于非平衡数据的轧制过程故障诊断方法

说明书

本发明提供一种基于非平衡数据的轧制过程故障诊断方法，涉及轧制过程自动控制技术领域。本发明首先采集某段时间中轧制过程的生产数据；再将数据进行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；用处理后的数据构建深度置信网络(DBN)模型，采用训练集进行常规的预训练及微调并使用L2正则化防止过拟合，使用验证集通过主动学习策略增加一步再微调过程，最后根据模型进行非平衡数据分类。本发明提供的基于非平衡数据的轧制过程故障诊断方法，运算速度快、计算精度高。同时，本发明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。

技术领域

本发明涉及轧制过程自动控制技术领域，尤其涉及一种基于非平衡数据的轧制过程故障诊断方法。

背景技术

在轧制过程中，当产线发生故障时能否及时排查出故障源并修复是实现制作过程稳定连续的重要前提。轧制过程的故障诊断响应速度及准确性将直接影响产线的效率以及产品的质量，进而对厂家的生产效益产生重大影响。

由于轧制过程具有遗传性、实变性、强耦合等特点，很难基于传统的机理建模来构建故障诊断模型，钢铁行业作为一种流程工业，轧制过程产生并积累了大量的数据，这些数据几乎包含了与轧制相关的所有信息，包含带钢的物理成形机理、轧制条件信息、金属塑性成形原理、设备的运行状况以及生产物料调度信息等。通过对这些数据的挖掘，可以为轧制过程的故障诊断提供新的解决思路，轧制过程的故障诊断问题往往和数据分类问题息息相关，轧制生产数据包含占绝大多数的正常数据和占比很小的异常数据，通过将正常数据与异常数据的有效分类，即可在异常数据中搜索故障源，由于收集到的轧制数据中故障数据和正常数据存在较大数量差构成了非平衡数据，给基于平衡数据的机器学习分类算法应用在非平衡轧制数据时分类效果很不理想。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于非平衡数据的轧制过程故障诊断方法，在轧制过程中，根据实测轧制数据，实现在线故障诊断。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于非平衡数据的轧制过程故障诊断方法，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，具体方法为：

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：