[发明专利]一种基于D-S证据理论的退火加热过程的多模态识别方法

说明书

本发明提供了一种基于D‑S证据理论的退火加热过程的多模态识别方法，包括：根据冷轧带钢连续退火生产工艺确定带钢在连续退火炉内加热时的生产运行模态及关键变量；确定关键变量的数据分布特征，建立关键变量的状态检测模型；基于D‑S证据理论，采用状态检测模型对关键变量进行状态检测；根据状态及多模态识别策略，对冷轧带钢连续退火加热过程的模态进行识别。本申请所提出的技术方案由计算机代替中控人员对带钢进行退火加热时的生产状态进行识别，减少了人力，降低了人工识别主观性带来的误差；采用D‑S证据理论解决了置信区间法阈值带来的局限性，提高了模型应用的泛化能力和关键变量的实际状态的检测准确度。

技术领域

本发明涉及过程控制技术领域，尤其涉及一种基于D-S证据理论的退火加热过程的多模态识别方法。

背景技术

随着近年来我国钢铁企业的同质化竞争日益激烈，高品质钢铁的生产受到到越来越多的重视。其中冷轧带钢是高品质钢材的代表之一。连续退火过程(CAP)，即带钢连续退火炉对各种组合的带钢进行加热处理的过程，是冷轧带钢生产线上最关键的一道工序，直接关系着最终带钢产品的质量。

为提高带钢的质量，就需要保证CAP的稳定性、均匀性和一致性，从而需要对不同生产状态下的建模、控制和优化方法进行研究。虽然近年来针对该过程中建模、控制、优化方面已有大量研究，但这些研究大都假设在某类生产状态的前提下，并没有解决该过程中不同生产状态区分及识别的问题。而实际生产状态是系统模型运行性能的评估、系统的模拟及优化的前提。不同的生产状态对应不同的操作方案，以保证连退生产线的正常运行及带钢的成品质量。

所以面对CAP这个实际工程对象，提出有针对性的检测方法去识别该过程的生产状态就显得尤为重要。由于工业过程的复杂性，目前对于生产状态的区分并没有统一的定义，不同的工业对象需要根据其实际工艺特性去分析并识别。一种用于工业过程的状态区分并识别的方法是利用该过程的机理模型。但随着连续退火生产线上带钢规格不断增加，其现场生产方式更加复杂，使得机理模型无法获取，或简化的模型难以描述实际的连退生产过程；另一方面，随着近年来大数据研究技术的不断发展和成熟，越来越多的研究也开始利用工业过程中的海量数据资源去区分并识别该过程的不同生产状态。但是仅凭基于数据驱动的方法并不具有较强的物理可解释性，导致对生产过程的控制没有实用参考价值。

为此，对于CAP中生产状态的区分及识别尚缺乏研究的现状，本文将根据该过程的工艺特点，结合现场经验和大量历史数据，详细分析该过程存在的不同生产状态，并根据关键参数的特征，提出一种基于多特征参数检测的生产状态识别方法，旨在为该过程不同生产状态的在线识别提供参考，同时对CAP后续的研究工作提供支持。

对于每个关键变量，若直接使用一种训练好的界定值、阈值或窗口长度等等单一尺度特征建立检测模型，那么该检测模型就具有较差的泛化能力和较强的局限性。因为实际环境中的关键变量状态是复杂多变的，单一尺度特征的检测信息有较大的局限性(并不能完全适用于全部目标生产模态信息)。以板温为例，针对同一时间段的生产数据，采用具有不同窗口长度或不同标准区间边界的同种算法模型的时候，检测结果也不全相同，可以看出，选择不同尺度特征(如窗口长度等)建立的训练模型对该参数状态的判别结果或有差异，该差异最终会导致对生产模态的误判。通过训练建立的模型对观测尺度有着很强的依赖性，不同尺度下，模型检测到的状态信息不尽相同。

发明内容

为了获得更多的状态特征并降低检测模型的局限性，本申请提供了一种基于D-S证据理论的退火加热过程的多模态识别方法；将在单一尺度上进行状态检测拓展到在多个尺度上进行状态检测，同时考虑到在线实时性的问题，利用D-S证据理论将不同尺度下的特征状态信息进行融合，建立对单一参数状态检测的决策框架，提高基于单一尺度检测模型的检测性能，同时降低单一尺度下判别太过绝对导致判别效果不精确的风险。

包括以下步骤：