[发明专利]基于不平衡数据深度学习的连退生产过程故障诊断方法

权利要求书

1.基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，包括以下步骤：

步骤1：采集连续退火生产过程中出现带钢跑偏故障时对应带钢的m项生产过程数据及相应的跑偏量，得到共有n个样本的数据集；

步骤2：针对步骤1中获得的数据集进行数据预处理，获得初始数据集D_primary；

步骤3：采用深度自编码网络对步骤2中获得的初始数据集的输入变量进行特征提取，获得特征提取网络；

步骤4：对步骤2中获得的数据集D_primary进行处理，以增加少数类故障数据的样本个数，获得四种类别跑偏量的样本数量大致相同的过采样数据集D_smote ；

步骤5：根据特征提取网络和过采样数据集D_smote，通过AdaBoost.M2集成方法，生成带钢跑偏故障诊断模型；

步骤6：实时采集带钢生产过程数据，将其输入到步骤5中得到的带钢跑偏故障诊断模型中，通过诊断模型对当前带钢可能出现的跑偏故障进行预测；所述步骤2包括如下步骤：

步骤2.1：对生产过程数据归一化处理，处理后数据作为初始数据集D_primary的输入变量；

步骤2.2：根据连续退火炉出口处带钢的跑偏量大小将其归类，并作为初始数据集D_primary的输出变量；所述步骤3包括如下步骤：

步骤3.1：以初始数据集D_primary为基础构建特征提取数据集D_feature；

步骤3.2：设置深度自编码网络的网络层数L及每层的节点数，学习率,初始化网络权重W和偏置b；

步骤3.3：通过BP算法，以最小化输入与输出之间的均方误差为目标在训练集D₁上训练深度自编码网络，并通过验证集D₂对其进行评估；

步骤3.4：截取步骤3.3中训练所得深度自编码网络的前层，保留其网络参数，即为带钢跑偏故障数据的特征提取网络。

2.根据权利要求1所述的基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，所述网络层数L至少为3且为奇数。

3.根据权利要求1所述的基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，所述深度自编码网络的结构以第层为中心呈对称分布，即第i层的节点数等于第层的节点数，其中；L为网络层数。

4.根据权利要求1所述的基于不平衡数据深度学习的连退生产过程故障诊断方法，其特征在于，在所述步骤4中，采用SMOTE方法对步骤2中获得的数据集D_primary进行处理。