[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有效

专利信息
申请号: 202011417539.9 申请日: 2020-12-07
公开(公告)号: CN112598026B 公开(公告)日: 2023-09-22
发明(设计)人: 唐立新;王显鹏;胡腾辉 申请(专利权)人: 东北大学
主分类号: G06N20/20 分类号: G06N20/20;G06F18/2415;G06F18/214;G06N3/048;G06N3/084;G05B23/02;G06Q50/04
代理公司: 沈阳东大知识产权代理有限公司 21109 代理人: 梁焱
地址: 110819 辽宁*** 国省代码: 辽宁;21
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 不平衡 数据 深度 学习 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Dprimary

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Dprimary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Dsmote ;

步骤5:根据特征提取网络和过采样数据集Dsmote,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Dprimary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Dprimary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Dprimary为基础构建特征提取数据集Dfeature

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Dprimary进行处理。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011417539.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top