[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
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 | ||
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
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
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
步骤5:根据特征提取网络和过采样数据集
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
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
步骤3.1:以初始数据集
步骤3.2:设置深度自编码网络的网络层数
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
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
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
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
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。
- 数据显示系统、数据中继设备、数据中继方法、数据系统、接收设备和数据读取方法
- 数据记录方法、数据记录装置、数据记录媒体、数据重播方法和数据重播装置
- 数据发送方法、数据发送系统、数据发送装置以及数据结构
- 数据显示系统、数据中继设备、数据中继方法及数据系统
- 数据嵌入装置、数据嵌入方法、数据提取装置及数据提取方法
- 数据管理装置、数据编辑装置、数据阅览装置、数据管理方法、数据编辑方法以及数据阅览方法
- 数据发送和数据接收设备、数据发送和数据接收方法
- 数据发送装置、数据接收装置、数据收发系统、数据发送方法、数据接收方法和数据收发方法
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置