[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

说明书

本发明公开了基于不平衡数据深度学习的连退生产过程故障诊断方法，属于钢铁企业连续退火生产过程的自动控制技术领域。通过深度自编码网络建立连退带钢生产过程数据的特征提取模型，将原始高维输入属性空间映射到低维子空间；采用SMOTE过采样方法对跑偏故障数据进行处理，以现有样本为基础合成新的少数类样本；将以特征提取模型为基础构建的深度神经网络作为子学习机，并利用过采样后得到的平衡数据集，使用AdaBoost.M2算法训练得到用于连退生产过程的带钢跑偏预测的集成学习故障诊断模型。可提高带钢跑偏预测的准确性，尤其提高少数类样本故障检测的准确性，能够帮助现场操作人员及时对连退生产过程进行调节，避免出现生产事故。

技术领域

本发明属于钢铁企业连续退火生产过程的自动控制技术领域，特别涉及一种连续退火生产过程故障诊断方法。

背景技术

在钢铁企业当中，冷轧连续退火生产线将酸洗、轧制、脱脂、退火、精整等一系列工艺流程集中在一条机组生产线中进行连续生产。相较于传统的罩式退火而言，连续退火具有生产效率高、产品成品率高等优点。在连续退火生产过程中，不断供应的钢卷被开卷机依次打开并首尾相接地焊接在一起，然后进入到连续退火炉当中进行退火处理以消除冷轧带钢的内应力。在上述过程中，由于带钢板型、温度、张力的波动及生产设备的磨损、误差等问题，带钢可能会出现打滑而偏离中心的现象，即跑偏。虽然当前有一部分连续退火机组安装了纠偏辊来应对跑偏问题，但当跑偏量过大时，纠偏辊也无法完成纠偏，这时如果不及时通过操作人员进行手工纠偏，则会出现断带等生产事故，造成整个连退生产线停产，严重影响企业经济效益。因此，如果能够通过连退生产过程所记录的数据提前判断出带钢是否会出现跑偏及跑偏的程度，对于指导连退机组的正常生产具有重大的意义。

根据连续退火炉出口处带钢跑偏量的大小，可以将带钢跑偏故障数据大致分为I、II、III和IV类四个类别：I类为略微跑偏故障数据，II类为轻度跑偏故障数据，III类为中度跑偏故障数据，IV类为严重跑偏故障数据，其中I类样本的出现概率最大，III类样本的出现概率最小。因此，通常采集的带钢跑偏故障数据集是一个不平衡数据集。专利号为CN107541597 B的中国发明专利《连续退火机组均热炉的带钢跑偏检测与诊断方法》提供了一种基于PCA的模型，通过计算两个统计量T²和SPE的控制限对带钢进行跑偏检测。但是其并未考虑到带钢跑偏数据的不平衡问题对跑偏检测模型精度存在的影响，因此如何充分利用不平衡数据集挖掘出带钢跑偏故障与连退生产过程数据的关系也是一个亟待解决的关键问题。

发明内容

针对现有技术存在的不足，本发明提供一种基于不平衡数据深度学习的连退生产过程故障诊断方法。

本发明的技术方案是：

基于不平衡数据深度学习的连退生产过程故障诊断方法，包括如下步骤：

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。