[发明专利]一种精轧全流程运行状态综合评估方法

说明书

本发明公开了一种精轧全流程运行状态综合评估方法，包括：获取以往精轧全流程中产生的历史样本数据，建立历史样本数据库；将精轧全流程划分成上游子系统、中游子系统和下游子系统共三个子系统；分别构建各子系统对应的运行状态评估模型，并基于历史样本数据库对构建好的各子系统对应的运行状态评估模型进行训练，利用各子系统对应的训练好的运行状态评估模型，分别实现各子系统的运行状态评估；将各子系统的运行状态评估结果进行融合，实现精轧全流程运行状态评估。本发明可及时、准确的对生产过程的运行状态进行有效的监控和判断；旨在面向现代流程工业运行状态评估中的关键性挑战问题，探索切实有效的解决方略，具有重要的实际应用与推广价值。

技术领域

本发明涉及工业生产过程的控制和监测技术领域，特别涉及一种精轧全流程运行状态综合评估方法。

背景技术

随着自动化和信息技术的发展，现代工业过程变得越来越集成化和复杂化。由于原料变化、设备老化、运行环境变化等不确定性因素，工业过程可能会逐渐偏离最优工作点，进入非优运行状态，影响企业的经济效益。因此，开发有效的过程运行状态评估方法是过程监控的必然趋势和改进的迫切需要。以精轧全流程为例，可以进一步加深对工业过程运行状态评估必要性与重要性的认识。

精轧全流程自动化程度高，主要设备紧密连接，流线型布局。由于原材料的频繁变化和工作模式的剧烈波动，精轧全流程具有与生俱来的非线性和动态特性。精轧全流程主要由七个机架组成，通过对工艺知识的深入研究，可将其划分为上游、中游和下游三个子系统。在正常的生产过程中，任何一个工作区域的非优运行状态都会影响到整个生产线和最终产品的质量，因此有必要对其运行状态进行实时评估。此外，一旦发生故障，还需要有效地识别故障的类型和严重程度，针对不同的故障制定不同的维护策略。例如，上游机架故障引起的厚度异常可以通过后续机架的轧制作业调整得到一定程度的补偿，这种微小故障无需报警。但是，当故障难以补偿而导致中下游机架输出厚度异常时，需要对故障进行报警和设备维护。一旦执行维修操作，整个精轧全流程必须停产，板坯必须在加热炉中长时间加热。这不仅会导致板坯过度氧化，降低产品成品率，还会降低产品质量，造成生产浪费和巨大的经济损失。

为了同时处理过程非线性和动态性问题，长短期记忆(long short-term memory,LSTM)网络得到了广泛应用。与传统的递归神经网络(recurrent neural network,RNN)相比，LSTM可以解决梯度消失和梯度爆炸问题。但LSTM模型结构复杂，训练时间长。

此外，传统的过程监测方法往往关注如何区分“正常”和“故障”两种运行工况，这一粗狂的评估方法显然不能满足实际生产需求。运行状态评估是在过程监测的基础上，通过分析生产过程中工艺状态参数的异常、操作控制中可能出现的偏差，对过程故障严重程度和运行性能的优劣程度进行更为精细的评估。近年来，运行状态评估逐渐受到学术界和工业界的广泛重视。现有方法主要可分为基于定量信息的评估方法、基于定性信息的评估方法两大类。多元统计方法是一种应用最广泛的定量评价方法，适用于过程先验知识较少的过程。而基于概率框架下的评估方法则需要先验知识辅助确定概率密度函数。基于神经网络的方法由于其学习能力和非线性处理能力强，受到研究者的青睐。基于定性信息的评估方法处理以定性信息为主的异常工况评估问题，最常用的处理定性信息的方法有贝叶斯网络、模糊理论和粗糙集理论等。

严格地说，大多数工业过程变量并不是线性关系。特别是由于运行状态的变化，过程变量间的非线性变得越来越明显。传统的线性方法不能有效地提取和分析过程潜在特征。

因此，非线性方法近年来得到了广泛的应用。在全潜结构投影(TPLS)的基础上，核全潜结构投影(TKPLS)被提出并应用于湿法冶金过程。为了避免繁琐的数据对齐工作，基于非线性最优相关变异信息(NORVI)的评估方法被提出。随着深度学习的发展，基于深度神经网络的评估方法得到了关注，颜学峰等人利用自编码器(AE)提取非线性特征，并建立了相应的非线性过程监测模型。(非线性)