[发明专利]基于专家知识与数据联合驱动的轧钢故障溯源方法及装置

权利要求书

1.一种基于专家知识与数据联合驱动的轧钢故障溯源方法，其特征在于，所述方法包括：

S1、获取待检测轧钢全流程的运行数据；

S2、根据所述运行数据，将轧钢全流程划分为若干子块；

S3、根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障传播路径；

S4、对所述每个故障子块的故障传播路径进行融合，得到轧钢全流程的故障溯源结果；

所述S3中的根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障传播路径，包括：

S31、根据分布式故障检测方法对所述若干子块进行故障检测，得到若干故障子块以及所述若干故障子块中每个故障子块的故障变量；

S32、根据所述每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构；

S33、根据所述每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径；

所述S32中的根据所述每个故障子块的故障变量，确定每个故障子块的贝叶斯网络结构，包括：

S321、将所述每个故障子块的故障变量作为所述故障子块的贝叶斯网络的节点，构建初步的贝叶斯网络结构，并确定所述节点中两两节点间的因果关系；

S322、根据多位专家的经验知识估计所述因果关系的强度；其中，所述因果关系的强度用连接强度矩阵表示；

S323、对所述连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵；

S324、根据互信息值对所述加权后的连接强度矩阵中的元素进行修正，得到修正后的连接强度矩阵；

S325、根据所述修正后的连接强度矩阵以及预设强度阈值，对所述初步的贝叶斯网络结构进行调整，得到每个故障子块的贝叶斯网络结构。

2.根据权利要求1所述的方法，其特征在于，所述S323中的对所述连接强度矩阵中的元素进行加权，得到加权后的连接强度矩阵，包括：

S3231、根据层次分析法以及对多位专家给出的判断矩阵进行求最大特征根的方式，进行判断矩阵的一致性检验，得到满足一致性检验的判断矩阵；

S3232、根据所述满足一致性检验的判断矩阵，计算多位专家中的每位专家的权重因子；

S3233、根据所述每位专家的权重因子，对所述连接强度矩阵中的元素逐一进行加权处理，得到加权后的连接强度矩阵。

3.根据权利要求1所述的方法，其特征在于，所述S324中的互信息值的计算方法，如下式（1）所示：

          （1）

其中，为变量x和变量y的互信息值，为变量x和变量y的联合密度；为变量x的边缘密度；为变量y的边缘密度。

4.根据权利要求1所述的方法，其特征在于，所述S33中的根据所述每个故障子块的贝叶斯网络结构、专家知识和模糊数理论，确定每个故障子块的故障传播路径，包括：

S331、获取多个专家给出的初始先验概率值；

S332、根据每位专家的权重因子对所述初始先验概率值进行加权，得到先验概率；

S333、根据模糊数理论估计节点间的条件概率；

S334、根据所述先验概率以及条件概率，得到节点间的后验概率；

S335、根据所述后验概率，确定每个故障子块的故障传播路径。