[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

说明书

本发明公开了一种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，涉及生产过程的控制和监测技术领域。包括：获取待检测轧钢全流程的运行数据；根据运行数据，将轧钢全流程划分为若干子块；根据分布式故障检测方法对若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径；对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。本发明结合了专家知识和数据的优势，并结合模糊理论，进行主观修正，能够在检测到故障后，及时推理出故障的传播路径，定位到故障的最根本原因。

技术领域

本发明涉及生产过程的控制和监测技术领域，特别是指一种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。

背景技术

近年来，带钢热轧过程正朝着长流程、大规模、集成化、复杂化方向发展。带钢热轧全流程各设备关联复杂、过程变量之间耦合性强，全流程加工环节众多且相互影响。有时一个节点出现故障将直接影响到整个流程的生产，若相关故障不能及时诊断和排除将可能会造成重大的事故。因此，针对带钢热轧过程的复杂特性进行准确地根源诊断，并及时维修从而排除故障已成为热轧工业过程重要的研究内容。

故障诊断是一种重要的保证复杂系统可靠安全运行监测技术，故障溯源作为故障诊断的重要环节被用于定位故障位置和识别故障传播路径。由于轧钢过程的复杂特性，导致故障溯源存在困难。传统的故障溯源通常基于单一的专家知识或运行数据，专家知识的广泛内涵便于实现多学科知识的灵活集成，具有良好的可解释性，且知识作为一种数据和信息高度凝练的体现, 也往往意味着更高效的算法执行效率。但是在实际的复杂过程中，过程知识尚不完全清晰，获取代价高昂，且具有较高的主观性。因此，近年来基于数据的故障溯源方法得到了广泛的应用。基于运行数据的方法从数据中持续学习和进化、算法通用性强，但是在理论特性分析上往往存在困难, 难以确定变量间复杂的因果关系，其典型的“黑箱”特性也带来了可解释性差等问题。因此单一的基于专家知识或者基于数据的方法难以解决复杂的轧钢过程流程众多，变量关系复杂的问题。将专家知识和数据驱动两大类方法相结合, 利用各自优势, 形成知识与数据联合驱动的新方法，能够在故障溯源领域发挥更大的优势。但是现有的溯源方法中，知识和数据联合驱动的方法还没有得到有效的应用。

BN（Bayesian network，贝叶斯网络）是一种可以有效处理不确定性问题的推理方法，能够进行信息融合与表达，以其独特的不确定性知识表达形式、极强的概率表达能力、综合先验知识的增量学习特性，在故障诊断、数据挖掘等领域获得了成功应用。然而，BN在故障溯源应用较少，且在实际的应用中，BN的构建有如下困难：①节点变量及关系的确定困难。变量之间的关系错综复杂，有着多对多的因果关系，所以基于数据难以得到完整的因果关系。②条件概率获取困难。由于设备样本数据不够完善，导致隐藏的信息不完整，条件概率估计困难。基于此，需要结合机理和专家知识以及采集到的样本数据建立模糊贝叶斯网络，推理故障的完整传播路径。

发明内容

本发明针对现有的溯源方法中，知识和数据联合驱动的方法还没有得到有效的应用的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

一方面，本发明提供了一种基于专家知识与数据联合驱动的轧钢故障溯源方法，该方法由电子设备实现，该方法包括：

S1、获取待检测轧钢全流程的运行数据。

S2、根据运行数据，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若干子块进行故障检测，得到若干故障子块以及若干故障子块中每个故障子块的故障传播路径。

S4、对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。

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