一种带钢产线刷辊系统状态预测方法和装置与流程

摘要: 本发明涉及人工智能,特别涉及一种带钢产线刷辊系统状态预测方法和装置。背景技术:1、在带钢连续退火、酸洗、镀锌等表面处理工艺中,刷辊是控制带钢表面质量的核心执行部...
一种带钢产线刷辊系统状态预测方法和装置与流程

本发明涉及人工智能,特别涉及一种带钢产线刷辊系统状态预测方法和装置。

背景技术:

1、在带钢连续退火、酸洗、镀锌等表面处理工艺中,刷辊是控制带钢表面质量的核心执行部件。刷辊通过旋转毛刷清除带钢表面的氧化物、油污及杂质,其毛刷质量状态直接影响带钢的表面清洁度与后续涂层附着力。然而,刷辊在长期运行中受多变载荷、高温环境及化学清洗液的共同作用,毛刷易发生磨损、脱落甚至失效,若未能及时发现将导致批量带钢表面质量缺陷。

2、随着深度学习技术的发展,lstm、transformer等时序模型已经应用于工业设备的剩余寿命预测与状态评估。然而,现有方法仍存在以下不足:

3、(1)长序列建模效率低:传统rnn/lstm在处理长时间序列时存在梯度消失问题,transformer虽能捕捉长距离依赖但计算复杂度为o(n²),难以满足刷辊系统状态实时监测的低延迟要求。

4、(2)单向建模信息利用不充分:现有时间卷积网络(tcn)和lstm多为单向结构,仅利用历史信息预测未来状态,未能充分利用序列的全局双向上下文信息。

5、(3)物理机理与数据驱动割裂:刷辊退化受电机电流、辊子位置、清洗液种类、现场温度等多因素耦合影响,但现有纯数据驱动模型缺乏物理约束,预测结果可解释性差,难以获得现场工程师的信任。

6、(4)预测结果缺乏不确定性量化:工业现场决策需要的不只是一个点估计值,更需要知道预测的置信度,以便制定合理的维护策略。

7、为此,亟需一种能高效处理长序列、充分利用双向信息、融合物理机理约束并提供不确定性量化的刷辊系统状态预测方法。

技术实现思路

1、有鉴于此,本技术实施例提供了一种带钢产线刷辊系统状态预测方法和装置,通过bi-mamba编码器利用已有的刷辊系统状态序列的全局双向上下文信息,高效预测带钢产线当前的刷辊系统状态,而且通过物理约束矩阵对bi-mamba编码器预测的刷辊系统隐藏状态每个维度自衰减/自增强速率进行约束,提高刷辊系统状态预测准确性,还通过变分自编码器将物理约束后隐藏状态映射为刷辊系统状态分布,获得预测的置信度,以便制定合理的维护策略。

2、为达到上述目的,本技术第一方面提供了一种带钢产线刷辊系统状态预测方法,包括:采集当前的刷辊工艺参数,所述刷辊工艺参数包括下列之一:电机电流、辊子位置、清洗液种类、现场温度;根据当前的刷辊工艺参数和上一时刻的刷辊系统状态,通过刷辊系统状态预测模型的bi-mamba编码器输出刷辊系统状态空间中当前隐藏状态;其中,所述预测模型通过以历史的刷辊工艺参数和刷辊系统状态为样本训练获得;所述bi-mamba编码器中每个时刻的状态矩阵被同时刻的物理约束矩阵约束,每个时刻的物理约束矩阵根据同时刻的刷辊工艺参数构建;根据所述当前隐藏状态,通过所述预测模型中的变分自编码器输出当前的刷辊系统状态分布,所述刷辊系统状态至少包括正常运行、调整刷辊位置 、更换毛刷。

3、由上,通过bi-mamba编码器利用已有的刷辊系统状态序列的全局双向上下文信息,高效预测带钢产线当前的刷辊系统状态,而且通过物理约束矩阵对bi-mamba编码器预测的刷辊系统隐藏状态每个维度自衰减/自增强速率进行约束,提高刷辊系统状态预测准确性,还通过变分自编码器将物理约束后隐藏状态映射为刷辊系统状态分布,获得预测的置信度,以便制定合理的维护策略。

4、在第一方面的一种可能实施方式中,还包括:根据每个时刻的刷辊工艺参数,获得该时刻的刷辊工艺参数的原始序列;通过第一卷积核对所述原始序列进行移动平均,获得所述序列的均值序列;通过第二卷积核对所述原始序列进行差分操作,获得所述序列的差分序列;第一卷积核的尺寸大于第二卷积核;将所述原始序列、所述均值序列和所述差分序列拼接后输入所述bi-mamba编码器。

5、由上,在bi-mamba中引入多尺度设计,引入原序列、均值序列和差分序列,捕捉刷辊退化过程中不同时间尺度的特征,以精确预测刷辊系统隐藏状态。

6、在第一方面的一种可能实施方式中,每个时刻的物理约束矩阵为对角阵,构建每个时刻的物理约束矩阵的流程包括:根据该时刻的工艺参数,获得该时刻的物理约束值,每个时刻的物理约束值随该时刻的电机电流、辊子位置、清洗液种类与现场温度的乘积线性变化,每个线性系数在训练所述预测模型时获得;通过sigmoid函数,将所述物理约束值映射到[0,1]区间,获得该时刻的物理约束矩阵在对角线上每个元素的值。

7、由上,通过物理约束矩阵约束每个隐藏状态维度的“自衰减/自增强”速率,而不约束不同维度之间的交叉耦合,实现以物理条件为bi-mamba编码器的边界约束。

8、在第一方面的一种可能实施方式中,训练所述预测模型的损失函数至少包括下列损失函数的加权和:所述bi-mamba编码器的前向与后向分支的隐藏特征的一致性损失函数;所述预测模型的预测结果与刷辊基于物理机理约束的损失函数;所述变分自编码器中潜在变量分布逼近标准正态分布时基于kl散度的损失函数;所述预测模型的预测结果基于负对数似然的损失函数。

9、由上,在损失函数中增加物理约束正则项,增强物理一致性;在损失函数中增加变分自编码器的正则化项,约束潜在变量的分布逼近标准正态分布,降低过拟合的风险;在损失函数中增加bi-mamba前向与后向分支提取特征一致性损失,提高了bi-mamba前向与后向分支在隐藏空间中的一致性。

10、在第一方面的一种可能实施方式中,根据所述当前物理约束后的隐藏状态,通过所述预测模型中的变分自编码器输出当前的刷辊系统状态分布,包括:根据当前物理约束后的隐藏状态,通过所述变分自编码器输入部分的两个并行的全连接网络,分别获得所述变分自编码器中当前潜在变量的均值和对数方差;根据所述均值和对数方差,通过所述变分自编码器输出部分的全连接网络将所述当前潜在变量映射为所述刷辊系统状态分布。

11、由上,通过变分自编码器后预测模型不再输出固定的特征向量,而是输出一个预测分布,并强制这个分布向标准正态分布靠拢,这相当于给特征空间加了一个“软约束”,迫使模型忽略高频噪声,使得预测模型在现场噪声环境下预测平稳。

12、在第一方面的一种可能实施方式中,在训练所述预测模型中各网络参数时,至少采取下列之一方式:通过自学习方式获得所述bi-mamba编码器中的离散化步长;通过重参数化方式对所述潜在变量基于高斯分布进行采样;训练所述预测模型时通过mae、rmse和picp评估所述预测模型的准确率。

13、由上,为保障梯度可反向传播,变分自编码器采用重参数化技巧,实现在训练过程中梯度可反向传播;通过mae、rmse和picp不仅评估预测模型的准确性,还评估预测模型的在干扰下的置信度。

14、在第一方面的一种可能实施方式中,还包括:根据当前刷辊系统状态分布,获得当前对刷辊的操作建议,所述操作建议至少包括下列之一:正常运行、调整刷辊位置 、更换毛刷、人工复核。

15、由上,根据预测的当前刷辊系统状态分布,当传感器数据混乱或工况超出训练集范围时,触发“不确定”状态,提醒人工复核。

16、为达到上述目的,本技术第二方面提供了 一种带钢产线刷辊系统状态预测装置,包括:获取模块,用于采集当前刷辊工艺参数,所述工艺参数包括下列之一:电机电流、辊子位置、清洗液种类、现场温度;预测模块,用于根据当前的刷辊工艺参数和上一时刻的刷辊系统状态,通过刷辊系统状态预测模型的bi-mamba编码器输出刷辊系统状态空间中当前隐藏状态,所述bi-mamba编码器中每个时刻的状态矩阵被同时刻的物理约束矩阵约束,每个时刻的物理约束矩阵根据同时刻的刷辊工艺参数构建;还用于根据所述当前隐藏状态,通过所述预测模型中的变分自编码器输出当前的刷辊系统状态分布,所述刷辊系统状态至少包括正常运行、调整刷辊位置 、更换毛刷;训练模块,用于以历史的刷辊工艺参数和刷辊系统状态为样本训练所述预测模型。

17、由上,通过bi-mamba编码器利用已有的刷辊系统状态序列的全局双向上下文信息,高效预测带钢产线当前的刷辊系统状态,而且通过物理约束矩阵对bi-mamba编码器预测的刷辊系统隐藏状态每个维度自衰减/自增强速率进行约束,提高刷辊系统状态预测准确性,还通过变分自编码器将物理约束后隐藏状态映射为刷辊系统状态分布,获得预测的置信度,以便制定合理的维护策略。

18、在第二方面的一种可能实施方式中,所述预测模块还用于根据每个时刻的刷辊工艺参数,获得该时刻的刷辊工艺参数的原始序列;通过第一卷积核对所述原始序列进行移动平均,获得所述序列的均值序列;通过第二卷积核对所述原始序列进行差分操作,获得所述序列的差分序列;第一卷积核的尺寸大于第二卷积核;将所述原始序列、所述均值序列和所述差分序列拼接后输入所述bi-mamba编码器。

19、由上,在bi-mamba中引入多尺度设计,引入原序列、均值序列和差分序列,捕捉刷辊退化过程中不同时间尺度的特征,以精确预测刷辊系统隐藏状态。

20、在第二面的一种可能实施方式中,每个时刻的物理约束矩阵为对角阵,所述预测模块还用于构建每个时刻的物理约束矩阵,具体包括:根据该时刻的工艺参数,获得该时刻的物理约束值,每个时刻的物理约束值随该时刻的电机电流、辊子位置、清洗液种类与现场温度的乘积线性变化,每个线性系数在训练所述预测模型时获得;通过sigmoid函数,将所述物理约束值映射到[0,1]区间,获得该时刻的物理约束矩阵在对角线上每个元素的值。

21、由上,通过物理约束矩阵约束每个隐藏状态维度的“自衰减/自增强”速率,而不约束不同维度之间的交叉耦合,实现以物理条件为bi-mamba编码器的边界约束。

22、在第二方面的一种可能实施方式中,训练所述预测模型的损失函数至少包括下列损失函数的加权和:所述bi-mamba编码器的前向与后向分支的隐藏特征的一致性损失函数;所述预测模型的预测结果与刷辊基于物理机理约束的损失函数;所述变分自编码器中潜在变量分布逼近标准正态分布时基于kl散度的损失函数;所述预测模型的预测结果基于负对数似然的损失函数。

23、由上,在损失函数中增加物理约束正则项,增强物理一致性;在损失函数中增加变分自编码器的正则化项,约束潜在变量的分布逼近标准正态分布,降低过拟合的风险;在损失函数中增加bi-mamba前向与后向分支提取特征一致性损失,提高了bi-mamba前向与后向分支在隐藏空间中的一致性。

24、在第二方面的一种可能实施方式中,所述预测模块根据所述当前物理约束后的隐藏状态,通过所述预测模型中的变分自编码器输出当前的刷辊系统状态分布,包括:根据当前物理约束后的隐藏状态,通过所述变分自编码器输入部分的两个并行的全连接网络,分别获得所述变分自编码器中当前潜在变量的均值和对数方差;根据所述均值和对数方差,通过所述变分自编码器输出部分的全连接网络将所述当前潜在变量映射为所述刷辊系统状态分布。

25、由上,通过变分自编码器后预测模型不再输出固定的特征向量,而是输出一个预测分布,并强制这个分布向标准正态分布靠拢,这相当于给特征空间加了一个“软约束”,迫使模型忽略高频噪声,使得预测模型在现场噪声环境下预测平稳。

26、在第二方面的一种可能实施方式中,所述训练模块在训练所述预测模型中各网络参数时,至少采取下列之一方式:通过自学习方式获得所述bi-mamba编码器中的离散化步长;通过重参数化方式对所述潜在变量基于高斯分布进行采样;训练所述预测模型时通过mae、rmse和picp评估所述预测模型的准确率。

27、由上,为保障梯度可反向传播,变分自编码器采用重参数化技巧,实现在训练过程中梯度可反向传播;通过mae、rmse和picp不仅评估预测模型的准确性,还评估预测模型的在干扰下的置信度。

28、在第二方面的一种可能实施方式中,所述预测模块还用于根据当前刷辊系统状态分布,获得当前对刷辊的操作建议,所述操作建议至少包括下列之一:正常运行、调整刷辊位置 、更换毛刷、人工复核。

29、由上,根据预测的当前刷辊系统状态分布,当传感器数据混乱或工况超出训练集范围时,触发“不确定”状态,提醒人工复核。

30、为达到上述目的,本技术第三方面提供了一种计算设备,包括,

31、总线;

32、通信接口,其与所述总线连接;

33、至少一个处理器,其与所述总线连接;以及

34、至少一个存储器,其与所述总线连接并存储有程序指令,所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行本技术第一方面任一实施方式所述方法。

35、为达到上述目的,本技术第四方面提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令当被计算机执行时使得所述计算机执行第一方面任一实施方式所述方法。