一种精轧全流程运行状态综合评估方法与流程

1.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：

2.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。
3.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。
4.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。
5.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。
6.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。
7.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)
8.传统的运行状态评估方法往往假设过程数据是静态的，忽略了变量的时间相关性。现代工业过程通常具有动态特性，它与过程的内部机制密切相关，包括过程的运行阶段、物理和化学反应机制、噪声和干扰等。为了解决这一问题，相关学者提出了许多动态模型。邹筱瑜和赵春晖采用协整分析的方法分析了动态过程的长期均衡关系。秦泗钊等人提出了一种新的动态主成分分析(dipca)模型，用于动态数据建模和过程监控。张淑美等人利用典型变量分析(cva)和慢特征分析(sfa)对动态过程运行状态进行了精准识别。(动态性)
9.由于仪表故障、过程执行器故障、操作不当等引起的异常情况可能导致整个系统的瘫痪，甚至是灾难性事故，仅采用常规的运行状态评估是不充分的。异常工况下的故障程度评估同样重要。而现有技术难于在非线性与动态性并存的精轧全流程中完成正常工况下运行状态等级评估和异常工况下故障程度评估。因此，有必要研究运行状态综合评估，所谓综合评估包括两个层次：其一，该方法能够同时处理过程的非线性和动态特性；其二，该方法可以有效地评估正常工况下的运行状态等级(优/良/中/差)和异常工况下的故障程度(微小故障/中等故障/严重故障)，如图1所示。


技术实现要素：

10.本发明提供了一种精轧全流程运行状态综合评估方法，以解决现有技术所存在的难于在非线性与动态性并存的精轧全流程中完成正常工况下运行状态等级评估和异常工况下故障程度评估的技术问题。
11.为解决上述技术问题，本发明提供了如下技术方案：
12.一方面，本发明提供了一种精轧全流程运行状态综合评估方法，包括：
13.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；
14.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；
15.分别构建各子系统所对应的运行状态评估模型，并基于所述历史样本数据库，对构建好的各子系统所对应的运行状态评估模型进行训练，利用各子系统所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；
16.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。
17.进一步地，所述精轧全流程包括第一机架、第二机架、第三机架、第四机架、第五机架、第六机架以及第七机架；
18.所述历史样本数据包括以往生成不同钢种、不同板厚的钢板时，第一机架、第二机架、第三机架、第四机架、第五机架、第六机架和第七机架各机架对应的辊缝、轧制力、轧制速度、电流、电压以及第二机架、第三机架、第四机架、第五机架、第六机架和第七机架各机架对应的弯辊力。
19.进一步地，所述上游子系统包括第一机架、第二机架和第三机架；所述中游子系统
包括第四机架和第五机架；所述下游子系统包括第六机架和第七机架。
20.进一步地，所述运行状态评估模型为将暹罗神经网络(siamese neural network，snn)与门控循环单元(gated recurrent unit，gru)结合后形成的暹罗门控循环单元网络(siamese gated recurrent unit，sgru)。
21.进一步地，sgru有两个输入：s
in
和s
re
；其中，s
in
为训练集的样本，s
re
为从训练集中随机抽取的参考样本，用于计算相似度；
22.gru编码解码器用于提取s
in
和s
re
的动态非线性特征和
[0023][0024]
式中，和表示gru的更新门控，和表示候选状态；和被转移到译码器gru中，输出和为重构序列数据；表示t-1时刻的动态非线性特征，t表示时间序列长度。
[0025]
进一步地，sgru分为相似度比较单元和分类单元；其中，
[0026]
在所述相似度比较单元，通过计算与的欧氏距离，来比较动态非线性特征的相似性s：
[0027][0028]
在所述分类单元，全连接层使用softmax函数进行故障辨识和运行状态评估；表示输入被识别为k类的概率，k类分类器的输出为：
[0029][0030]
式中k表示类别数，表示softmax模型参数；表示gru编码解码器提取的动态非线性特征。
[0031]
进一步地，基于所述历史样本数据库，对构建好的各子系统所对应的运行状态评估模型进行训练，包括：
[0032]
按照历史样本数据所对应的子系统，将所述历史样本数据库中的数据划分为上游子系统数据集、中游子系统数据集和下游子系统数据集；
[0033]
利用主成分分析算法对各子系统对应的数据集分别进行压缩变换，得到上游子系统对应的压缩变换后的数据集x
上
、中游子系统对应的压缩变换后的数据集x
中
，以及下游子系统对应的压缩变换后的数据集x
下
；
[0034]
构建各子系统对应的融合数据集，得到上游子系统融合数据集i
上
、中游子系统融合数据集i
中
和下游子系统融合数据集i
下
；其中，
[0035][0036]
式中，p
中
为x
中
对应的压缩矩阵，p
下
为x
下
对应的压缩矩阵，p
上
为x
上
对应的压缩矩阵；
[0037]
采用滑动窗口将i
上
、i
中
和i
下
分别构造为时间序列数据；
[0038]
利用i
上
、i
中
和i
下
对应的时间序列数据分别对上游子系统、中游子系统和下游子系统对应的运行状态评估模型进行训练，得到训练好的运行状态评估模型。
[0039]
进一步地，在构建出各子系统对应的融合数据集后，所述方法还包括：
[0040]
构建符合子系统互联的机理结构矩阵s；
[0041]
根据机理结构矩阵s，各子系统对应的融合数据集按如下规则更新：
[0042][0043]
式中，s
ib
表示机理结构矩阵s中第i行第b列对应的元素，pi表示xi对应的压缩矩阵，i,b∈{上，中，下}。
[0044]
进一步地，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，包括：
[0045]
根据带钢产品的厚度偏差将运行状态分为优、良、中、差四个等级，分别采用序号1，2，3，4表示；故障类型分别为故障1、故障2
……
故障f，将各故障类型接续编号为5，6，
……
，f 4；
[0046]
在t时刻，将上游子系统的运行状态评估结果g
上
(t)、中游子系统的运行状态评估结果g
中
(t)和下游子系统的运行状态评估结果g
下
(t)进行如下融合，得到：
[0047]
g(t)＝max{g
上
(t),g
中
(t),g
下
(t)}
[0048]
其中，g(t)表示全局评估结果；
[0049]
基于g(t)，确定运行状态和故障类型。
[0050]
进一步地，所述基于g(t)，确定运行状态和故障类型，包括：
[0051]
如果g(t)＝1，则确定过程处于最优运行状态；
[0052]
如果1＜g(t)≤4，则确定过程处于非优运行状态；
[0053]
如果g(t)＞4，则确定过程处于异常状态，此时按以下规则对故障程度评估：
[0054]
若g
下
(t)＞4，表示出现严重故障，此时需要停止整条生产线，对有故障的设备进行维修，以确保生产安全和产品质量；
[0055]
若g
中
(t)＞4，表示出现中等故障，此时发出故障警告；
[0056]
若g
下
(t)≤4，则待当前批次完成后进行维护；
[0057]
若g
上
(t)＞4，表示出现微小故障，此时记录评估结果，并在停机期间维护。
[0058]
另一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0059]
再一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0060]
本发明提供的技术方案带来的有益效果至少包括：
[0061]
本发明提供的精轧全流程运行状态综合评估方法是一种分布式运行状态综合评估方法，该方法为基于数据与知识的精轧全流程运行状态评估提供了新的思路和途径，弥补了传统运行状态评估方法难以解决的非线性与动态性并存的精轧全流程运行状态评估问题，旨在面向现代流程工业运行状态评估和故障程度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。相比于传统的运行状态评估方法，本发明的评估准确率提高了6％。
附图说明
[0062]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1是精轧综合运行状态评估内涵示意图；
[0064]
图2是本发明实施例提供的精轧全流程运行状态综合评估方法的执行流程示意图；
[0065]
图3是精轧全流程示意图；
[0066]
图4是本发明实施例提供的精轧全流程运行状态综合评估方法的具体执行流程示意图；
[0067]
图5是本发明实施例提供的sgru网络结构示意图；
[0068]
图6是通过本发明实施例提供的精轧全流程运行状态综合评估方法所实现的分布式综合评估系统示意图；
[0069]
图7是通过本发明实施例提供的评估方法进行评估的评估结果示意图。
具体实施方式
[0070]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0071]
第一实施例
[0072]
本实施例提供了一种精轧全流程运行状态综合评估方法，该方法可以由电子设备实现，该方法的执行流程如图2所示，包括以下步骤：
[0073]
s1，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；
[0074]
需要说明的是，精轧全流程共包括7个机架；基于此，本实施例所获取的历史样本数据为以往生成不同钢种、不同板厚的钢板时所产生的各种运行状态等级数据组，具体地，该数据组包括1-7机架的辊缝、轧制力、轧制速度、电流、电压，以及2-7机架的弯辊力(1机架无弯辊力)等过程变量。
[0075]
s2，在精轧工艺知识和物质流、能量流、信息流传递关系的基础上，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；
[0076]
需要说明的是，精轧全流程由多台生产设备组成，相互配合，相互联系。对此，本实施例将机架1、机架2和机架3划分为上游子系统；将机架4和机架5划分为中游子系统；将机
network，snn)与门控循环单元(gated recurrent unit，gru)结合后形成的暹罗门控循环单元网络(siamese gated recurrent unit，sgru)。
[0094]
其中，gru与snn的具体结合如图5所示，snn有两个输入(时间序列s
in
和时间序列s
re
)，将两个输入进入两个神经网络(gru
in
和gru
re
)，这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示。通过损失函数的计算，评价两个输入的相似度。
[0095]
作为lstm的一种变体，门控循环单元(gated recurrent unit,gru)网络结构中的细胞状态被移除，并使用隐藏状态来传输信息，其网络性能与lstm相似，却具有较低的计算复杂度。从分类的角度看，运行状态评估是一个多分类的问题。暹罗神经网络(siamese neural network,snn)是一种广泛用于比较样本相似性的方法。它是由两个相同的网络并行组成的对称网络，其中权值和阈值是共享的。snn的主要目的是使来同类样本间的距离最小，异类样本间的距离最大。
[0096]
sgru网络结构如图5所示，为了扩大优等样本与其他等级样本(非优样本和故障样本)之间的差距，提高相似样本的分类精度，sgru有两个输入：s
in
(训练集的样本)，s
re
(从训练集中随机抽取的参考样本，用于计算相似度)。
[0097]
gru编码解码器用于提取s
in
和s
re
的动态非线性特征和
[0098][0099]
式中，和表示gru的更新门控(update gate)，和表示候选状态(candidate state)；进一步地，和被转移到译码器gru中，输出和可视为重构序列数据；表示t-1时刻的动态非线性特征，t表示时间序列长度。
[0100]
然后，sgru分为相似度比较单元和分类单元(故障辨识和运行状态评估)。
[0101]
在相似度比较单元，通过计算与的欧氏距离，来比较动态非线性特征的相似性s：
[0102][0103]
在分类单元，全连接层使用softmax函数进行故障辨识和运行状态评估；表示输入被识别为k类的概率，对于k类分类器，其输出为：
[0104][0105]
式中k表示类别数(如不同的故障种类，不同的运行状态等级)，表示softmax模型参数表示gru编码解码器提取的动态非线性特征。
[0106]
s4，将各子系统的运行状态评估结果融合，实现精轧全流程运行状态评估。
[0107]
具体地，在本实施例中，通过上述步骤实现了一种如图6所示的分布式综合评估系统，基于此，本实施例实现精轧全流程运行状态评估的过程如下：
[0108]
s41，根据带钢产品的厚度偏差(如表1所示)将运行状态分为优、良、中、差4个等级，分别采用序号1、2、3、4表示。故障类型分别为故障1、故障2
……
故障f，为简单起见，将其接续编号为5、6
……
f 4。
[0109]
表1厚度偏差与运行状态等级
[0110]
厚度(mm)优良中差0.80～2.00
±
0.04
±
0.08
±
0.12
±
0.152.00～3.00
±
0.05
±
0.10
±
0.14
±
0.183.00～4.00
±
0.06
±
0.12
±
0.17
±
0.22
[0111]
s42，在t时刻，将上游子系统评估结果g
上
(t)、中游子系统评估结果g
中
(t)、下游子系统评估结果g
下
(t)进行如下融合，得到全局评估结果：
[0112]
g(t)＝max{g
上
(t),g
中
(t),g
下
(t)}
[0113]
具体地，如图4所示：
[0114]
如果g(t)＝1，过程处于最优运行状态。
[0115]
如果1＜g(t)≤4，过程处于非优运行状态。
[0116]
如果g(t)＞4，过程处于异常状态。由于有自动控制系统，上游子系统的异常可以由后续子系统来补偿。然而，当异常发生在中游或下游子系统时，它们很难得到补偿，应按照以下程序对故障程度进行评估：
[0117]
严重故障(g
下
(t)＞4)：下游机架出现故障，系统不能达到正常生产要求。在这种情况下，需要停止整条生产线，对有故障的设备进行大修，以确保生产安全和产品质量。
[0118]
中等故障(g
中
(t)＞4)：中间机架出现故障，降低非关键过程的运行性能。由于中流机架轧制后的板坯将在下游机架上进一步轧制，下游机架出现故障的概率大大增加。此时，系统将收到警告。如果g
下
(t)≤4，则应待当前批次完成后进行工艺维护。否则，需要停止运行并进行大修。
[0119]
微小故障(g
上
(t)＞4)：故障发生在上游机架，影响中游下架的输入厚度。由于精轧过程的控制系统作用，这类故障可以得到补偿甚至消除。因此，只需记录评估结果，并在不影响正常生产的停机期间进行维护。
[0120]
评估结果如图7所示。
[0121]
综上，为有效监测精轧全流程的正常运行状态，避免因故障导致生产中断，本实施例借鉴了分布式过程监测的思路，并结合了gru和snn的优点，将snn与gru的优势相结合，sgru模型既具有同时处理过程动态性和非线性的能力，又能够较好地衡量样本间的相似性，提高了网络模型的准确性。基于此，本实施例提供了一种分布式运行状态综合评估方法，将过程工艺知识与三流(物质流、能量流、信息流)流通相结合，进行精轧全流程子系统的划分与数据融合，考虑了不同子系统的相关性；有别于传统的运行状态评估(正常工况)，综合评估在此基础上，增加了异常工况的评估，能够对过程中发生故障的程度大小进行有效评判。从而解决了流程工业的正常工况与异常工况的运行状态评估问题，实现了可及时、准确的对生产过程的运行状态进行有效的监控和判断的效果。
[0122]
第二实施例
[0123]
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0124]
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0125]
第三实施例
[0126]
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0127]
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0128]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0129]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0130]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0131]
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应
视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。