一種基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的質(zhì)量故障定位方法
【專利摘要】本發(fā)明提供一種基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的質(zhì)量故障定位方法，該方法包括：提取質(zhì)量因果拓撲圖模型；建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型；基于貢獻率與過程知識建立質(zhì)量故障診斷的性能評估指標；根據(jù)所述多模態(tài)監(jiān)測模型，識別質(zhì)量故障傳播路徑，根據(jù)所述質(zhì)量故障診斷的性能評估指標定位質(zhì)量故障。本發(fā)明在拓撲圖特征提取、多元統(tǒng)計數(shù)據(jù)驅(qū)動的過程監(jiān)控與機器學習的基礎(chǔ)上，提出了適合于質(zhì)量監(jiān)控的聯(lián)合數(shù)據(jù)驅(qū)動的故障診斷，為基于數(shù)據(jù)與知識的生產(chǎn)過程質(zhì)量故障診斷提供新的途徑，彌補了傳統(tǒng)的統(tǒng)計過程監(jiān)控難以解決的質(zhì)量故障傳播路徑識別與故障定位問題，基于數(shù)據(jù)與知識的“定量?定性?定量”的聯(lián)合數(shù)據(jù)驅(qū)動實現(xiàn)了準確、高效的質(zhì)量故障定位和診斷。
【專利說明】
-種基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的質(zhì)量故障定位方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于生產(chǎn)過程的控制和監(jiān)測技術(shù)領(lǐng)域，具體設(shè)及一種基于聯(lián)合數(shù)據(jù)驅(qū)動生 產(chǎn)過程的質(zhì)量故障定位方法。
【背景技術(shù)】
[0002] 間歇式生產(chǎn)，是對現(xiàn)代化生產(chǎn)過程的分工細化和流程化過程，廣泛應用于機械、五 金、塑料、汽配等產(chǎn)業(yè)。近年來，為適應市場對多品種、多規(guī)格、高質(zhì)量功能型產(chǎn)品的需求，間 歇工業(yè)過程正朝著高效、大型和集成化方向發(fā)展，而隨著生產(chǎn)規(guī)模的擴大W及復雜性增加， 對生產(chǎn)過程的安全性和可靠性要求也越來越高?，F(xiàn)代復雜間歇過程往往變量與控制回路眾 多且相互關(guān)聯(lián)，一個節(jié)點出現(xiàn)故障將直接影響到產(chǎn)品質(zhì)量和生產(chǎn)效益，甚至引起生產(chǎn)過程 擁痕，對于鋼鐵、有色、化工等生產(chǎn)企業(yè)，若故障不能及時診斷和排除，將造成重大事故。為 保證生產(chǎn)過程的安全性、產(chǎn)品質(zhì)量的穩(wěn)定性，對復雜間歇過程進行在線監(jiān)測，準確地進行故 障診斷，并及時地排除故障，保證最終產(chǎn)品質(zhì)量符合要求已成為目前過程控制領(lǐng)域的一個 重要研究方向。
[0003] 例如，基于聯(lián)合數(shù)據(jù)驅(qū)動的現(xiàn)代帶鋼熱連社是一條按訂單柔性化生產(chǎn)的高質(zhì)、高 效的全自動化生產(chǎn)作業(yè)線，典型的1700mm帶鋼熱連社年產(chǎn)出約350萬噸帶鋼，社制速度可達 20m/s，成品厚度范圍0.8~12.7mm，寬度范圍700~1550mm，可覆蓋幾百個鋼種。成品帶鋼的 表面質(zhì)量、內(nèi)部缺陷、板形、厚度、寬度及組織性能直接影響帶鋼的深加工和材料性能，也直 接影響企業(yè)的經(jīng)濟效益。帶鋼熱連社全流程有近15000個過程變量，控制回路數(shù)有近300個 控制回路，近一半過程變量直接或間接影響帶鋼產(chǎn)品質(zhì)量。運些過程變量和控制回路相互 影響和關(guān)聯(lián)，出現(xiàn)產(chǎn)品質(zhì)量(尤其是板形、組織性能等質(zhì)量)波動時很難準確及時判定相關(guān) 故障的原因，導致某些企業(yè)經(jīng)常因產(chǎn)品質(zhì)量用戶退貨而停產(chǎn)維修(往往是毫無目的的全線 維護）。
[0004] 產(chǎn)生上述困擾的根本原因在于帶鋼熱連社運一復雜間歇過程具有與生俱來的動 態(tài)非線性、變量和回路間強禪合、多批次多工況導致的多模態(tài)特性、過程的時變特性、隨機 噪聲產(chǎn)生的不確定性等特點，導致質(zhì)量故障原因多樣、故障演變過程復雜、故障具體位置及 變化方向不確定、故障范圍寬泛、故障與原因存在交叉重疊等，而傳統(tǒng)的過程監(jiān)控方法在過 程的描述中過于粗糖，不能充分挖掘過程的先驗知識應用于對質(zhì)量故障的監(jiān)控，因此，在應 用中具有很大的局限性，不能及時、準確的對生產(chǎn)過程的質(zhì)量故障進行有效的監(jiān)控和判斷。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明實施例的目的是提供一種基于數(shù)據(jù)聯(lián)合驅(qū)動生產(chǎn)過程的質(zhì)量故障定位方 法，及時、準確的對生產(chǎn)過程的質(zhì)量故障進行有效的監(jiān)控和判斷。
[0006] 為解決上述技術(shù)問題，本發(fā)明的實施例提供一種基于數(shù)據(jù)聯(lián)合驅(qū)動生產(chǎn)過程的質(zhì) 量故障定位方法，所述方法包括如下步驟：
[0007] 提取質(zhì)量因果拓撲圖模型；
[0008] 建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型；
[0009] 基于貢獻率與過程知識建立質(zhì)量故障診斷的性能評估指標；
[0010] 根據(jù)所述多模態(tài)監(jiān)測模型，識別質(zhì)量故障傳播路徑，根據(jù)所述質(zhì)量故障診斷的性 能評估指標定位質(zhì)量故障。
[0011] 上述方案中，所述提取質(zhì)量因果拓撲圖模型，進一步為基于數(shù)據(jù)聯(lián)合驅(qū)動的過程 知識與歷史數(shù)據(jù)提取質(zhì)量因果拓撲圖模型。
[0012] 上述方案中，所述提取質(zhì)量因果拓撲圖模型，具體包括如下步驟：
[0013] 步驟101，分析質(zhì)量因果拓撲圖變量相關(guān)性；
[0014] 步驟102,設(shè)計變量間相關(guān)性指標的闊值；
[0015] 步驟103,專家知識指導下提取因果拓撲圖。
[0016] 上述方案中，所述分析質(zhì)量因果拓撲圖變量相關(guān)性進一步包括：
[0017] 利用相關(guān)性統(tǒng)計分析與機器學習方法對生產(chǎn)過程中相關(guān)變量對應的時間序列進 行特征選擇，生成質(zhì)量因果拓撲圖模型的d-分離等價類；
[0018] 對于d-分離等價類中的因果拓撲圖模型，利用獨立性測試的方法判別變量間的因 果方向；
[0019] 利用相關(guān)算法對相關(guān)變量對應的時間序列間的協(xié)方差進行分解，結(jié)合Granger因 果關(guān)系及統(tǒng)計檢驗理論，確定變量間的相關(guān)性指標；
[0020] 結(jié)合系統(tǒng)運行機理和先驗知識，對所述變量間的因果方向及相關(guān)性指標進行修 正。
[0021] 上述方案中，所述建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型，進一步為：
[0022] 根據(jù)所述質(zhì)量因果拓撲圖模型，建立監(jiān)測質(zhì)量故障演變過程的聯(lián)合數(shù)據(jù)驅(qū)動的監(jiān) 測模型，并進一步建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型，并設(shè)定所述多監(jiān)測模型的自適應 過程。
[0023] 上述方案中，所述建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型，并設(shè)定所述多監(jiān)測模型 的自適應過程，具體包括如下步驟：
[0024] 步驟201，分析生產(chǎn)過程中數(shù)據(jù)的多模態(tài)；
[0025] 步驟202,采用貝葉斯理論分析新數(shù)據(jù)的模態(tài)識別與添加，建立新的相似度指標和 靈敏度指標；
[0026] 步驟203,對每一個模態(tài)下的相應數(shù)據(jù)建立多模態(tài)的質(zhì)量因果拓撲圖；
[0027] 步驟204,考慮單一模態(tài)下的質(zhì)量因果圖相關(guān)性指標；
[0028] 步驟205,根據(jù)所述多模態(tài)的質(zhì)量因果拓撲圖建立多批次多模態(tài)質(zhì)量監(jiān)測模型；
[0029] 步驟206,設(shè)定多批次、多模態(tài)的生產(chǎn)過程質(zhì)量監(jiān)測模型的自適應過程，并利用實 驗室遠程監(jiān)控平臺進行驗證和測試。
[0030] 上述方案中，所述基于貢獻率與過程知識建立質(zhì)量故障診斷的性能評估指標，具 體包括如下步驟：
[0031] 步驟301，將所述質(zhì)量因果拓撲圖模型、多模態(tài)監(jiān)測模型應用于生產(chǎn)過程，收集質(zhì) 量故障數(shù)據(jù)，計算質(zhì)量故障檢測的故障檢測率、誤檢率和時變特性數(shù)據(jù)；
[0032] 步驟302,根據(jù)質(zhì)量故障檢測的延遲特性，建立預期故障檢測延遲性指標 (Expected Detection Delay Index,，EDDI)，引入公式
[0033]
(I)
[0034] 其中，E孤I為式（I)的數(shù)學期望，F(xiàn)DR(Fault Detection Rate)為故障檢測率；
[0035] 步驟303，對所述故障檢測率、誤檢率、時變特性數(shù)據(jù)和延時特性指標加權(quán)，設(shè)計質(zhì) 量故障診斷的性能評估指標。
[0036] 上述方案中，所述定位質(zhì)量故障，具體包括如下步驟：
[0037] 步驟401，建立統(tǒng)一的聯(lián)合監(jiān)測投影子空間和質(zhì)量故障檢測流程；
[0038] 步驟402，識別質(zhì)量故障的傳播路徑，定位質(zhì)量故障。
[0039] 本發(fā)明提供一種基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的質(zhì)量故障定位方法，該方法包括： 提取質(zhì)量因果拓撲圖模型；建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型;基于貢獻率與過程知識 建立質(zhì)量故障診斷的性能評估指標;根據(jù)所述多模態(tài)監(jiān)測模型，識別質(zhì)量故障傳播路徑，根 據(jù)所述質(zhì)量故障診斷的性能評估指標定位質(zhì)量故障。本發(fā)明在拓撲圖特征提取、多元統(tǒng)計 數(shù)據(jù)驅(qū)動的過程監(jiān)控與機器學習的基礎(chǔ)上，提出了適合于質(zhì)量監(jiān)控的聯(lián)合數(shù)據(jù)驅(qū)動的故障 診斷，為基于數(shù)據(jù)與知識的生產(chǎn)過程質(zhì)量故障診斷提供新的途徑，彌補了傳統(tǒng)的統(tǒng)計過程 監(jiān)控難W解決的質(zhì)量故障傳播路徑識別與故障定位問題，基于數(shù)據(jù)與知識的"定量-定性- 定量"的聯(lián)合數(shù)據(jù)驅(qū)動實現(xiàn)了準確、高效的質(zhì)量故障定位和診斷。
【附圖說明】
[0040] 圖1是本發(fā)明實施例1的帶鋼熱連社生產(chǎn)過程工藝布置圖；
[0041] 圖2是本發(fā)明實施例1的基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的故障定位方法實施路線圖；
[0042] 圖3是本發(fā)明實施例1的帶鋼熱連社機架的多模態(tài)質(zhì)量因果拓撲圖。
【具體實施方式】
[0043] 為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具 體實施例進行詳細描述。
[0044] 本發(fā)明針對聯(lián)合數(shù)據(jù)驅(qū)動的生產(chǎn)過程，提出了一種質(zhì)量故障的定位方法，力求克 服現(xiàn)有的數(shù)據(jù)聯(lián)合驅(qū)動方法對過程描述過于粗糖的不足，本發(fā)明按照"定量-定性-定量"的 研究路線，采用基于數(shù)據(jù)與知識的聯(lián)合數(shù)據(jù)驅(qū)動方法，深入研究了變量間的關(guān)聯(lián)特性，精確 地掲示了質(zhì)量相關(guān)故障即質(zhì)量故障的傳播路徑和故障源，實現(xiàn)了質(zhì)量相關(guān)故障的準確定 位，從而實現(xiàn)質(zhì)量的及早檢測、診斷與維護。
[0045] 下面結(jié)合實施例1及附圖對本發(fā)明做進一步說明。
[0046] 本實施例W數(shù)據(jù)聯(lián)合驅(qū)動的帶鋼熱連社生產(chǎn)過程為例。需要說明的是，本發(fā)明的 故障定位方法并不局限于帶鋼熱連社過程，也適用于其他的數(shù)據(jù)聯(lián)合驅(qū)動的生產(chǎn)過程，如， 汽車配件生產(chǎn)過程。
[0047] 圖1是本實施例的帶鋼熱連社生產(chǎn)過程工藝布置圖。如圖1所示，本實施例數(shù)據(jù)聯(lián) 合驅(qū)動的帶鋼熱連社生產(chǎn)過程，為一個典型的間歇式生產(chǎn)過程，生產(chǎn)流水線包括加熱爐、粗 社機組、傳送帶和飛剪、精社機組、層流冷卻、卷取機組。運個復雜的生產(chǎn)過程，具有高維、非 線性、時變、變量禪合、時序相關(guān)性、多模態(tài)、大規(guī)模、間歇等特性，質(zhì)量故障可能會出現(xiàn)在任 何一個環(huán)節(jié)，而對質(zhì)量故障的及早監(jiān)測和判斷，則可W保證生產(chǎn)過程的順利進行。
[0048] 圖2是本發(fā)明實施例1的基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的故障定位方法實施路線圖。 如圖2所示，在圖1所示的帶鋼熱連社運一實際工程應用驅(qū)動的基礎(chǔ)上，本實施例的基于數(shù) 據(jù)聯(lián)合驅(qū)動的質(zhì)量故障定位方法包括如下步驟：
[0049] 步驟SI,提取質(zhì)量因果拓撲圖模型。
[0050] 在本實施例中，所述提取質(zhì)量因果拓撲圖模型，進一步為基于數(shù)據(jù)驅(qū)動方法提取 帶鋼熱連社生產(chǎn)過程的質(zhì)量因果拓撲圖模型，設(shè)計合適的拓撲圖闊值實現(xiàn)數(shù)據(jù)驅(qū)動的質(zhì)量 因果拓撲圖的修剪和優(yōu)化，從而得到了規(guī)模適度的質(zhì)量因果拓撲圖。
[0051] 上述拓撲圖的提取過程，尤其適用于復雜間歇生產(chǎn)過程。具體的，上述拓撲圖的提 取過程，包括如下步驟：
[0052] 步驟101，研究質(zhì)量因果拓撲圖變量相關(guān)性分析方法。
[0053] 首先，利用相關(guān)性統(tǒng)計分析與機器學習方法對復雜間歇生產(chǎn)過程中相關(guān)變量對應 的時間序列進行特征選擇，生成質(zhì)量因果拓撲圖模型的d-分離等價類；
[0054] 其次，對于d-分離等價類中的因果拓撲圖模型，利用計算似然度等獨立性測試的 方法判別變量之間的因果方向；
[0055] 然后，利用相關(guān)算法對相關(guān)變量對應的時間序列間的協(xié)方差進行分解，結(jié)合 Granger因果關(guān)系及統(tǒng)計檢驗理論，確定變量間的相關(guān)性指標；
[0056] 最后，結(jié)合系統(tǒng)運行機理、過程知識及專家經(jīng)驗等先驗知識，對W上得到變量間的 因果方向及相關(guān)性指標進行修正。從而，為分析復雜間歇過程多變量的信息傳播途徑奠定 基礎(chǔ)。
[0057] 進一步的，可W通過W下過程實現(xiàn)提?。?br>[005引根據(jù)Granger因果關(guān)系等相關(guān)理論，本發(fā)明采用時間序列分析方法獲取了帶鋼熱 連社變量之間的因果關(guān)系。
[0059] 設(shè)X和Y為帶鋼熱連社生產(chǎn)過程中的兩個隨機變量，其對應的時間序列分別表示為 {xi，x2，...，xt}、{yi，y2，...，yt}，其中，{xt-k，xt-k+i，...，xt-i}、{yt-k，yt-k+i，...，yt-i}分別表示過 去k時段對應的歷史觀測值，考慮如下兩個回歸式：
[0060] Cl)
[0061 ] (2)
[0062] 式中，片(0、JMO分別表示兩個回歸式中的回歸擬合值，UK分別表示yt、xt的滯 后期數(shù)，ai、bk為回歸系數(shù)，et、％為回歸誤差。如果在F統(tǒng)計量下得到的置信度式(2)的預測 誤差比式（1)的預測誤差小，那么表明Xt與yt間的因果關(guān)系為xt^yt。
[0063] 本發(fā)明將W上的Xt與yt間的因果關(guān)系分析作為帶鋼熱連社生產(chǎn)變量間因果關(guān)系的 一種理論支撐，在時間序列數(shù)據(jù)中的預測、異常檢測等方面起到了很大的作用。但運種因果 關(guān)系在實施的過程中過度依賴歷史數(shù)據(jù)，導致了冗余甚至錯誤的因果關(guān)系。因此，本發(fā)明結(jié) 合系統(tǒng)運行機理、過程及專家經(jīng)驗等先驗知識，將不完全信息或不確定性條件下變量相關(guān) 性指標考慮進來，獲取了較為準確的變量之間的因果關(guān)系。
[0064] 步驟102,設(shè)計變量間相關(guān)性指標的闊值。
[0065] 針對質(zhì)量因果拓撲圖模型提取過程中在無監(jiān)督模式下闊值的自動選擇存在魯棒 性不強等問題，對復雜間歇生產(chǎn)過程中相關(guān)變量對應的時間序列的替代數(shù)據(jù)進行分析和處 理，然后利用k近鄰算法估計運些數(shù)據(jù)的互信息，采用顯著性檢驗的方法，結(jié)合過程及專家 知識，考慮復雜間歇過程有色噪聲及干擾等不確定性因素，實現(xiàn)有監(jiān)督條件下相關(guān)性指標 的闊值設(shè)計。
[0066] 具體的，可W通過W下過程實現(xiàn)上述過程：
[0067] 針對W上質(zhì)量因果拓撲圖模型提取過程中在無監(jiān)督模式下闊值的自動選擇魯棒 性不強等問題，利用k近鄰算法估計了運些數(shù)據(jù)的互信息，采用顯著性檢驗的方法，結(jié)合過 程及專家知識，考慮了復雜間歇過程有色噪聲及干擾等不確定性因素，實現(xiàn)有監(jiān)督條件下 相關(guān)性指標的闊值設(shè)計問題。
[0068] 步驟103,實現(xiàn)專家知識指導下的因果拓撲圖提取。
[0069] 基于數(shù)據(jù)提取的質(zhì)量因果拓撲圖會存在較多的冗余連接，而基于知識提取的質(zhì)量 因果拓撲圖會導致大量不直觀或不重要信息的缺失?；诖?，本實施例設(shè)計了合適的修正 算子，利用相關(guān)過程知識及專家經(jīng)驗等先驗知識對上述提取的質(zhì)量因果拓撲圖進行修剪與 優(yōu)化，W保證修剪及優(yōu)化后的因果拓撲圖為規(guī)模適度的有向無環(huán)圖，實現(xiàn)知識指導下的數(shù) 據(jù)驅(qū)動的質(zhì)量因果拓撲圖模型的構(gòu)建問題。
[0070] 步驟S2,建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型。
[0071] 在本實施例中，利用多元統(tǒng)計數(shù)據(jù)驅(qū)動方法對質(zhì)量因果拓撲圖中的相關(guān)性指標進 行時間序列分析，建立了監(jiān)測質(zhì)量故障演變過程的聯(lián)合數(shù)據(jù)驅(qū)動的監(jiān)測模型，同時與質(zhì)量 相關(guān)的模態(tài)分析相結(jié)合，建立了一個統(tǒng)一的聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型，并提出了監(jiān) 測模型的自適應方法。
[0072] 進一步的，上述過程包括如下步驟：
[0073] 步驟201，復雜間歇過程數(shù)據(jù)的多模態(tài)分析。
[0074] 分析帶鋼熱連社生產(chǎn)過程數(shù)據(jù)的多模態(tài)特性，并采用基于樣本幾何結(jié)構(gòu)的聚類有 效性指標一類間-類內(nèi)劃分(Between-Within Propcxrtion，BWP)指標，結(jié)合聚類算法確定多 模態(tài)的最佳模態(tài)數(shù)。
[0075] 帶鋼熱連社過程批次之間由于生產(chǎn)計劃的不同、產(chǎn)品指標的改變、產(chǎn)品種類的變 動、環(huán)境的變化等導致過程數(shù)據(jù)呈現(xiàn)多批次、多模態(tài)、動態(tài)、非高斯等特性，多模態(tài)分析的依 據(jù)是同一模態(tài)內(nèi)部具有相似的相關(guān)性關(guān)系，不同模態(tài)之間具有明顯不同的相關(guān)性關(guān)系。在 模態(tài)特征提取中，一方面質(zhì)量數(shù)據(jù)(數(shù)據(jù)標簽)可能不完備，另一方面考慮未知的故障可能 沒有包含在訓練數(shù)據(jù)中。針對W上問題，本發(fā)明采用半監(jiān)督混合判別分析和貝葉斯理論，在 過程知識監(jiān)督下完成了模態(tài)特征的提取。在對多模態(tài)處理過程中，訓練數(shù)據(jù)的合理聚類(即 確定出最佳模態(tài)數(shù))對故障檢測與診斷至關(guān)重要，故本發(fā)明從距離測度考慮，引入了一種基 于樣本幾何結(jié)構(gòu)的聚類有效性指標--類間-類內(nèi)劃分（Between-Within P;ropo;rtion， BWP)指標：
[0076]
C3)
[0077] 式中，表示第m類的第P個樣本，表示第j類的第q個樣本，表示第j類的第 i個樣本;b(j，i)定義為第j類的第i個樣本的最小類間距離，w(j，i)定義第j類的第i個樣本 的類內(nèi)距離。通過該指標，結(jié)合聚類算法確定了多模態(tài)的最佳模態(tài)數(shù)。
[0078] 步驟202,針對新數(shù)據(jù)的模態(tài)識別與添加問題，采用貝葉斯理論，建立新的相似度 指標和靈敏度指標，計算新數(shù)據(jù)屬于各模態(tài)的概率并定義一個合適的闊值，若長時間內(nèi)超 出闊值，就可初步判斷為新的模態(tài)，并考慮在模態(tài)庫中增加新模態(tài)特征。
[0079] 針對帶鋼熱連社生產(chǎn)的新數(shù)據(jù)的模態(tài)識別與添加問題，本發(fā)明采用貝葉斯理論， 建立新的相似度指標和靈敏度指標，計算了新數(shù)據(jù)屬于各模態(tài)的概率并定義了一個合適的 闊值，若長時間內(nèi)超出該闊值，就可初步判斷為新的模態(tài)。
[0080] 步驟203,在上述模態(tài)表征、劃分與識別的基礎(chǔ)上，在每一個模態(tài)下的相應數(shù)據(jù)建 立多模態(tài)的質(zhì)量因果拓撲圖。
[0081] 在上述模態(tài)表征、劃分與識別的基礎(chǔ)上，在每一個模態(tài)下的相應數(shù)據(jù)建立多模態(tài) 的質(zhì)量因果拓撲圖。
[0082] 步驟204,考慮單一模態(tài)下的質(zhì)量因果圖相關(guān)性指標用CKCorrelation Index, Cl)描述，并僅考慮因果拓撲圖中有聯(lián)系的Cl,考慮兩個時間序列:p(t) = [CIT(t-l)，CIT(t- 2)， …]T 與 ^〇=[(：1了(0，(：1了(*+1)，-，^，其中，*時刻的(：1(0是111維向量，利用規(guī)范變量分 析(Canonical化riate Analysis，CVA)方法對上述兩個時間序列進行分析，建立基于質(zhì)量 傳播的相關(guān)性指標的動態(tài)監(jiān)測模型。
[0083] 步驟205,結(jié)合上述質(zhì)量因果拓撲圖，在多批次、多模態(tài)因果拓撲圖基礎(chǔ)上建立多 批次多模態(tài)質(zhì)量監(jiān)測模型。
[0084] 步驟206,研究多批次、多模態(tài)的帶鋼熱連社過程質(zhì)量監(jiān)測模型的自適應技術(shù)，并 利用實驗室遠程監(jiān)控平臺進行驗證和測試。
[0085] 圖3是本發(fā)明實施例1的帶鋼熱連社機架的多模態(tài)質(zhì)量因果拓撲圖。如圖3所示，將 =維的多批次過程數(shù)據(jù)通過模態(tài)分析將數(shù)據(jù)劃分為若干模態(tài)，在每一個模態(tài)下建立質(zhì)量因 果拓撲圖。
[0086] 在前面研究內(nèi)容的基礎(chǔ)上，考慮單一模態(tài)下的質(zhì)量因果圖相關(guān)性指標用CI (Correlation Index,Cl)描述，并僅考慮因果拓撲圖中有聯(lián)系的Cl,考慮了下面兩個時間 序列:口(0 =陽了(*-1)，(：1了(*-2)，.'']了與^〇 =陽了(〇，(：1了(*+1)，.'']\其中，*時刻的(：1 (t)是m維向量，利用規(guī)范變量分析(化nonical化riate Analysis，CVA)方法對上述兩個時 間序列進行了分析，建立了基于質(zhì)量傳播的相關(guān)性指標的動態(tài)監(jiān)測模型。結(jié)合上述質(zhì)量因 果拓撲圖則可W在多批次、多模態(tài)因果拓撲圖基礎(chǔ)上，建立多批次、多模態(tài)質(zhì)量監(jiān)測模型。
[0087] 步驟S3,基于貢獻率與過程知識建立質(zhì)量故障診斷的性能評估指標。
[0088] 在本實施例中，定義了質(zhì)量相關(guān)的故障診斷性能評價指標，并對所提出的聯(lián)合數(shù) 據(jù)驅(qū)動的帶鋼熱連社質(zhì)量故障傳播路徑的辨識與故障定位方法與傳統(tǒng)故障診斷方法從質(zhì) 量相關(guān)故障檢測的滯后性、故障檢測率和誤檢率等進行評估，對提出的質(zhì)量相關(guān)故障診斷 方法進行了定量分析和評價，經(jīng)改進和提高后，確定了實驗室試驗社機和工業(yè)應用驗證方 案，完成了帶鋼熱連社生產(chǎn)現(xiàn)場應用。
[0089] 步驟S3進一步包括如下步驟：
[0090] 步驟301，將W上研究內(nèi)容中得到的主要理論成果和算法在帶鋼熱連社生產(chǎn)線進 行應用驗證，針對質(zhì)量相關(guān)故障診斷性能的評價指標，不僅要考慮傳統(tǒng)的故障檢測率和誤 檢率，而且要考慮時變特性故障。
[0091] 步驟302,針對質(zhì)量相關(guān)故障檢測的延遲特性，提出了一個新的預期故障檢測延遲 性指標化 xpected Detection Delay Index,，邸 DI)，引入公式
[0092] (4)
[0093] 其中，E孤I為式(4)的數(shù)學期望，F(xiàn)DR(Fault Detection Rate)為故障檢測率。
[0094] 步驟303,對W上評價指標加權(quán)，設(shè)計最終的質(zhì)量相關(guān)的故障診斷方法的性能評估 指標。
[00M]步驟304,確定實驗室試驗社機和工業(yè)應用驗證方案，完成帶鋼熱連社生產(chǎn)現(xiàn)場的 應用，取得了良好的效果。
[0096] 步驟S4,根據(jù)所述多模態(tài)監(jiān)測模型，識別質(zhì)量故障傳播路徑，根據(jù)所述質(zhì)量故障診 斷的性能評估指標定位質(zhì)量故障。
[0097] 在本實施例中，實現(xiàn)聯(lián)合數(shù)據(jù)驅(qū)動的質(zhì)量相關(guān)故障檢測、故障傳播途徑識別及故 障定位方法，具體實現(xiàn)步驟如下：
[0098] 步驟401，建立統(tǒng)一的聯(lián)合監(jiān)測投影子空間和質(zhì)量相關(guān)的故障檢測方法。
[0099] 在獲得了多批次多模態(tài)質(zhì)量監(jiān)測模型后，就可W對多模態(tài)復雜間歇過程進行在線 監(jiān)測和故障診斷。由于復雜間歇過程每個穩(wěn)定模態(tài)運行時間較短、采樣數(shù)據(jù)也較少、過渡模 態(tài)運行時間更短、采樣數(shù)據(jù)更少，而且往往要在不同模態(tài)之間進行切換。運樣傳統(tǒng)監(jiān)測方法 無法滿足批次方向上高斯分布的假設(shè)條件，也不能滿足批次方向上潛在相關(guān)特性緩慢變化 的工程要求，無法滿足批次方向上正態(tài)分布的前提假設(shè)，也無法滿足批次方向上潛在相關(guān) 特性緩慢波動的實際要求，便顯得不能適用，效果不佳。針對W上問題，本發(fā)明提出了一種 基于CVA的聯(lián)合故障檢測方法，利用上述多模態(tài)質(zhì)量監(jiān)測模型的綜合信息，建立了統(tǒng)一的監(jiān) 測模型，實現(xiàn)了多模態(tài)數(shù)據(jù)的實時監(jiān)測，避免了監(jiān)測模型的頻繁切換。
[0100] 步驟402,質(zhì)量相關(guān)故障的傳播路徑識別與故障定位方法。
[0101] 將過程及專家知識作為先驗概率，利用貝葉斯理論將知識融入到相對貢獻率中， W-定的捜索策略辨識質(zhì)量相關(guān)故障的傳播路徑，將分為單一故障和多故障兩種情況分別 進行相關(guān)研究，最終解決多故障的傳播路徑識別，從而實現(xiàn)故障定位。
[0102] 為了清晰地表示各相關(guān)性指標(故障路徑)對檢測指標的影響程度，充分地診斷質(zhì) 量相關(guān)的故障，本發(fā)明利用相對貢獻率法實現(xiàn)質(zhì)量相關(guān)的故障診斷。具體步驟為:傳統(tǒng)方法 通常是利用T2統(tǒng)計監(jiān)測質(zhì)量相關(guān)的故障，Q統(tǒng)計監(jiān)測過程噪聲，但由于過程噪聲的變動可能 會影響產(chǎn)品質(zhì)量變量，故可將Q作為T2的補充，即用T2及Q合成的檢測指標(1)檢測質(zhì)量相關(guān)的 故障，通過計算4的概率密度函數(shù)求得控制限，并從4函數(shù)的一階泰勒展開式和核函數(shù)梯 度出發(fā)，研究各相關(guān)性指標對檢測指標4的影響程度，即為質(zhì)量相關(guān)故障的相對貢獻率。
[0103] 同時，本發(fā)明將過程及專家知識作為先驗概率，利用貝葉斯理論將知識融入到相 對貢獻率中，W-定的捜索策略辨識質(zhì)量相關(guān)故障的傳播路徑，將分為單一故障和多故障 兩種情況分別進行了相關(guān)研究，最終解決了多故障的傳播路徑識別問題，從而實現(xiàn)了故障 定位。
[0104] 本發(fā)明提出了一種聯(lián)合數(shù)據(jù)驅(qū)動的帶鋼熱連社質(zhì)量故障傳播路徑的辨識與故障 定位方法，該方法包括:基于生產(chǎn)過程數(shù)據(jù)與工藝知識，提出了復雜間歇過程的質(zhì)量因果拓 撲圖提取方法;建立了聯(lián)合數(shù)據(jù)驅(qū)動的復雜間歇過程質(zhì)量相關(guān)的故障監(jiān)測模型；構(gòu)建了基 于聯(lián)合數(shù)據(jù)驅(qū)動的復雜間歇過程質(zhì)量相關(guān)的故障診斷性能分析與評價指標;建立了聯(lián)合數(shù) 據(jù)驅(qū)動的帶鋼熱連社過程質(zhì)量相關(guān)的故障監(jiān)測、故障傳播路徑識別和故障定位的一體化框 架，為復雜間歇過程質(zhì)量相關(guān)的故障診斷提供了一套新技術(shù)和解決方案。
[0105] 本實施例將在已有的數(shù)據(jù)驅(qū)動的拓撲圖特征提取、多元統(tǒng)計數(shù)據(jù)驅(qū)動的過程監(jiān)控 技術(shù)與機器學習的理論研究基礎(chǔ)上，提出了適合于質(zhì)量監(jiān)控的聯(lián)合數(shù)據(jù)驅(qū)動的故障診斷技 術(shù)。本發(fā)明所提供的基于聯(lián)合數(shù)據(jù)驅(qū)動生產(chǎn)過程的故障定位方法，將為基于數(shù)據(jù)與知識的 帶鋼熱連社生產(chǎn)過程質(zhì)量相關(guān)的故障診斷提供新的思路和途徑，彌補了傳統(tǒng)的統(tǒng)計過程監(jiān) 控難W解決的質(zhì)量相關(guān)故障傳播路徑識別與故障定位W及多故障的診斷問題，本發(fā)明提出 的基于數(shù)據(jù)與知識的"定量-定性-定量"的聯(lián)合數(shù)據(jù)驅(qū)動方法為質(zhì)量相關(guān)的故障診斷提供 了新技術(shù)和手段。
[0106] W上所述是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員 來說，在不脫離本發(fā)明所述原理的前提下，還可W做出若干改進和潤飾，運些改進和潤飾也 應視為本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于數(shù)據(jù)聯(lián)合驅(qū)動生產(chǎn)過程的質(zhì)量故障定位方法，其特征在于，所述方法包括 如下步驟： 提取質(zhì)量因果拓撲圖模型； 建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型； 基于貢獻率與過程知識建立質(zhì)量故障診斷的性能評估指標； 根據(jù)所述多模態(tài)監(jiān)測模型，識別質(zhì)量故障傳播路徑，根據(jù)所述質(zhì)量故障診斷的性能評 估指標定位質(zhì)量故障。2. 根據(jù)權(quán)利要求1所述的故障定位方法，其特征在于，所述提取質(zhì)量因果拓撲圖模型， 進一步為基于數(shù)據(jù)聯(lián)合驅(qū)動的過程知識與歷史數(shù)據(jù)提取質(zhì)量因果拓撲圖模型。3. 根據(jù)權(quán)利要求2所述的故障定位方法，其特征在于，所述提取質(zhì)量因果拓撲圖模型， 具體包括如下步驟： 步驟101，分析質(zhì)量因果拓撲圖變量相關(guān)性； 步驟102，設(shè)計變量間相關(guān)性指標的閾值； 步驟103,專家知識指導下提取因果拓撲圖。4. 根據(jù)權(quán)利要求3所述的故障定位方法，其特征在于，所述分析質(zhì)量因果拓撲圖變量相 關(guān)性進一步包括： 利用相關(guān)性統(tǒng)計分析與機器學習方法對生產(chǎn)過程中相關(guān)變量對應的時間序列進行特 征選擇，生成質(zhì)量因果拓撲圖模型的d-分離等價類； 對于d-分離等價類中的因果拓撲圖模型，利用獨立性測試的方法判別變量間的因果方 向； 利用相關(guān)算法對相關(guān)變量對應的時間序列間的協(xié)方差進行分解，結(jié)合Granger因果關(guān) 系及統(tǒng)計檢驗理論，確定變量間的相關(guān)性指標； 結(jié)合系統(tǒng)運行機理和先驗知識，對所述變量間的因果方向及相關(guān)性指標進行修正。5. 根據(jù)權(quán)利要求1所述的故障定位方法，其特征在于，所述建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài) 監(jiān)測模型，進一步為： 根據(jù)所述質(zhì)量因果拓撲圖模型，建立監(jiān)測質(zhì)量故障演變過程的聯(lián)合數(shù)據(jù)驅(qū)動的監(jiān)測模 型，并進一步建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài)監(jiān)測模型，并設(shè)定所述多監(jiān)測模型的自適應過程。6. 根據(jù)權(quán)利要求5所述的故障定位方法，其特征在于，所述建立聯(lián)合數(shù)據(jù)驅(qū)動的多模態(tài) 監(jiān)測模型，并設(shè)定所述多監(jiān)測模型的自適應過程，具體包括如下步驟： 步驟201，分析生產(chǎn)過程中數(shù)據(jù)的多模態(tài)； 步驟202,采用貝葉斯理論分析新數(shù)據(jù)的模態(tài)識別與添加，建立新的相似度指標和靈敏 度指標； 步驟203,對每一個模態(tài)下的相應數(shù)據(jù)建立多模態(tài)的質(zhì)量因果拓撲圖； 步驟204,考慮單一模態(tài)下的質(zhì)量因果圖相關(guān)性指標； 步驟205,根據(jù)所述多模態(tài)的質(zhì)量因果拓撲圖建立多批次多模態(tài)質(zhì)量監(jiān)測模型； 步驟206,設(shè)定多批次、多模態(tài)的生產(chǎn)過程質(zhì)量監(jiān)測模型的自適應過程，并利用實驗室 遠程監(jiān)控平臺進行驗證和測試。7. 根據(jù)權(quán)利要求1所述的故障定位方法，其特征在于，所述基于貢獻率與過程知識建立 質(zhì)量故障診斷的性能評估指標，具體包括如下步驟： 步驟301，將所述質(zhì)量因果拓撲圖模型、多模態(tài)監(jiān)測模型應用于生產(chǎn)過程，收集質(zhì)量故 障數(shù)據(jù)，計算質(zhì)量故障檢測的故障檢測率、誤檢率和時變特性數(shù)據(jù)； 步驟302，根據(jù)質(zhì)量故障檢測的延遲特性，建立預期故障檢測延遲性指標（Expected Detection Delay Index,，EDDI)，引入公式其中，EDDI為式（1)的數(shù)學期望，F(xiàn)DR(Fault Detection Rate)為故障檢測率； 步驟303,對所述故障檢測率、誤檢率、時變特性數(shù)據(jù)和延時特性指標加權(quán)，設(shè)計質(zhì)量故 障診斷的性能評估指標。8.根據(jù)權(quán)利要求1所述的故障定位方法，其特征在于，所述定位質(zhì)量故障，具體包括如 下步驟： 步驟401，建立統(tǒng)一的聯(lián)合監(jiān)測投影子空間和質(zhì)量故障檢測流程； 步驟402，識別質(zhì)量故障的傳播路徑，定位質(zhì)量故障。
【文檔編號】G05B23/02GK105955241SQ201610391112
【公開日】2016年9月21日
【申請日】2016年6月3日
【發(fā)明人】彭開香, 馬亮, 董潔, 張凱
【申請人】北京科技大學