CN105955241A - 一种基于联合数据驱动生产过程的质量故障定位方法 - Google Patents
一种基于联合数据驱动生产过程的质量故障定位方法 Download PDFInfo
- Publication number
- CN105955241A CN105955241A CN201610391112.3A CN201610391112A CN105955241A CN 105955241 A CN105955241 A CN 105955241A CN 201610391112 A CN201610391112 A CN 201610391112A CN 105955241 A CN105955241 A CN 105955241A
- Authority
- CN
- China
- Prior art keywords
- quality
- fault
- cause
- data
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于联合数据驱动生产过程的质量故障定位方法,该方法包括:提取质量因果拓扑图模型;建立联合数据驱动的多模态监测模型;基于贡献率与过程知识建立质量故障诊断的性能评估指标;根据所述多模态监测模型,识别质量故障传播路径,根据所述质量故障诊断的性能评估指标定位质量故障。本发明在拓扑图特征提取、多元统计数据驱动的过程监控与机器学习的基础上,提出了适合于质量监控的联合数据驱动的故障诊断,为基于数据与知识的生产过程质量故障诊断提供新的途径,弥补了传统的统计过程监控难以解决的质量故障传播路径识别与故障定位问题,基于数据与知识的“定量‑定性‑定量”的联合数据驱动实现了准确、高效的质量故障定位和诊断。
Description
技术领域
本发明属于生产过程的控制和监测技术领域,具体涉及一种基于联合数据驱动生产过程的质量故障定位方法。
背景技术
间歇式生产,是对现代化生产过程的分工细化和流程化过程,广泛应用于机械、五金、塑料、汽配等产业。近年来,为适应市场对多品种、多规格、高质量功能型产品的需求,间歇工业过程正朝着高效、大型和集成化方向发展,而随着生产规模的扩大以及复杂性增加,对生产过程的安全性和可靠性要求也越来越高。现代复杂间歇过程往往变量与控制回路众多且相互关联,一个节点出现故障将直接影响到产品质量和生产效益,甚至引起生产过程瘫痪,对于钢铁、有色、化工等生产企业,若故障不能及时诊断和排除,将造成重大事故。为保证生产过程的安全性、产品质量的稳定性,对复杂间歇过程进行在线监测,准确地进行故障诊断,并及时地排除故障,保证最终产品质量符合要求已成为目前过程控制领域的一个重要研究方向。
例如,基于联合数据驱动的现代带钢热连轧是一条按订单柔性化生产的高质、高效的全自动化生产作业线,典型的1700mm带钢热连轧年产出约350万吨带钢,轧制速度可达20m/s,成品厚度范围0.8~12.7mm,宽度范围700~1550mm,可覆盖几百个钢种。成品带钢的表面质量、内部缺陷、板形、厚度、宽度及组织性能直接影响带钢的深加工和材料性能,也直接影响企业的经济效益。带钢热连轧全流程有近15000个过程变量,控制回路数有近300个控制回路,近一半过程变量直接或间接影响带钢产品质量。这些过程变量和控制回路相互影响和关联,出现产品质量(尤其是板形、组织性能等质量)波动时很难准确及时判定相关故障的原因,导致某些企业经常因产品质量用户退货而停产维修(往往是毫无目的的全线维护)。
产生上述困扰的根本原因在于带钢热连轧这一复杂间歇过程具有与生俱来的动态非线性、变量和回路间强耦合、多批次多工况导致的多模态特性、过程的时变特性、随机噪声产生的不确定性等特点,导致质量故障原因多样、故障演变过程复杂、故障具***置及变化方向不确定、故障范围宽泛、故障与原因存在交叉重叠等,而传统的过程监控方法在过程的描述中过于粗糙,不能充分挖掘过程的先验知识应用于对质量故障的监控,因此,在应用中具有很大的局限性,不能及时、准确的对生产过程的质量故障进行有效的监控和判断。
发明内容
本发明实施例的目的是提供一种基于数据联合驱动生产过程的质量故障定位方法,及时、准确的对生产过程的质量故障进行有效的监控和判断。
为解决上述技术问题,本发明的实施例提供一种基于数据联合驱动生产过程的质量故障定位方法,所述方法包括如下步骤:
提取质量因果拓扑图模型;
建立联合数据驱动的多模态监测模型;
基于贡献率与过程知识建立质量故障诊断的性能评估指标;
根据所述多模态监测模型,识别质量故障传播路径,根据所述质量故障诊断的性能评估指标定位质量故障。
上述方案中,所述提取质量因果拓扑图模型,进一步为基于数据联合驱动的过程知识与历史数据提取质量因果拓扑图模型。
上述方案中,所述提取质量因果拓扑图模型,具体包括如下步骤:
步骤101,分析质量因果拓扑图变量相关性;
步骤102,设计变量间相关性指标的阈值;
步骤103,专家知识指导下提取因果拓扑图。
上述方案中,所述分析质量因果拓扑图变量相关性进一步包括:
利用相关性统计分析与机器学习方法对生产过程中相关变量对应的时间序列进行特征选择,生成质量因果拓扑图模型的d-分离等价类;
对于d-分离等价类中的因果拓扑图模型,利用独立性测试的方法判别变量间的因果方向;
利用相关算法对相关变量对应的时间序列间的协方差进行分解,结合Granger因果关系及统计检验理论,确定变量间的相关性指标;
结合***运行机理和先验知识,对所述变量间的因果方向及相关性指标进行修正。
上述方案中,所述建立联合数据驱动的多模态监测模型,进一步为:
根据所述质量因果拓扑图模型,建立监测质量故障演变过程的联合数据驱动的监测模型,并进一步建立联合数据驱动的多模态监测模型,并设定所述多监测模型的自适应过程。
上述方案中,所述建立联合数据驱动的多模态监测模型,并设定所述多监测模型的自适应过程,具体包括如下步骤:
步骤201,分析生产过程中数据的多模态;
步骤202,采用贝叶斯理论分析新数据的模态识别与添加,建立新的相似度指标和灵敏度指标;
步骤203,对每一个模态下的相应数据建立多模态的质量因果拓扑图;
步骤204,考虑单一模态下的质量因果图相关性指标;
步骤205,根据所述多模态的质量因果拓扑图建立多批次多模态质量监测模型;
步骤206,设定多批次、多模态的生产过程质量监测模型的自适应过程,并利用实验室远程监控平台进行验证和测试。
上述方案中,所述基于贡献率与过程知识建立质量故障诊断的性能评估指标,具体包括如下步骤:
步骤301,将所述质量因果拓扑图模型、多模态监测模型应用于生产过程,收集质量故障数据,计算质量故障检测的故障检测率、误检率和时变特性数据;
步骤302,根据质量故障检测的延迟特性,建立预期故障检测延迟性指标(Expected Detection Delay Index,,EDDI),引入公式
其中,EDDI为式(1)的数学期望,FDR(Fault Detection Rate)为故障检测率;
步骤303,对所述故障检测率、误检率、时变特性数据和延时特性指标加权,设计质量故障诊断的性能评估指标。
上述方案中,所述定位质量故障,具体包括如下步骤:
步骤401,建立统一的联合监测投影子空间和质量故障检测流程;
步骤402,识别质量故障的传播路径,定位质量故障。
本发明提供一种基于联合数据驱动生产过程的质量故障定位方法,该方法包括:提取质量因果拓扑图模型;建立联合数据驱动的多模态监测模型;基于贡献率与过程知识建立质量故障诊断的性能评估指标;根据所述多模态监测模型,识别质量故障传播路径,根据所述质量故障诊断的性能评估指标定位质量故障。本发明在拓扑图特征提取、多元统计数据驱动的过程监控与机器学习的基础上,提出了适合于质量监控的联合数据驱动的故障诊断,为基于数据与知识的生产过程质量故障诊断提供新的途径,弥补了传统的统计过程监控难以解决的质量故障传播路径识别与故障定位问题,基于数据与知识的“定量-定性-定量”的联合数据驱动实现了准确、高效的质量故障定位和诊断。
附图说明
图1是本发明实施例1的带钢热连轧生产过程工艺布置图;
图2是本发明实施例1的基于联合数据驱动生产过程的故障定位方法实施路线图;
图3是本发明实施例1的带钢热连轧机架的多模态质量因果拓扑图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对联合数据驱动的生产过程,提出了一种质量故障的定位方法,力求克服现有的数据联合驱动方法对过程描述过于粗糙的不足,本发明按照“定量-定性-定量”的研究路线,采用基于数据与知识的联合数据驱动方法,深入研究了变量间的关联特性,精确地揭示了质量相关故障即质量故障的传播路径和故障源,实现了质量相关故障的准确定位,从而实现质量的及早检测、诊断与维护。
下面结合实施例1及附图对本发明做进一步说明。
本实施例以数据联合驱动的带钢热连轧生产过程为例。需要说明的是,本发明的故障定位方法并不局限于带钢热连轧过程,也适用于其他的数据联合驱动的生产过程,如,汽车配件生产过程。
图1是本实施例的带钢热连轧生产过程工艺布置图。如图1所示,本实施例数据联合驱动的带钢热连轧生产过程,为一个典型的间歇式生产过程,生产流水线包括加热炉、粗轧机组、传送带和飞剪、精轧机组、层流冷却、卷取机组。这个复杂的生产过程,具有高维、非线性、时变、变量耦合、时序相关性、多模态、大规模、间歇等特性,质量故障可能会出现在任何一个环节,而对质量故障的及早监测和判断,则可以保证生产过程的顺利进行。
图2是本发明实施例1的基于联合数据驱动生产过程的故障定位方法实施路线图。如图2所示,在图1所示的带钢热连轧这一实际工程应用驱动的基础上,本实施例的基于数据联合驱动的质量故障定位方法包括如下步骤:
步骤S1,提取质量因果拓扑图模型。
在本实施例中,所述提取质量因果拓扑图模型,进一步为基于数据驱动方法提取带钢热连轧生产过程的质量因果拓扑图模型,设计合适的拓扑图阈值实现数据驱动的质量因果拓扑图的修剪和优化,从而得到了规模适度的质量因果拓扑图。
上述拓扑图的提取过程,尤其适用于复杂间歇生产过程。具体的,上述拓扑图的提取过程,包括如下步骤:
步骤101,研究质量因果拓扑图变量相关性分析方法。
首先,利用相关性统计分析与机器学习方法对复杂间歇生产过程中相关变量对应的时间序列进行特征选择,生成质量因果拓扑图模型的d-分离等价类;
其次,对于d-分离等价类中的因果拓扑图模型,利用计算似然度等独立性测试的方法判别变量之间的因果方向;
然后,利用相关算法对相关变量对应的时间序列间的协方差进行分解,结合Granger因果关系及统计检验理论,确定变量间的相关性指标;
最后,结合***运行机理、过程知识及专家经验等先验知识,对以上得到变量间的因果方向及相关性指标进行修正。从而,为分析复杂间歇过程多变量的信息传播途径奠定基础。
进一步的,可以通过以下过程实现提取:
根据Granger因果关系等相关理论,本发明采用时间序列分析方法获取了带钢热连轧变量之间的因果关系。
设X和Y为带钢热连轧生产过程中的两个随机变量,其对应的时间序列分别表示为{x1,x2,…,xt}、{y1,y2,…,yt},其中,{xt-k,xt-k+1,…,xt-1}、{yt-k,yt-k+1,…,yt-1}分别表示过去k时段对应的历史观测值,考虑如下两个回归式:
式中,分别表示两个回归式中的回归拟合值,L、K分别表示yt、xt的滞后期数,al、bk为回归系数,εt、ηt为回归误差。如果在F统计量下得到的置信度式(2)的预测误差比式(1)的预测误差小,那么表明xt与yt间的因果关系为xt→yt。
本发明将以上的xt与yt间的因果关系分析作为带钢热连轧生产变量间因果关系的一种理论支撑,在时间序列数据中的预测、异常检测等方面起到了很大的作用。但这种因果关系在实施的过程中过度依赖历史数据,导致了冗余甚至错误的因果关系。因此,本发明结合***运行机理、过程及专家经验等先验知识,将不完全信息或不确定性条件下变量相关性指标考虑进来,获取了较为准确的变量之间的因果关系。
步骤102,设计变量间相关性指标的阈值。
针对质量因果拓扑图模型提取过程中在无监督模式下阈值的自动选择存在鲁棒性不强等问题,对复杂间歇生产过程中相关变量对应的时间序列的替代数据进行分析和处理,然后利用k近邻算法估计这些数据的互信息,采用显著性检验的方法,结合过程及专家知识,考虑复杂间歇过程有色噪声及干扰等不确定性因素,实现有监督条件下相关性指标的阈值设计。
具体的,可以通过以下过程实现上述过程:
针对以上质量因果拓扑图模型提取过程中在无监督模式下阈值的自动选择鲁棒性不强等问题,利用k近邻算法估计了这些数据的互信息,采用显著性检验的方法,结合过程及专家知识,考虑了复杂间歇过程有色噪声及干扰等不确定性因素,实现有监督条件下相关性指标的阈值设计问题。
步骤103,实现专家知识指导下的因果拓扑图提取。
基于数据提取的质量因果拓扑图会存在较多的冗余连接,而基于知识提取的质量因果拓扑图会导致大量不直观或不重要信息的缺失。基于此,本实施例设计了合适的修正算子,利用相关过程知识及专家经验等先验知识对上述提取的质量因果拓扑图进行修剪与优化,以保证修剪及优化后的因果拓扑图为规模适度的有向无环图,实现知识指导下的数据驱动的质量因果拓扑图模型的构建问题。
步骤S2,建立联合数据驱动的多模态监测模型。
在本实施例中,利用多元统计数据驱动方法对质量因果拓扑图中的相关性指标进行时间序列分析,建立了监测质量故障演变过程的联合数据驱动的监测模型,同时与质量相关的模态分析相结合,建立了一个统一的联合数据驱动的多模态监测模型,并提出了监测模型的自适应方法。
进一步的,上述过程包括如下步骤:
步骤201,复杂间歇过程数据的多模态分析。
分析带钢热连轧生产过程数据的多模态特性,并采用基于样本几何结构的聚类有效性指标—类间-类内划分(Between-Within Proportion,BWP)指标,结合聚类算法确定多模态的最佳模态数。
带钢热连轧过程批次之间由于生产计划的不同、产品指标的改变、产品种类的变动、环境的变化等导致过程数据呈现多批次、多模态、动态、非高斯等特性,多模态分析的依据是同一模态内部具有相似的相关性关系,不同模态之间具有明显不同的相关性关系。在模态特征提取中,一方面质量数据(数据标签)可能不完备,另一方面考虑未知的故障可能没有包含在训练数据中。针对以上问题,本发明采用半监督混合判别分析和贝叶斯理论,在过程知识监督下完成了模态特征的提取。在对多模态处理过程中,训练数据的合理聚类(即确定出最佳模态数)对故障检测与诊断至关重要,故本发明从距离测度考虑,引入了一种基于样本几何结构的聚类有效性指标——类间-类内划分(Between-Within Proportion,BWP)指标:
式中,表示第m类的第p个样本,表示第j类的第q个样本,表示第j类的第i个样本;b(j,i)定义为第j类的第i个样本的最小类间距离,w(j,i)定义第j类的第i个样本的类内距离。通过该指标,结合聚类算法确定了多模态的最佳模态数。
步骤202,针对新数据的模态识别与添加问题,采用贝叶斯理论,建立新的相似度指标和灵敏度指标,计算新数据属于各模态的概率并定义一个合适的阈值,若长时间内超出阈值,就可初步判断为新的模态,并考虑在模态库中增加新模态特征。
针对带钢热连轧生产的新数据的模态识别与添加问题,本发明采用贝叶斯理论,建立新的相似度指标和灵敏度指标,计算了新数据属于各模态的概率并定义了一个合适的阈值,若长时间内超出该阈值,就可初步判断为新的模态。
步骤203,在上述模态表征、划分与识别的基础上,在每一个模态下的相应数据建立多模态的质量因果拓扑图。
在上述模态表征、划分与识别的基础上,在每一个模态下的相应数据建立多模态的质量因果拓扑图。
步骤204,考虑单一模态下的质量因果图相关性指标用CI(CorrelationIndex,CI)描述,并仅考虑因果拓扑图中有联系的CI,考虑两个时间序列:p(t)=[CIT(t-1),CIT(t-2),…]T与f(t)=[CIT(t),CIT(t+1),…]T,其中,t时刻的CI(t)是m维向量,利用规范变量分析(Canonical Variate Analysis,CVA)方法对上述两个时间序列进行分析,建立基于质量传播的相关性指标的动态监测模型。
步骤205,结合上述质量因果拓扑图,在多批次、多模态因果拓扑图基础上建立多批次多模态质量监测模型。
步骤206,研究多批次、多模态的带钢热连轧过程质量监测模型的自适应技术,并利用实验室远程监控平台进行验证和测试。
图3是本发明实施例1的带钢热连轧机架的多模态质量因果拓扑图。如图3所示,将三维的多批次过程数据通过模态分析将数据划分为若干模态,在每一个模态下建立质量因果拓扑图。
在前面研究内容的基础上,考虑单一模态下的质量因果图相关性指标用CI(Correlation Index,CI)描述,并仅考虑因果拓扑图中有联系的CI,考虑了下面两个时间序列:p(t)=[CIT(t-1),CIT(t-2),…]T与f(t)=[CIT(t),CIT(t+1),…]T,其中,t时刻的CI(t)是m维向量,利用规范变量分析(Canonical Variate Analysis,CVA)方法对上述两个时间序列进行了分析,建立了基于质量传播的相关性指标的动态监测模型。结合上述质量因果拓扑图则可以在多批次、多模态因果拓扑图基础上,建立多批次、多模态质量监测模型。
步骤S3,基于贡献率与过程知识建立质量故障诊断的性能评估指标。
在本实施例中,定义了质量相关的故障诊断性能评价指标,并对所提出的联合数据驱动的带钢热连轧质量故障传播路径的辨识与故障定位方法与传统故障诊断方法从质量相关故障检测的滞后性、故障检测率和误检率等进行评估,对提出的质量相关故障诊断方法进行了定量分析和评价,经改进和提高后,确定了实验室试验轧机和工业应用验证方案,完成了带钢热连轧生产现场应用。
步骤S3进一步包括如下步骤:
步骤301,将以上研究内容中得到的主要理论成果和算法在带钢热连轧生产线进行应用验证,针对质量相关故障诊断性能的评价指标,不仅要考虑传统的故障检测率和误检率,而且要考虑时变特性故障。
步骤302,针对质量相关故障检测的延迟特性,提出了一个新的预期故障检测延迟性指标(Expected Detection Delay Index,,EDDI),引入公式
其中,EDDI为式(4)的数学期望,FDR(Fault Detection Rate)为故障检测率。
步骤303,对以上评价指标加权,设计最终的质量相关的故障诊断方法的性能评估指标。
步骤304,确定实验室试验轧机和工业应用验证方案,完成带钢热连轧生产现场的应用,取得了良好的效果。
步骤S4,根据所述多模态监测模型,识别质量故障传播路径,根据所述质量故障诊断的性能评估指标定位质量故障。
在本实施例中,实现联合数据驱动的质量相关故障检测、故障传播途径识别及故障定位方法,具体实现步骤如下:
步骤401,建立统一的联合监测投影子空间和质量相关的故障检测方法。
在获得了多批次多模态质量监测模型后,就可以对多模态复杂间歇过程进行在线监测和故障诊断。由于复杂间歇过程每个稳定模态运行时间较短、采样数据也较少、过渡模态运行时间更短、采样数据更少,而且往往要在不同模态之间进行切换。这样传统监测方法无法满足批次方向上高斯分布的假设条件,也不能满足批次方向上潜在相关特性缓慢变化的工程要求,无法满足批次方向上正态分布的前提假设,也无法满足批次方向上潜在相关特性缓慢波动的实际要求,便显得不能适用,效果不佳。针对以上问题,本发明提出了一种基于CVA的联合故障检测方法,利用上述多模态质量监测模型的综合信息,建立了统一的监测模型,实现了多模态数据的实时监测,避免了监测模型的频繁切换。
步骤402,质量相关故障的传播路径识别与故障定位方法。
将过程及专家知识作为先验概率,利用贝叶斯理论将知识融入到相对贡献率中,以一定的搜索策略辨识质量相关故障的传播路径,将分为单一故障和多故障两种情况分别进行相关研究,最终解决多故障的传播路径识别,从而实现故障定位。
为了清晰地表示各相关性指标(故障路径)对检测指标的影响程度,充分地诊断质量相关的故障,本发明利用相对贡献率法实现质量相关的故障诊断。具体步骤为:传统方法通常是利用T2统计监测质量相关的故障,Q统计监测过程噪声,但由于过程噪声的变动可能会影响产品质量变量,故可将Q作为T2的补充,即用T2及Q合成的检测指标φ检测质量相关的故障,通过计算φ的概率密度函数求得控制限,并从φ函数的一阶泰勒展开式和核函数梯度出发,研究各相关性指标对检测指标φ的影响程度,即为质量相关故障的相对贡献率。
同时,本发明将过程及专家知识作为先验概率,利用贝叶斯理论将知识融入到相对贡献率中,以一定的搜索策略辨识质量相关故障的传播路径,将分为单一故障和多故障两种情况分别进行了相关研究,最终解决了多故障的传播路径识别问题,从而实现了故障定位。
本发明提出了一种联合数据驱动的带钢热连轧质量故障传播路径的辨识与故障定位方法,该方法包括:基于生产过程数据与工艺知识,提出了复杂间歇过程的质量因果拓扑图提取方法;建立了联合数据驱动的复杂间歇过程质量相关的故障监测模型;构建了基于联合数据驱动的复杂间歇过程质量相关的故障诊断性能分析与评价指标;建立了联合数据驱动的带钢热连轧过程质量相关的故障监测、故障传播路径识别和故障定位的一体化框架,为复杂间歇过程质量相关的故障诊断提供了一套新技术和解决方案。
本实施例将在已有的数据驱动的拓扑图特征提取、多元统计数据驱动的过程监控技术与机器学习的理论研究基础上,提出了适合于质量监控的联合数据驱动的故障诊断技术。本发明所提供的基于联合数据驱动生产过程的故障定位方法,将为基于数据与知识的带钢热连轧生产过程质量相关的故障诊断提供新的思路和途径,弥补了传统的统计过程监控难以解决的质量相关故障传播路径识别与故障定位以及多故障的诊断问题,本发明提出的基于数据与知识的“定量-定性-定量”的联合数据驱动方法为质量相关的故障诊断提供了新技术和手段。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,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。
Claims (8)
1.一种基于数据联合驱动生产过程的质量故障定位方法,其特征在于,所述方法包括如下步骤:
提取质量因果拓扑图模型;
建立联合数据驱动的多模态监测模型;
基于贡献率与过程知识建立质量故障诊断的性能评估指标;
根据所述多模态监测模型,识别质量故障传播路径,根据所述质量故障诊断的性能评估指标定位质量故障。
2.根据权利要求1所述的故障定位方法,其特征在于,所述提取质量因果拓扑图模型,进一步为基于数据联合驱动的过程知识与历史数据提取质量因果拓扑图模型。
3.根据权利要求2所述的故障定位方法,其特征在于,所述提取质量因果拓扑图模型,具体包括如下步骤:
步骤101,分析质量因果拓扑图变量相关性;
步骤102,设计变量间相关性指标的阈值;
步骤103,专家知识指导下提取因果拓扑图。
4.根据权利要求3所述的故障定位方法,其特征在于,所述分析质量因果拓扑图变量相关性进一步包括:
利用相关性统计分析与机器学习方法对生产过程中相关变量对应的时间序列进行特征选择,生成质量因果拓扑图模型的d-分离等价类;
对于d-分离等价类中的因果拓扑图模型,利用独立性测试的方法判别变量间的因果方向;
利用相关算法对相关变量对应的时间序列间的协方差进行分解,结合Granger因果关系及统计检验理论,确定变量间的相关性指标;
结合***运行机理和先验知识,对所述变量间的因果方向及相关性指标进行修正。
5.根据权利要求1所述的故障定位方法,其特征在于,所述建立联合数据驱动的多模态监测模型,进一步为:
根据所述质量因果拓扑图模型,建立监测质量故障演变过程的联合数据驱动的监测模型,并进一步建立联合数据驱动的多模态监测模型,并设定所述多监测模型的自适应过程。
6.根据权利要求5所述的故障定位方法,其特征在于,所述建立联合数据驱动的多模态监测模型,并设定所述多监测模型的自适应过程,具体包括如下步骤:
步骤201,分析生产过程中数据的多模态;
步骤202,采用贝叶斯理论分析新数据的模态识别与添加,建立新的相似度指标和灵敏度指标;
步骤203,对每一个模态下的相应数据建立多模态的质量因果拓扑图;
步骤204,考虑单一模态下的质量因果图相关性指标;
步骤205,根据所述多模态的质量因果拓扑图建立多批次多模态质量监测模型;
步骤206,设定多批次、多模态的生产过程质量监测模型的自适应过程,并利用实验室远程监控平台进行验证和测试。
7.根据权利要求1所述的故障定位方法,其特征在于,所述基于贡献率与过程知识建立质量故障诊断的性能评估指标,具体包括如下步骤:
步骤301,将所述质量因果拓扑图模型、多模态监测模型应用于生产过程,收集质量故障数据,计算质量故障检测的故障检测率、误检率和时变特性数据;
步骤302,根据质量故障检测的延迟特性,建立预期故障检测延迟性指标(Expected Detection Delay Index,,EDDI),引入公式
其中,EDDI为式(1)的数学期望,FDR(Fault Detection Rate)为故障检测率;
步骤303,对所述故障检测率、误检率、时变特性数据和延时特性指标加权,设计质量故障诊断的性能评估指标。
8.根据权利要求1所述的故障定位方法,其特征在于,所述定位质量故障,具体包括如下步骤:
步骤401,建立统一的联合监测投影子空间和质量故障检测流程;
步骤402,识别质量故障的传播路径,定位质量故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610391112.3A CN105955241B (zh) | 2016-06-03 | 2016-06-03 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610391112.3A CN105955241B (zh) | 2016-06-03 | 2016-06-03 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105955241A true CN105955241A (zh) | 2016-09-21 |
CN105955241B CN105955241B (zh) | 2018-09-14 |
Family
ID=56907649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610391112.3A Active CN105955241B (zh) | 2016-06-03 | 2016-06-03 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105955241B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402559A (zh) * | 2017-08-21 | 2017-11-28 | 北京化工大学 | 一种基于动态超球结构变化的间歇过程测量数据异常检测方法 |
CN108664002A (zh) * | 2018-04-27 | 2018-10-16 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
CN108762238A (zh) * | 2018-06-15 | 2018-11-06 | 东北大学 | 一种基于dcd的湿法冶金浸出过程故障诊断方法 |
CN109471420A (zh) * | 2018-09-21 | 2019-03-15 | 浙江大学 | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 |
CN111290369A (zh) * | 2020-02-24 | 2020-06-16 | 苏州大学 | 一种基于半监督递归特征保留的故障诊断方法 |
CN111367253A (zh) * | 2020-02-18 | 2020-07-03 | 清华大学 | 基于局部自适应标准化的化工***多工况故障检测方法 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN111695583A (zh) * | 2019-07-18 | 2020-09-22 | 广东电网有限责任公司信息中心 | 一种基于因果网络的特征选择方法 |
CN111722043A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种电力设备故障检测方法、装置及*** |
CN111914887A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种新型多模态化工过程异常状态检测方法 |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114077876A (zh) * | 2022-01-19 | 2022-02-22 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
TWI768386B (zh) * | 2019-06-24 | 2022-06-21 | 德商Sms集團有限公司 | 工業工廠,特別是用於金屬生產工業或鋁或鋼鐵工業的工廠,以及用於操作工業工廠,特別是用於金屬生產工業或鋁或鋼鐵工業的工廠的方法 |
CN115780530A (zh) * | 2023-01-19 | 2023-03-14 | 北京科技大学 | 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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3320101B2 (ja) * | 1992-07-20 | 2002-09-03 | キヤノン株式会社 | 画像形成装置 |
JP2002297387A (ja) * | 2001-03-30 | 2002-10-11 | Toshiba Corp | 因果関係モデル生成方法および因果関係モデル生成装置および因果システムモデル構成装置および原因推定方法および原因推定装置およびプログラムおよび記録媒体 |
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN101634851A (zh) * | 2009-08-25 | 2010-01-27 | 西安交通大学 | 基于变量因果影响关系的流程工业故障诊断方法 |
CN101783749A (zh) * | 2009-12-24 | 2010-07-21 | 北京市天元网络技术股份有限公司 | 一种网络故障定位方法和装置 |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
US20130197698A1 (en) * | 2012-01-26 | 2013-08-01 | Carrier Corporation | HVAC System Fault Root Cause Self-Determination |
CN103869739A (zh) * | 2012-12-11 | 2014-06-18 | 新昌县冠阳技术开发有限公司 | 一种基于数据驱动过程监控算法改进及软件*** |
CN104699050A (zh) * | 2015-02-13 | 2015-06-10 | 浙江中烟工业有限责任公司 | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 |
-
2016
- 2016-06-03 CN CN201610391112.3A patent/CN105955241B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3320101B2 (ja) * | 1992-07-20 | 2002-09-03 | キヤノン株式会社 | 画像形成装置 |
JP2002297387A (ja) * | 2001-03-30 | 2002-10-11 | Toshiba Corp | 因果関係モデル生成方法および因果関係モデル生成装置および因果システムモデル構成装置および原因推定方法および原因推定装置およびプログラムおよび記録媒体 |
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN101634851A (zh) * | 2009-08-25 | 2010-01-27 | 西安交通大学 | 基于变量因果影响关系的流程工业故障诊断方法 |
CN101783749A (zh) * | 2009-12-24 | 2010-07-21 | 北京市天元网络技术股份有限公司 | 一种网络故障定位方法和装置 |
US20130197698A1 (en) * | 2012-01-26 | 2013-08-01 | Carrier Corporation | HVAC System Fault Root Cause Self-Determination |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN103869739A (zh) * | 2012-12-11 | 2014-06-18 | 新昌县冠阳技术开发有限公司 | 一种基于数据驱动过程监控算法改进及软件*** |
CN104699050A (zh) * | 2015-02-13 | 2015-06-10 | 浙江中烟工业有限责任公司 | 数据驱动的卷烟制丝过程制叶丝段在线监测和故障诊断方法 |
Non-Patent Citations (8)
Title |
---|
PENG KAI-XIANG: "Online Contribution Rate Based Fault Diagnosis for Nonlinear Industrial Processes", 《ACTA AUTOMATICA SINICA》 * |
QIN ZHANG: "Dynamic Uncertain Causality Graph for Knowledge Representation and Reasoning: Continuous Variable, Uncertain Evidence, and Failure Forecast", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
张勤: "Dynamic Uncertain Causality Graph for Knowledge Representation and Reasoning: Discrete DAG Cases", 《计算机科学技术学报(英文版)》 * |
彭开香 等: "质量相关的带钢热连轧过程监控", 《控制工程》 * |
曹稼斌 等: "基于数据驱动的大型化工装置健康评估与故障源诊断", 《计算机集成制造***》 * |
曾涛 等: "基于因果网络的多故障诊断***", 《硅谷》 * |
*** 等: "基于Granger原因的因果关系检验方法评析", 《合肥工业大学学报(自然科学版)》 * |
陈贵: "数据驱动的多变量控制***性能监测与诊断", 《万方数据库》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402559B (zh) * | 2017-08-21 | 2019-05-24 | 北京化工大学 | 一种基于动态超球结构变化的间歇过程测量数据异常检测方法 |
CN107402559A (zh) * | 2017-08-21 | 2017-11-28 | 北京化工大学 | 一种基于动态超球结构变化的间歇过程测量数据异常检测方法 |
CN108664002A (zh) * | 2018-04-27 | 2018-10-16 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
CN108762238A (zh) * | 2018-06-15 | 2018-11-06 | 东北大学 | 一种基于dcd的湿法冶金浸出过程故障诊断方法 |
CN109471420B (zh) * | 2018-09-21 | 2020-08-14 | 浙江大学 | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 |
CN109471420A (zh) * | 2018-09-21 | 2019-03-15 | 浙江大学 | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 |
TWI768386B (zh) * | 2019-06-24 | 2022-06-21 | 德商Sms集團有限公司 | 工業工廠,特別是用於金屬生產工業或鋁或鋼鐵工業的工廠,以及用於操作工業工廠,特別是用於金屬生產工業或鋁或鋼鐵工業的工廠的方法 |
CN111695583A (zh) * | 2019-07-18 | 2020-09-22 | 广东电网有限责任公司信息中心 | 一种基于因果网络的特征选择方法 |
CN111367253A (zh) * | 2020-02-18 | 2020-07-03 | 清华大学 | 基于局部自适应标准化的化工***多工况故障检测方法 |
CN111367253B (zh) * | 2020-02-18 | 2021-03-16 | 清华大学 | 基于局部自适应标准化的化工***多工况故障检测方法 |
CN111290369A (zh) * | 2020-02-24 | 2020-06-16 | 苏州大学 | 一种基于半监督递归特征保留的故障诊断方法 |
CN111914887A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种新型多模态化工过程异常状态检测方法 |
CN111914887B (zh) * | 2020-06-13 | 2024-02-09 | 广东越凯新材料有限公司 | 一种新型多模态化工过程异常状态检测方法 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN111722043A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种电力设备故障检测方法、装置及*** |
CN111722043B (zh) * | 2020-06-29 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种电力设备故障检测方法、装置及*** |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN113835411B (zh) * | 2021-09-07 | 2023-10-27 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114077876A (zh) * | 2022-01-19 | 2022-02-22 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
CN114077876B (zh) * | 2022-01-19 | 2022-05-13 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
CN115780530A (zh) * | 2023-01-19 | 2023-03-14 | 北京科技大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN105955241B (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105955241A (zh) | 一种基于联合数据驱动生产过程的质量故障定位方法 | |
CN103777627B (zh) | 一种基于少量批次的批次过程在线监测方法 | |
CN101963802B (zh) | 批次制程的虚拟量测方法与*** | |
CN110110870A (zh) | 一种基于事件图谱技术的设备故障智能监控方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
EP2930578B1 (en) | Failure cause classification apparatus | |
CN103345593B (zh) | 面向传感器单数据流的聚集异常检测方法 | |
CN102789545A (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN103116306B (zh) | 一种自动的步进式有序时段划分方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
WO2016091084A1 (zh) | 一种基于复杂网络的高速列车***安全评估方法 | |
CN107533560A (zh) | 用于推断原料成分的数据清理***和方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN104899327A (zh) | 一种无类别标签的时间序列异常检测方法 | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN104573740A (zh) | 一种基于svm分类模型的设备故障诊断方法 | |
CN102208028A (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN105334185B (zh) | 基于光谱投影判别的近红外模型维护方法 | |
CN105511445A (zh) | 基于局部近邻标准化矩阵的多模态过程故障检测方法 | |
CN104471542A (zh) | 用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器 | |
CN104699077A (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
CN103473540A (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
CN104808648A (zh) | 一种基于k近邻的批次过程在线实时监测方法 | |
CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |