CN110333709A - 一种轧钢过程故障诊断方法及*** - Google Patents

Abstract

本发明提供一种轧钢过程故障诊断方法及***，包括：获取轧钢过程的历史样本数据，建立历史样本数据库；将轧钢机架组分为上、中、下游机架组，基于历史样本数据库分别建立故障检测模型；实时获取轧钢过程中产生的故障检测指标值，利用故障检测模型实时进行检测；当轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。对故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据优先级输出候选故障源节点。本发明解决了现有技术未根据故障危害对故障分级，一旦发生故障，过程的安全水平及故障维护策略难以获得，故障源定位难、维护效率低的问题。

Description

一种轧钢过程故障诊断方法及***

技术领域

本发明涉及工业生产过程故障检测技术领域，特别是指一种工艺知识与过程数据联合驱动的轧钢过程故障诊断方法及***。

背景技术

由于以轧钢过程为代表的现代流程工业规模庞大、工序众多、层级复杂，***故障若不能及时检测并排除，可能会在生产过程中传播，影响产品质量，甚至导致巨大的灾难性后果。因此，研究过程故障检测与诊断技术可以对过程的运行状态进行实时的监控并对故障进行定位，能够保障生产过程安全稳定运行、提高维护效率、降低维护成本。轧钢过程作为复杂流程工业的代表，对其故障进行准确的检测与诊断对推动现代工业过程的建设和发展具有促进作用。

目前过程故障检测与诊断技术是过程控制领域的研究热点，传统的数据驱动方法的典型代表多元统计方法不包含用于诊断的过程知识，因此这类方法主要用于定位故障区域及辅助人来诊断；基于知识的方法虽适用于故障诊断，但不适用于解决大规模复杂性问题，没有利用实时数据的统计信息。因此将现场数据与专家知识融合进行过程的故障检测与诊断能够有效克服两类方法的局限，提高故障诊断的准确性、诊断效率和直观性。但基于数据与知识结合的故障检测与诊断方法的研究还处于起步阶段，因此开发这类故障检测与诊断方法的应用平台具有迫切的实际需求。

传统的数据驱动故障检测方法认为过程中所有故障对***的危害程度都相同，因此只能解决简单的检测问题，不能评价故障对过程的影响程度。但在实际生产中并非所有故障都会影响产品的质量，且轧钢过程停机维护的代价很高，因此有必要在对这类流程工业进行检测时利用故障的发生区域对故障的影响进行评价，一方面能够获得***运行的安全水平、避免不必要的停机，提高生产效率、降低经济损失；另一方面可利用故障的发生区域进行故障源的初步定位，缩小诊断范围、提高诊断的效率。

由于过程故障检测与诊断方法计算复杂度高，并且轧钢过程的现场检测要求极高的实时性，普通PC机的CPU计算速度难以达到工业现场的需求，因此寻求检测性能更好、实时性更高、稳定性更强的实时过程故障检测与诊断***平台至关重要。

发明内容

本发明要解决的技术问题是提供一种轧钢过程故障诊断方法及***，解决现有技术未根据故障危害对故障分级，一旦发生故障，过程的安全水平及故障维护策略难以获得，故障源定位难、维护效率低的问题。

为解决上述技术问题，本发明提供一种轧钢过程故障诊断方法，包括：

获取以往轧钢过程中产生的历史样本数据，建立历史样本数据库；

将轧钢机架组分为上游机架组、中游机架组和下游机架组，基于所述历史样本数据库分别建立上游机架组、中游机架组和下游机架组的故障检测模型；

实时获取当前轧钢过程中产生的故障检测指标值，利用所述故障检测模型对获取的故障检测指标值进行实时检测，从而对当前轧钢过程进行故障监测；

当轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。

进一步地，在将实时故障数据存入故障数据库后，所述方法还包括：

对所述故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。

进一步地，所述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数据组，所述数据组中包括过程变量和质量变量；其中，所述过程变量包括弯辊力、辊缝、轧制力，以及速度；所述质量变量包括钢板的厚度、宽度、凸度、平整度，以及温度。

进一步地，所述建立上游机架组、中游机架组和下游机架组的故障检测模型，包括：

分别构建上游机架组、中游机架组和下游机架组对应的故障检测指标；其中，所述故障检测指标包括非质量相关检测指标和质量相关检测指标；

基于所述历史样本数据库计算出各故障检测指标对应的控制限；当实时获取的故障检测指标值超过相应的控制限时，则表明对应机架组出现故障。

进一步地，所述利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平，包括：

根据出现故障时所获取的故障检测指标值中的非质量相关检测指标，判断故障是出现在上游机架组、中游机架组、下游机架组中的哪一个机架组之中；

根据出现故障时所获取的故障检测指标值中的质量相关检测指标，判断故障是否传播至中游机架组、下游机架组，以及影响产品质量；

根据故障的传播范围定义当前生产过程的安全水平；其中，当故障未发生或故障仅出现在上游机架组中时，确定当前生产过程的安全水平为第一等级；当故障影响中游机架组时，确定当前生产过程的安全水平为第二等级；当故障影响下游机架组时，确定当前生产过程的安全水平为第三等级；当故障影响产品质量时，确定当前生产过程的安全水平为第四等级，以便根据安全水平判断对于当前故障是否需要停机维护及制定维护策略。

进一步地，所述对所述故障数据库中选定的故障采样点进行故障传播路径推理，包括：

对于单个机架内部的故障传播路径推理，通过轧钢专家知识中的轧制力设定方程、弯辊力设定方程、弹跳方程建立分层模糊符号有向图，并结合选定的故障采样点得到异常节点，从而得到故障在单个机架内部的传播路径；

对于机架间的故障传播路径推理，结合选定的故障采样点和先验的机架间的变量传播关系得到故障在机架间的传播路径。

进一步地，所述计算各传播路径的优先级，包括：

传播路径的优先级P为P＝M*S，其中M为传播路径的故障放大倍数，即为相容通路下游节点与上游节点偏差的比值，表达式为：

其中，e_d为下游节点的解模糊值，e_u为上游节点的解模糊值；解模糊值为:

其中，语言变量NB、NS、PS、PB表示节点变量采样值相对于对应的变量稳态值的偏差程度，μ_NB、μ_NS、μ_PS、μ_PB分别表示与各语言变量对应的模糊隶属度；S为故障支持度，即S＝minu(v_i)，其中u(v_i)为通路中节点v_i的解模糊值。

相应地，为解决上述技术问题，本发明还提供一种轧钢过程故障诊断***，包括：PC机、VME机箱、嵌入式CPU板卡和I/O子板；其中，所述嵌入式CPU板卡和所述I/O子板均设置在所述VME机箱中，形成嵌入式高性能处理平台；

所述PC机用于根据用户选择的生产钢种和成品板厚，自动匹配历史样本数据库中对应的历史样本数据，并基于匹配的历史样本数据分别建立上游机架组、中游机架组和下游机架组对应的故障检测模型；其中，所述历史样本数据库中包括以往轧钢过程中产生的历史样本数据；

所述嵌入式高性能处理平台用于实时获取当前轧钢过程中产生的故障检测指标值，利用所述PC机建立的故障检测模型对获取的故障检测指标值进行实时检测，从而对当前轧钢过程进行故障监测；并在轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。

进一步地，所述PC机还用于对所述故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。

进一步地，所述PC机和嵌入式高性能处理平台之间通过以太网实现通信；

所述嵌入式高性能处理平台和生产现场设置的用于采集各故障检测指标值的传感器之间通过以太网实现通信。

本发明的上述技术方案的有益效果如下：

本发明通过建立历史样本数据库；将轧钢机架组分为上游机架组、中游机架组和下游机架组，基于历史样本数据库分别建立上游机架组、中游机架组和下游机架组的故障检测模型；实时获取当前轧钢过程中产生的故障检测指标值，利用故障检测模型对获取的故障检测指标值进行实时检测；当轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用故障检测指标值确定故障初始位置和当前生产过程的安全水平；对故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。从而实现了对故障源的定位，解决了现有技术故障源定位困难的问题，并且根据故障危害对故障进行分级，从而在故障发生时，便于获得生产过程的安全水平及故障维护策略，进而有效提高了维护效率。

附图说明

图1为本发明第一实施例提供的轧钢过程故障诊断方法的流程示意图；

图2为本发明第一实施例提供的轧钢过程故障诊断方法的原理示意图；

图3为本发明第二实施例提供的轧钢过程故障诊断***的框架图；

图4为本发明第二实施例提供的轧钢过程故障诊断平台的登录页示意图；

图5为本发明第二实施例提供的轧钢过程故障诊断平台的主界面示意图；

图6为本发明第二实施例提供的轧钢过程故障传播路径推理界面示意图；

图7为本发明第二实施例提供的轧钢过程分层模糊符号有向图中的故障传播路径图。

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。

本发明针对现有技术未根据故障危害对故障分级，一旦发生故障，过程的安全水平及故障维护策略难以获得，故障源定位难、维护效率低的问题，提供一种工艺知识与过程数据联合驱动的轧钢过程故障诊断方案，以供用户进行轧钢精轧过程的实时过程综合监测、产品质量监测、故障根源诊断。

具体地，本发明的技术方案包括软件和硬件两部分，下面以具体实施例的方式，对本发明的技术方案进行详细阐述。

第一实施例

如图1所示，本实施例提供一种轧钢过程故障诊断方法，对应于本发明中软件部分；如图2所示，本发明的整体思路为将精轧机架组的第1～3、4～5、6～7机架分别划分为精轧过程的上、中、下游机架组，并分别进行故障监测，通过改变贝叶斯推理中的先验故障概率将整个精轧过程级联起来，体现机架组之间的影响。当生产过程出现故障时，利用综合监测获得的故障数据和故障的位置信息进行故障传播路径推理，利用故障优先级P对各条传播路径进行排序，最终输出候选故障源节点。

具体地，本实施例的轧钢过程故障诊断方法包括：

S101，获取以往轧钢过程中产生的历史样本数据，建立历史样本数据库；

需要说明的是，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数据组，该数据组中包括过程变量和质量变量；其中，过程变量包括弯辊力、辊缝、轧制力，以及速度等过程变量；质量变量包括钢板的厚度、宽度、凸度、平整度，以及温度等质量变量。

S102，将轧钢机架组分为上游机架组、中游机架组和下游机架组，基于历史样本数据库分别建立上、中、下游机架组的故障检测模型；

需要说明的是，上述建立上游机架组、中游机架组和下游机架组的故障检测模型，具体包括：

分别构建上游机架组、中游机架组和下游机架组对应的故障检测指标；

其中，故障检测指标包括非质量相关检测指标和质量相关检测指标，也即影响后续生产的检测指标和不影响后续生产的检测指标，共6个故障检测指标；一方面利用上、中、下游对应的不影响后续生产的故障检测指标初步获得故障发生的位置、缩小诊断的范围；另一方面利用上、中、下游对应的影响后续生产的故障检测指标获得故障在***中的传播情况、评价***的安全水平。

基于历史样本数据库计算出各故障检测指标对应的控制限；当实时获取的故障检测指标值超过相应的控制限时，则表明对应机架组出现故障。

S103，实时获取当前轧钢过程中的故障检测指标值，利用故障检测模型对获取的故障检测指标值进行实时检测，从而对当前轧钢过程进行故障监测；

需要说明的是，上述步骤为根据获得的当前轧钢生产过程中的实时数据组计算上、中、下游机架组6个故障检测指标对应的值并判断它们是否超出相应的控制限，当超出控制限时，则表明相应机架组出现故障；其中3个非质量相关的故障检测指标用来判断上、中、下游机架组中是否出现了故障，3个质量相关的故障检测指标用来判断故障是否传播至中游、下游及影响产品质量。

S104，当轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。

需要说明的是，上述利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平，具体包括：

根据出现故障时所获取的故障检测指标值中的非质量相关检测指标，判断故障是出现在上游机组、中游机组、下游机组中的哪一个机组之中；

根据出现故障时所获取的故障检测指标值中的质量相关检测指标，判断故障是否传播至中游机组、下游机组，以及影响产品质量；

根据故障的传播范围定义当前生产过程的安全水平；其中，当故障未发生或故障仅出现在上游机组中时，确定当前生产过程的安全水平为第一等级，以字符串“normal”表示；当故障影响中游机组时，确定当前生产过程的安全水平为第二等级，以字符串“low”；当故障影响下游机组时，确定当前生产过程的安全水平为第三等级，以字符串“middle”表示；当故障影响产品质量时，确定当前生产过程的安全水平为第四等级，以字符串“high”表示，以便根据安全水平判断对于当前故障是否需要停机维护及制定维护策略。

此外，在将实时故障数据存入故障数据库后，本实施例的方法还包括：

S105，对故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。

其中，对故障数据库中选定的故障采样点进行故障传播路径推理，包括：

对于单个机架内部的故障传播路径推理，通过轧钢专家知识中的轧制力设定方程、弯辊力设定方程、弹跳方程建立分层模糊符号有向图，并结合选定的故障采样点得到异常节点，从而得到故障在单个机架内部的传播路径；

对于机架间的故障传播路径推理，结合选定的故障采样点和先验的机架间的变量传播关系得到故障在机架间的传播路径。

上述计算各传播路径的优先级，具体包括：

传播路径的优先级P为P＝M*S，其中M为传播路径的故障放大倍数，即为相容通路下游节点与上游节点偏差的比值，表达式为：

其中，e_d为下游节点的解模糊值，e_u为上游节点的解模糊值；解模糊值为:

其中，语言变量NB、NS、PS、PB表示节点变量采样值相对于对应的变量稳态值的偏差程度，μ_NB、μ_NS、μ_PS、μ_PB分别表示与各语言变量对应的模糊隶属度；S为故障支持度，即S＝minu(v_i)，其中u(v_i)为通路中节点v_i的解模糊值。

第二实施例

请参阅图3，本实施例提供一种轧钢过程故障诊断***，对应于本发明的硬件部分，包括：PC机、VME机箱、嵌入式CPU板卡和I/O子板；其中，PC机是一台宿主机，用于提供仿真开发环境；VME机箱为目标机，其背板基于VME协议，可插CPU板、VME基板或其他I/O子板，为这些硬件提供基本运行和通信环境；嵌入式CPU板卡完全支持VME64标准，在VME总线环境中既可做主又可做从，其处理器内核可以是双核或四核，以确保运算的高效性；嵌入式CPU板卡和I/O子板设置在VME机箱中，形成本***中的嵌入式高性能处理平台；

进一步地，本实施例的***有2个以太网口，支持以太网通信(1Gbit/s)，用于本***中PC机和高性能处理平台中的各CPU之间的通信，更重要的是用于工业现场的数据采集传感器与本实施例***中的高性能处理平台之间的通信；此外，该***还包括1个串口，支持串口通信，主要用于配置环境变量和获取打印信息，上述以太网口和串口都是RJ45接口。

本实施例的轧钢过程故障诊断***在PC机上完成监测与诊断结果测试、和多步检测模型的建模、存储分层模糊符号有向图模型，然后在嵌入式高性能处理平台上完成在线实时监测并实时计算出监测量，实现过程综合监测界面实时显示，最后在PC机上实现故障传播路径辨识与根源诊断。

具体地，上述PC机中加载有用于实现上述第一实施例中方法的软件平台，该PC机用于根据用户选择的生产钢种和成品板厚，自动匹配历史样本数据库中对应的历史样本数据，并基于匹配的历史样本数据分别建立上、中、下游机架组对应的故障检测模型；及对故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。其中，历史样本数据库中包括以往轧钢过程中产生的历史样本数据；

上述嵌入式高性能处理平台用于实时获取当前轧钢过程中产生的故障检测指标值，利用PC机建立的故障检测模型对获取的故障检测指标值进行实时检测，从而对当前轧钢过程进行故障监测；并在轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。

进一步地，上述PC机中加载的软件平台的登录界面如图4所示，其包含完整的用户管理功能，能够实现用户注册、密码修改、管理员查看用户信息等功能。单击“登录”按键即可进入本实施例的轧钢过程故障诊断***。

上述软件平台的主界面如图5所示，其包含的功能有过程综合监测、产品关键质量选择与监测、过程安全水平显示以及传播路径显示。实现上述功能前需要进行模型训练，通过选择生产钢种、板厚自动匹配历史样本数据库，建立多步过程故障检测模型。选择运行模式为“***测试”则会弹出平台内部的故障数据库信息以选择用于测试的三种故障数据，选择完成后隐藏故障数据库信息；选择运行模式为“实时监测”则自动弹出以太网连接功能模块，输入正确的IP地址、端口号成功建立连接后隐藏连接功能模块。

通过以太网将模型信息传输到嵌入式高性能处理平台中，等待工业现场通过以太网实时传输过来的实时数据。点击“开始监测”按键即可开始对过程进行监测。过程的综合监测指标分为用于判断故障所在机架组的非质量相关的故障发生指标及用于判断故障对生产影响范围的质量相关故障发生指标。其中，设备安全运行或故障仅出现在上游、故障影响中游、故障影响下游、故障影响产品质量分别对应“normal”、“low”、“middle”、“high”四个安全水平。当安全水平为“high”时故障数据存储方式会切换至自动存储，将影响产品的数据存储至故障数据库。

点击“开始诊断”按键时，平台会将存储的故障数据采样点的编号在“<选择采样点>”的下拉菜单中显示，选择采样点后点击“显示路径”按键即可在故障传播路径模块显示故障所在机架组通过分层模糊符号有向图及机架间变量的影响关系推理出的传播路径。点击“显示详情”按键即会弹出故障传播路径推理界面。

具体地，故障传播路径推理界面如图6所示，传播路径推理即将每个机架中的故障传播路径及对应的通路放大倍数、故障源支持度分别显示，并可通过点击“传播路径辨识”按键打开如图7所示的分层模糊符号有向图中的故障传播路径图。机架的选择由“<选择机架>”下拉菜单控制，当故障最先出现在上游时下拉菜单选项为“Stand1、Stand2、Stand3”，当故障最先出现在中、下游时下拉菜单选项分别为“Stand4、Stand5”、“Stand6、Stand7”。通过比较传播路径的优先级，优先级最高的路径对应的故障源作为最终候选故障源输出到故障源推理模块中，用户可通过选择指定的候选故障源节点并点击“显示变量详情”按键在绘图区显示该变量的采样值和对应的阈值，直观地看出该节点何时出现故障的。

下面，对本实施例中的上述软件平台的操作步骤进行具体说明，如下：

步骤一、用户选择生产钢种、成品板厚，平台自动匹配历史样本数据库中对应的历史生产数据；选择运行模式，“***测试”模式会弹出***故障数据库以选择先验故障用于***功能测试，“实时检测”模式会弹出以太网连接窗口，实现与工厂数据的连接；选择关键质量，***将根据所选变量个数自动匹配多边形显示质量；上述选择完成后点击***训练，弹出训练进度条，完成训练后即可监测；

步骤二、选择故障存储方式为“自动”或“手动”，点击“开始监测”按键对过程进行实施监控；机架组出现故障时，通过点击“保存当前故障数据”或选择“自动”存储故障数据将故障数据添加到故障数据库；

步骤三、点击“开始诊断”按键，平台将故障数据库中的样本的采样编号传递至“<选择采样点>”下拉菜单，然后用户可在该菜单中选择指定采样点，点击“显示路径”按键，在故障传播路径窗口中会显示故障最先出现的故障组对应的传播路径推理结果；

步骤四、点击“查看详情”按键，打开故障传播路径推理界面，机架内、机架间的传播路径及对应的通路放大倍数、故障源支持度以及最终候选故障源分别在各自窗口显示，在“选择机架”下拉菜单中选择指定机架，点击“传播路径辨识”按键，可打开单机架分层模糊符号有向图，故障路径在该图中被标红；点击“显示变量详情”按键，将打开在设备运行时间内所选故障源节点的所有采样值及对应的阈值，直观查看节点故障详情。

本发明主要解决以下五个问题：

第一，设计适用的数据驱动过程故障检测方法，将轧钢精轧过程分为上、中、下游分别进行检测，所用检测指标分为影响后续生产的检测指标和不影响后续生产的检测指标。一方面利用上、中、下游对应的不影响后续生产的检测指标初步获得故障发生的位置、缩小诊断范围；另一方面利用上、中、下游对应的影响后续生产的检测指标获得故障在生产***中的传播情况、评价生产***的安全水平。

第二，由于故障的诊断需要从故障数据库中获得故障数据对其溯源，需要在过程运行安全水平不同时实现故障数据存储方式的切换，将实时的故障数据添加到故障数据库中。

第三，故障可能通过设备运行向下传播至其他机架，因此故障的传播分为机架内部的故障传播和机架间的故障传播。对于机架内部的故障传播路径，设计轧钢精轧过程单机架基于专家知识的分层模糊符号有向图模型结合故障数据实现故障传播路径推理。对于机架间的故障传播路径，利用故障数据结合机架间变量的影响关系进行判断。

第四，故障的传播路径有多条时，需要选取适当的评价指标对每条传播路径对应的候选故障源进行评价，获得最终的候选故障源。

第五，利用实时获取的工业现场数据组，通过以太网传输到嵌入式高性能处理平台上，去调用PC机中存储的过程故障检测方法模型信息，在嵌入式高性能处理平台上实现对轧钢精轧过程的实时检测与故障诊断。

其中，上述问题中的前四个为理论基础的实现，主要在PC机上完成，第五个为实际应用的实现，过程实时综合监测主要是在PC机上实现建模，通过以太网将模型信息传输到嵌入式高性能处理平台，结合现场数据实时计算出监测统计量，并实现监测界面实时显示。由于轧钢过程中采样时间短、轧钢所用时间短，因此故障的诊断过程并没有实时性的要求。故障根源诊断主要利用故障数据库中的故障数据在PC机上实现。

为解决上述第一个问题，本发明致力于设计一种用于轧钢精轧过程的质量相关多步故障检测方法，通过将轧钢的精轧过程七个机架分为上、中、下游机架组分别进行检测，可以判断出故障最早出现的位置，从而在故障诊断时只需要在某个机架组之间进行机架分层模糊符号有向图的搜索，减少了推理复杂度、提高了推理效率。在检测时利用核典型相关分析(Kernel Canonical Correlation Analysis,KCCA)方法提取过程变量与质量变量间的相关性以判断过程的故障是否会随着***运行向下传播，并结合故障发生的位置判断出***运行的安全水平。安全水平可与故障的维护水平对应起来，有利于为维护人员排查故障提供理论依据和理论指导。

为解决上述第二个问题，本发明根据过程无故障或故障仅出现在上游机架组、故障影响中游机架组、故障影响下游机架组、故障影响产品质量的情况将过程的运行安全水平分为“normal”、“low”、“middle”、“high”四个等级。当***的故障水平为高时，数据存储方式切换为自动存储以保存当前故障数据便于故障溯源，其他安全水平下根据监测结果用户手动点击相应按钮存储故障数据用于诊断。

为解决上述第三个问题，本发明致力于根据轧钢精轧过程单机架的轧制力设定方程、弯辊力设定方程、弹跳方程建立分层模糊符号有向图模型，根据已设定好的过程变量报警阈值可计算出各故障节点的状态，然后寻找符号有向图中的相容通路，输出故障传播路径。一方面将故障节点的状态从传统的“-1”、“0”、“-1”扩展为：“-1”、“区间(-1,0)”、“0”、“区间(0,1)”、“1”，可直接反映节点的故障程度；另一方面节点的分层有利于降低推理复杂度、提高推理效率。机架间的传播路径将单独考虑，两相邻机架间的异常节点间若存在较强的相关关系，则表明故障由上一机架的异常变量传递至下一机架的异常变量，输出该条故障传播路径。

为解决上述第四个问题，本发明致力于选取评价指标帮助用户评价多条故障传播路径对应的候选故障源以获得通路优先级，找出最有可能的候选故障源节点并输出。本发明从相容通路的故障放大倍数、故障支持度两个方面定位故障源。相容通路的故障放大倍数M为相容通路下游节点与上游节点偏差的比值，表达式为：

其中e_d为下游节点的解模糊值，e_u为上游节点的解模糊值。解模糊值为:

其中语言变量NB、NS、PS、PB表示节点变量采样值相对于对应的变量稳态值的偏差程度，μ_NB、μ_NS、μ_PS、μ_PB分别表示与各语言变量对应的模糊隶属度。

故障支持度S＝minu(v_i)，其中u(v_i)为通路中节点v_i的解模糊值。

要想找到最可能的候选故障源，需要计算出各通路的故障源优先级P，根据大小排序，得到故障源所在通路，最终定位故障源。通路优先级P表达式为：

P＝M*S

通过比较各通路对应的优先级大小，优先级大的通路对应的故障源节点将作为最可能的候选故障源输出。

为解决上述的第五个问题，本发明致力于提供轧钢精轧过程的实时监控功能。首先利用历史样本数据在PC机中建立基于KCCA的多步故障检测模型，然后将模型信息通过以太网传输到嵌入式高性能处理平台中，再通过现场各类传感器和控制器采集实时数据，构建实时数据集，通过以太网将实时数据集传输到嵌入式高性能处理平台中，利用上述实时过程数据集结合算法模型信息计算出实时检测信息，在过程综合监测中显示实时检测结果；将上述实时质量数据集中用户关注的质量变量实时显示在质量监测部分。

此外，需要说明的是，本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(***)、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。

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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。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。

还需要说明的是，在本文中，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。

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 (10)

1.一种轧钢过程故障诊断方法，其特征在于，包括：

获取以往轧钢过程中产生的历史样本数据，建立历史样本数据库；

将轧钢机架组分为上游机架组、中游机架组和下游机架组，基于所述历史样本数据库分别建立上游机架组、中游机架组和下游机架组的故障检测模型；

实时获取当前轧钢过程中产生的故障检测指标值，利用所述故障检测模型对获取的故障检测指标值进行实时检测，从而对当前轧钢过程进行故障监测；

当轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。

2.如权利要求1所述的轧钢过程故障诊断方法，其特征在于，在将实时故障数据存入故障数据库后，所述方法还包括：

对所述故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。

3.如权利要求1所述的轧钢过程故障诊断方法，其特征在于，所述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数据组，所述数据组中包括过程变量和质量变量；其中，所述过程变量包括弯辊力、辊缝、轧制力和速度；所述质量变量包括钢板的厚度、宽度、凸度、平整度和温度。

4.如权利要求1所述的轧钢过程故障诊断方法，其特征在于，所述建立上游机架组、中游机架组和下游机架组的故障检测模型，包括：

分别构建上游机架组、中游机架组和下游机架组对应的故障检测指标；其中，所述故障检测指标包括非质量相关检测指标和质量相关检测指标；

基于所述历史样本数据库计算出各故障检测指标对应的控制限；当实时获取的故障检测指标值超过相应的控制限时，则表明对应机架组出现故障。

5.如权利要求4所述的轧钢过程故障诊断方法，其特征在于，所述利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平，包括：

根据出现故障时所获取的故障检测指标值中的非质量相关检测指标，判断故障是出现在上游机架组、中游机架组、下游机架组中的哪一个机架组之中；

根据出现故障时所获取的故障检测指标值中的质量相关检测指标，判断故障是否传播至中游机架组、下游机架组，以及影响产品质量；

根据故障的传播范围定义当前生产过程的安全水平；其中，当故障未发生或故障仅出现在上游机架组中时，确定当前生产过程的安全水平为第一等级；当故障影响中游机架组时，确定当前生产过程的安全水平为第二等级；当故障影响下游机架组时，确定当前生产过程的安全水平为第三等级；当故障影响产品质量时，确定当前生产过程的安全水平为第四等级，以便根据安全水平判断对于当前故障是否需要停机维护及制定维护策略。

6.如权利要求2所述的轧钢过程故障诊断方法，其特征在于，所述对所述故障数据库中选定的故障采样点进行故障传播路径推理，包括：

对于单个机架内部的故障传播路径推理，通过轧钢专家知识中的轧制力设定方程、弯辊力设定方程、弹跳方程建立分层模糊符号有向图，并结合选定的故障采样点得到异常节点，从而得到故障在单个机架内部的传播路径；

对于机架间的故障传播路径推理，结合选定的故障采样点和先验的机架间的变量传播关系得到故障在机架间的传播路径。

7.如权利要求6所述的轧钢过程故障诊断方法，其特征在于，所述计算各传播路径的优先级，包括：

传播路径的优先级P为P＝M*S，其中M为传播路径的故障放大倍数，即为相容通路下游节点与上游节点偏差的比值，表达式为：

其中，e_d为下游节点的解模糊值，e_u为上游节点的解模糊值；解模糊值为:

其中，语言变量NB、NS、PS、PB表示节点变量采样值相对于对应的变量稳态值的偏差程度，μ_NB、μ_NS、μ_PS、μ_PB分别表示与各语言变量对应的模糊隶属度；S为故障支持度，即S＝minu(v_i)，其中u(v_i)为通路中节点v_i的解模糊值。

8.一种轧钢过程故障诊断***，其特征在于，包括：PC机、VME机箱、嵌入式CPU板卡和I/O子板；其中，所述嵌入式CPU板卡和所述I/O子板均设置在所述VME机箱中，形成嵌入式高性能处理平台；

所述PC机用于根据用户选择的生产钢种和成品板厚，自动匹配历史样本数据库中对应的历史样本数据，并基于匹配的历史样本数据分别建立上游机架组、中游机架组和下游机架组对应的故障检测模型；其中，所述历史样本数据库中包括以往轧钢过程中产生的历史样本数据；

所述嵌入式高性能处理平台用于实时获取当前轧钢过程中产生的故障检测指标值，利用所述PC机建立的故障检测模型对获取的故障检测指标值进行实时检测，从而对当前轧钢过程进行故障监测；并在轧钢过程出现故障时，将实时故障数据存入故障数据库，并利用出现故障时所获取的故障检测指标值确定故障初始位置和当前生产过程的安全水平。

9.如权利要求8所述的轧钢过程故障诊断***，其特征在于，所述PC机还用于对所述故障数据库中选定的故障采样点进行故障传播路径推理，并计算各传播路径的优先级，根据各传播路径的优先级输出候选故障源节点。

10.如权利要求8所述的轧钢过程故障诊断***，其特征在于，所述PC机和所述嵌入式高性能处理平台之间通过以太网实现通信；

所述嵌入式高性能处理平台和生产现场设置的用于采集各故障检测指标值的传感器之间通过以太网实现通信。