CN113835411A - 一种轧钢工艺流程质量异常综合诊断方法 - Google Patents
一种轧钢工艺流程质量异常综合诊断方法 Download PDFInfo
- Publication number
- CN113835411A CN113835411A CN202111045843.XA CN202111045843A CN113835411A CN 113835411 A CN113835411 A CN 113835411A CN 202111045843 A CN202111045843 A CN 202111045843A CN 113835411 A CN113835411 A CN 113835411A
- Authority
- CN
- China
- Prior art keywords
- quality
- fault
- hierarchical
- fault propagation
- variables
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000005096 rolling process Methods 0.000 title claims abstract description 65
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 60
- 239000010959 steel Substances 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 19
- 230000001364 causal effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 238000004886 process control Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
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
- 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
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种轧钢工艺流程质量异常综合诊断方法，属于生产过程的控制和监测技术领域。所述方法包括：构建融合层级质量信息的层次化故障传播网络；根据构建的层次化故障传播网络，识别变工况下故障传播路径；根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断。采用本发明，能够对轧钢工艺流程的质量异常进行在线综合诊断。
Description
技术领域
本发明涉及生产过程的控制和监测技术领域，特别是指一种轧钢工艺流程质量异常综合诊断方法。
背景技术
现代工业过程呈现出生产规模庞大、自动化程度高、***集成化明显等特点。轧钢工艺流程往往由众多生产工序/环节/回路(也可称为：子***)构成，且子***间在物质流、能量流、信息流的约束下相互影响；同时，其相应的综合自动化***层级(如实时控制层、过程控制层、制造执行层等)分划清晰，各层级分工明确且相互协作关联，每一层级的异常变化均有触发质量异常的可能性；另外，定制化生产使得品种、规格呈现多样性，加之原料的不确定性，设备状态、外界环境以及工艺路线等的不同使得生产工况复杂多变、切换频繁；上述“多层级、全流程、变工况”的“三维”制造模式共同作用给轧钢工艺流程质量异常综合诊断带来挑战。
发明内容
本发明实施例提供了轧钢工艺流程质量异常综合诊断方法，能够对轧钢工艺流程的质量异常进行在线诊断。所述技术方案如下：
本发明实施例提供了一种轧钢工艺流程质量异常综合诊断方法，包括：
构建融合层级质量信息的层次化故障传播网络；
根据构建的层次化故障传播网络，识别变工况下故障传播路径；
根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断。
进一步地，所述构建融合层级质量信息的层次化故障传播网络包括：
在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络。
进一步地，所述在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络包括：
在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，基于不同层级信息，利用广义重构贡献图及相对重构贡献图等方法实现质量异常相关故障辨识，并构建质量异常相关故障根源目标候选集的筛选准则；
当不同层级的过程变量和质量异常相关故障变量之间的统计相关性容易确定时，将知识和数据相结合，获取不同层级的过程变量和质量异常相关故障变量之间的直接、间接因果关系并构建拓扑网络，以层次化符号有向图的形式描述构建的拓扑网络，并利用采集的不同层级数据样本为层次化符号有向图赋值，根据构建的筛选准则反向搜索以筛选质量异常相关故障根源目标候选集，正向搜索以确定质量异常相关故障根源，实现融合层级质量信息的层次化故障传播网络的构建；
其中，将知识和数据相结合指：融合轧钢工艺流程全流程不同层级信息、质量工艺模型信息以及利用时间序列因果关系分析方法对采集的不同层级数据样本进行因果关系分析得到的结果。
进一步地，所述层级包括：设备层、实时控制层、过程控制层及制造执行层、企业管理层和企业战略层。
进一步地，所述在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络还包括：
当不同层级的过程变量和质量异常相关故障变量之间的统计相关性难以确定时，将知识和数据相结合，基于证据理论建立以质量异常相关故障变量为节点的证据图模型，其节点状态为证据理论中关于质量异常相关故障变量取值的信度分布，通过对过程连接性知识、不同层级的相关信息及质量异常相关故障变量历史数据的分析，得到不同层级相邻质量异常相关故障变量节点条件信度分布，用其描述质量异常相关故障在证据图中的传播关系，通过条件信度分布线性更新方法，将更新结果中信度最大的节点作为质量异常相关故障根源，实现融合层级质量信息的层次化故障传播网络的构建。
进一步地，所述根据构建的层次化故障传播网络，识别变工况下故障传播路径包括：
在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，分析多工序质量指标集的耦合关系，实现故障传播路径的粗识别；
结合工况变化信息及工序间变工况迁移概率模型，实现变工况下全流程故障传播路径的精细化识别方法。
进一步地，所述在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，分析多工序质量指标集的耦合关系，实现故障传播路径的粗识别包括：
在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，以轧钢工艺流程各子***的质量工艺模型和不同工况模式下的过程变量间、过程变量与质量指标之间的主导变量关系为基础，利用动态贝叶斯网络学习变量间的概率依存关系及其随时间变化规律，初步构建基于动态贝叶斯网络的故障传播网络，实现故障传播路径的粗识别。
进一步地，所述结合工况变化信息及工序间变工况迁移概率模型，实现变工况下全流程故障传播路径的精细化识别方法包括：
融合工况变化信息，在初步构建的基于动态贝叶斯网络的故障传播网络的基础上，构建工序间变工况概率转移模型，并结合新工况的识别结果与子***间的关联关系，构建精准的动态贝叶斯网络，实现变工况下全流程质量异常相关故障传播路径的精细化识别；
其中，所述工况变化信息包括：过程操作点变化、运行状态变化、原材料变化、生产计划变化。
进一步地，所述根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断包括：
基于已建立的共性和个性子空间模型，利用子空间辨识方法分别提取共性、个性子空间模型下轧钢工艺流程正常历史数据中的特征向量，得到基准向量；
确定由变工况下故障传播路径识别出的故障数据的特征向量，基于确定的故障数据的特征向量，分别得到共性、个性子空间中的质量异常相关故障变量与基准向量之间的偏离度；
对得到的共性与个性子空间中的质量异常相关故障变量与基准向量之间的偏离度进行融合，得到共性和个性子空间的融合偏离度；
确定融合偏离度阈值，根据确定的融合偏离度阈值及得到的融合偏离度对故障等级进行划分，实现质量异常相关故障在线诊断。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，构建融合层级质量信息的层次化故障传播网络；根据构建的层次化故障传播网络，识别变工况下故障传播路径；根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断。这样，能够对轧钢工艺流程的质量异常进行在线综合诊断，从而解决轧钢工艺流程质量异常综合诊断问题。
附图说明
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。
图1为本发明实施例提供的轧钢工艺流程工艺布置示意图；
图2为本发明实施例提供的轧钢工艺流程“多层级、全流程、变工况”“三维”示意图；
图3为本发明实施例提供的轧钢工艺流程质量异常综合诊断方法的流程示意图；
图4为本发明实施例提供的轧钢工艺流程质量异常综合诊断方法的详细流程示意图。
具体实施方式
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。
本实施例以轧钢工艺流程为例。需要说明的是，本发明的质量异常综合诊断方法并不局限于轧钢工艺流程，也适用于其他的生产过程，如，化工生产过程。
图1是本发明实施例1的轧钢工艺流程工艺布置图。从图1可以看出，本实施例所述的轧钢工艺流程主要由加热、粗轧、飞剪、精轧、层流冷却、卷取等多个生产工序构成，从原材料到最终产品形成一个以串联结构为主体的产品加工长流程。
图2是本发明实施例1的轧钢工艺流程“多层级、全流程、变工况”“三维”示意图。可以看出，相应的轧钢工艺流程综合自动化***层级明显，主要包括设备层、实时控制层、过程控制层及制造执行层、企业管理层和企业战略层等，各层级分工明确且相互协作关联；其中，
设备层包括：加热炉、粗轧机组、飞剪、精轧机组、层流冷却和卷取机，主要完成主辅传动、电、液、气动作执行、仪表数据采集等功能；
实时控制层主要根据过程控制层下发的操作指令完成全线设备的顺序和逻辑控制，并承担带钢全长质量控制任务，实现基础自动化；
过程控制层主要任务是根据制造执行层下发的作业计划对热连轧全线的各生产工序进行实时跟踪、数据采集和工艺参数优化设定，其在合适的时刻，根据实际工况条件，通过一系列的数学模型计算，得到各种生产设备的优化设定参数，其计算精度对最终产品的质量，尤其是头部质量有决定作用，并对生产顺行有很大影响；
制造执行层主要完成生产计划、生产调度、质量管理、库存管理及物流跟踪等功能，充分考虑各工序的生产约束，兼顾不同的质量要求和合同交货期，采用一体化的排程策略和调度策略，实现物质流匹配和能量流匹配；
企业战略层和企业管理层分别以决策管理和生产与一般管理为核心，强调企业的计划性，同时以客户订单和市场需求为计划源头，进行宏观计划和把握，以充分利用企业内的各种资源，提高企业效益。
另外，轧钢工艺流程的定制化生产使其品种及规格呈现多样性，加之原料的不确定性，设备状态、外界环境以及过程工艺等的不同使其生产工况复杂多变。这样使得带钢热轧生产过程在“三个维度”(***层级、全流程、多工况)呈现复杂性。这种“三个维度”制造过程使得***的安全性、稳定性分析更加复杂多变，无论哪一个维度的异常均会导致故障立体传播以至演变演化，给轧钢工艺流程质量异常诊断带来巨大挑战。
如图3所示，本发明实施例提供了一种轧钢工艺流程质量异常综合诊断方法，包括：
S101,构建融合层级质量信息的层次化故障传播网络，其中，质量信息包括：轧钢产品的纵向或横向厚差、表面平直度等信息；
本实施例中，在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络，如图4所示，具体可以包括以下步骤：
A1，在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，基于制造执行层中的生产调度信息、过程控制层中的生产工艺或控制回路等不同层级信息，利用广义重构贡献图及相对重构贡献图等方法实现质量异常相关故障辨识，并构建质量异常相关故障根源目标候选集的筛选准则，以实现目标候选集筛选；
A2，当不同层级的过程变量和质量异常相关故障变量之间的统计相关性容易确定(容易确定是指：过程变量和质量异常相关故障变量之间的关联性容易用相关性分析方法确定)时，将知识和数据相结合，获取不同层级的过程变量和质量异常相关故障变量之间的直接、间接因果关系并构建拓扑网络，以层次化符号有向图的形式描述构建的拓扑网络，并利用采集的不同层级数据样本(包括：历史的生产数据、监测数据及维修、维护记录等)为层次化符号有向图赋值，根据构建的筛选准则反向搜索以筛选质量异常相关故障根源目标候选集，正向搜索以确定质量异常相关故障根源，实现融合层级质量信息的层次化故障传播网络的构建；
其中，将知识和数据相结合指：融合轧钢工艺流程全流程不同层级信息、粗轧机组与精轧机组等质量工艺模型信息(指：与质量工艺模型关联的因素，如弯辊力、轧制力、辊缝等信息)以及利用格兰杰、传递熵、动态时间规整等时间序列因果关系分析方法对采集的不同层级数据样本进行因果关系分析得到的结果。
其中，所述层级包括：设备层、实时控制层、过程控制层及制造执行层、企业管理层和企业战略层。
A3，当不同层级的过程变量和质量异常相关故障变量之间的统计相关性难以确定(难以确定是指：过程变量和质量异常相关故障变量之间的关联性难以用相关性分析方法确定)时，将知识和数据相结合，基于证据理论建立以质量异常相关故障变量为节点的证据图模型，其节点状态为证据理论中关于质量异常相关故障变量取值的信度分布，通过对过程连接性知识(如工艺管道和仪表流程图等)、不同层级的相关信息及质量异常相关故障变量历史数据的分析，得到不同层级相邻质量异常相关故障变量节点条件信度分布，用其描述质量异常相关故障在证据图中的传播关系，通过条件信度分布线性更新方法，将更新结果中信度最大的节点作为质量异常相关故障根源，实现融合层级质量信息的层次化故障传播网络的构建。
S102，根据构建的层次化故障传播网络，识别变工况下故障传播路径,如图4所示，具体可以包括以下步骤：
B1，在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，分析多工序质量指标集的耦合关系，实现故障传播路径的粗识别；
本实施例中，在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，以多工序质量指标集的耦合关系(具体指：轧钢工艺流程各子***的质量工艺模型和不同工况模式下的过程变量间、过程变量与质量指标之间的主导变量关系)为基础，利用动态贝叶斯网络学习变量间的概率依存关系及其随时间变化规律，初步构建基于动态贝叶斯网络的故障传播网络，实现故障传播路径的粗识别。
B2，结合工况变化信息及工序间变工况迁移概率模型，实现变工况下全流程故障传播路径的精细化识别方法。
本实施例中，融合工况变化信息，在初步构建的基于动态贝叶斯网络的故障传播网络的基础上，构建工序间变工况概率转移模型，并结合新工况的识别结果与子***间的关联关系，构建精准的动态贝叶斯网络(具体指：构建基于精准的动态贝叶斯网络的变工况下的故障传播网络)，实现变工况下全流程质量异常相关故障传播路径的精细化识别；
其中，所述工况变化信息包括：过程操作点变化、运行状态变化、原材料变化、生产计划变化。
S103，根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断，如图4所示，具体可以包括以下步骤：
C1，基于已建立的共性和个性子空间模型，利用典型变量分析等子空间辨识方法分别提取共性、个性子空间模型下轧钢工艺流程正常历史数据(指：***正常运行下获取的历史数据)中的特征向量，得到基准向量；
C2，利用支持向量数据描述和敏感性分析等方法确定由变工况下故障传播路径识别出的故障数据的特征向量，基于确定的故障数据的特征向量，进一步分别得到共性、个性子空间中的质量异常相关故障变量与基准向量之间的偏离度；
C3，利用贝叶斯融合、证据理论、集成学习等方法，对得到的共性与个性子空间中的质量异常相关故障变量与基准向量之间的偏离度进行融合，得到共性和个性子空间的融合偏离度；
C4，采用神经网络等人工智能方法与模糊技术相结合的方法确定融合偏离度阈值，根据确定的融合偏离度阈值及得到的融合偏离度对故障等级(包括：故障征兆、轻微故障、一般故障、严重故障)进行划分，从而实现质量异常相关故障在线诊断。
本发明实施例所述的轧钢工艺流程质量异常综合诊断方法，构建融合层级质量信息的层次化故障传播网络；根据构建的层次化故障传播网络，识别变工况下故障传播路径；根据识别出的变工况下故障传播路径，对质量异常相关故障进行在线诊断。这样，能够对轧钢工艺流程的质量异常进行在线综合诊断，从而解决轧钢工艺流程质量异常综合诊断问题。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种轧钢工艺流程质量异常综合诊断方法，其特征在于，包括：
构建融合层级质量信息的层次化故障传播网络；
根据构建的层次化故障传播网络，识别变工况下故障传播路径；
根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断。
2.根据权利要求1所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述构建融合层级质量信息的层次化故障传播网络包括：
在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络。
3.根据权利要求2所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络包括：
在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，基于不同层级信息，利用广义重构贡献图及相对重构贡献图等方法实现质量异常相关故障辨识，并构建质量异常相关故障根源目标候选集的筛选准则；
当不同层级的过程变量和质量异常相关故障变量之间的统计相关性容易确定时，将知识和数据相结合，获取不同层级的过程变量和质量异常相关故障变量之间的直接、间接因果关系并构建拓扑网络，以层次化符号有向图的形式描述构建的拓扑网络，并利用采集的不同层级数据样本为层次化符号有向图赋值，根据构建的筛选准则反向搜索以筛选质量异常相关故障根源目标候选集，正向搜索以确定质量异常相关故障根源，实现融合层级质量信息的层次化故障传播网络的构建；
其中，将知识和数据相结合指：融合轧钢工艺流程全流程不同层级信息、质量工艺模型信息以及利用时间序列因果关系分析方法对采集的不同层级数据样本进行因果关系分析得到的结果。
4.根据权利要求3所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述层级包括：设备层、实时控制层、过程控制层及制造执行层、企业管理层和企业战略层。
5.根据权利要求3所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述在质量异常工况监测结果的基础上，以轧钢工艺流程知识为基础，结合不同层级信息及对不同层级的过程变量和质量异常相关故障变量的相关性和因果关系的分析结果，构建融合层级质量信息的层次化故障传播网络还包括：
当不同层级的过程变量和质量异常相关故障变量之间的统计相关性难以确定时，将知识和数据相结合，基于证据理论建立以质量异常相关故障变量为节点的证据图模型，其节点状态为证据理论中关于质量异常相关故障变量取值的信度分布，通过对过程连接性知识、不同层级的相关信息及质量异常相关故障变量历史数据的分析，得到不同层级相邻质量异常相关故障变量节点条件信度分布，用其描述质量异常相关故障在证据图中的传播关系，通过条件信度分布线性更新方法，将更新结果中信度最大的节点作为质量异常相关故障根源，实现融合层级质量信息的层次化故障传播网络的构建。
6.根据权利要求1所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述根据构建的层次化故障传播网络，识别变工况下故障传播路径包括：
在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，分析多工序质量指标集的耦合关系，实现故障传播路径的粗识别；
结合工况变化信息及工序间变工况迁移概率模型，实现变工况下全流程故障传播路径的精细化识别方法。
7.根据权利要求6所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，分析多工序质量指标集的耦合关系，实现故障传播路径的粗识别包括：
在所构建的融合层级质量信息的层次化故障传播网络的基础上，针对其中的子***故障传播网络，以轧钢工艺流程各子***的质量工艺模型和不同工况模式下的过程变量间、过程变量与质量指标之间的主导变量关系为基础，利用动态贝叶斯网络学习变量间的概率依存关系及其随时间变化规律，初步构建基于动态贝叶斯网络的故障传播网络，实现故障传播路径的粗识别。
8.根据权利要求6所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述结合工况变化信息及工序间变工况迁移概率模型，实现变工况下全流程故障传播路径的精细化识别方法包括：
融合工况变化信息，在初步构建的基于动态贝叶斯网络的故障传播网络的基础上，构建工序间变工况概率转移模型，并结合新工况的识别结果与子***间的关联关系，构建精准的动态贝叶斯网络，实现变工况下全流程质量异常相关故障传播路径的精细化识别；
其中，所述工况变化信息包括：过程操作点变化、运行状态变化、原材料变化、生产计划变化。
9.根据权利要求1所述的轧钢工艺流程质量异常综合诊断方法，其特征在于，所述根据变工况下故障传播路径识别结果，对质量异常相关故障进行在线诊断包括：
基于已建立的共性和个性子空间模型，利用子空间辨识方法分别提取共性、个性子空间模型下轧钢工艺流程正常历史数据中的特征向量，得到基准向量；
确定由变工况下故障传播路径识别出的故障数据的特征向量，基于确定的故障数据的特征向量，分别得到共性、个性子空间中的质量异常相关故障变量与基准向量之间的偏离度；
对得到的共性与个性子空间中的质量异常相关故障变量与基准向量之间的偏离度进行融合，得到共性和个性子空间的融合偏离度；
确定融合偏离度阈值，根据确定的融合偏离度阈值及得到的融合偏离度对故障等级进行划分，实现质量异常相关故障在线诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045843.XA CN113835411B (zh) | 2021-09-07 | 2021-09-07 | 一种轧钢工艺流程质量异常综合诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045843.XA CN113835411B (zh) | 2021-09-07 | 2021-09-07 | 一种轧钢工艺流程质量异常综合诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113835411A true CN113835411A (zh) | 2021-12-24 |
| CN113835411B CN113835411B (zh) | 2023-10-27 |
Family
ID=78958614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111045843.XA Active CN113835411B (zh) | 2021-09-07 | 2021-09-07 | 一种轧钢工艺流程质量异常综合诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113835411B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
| CN116719293A (zh) * | 2023-08-04 | 2023-09-08 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及*** |
| CN116809652A (zh) * | 2023-03-28 | 2023-09-29 | 材谷金带(佛山)金属复合材料有限公司 | 一种热轧机控制***的异常分析方法及*** |
| CN117688496A (zh) * | 2024-01-25 | 2024-03-12 | 南京航空航天大学 | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5914875A (en) * | 1996-01-11 | 1999-06-22 | Kabushiki Kaisha Toshiba | Method and apparatus for diagnosing plant anomaly |
| CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
| CN105955241A (zh) * | 2016-06-03 | 2016-09-21 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
| CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
| CN110333709A (zh) * | 2019-06-19 | 2019-10-15 | 北京科技大学 | 一种轧钢过程故障诊断方法及*** |
| CN110989561A (zh) * | 2019-12-26 | 2020-04-10 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种构建故障传播模型的方法及故障传播路径确定方法 |
| CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及*** |
| CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及*** |
| CN112306036A (zh) * | 2019-08-02 | 2021-02-02 | 中国石油化工股份有限公司 | 化工过程运行故障的诊断方法 |
| US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
| CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
-
2021
- 2021-09-07 CN CN202111045843.XA patent/CN113835411B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5914875A (en) * | 1996-01-11 | 1999-06-22 | Kabushiki Kaisha Toshiba | Method and apparatus for diagnosing plant anomaly |
| CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
| CN105955241A (zh) * | 2016-06-03 | 2016-09-21 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
| CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
| CN110333709A (zh) * | 2019-06-19 | 2019-10-15 | 北京科技大学 | 一种轧钢过程故障诊断方法及*** |
| CN112306036A (zh) * | 2019-08-02 | 2021-02-02 | 中国石油化工股份有限公司 | 化工过程运行故障的诊断方法 |
| US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
| CN110989561A (zh) * | 2019-12-26 | 2020-04-10 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种构建故障传播模型的方法及故障传播路径确定方法 |
| CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及*** |
| CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及*** |
| CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
Non-Patent Citations (3)
| Title |
|---|
| 彭开香等: "面向***层级的复杂工业过程全息故障诊断", 化工学报, vol. 70, no. 2, pages 590 - 598 * |
| 王梦园;张雄;马亮;彭开香;: "基于因果拓扑图的工业过程故障诊断", 山东大学学报(工学版), vol. 47, no. 05 * |
| 袁海斌;安茂春;: "分布式层次化故障诊断模型和诊断策略的研究", 微计算机信息, no. 19 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
| CN116809652A (zh) * | 2023-03-28 | 2023-09-29 | 材谷金带(佛山)金属复合材料有限公司 | 一种热轧机控制***的异常分析方法及*** |
| CN116809652B (zh) * | 2023-03-28 | 2024-04-26 | 材谷金带(佛山)金属复合材料有限公司 | 一种热轧机控制***的异常分析方法及*** |
| CN116719293A (zh) * | 2023-08-04 | 2023-09-08 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及*** |
| CN116719293B (zh) * | 2023-08-04 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及*** |
| CN117688496A (zh) * | 2024-01-25 | 2024-03-12 | 南京航空航天大学 | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 |
| CN117688496B (zh) * | 2024-01-25 | 2024-04-16 | 南京航空航天大学 | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113835411B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113835411A (zh) | 一种轧钢工艺流程质量异常综合诊断方法 | |
| Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
| Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
| García | Multi-agent system for anomaly detection in Industry 4.0 using Machine Learning techniques | |
| Goyal et al. | Optimization of condition-based maintenance using soft computing | |
| Bastos et al. | A maintenance prediction system using data mining techniques | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN109902931A (zh) | 一种基于运行数据融合的多态制造***运行风险建模方法 | |
| Chen et al. | Application of data-driven models to predictive maintenance: Bearing wear prediction at TATA steel | |
| CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与*** | |
| Navinchandran et al. | Studies to predict maintenance time duration and important factors from maintenance workorder data | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
| Yıldız et al. | Integrating preventive and predictive maintenance policies with system dynamics: A decision table approach | |
| Lieber et al. | Sustainable interlinked manufacturing processes through real-time quality prediction | |
| Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies | |
| Ejlali et al. | Developing hybrid machine learning models to assign health score to railcar fleets for optimal decision making | |
| Sultana et al. | Economic design of exponentially weighted moving average chart with variable sampling interval at fixed times scheme incorporating Taguchi loss function | |
| Salehi | Bayesian-based predictive analytics for manufacturing performance metrics in the era of industry 4.0 | |
| Bahar et al. | Predictive Maintenance System Integrated with Periodic Maintenance: Machine Learning and Classical Approaches | |
| CN113828638B (zh) | 一种轧钢工艺流程复合故障追溯方法 | |
| Dundulienė et al. | Trade risk identification and prediction using experts’ knowledge and machine learning | |
| Turkoglu et al. | Application of data mining in failure estimation of cold forging machines: An industrial research | |
| Sharma et al. | Industry 4.0 Technologies for Smart Manufacturing: A Systematic Review of Machine Learning Methods for Predictive Maintenance | |
| Lee et al. | Design of decision support system for yield management in semiconductor industry: application to artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |