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.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116020879A(43)申请公布日2023.04.28(21)申请号202310114427.3(22)申请日2023.02.15(71)申请人北京科技大学地址100083北京市海淀区学院路30号(72)发明人张驰董洁彭开香张红军(74)专利代理机构北京市广友专利事务所有限责任公司11237专利代理师闫美玉张仲波(51)Int.Cl.B21B37/00(2006.01)G06F18/20(2023.01)G06F18/213(2023.01)G06F18/26(2023.01)B21B38/00(2006.01)权利要求书2页说明书18页附图4页(54)发明名称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(57)摘要本发明公开了一种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，涉及工业过程监控技术领域。包括：获取带钢热连轧全流程的多维时空数据；其中，多维时空数据包括过程数据以及工艺参数；将多维时空数据输入到构建好的时空多尺度过程监控模型；根据多维时空信息数据以及时空多尺度过程监控模型，得到带钢热连轧时空多尺度过程监控结果。本发明能够突破传统过程监测方法仅利用过程维数据，未能对全流程、多系统下的时空信息进行有效挖掘与关联解析的局限，通过实时控制层与过程控制层的协同监测，实现工艺参数不适配、设定值计算异常、模型误匹配、过程控制层与实时控制层通信故障等非显性故障有效检测。CN116020879ACN116020879A权利要求书1/2页1.一种面向工艺参数带钢热连轧时空多尺度过程监控方法，其特征在于，所述方法包括：S1、获取带钢热连轧全流程的多维时空数据；其中，所述多维时空数据包括过程数据以及工艺参数；S2、将所述多维时空数据输入到构建好的时空多尺度过程监控模型；S3、根据所述多维时空数据以及时空多尺度过程监控模型，得到带钢热连轧时空多尺度过程监控结果。2.根据权利要求1所述的方法，其特征在于，所述S2中的时空多尺度过程监控模型的构建过程包括：S21、获取带钢热连轧全流程正常工况下的历史多维时空数据；S22、对所述历史多维时空数据进行预处理，得到预处理后的多维时空数据；S23、对所述预处理后的多维时空数据进行特征提取，得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征；S24、根据所述过程数据维小尺度动态特征、工艺参数维大尺度趋势特征以及训练好的双层隐马尔科夫模型，构建基于负对数似然概率的监测统计量的计算方法。3.根据权利要求2所述的方法，其特征在于，所述S21中的获取带钢热连轧全流程正常工况下的历史多维时空数据，包括：S211、对带钢热连轧全流程进行物理空间分解，得到多生产工序或多操作单元；S212、获取所述多生产工序或多操作单元中的每个生产工序或每个操作单元正常工况下的过程数据；S213、对带钢热连轧全流程进行信息空间分解，得到多系统层级；S214、获取所述多系统层级正常工况下的工艺参数。4.根据权利要求2所述的方法，其特征在于，所述S22中的对所述历史多维时空数据进行预处理，得到预处理后的多维时空数据，包括：S221、构建全连接网络张量分解的数据填补模型；S222、设定所述数据填补模型的目标函数为最小化预设重构误差；S223、采用临近交替最小化原则对所述目标函数进行求解，得到构建好的全连接网络张量分解的数据填补模型；S224、基于所述构建好的全连接网络张量分解的数据填补模型，对所述历史多维时空数据进行预处理，得到预处理后的多维时空数据。5.根据权利要求2所述的方法，其特征在于，所述S23中的对所述预处理后的多维时空数据进行特征提取，得到过程数据维小尺度动态特征以及工艺参数维大尺度趋势特征，包括：S231、利用动态内部主成分分析法，对所述预处理后的多维时空数据中的过程数据进行特征提取，得到过程数据维小尺度动态特征；S232、利用慢特征分析法对所述预处理后的多维时空数据中的工艺参数进行特征提取，得到工艺参数维大尺度趋势特征。6.根据权利要求2所述的方法，其特征在于，所述S24中的双层隐马尔科夫模型的训练过程包括：构建双层隐马尔科夫模型，所述双层隐马尔科夫模型包括第一层隐马尔科夫模型以及2CN116020879A权利要求书2/2页第二层隐马尔科夫模型；根据Baum‑Welch算法对所述双层隐马尔科夫模型的参数进行训练，得到训练好的双层隐马尔科夫模型。7.根据权利要求2所述的方法，其特征在于，所述S24中的双层隐马尔科夫模型，如下式（1）所示：（1）其中，表示双层隐马尔科夫模型的参数集合，表示第一层隐马尔科夫模型的隐藏状态转移概率矩阵，表示第二层隐马尔科夫模型的隐藏状态转移概率矩阵，表示第一层隐马尔科夫模型的观测状态转移概率矩阵，表示第二层隐马尔科夫