本發(fā)明涉及工業(yè)生產(chǎn)過(guò)程的控制和監(jiān)測(cè)，特別是指一種面向多模式制造過(guò)程的kpi相關(guān)故障診斷方法及裝置。

背景技術(shù)：

1、隨著計(jì)算機(jī)和傳感器技術(shù)的快速進(jìn)步，制造過(guò)程越來(lái)越融入大規(guī)模的信息集成和強(qiáng)交互。這一趨勢(shì)是由于需要適應(yīng)產(chǎn)品規(guī)格的頻繁調(diào)整、原材料質(zhì)量的變化以及其他不確定的外部因素。與單模式制造工藝相比，多模式制造過(guò)程由于生產(chǎn)規(guī)模的擴(kuò)大和復(fù)雜性的增加而帶來(lái)了巨大的挑戰(zhàn)，多模式制造過(guò)程的故障診斷技術(shù)是提高裝置安全性、可靠性和降低事故風(fēng)險(xiǎn)的關(guān)鍵技術(shù)。

2、在現(xiàn)代工業(yè)生產(chǎn)中，安全和穩(wěn)定是第一位的。工業(yè)生產(chǎn)過(guò)程中的事故或故障可能不利于產(chǎn)品質(zhì)量和生產(chǎn)效率，甚至可能造成人員傷亡。因此，開發(fā)一種安全高效的故障診斷技術(shù)具有重要意義。

3、多模式故障診斷可分為基于多元統(tǒng)計(jì)分析、基于機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的方法。早期研究主要集中在多元統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)方法，包括模式轉(zhuǎn)換概率(mtp)、主成分分析(pca)、k近鄰(knn)、k均值(k-means)等?；诮y(tǒng)計(jì)和機(jī)器學(xué)習(xí)的方法對(duì)高維非線性和非平穩(wěn)數(shù)據(jù)的有效性有限，無(wú)法滿足實(shí)際工業(yè)需要。與其他領(lǐng)域相比，深度學(xué)習(xí)方法在多模式故障診斷中的應(yīng)用相對(duì)有限，相關(guān)研究采用基于遷移學(xué)習(xí)的方法處理多模式制造過(guò)程。kpi相關(guān)的故障診斷包括偏最小二乘法(apls)和自編碼器(autoencoder)等方法。

4、現(xiàn)有的基于深度學(xué)習(xí)的多模式制造過(guò)程故障診斷方法大多數(shù)采用如自編碼器的靜態(tài)深度網(wǎng)絡(luò)。然而，多模式制造過(guò)程本質(zhì)上是動(dòng)態(tài)的，現(xiàn)有的方法難以充分提取數(shù)據(jù)的動(dòng)態(tài)特征。在進(jìn)行特征提取時(shí)缺乏對(duì)kpi相關(guān)特征的重點(diǎn)提取。同時(shí)深度學(xué)習(xí)模型龐大的網(wǎng)絡(luò)結(jié)構(gòu)降低了模型的適應(yīng)性和靈活性，模型出現(xiàn)過(guò)擬合現(xiàn)象，導(dǎo)致故障診斷準(zhǔn)確性較低。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有針在進(jìn)行特征提取時(shí)缺乏對(duì)kpi相關(guān)特征的重點(diǎn)提取。同時(shí)深度學(xué)習(xí)模型龐大的網(wǎng)絡(luò)結(jié)構(gòu)降低了模型的適應(yīng)性和靈活性，模型出現(xiàn)過(guò)擬合現(xiàn)象，導(dǎo)致故障診斷準(zhǔn)確性較低的技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種面向多模式制造過(guò)程的kpi相關(guān)故障診斷方法及裝置。所述技術(shù)方案如下：

2、一方面，提供了一種面向多模式制造過(guò)程的kpi相關(guān)故障診斷方法，其特征在于，所述方法包括：

3、s1、獲取帶鋼熱軋過(guò)程中留存的過(guò)程變量以及關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)，建立歷史樣本數(shù)據(jù)庫(kù)；

4、s2、構(gòu)建有監(jiān)督最小門控單元smgu，基于歷史樣本數(shù)據(jù)庫(kù)，訓(xùn)練有監(jiān)督最小門控單元smgu；利用有監(jiān)督最小門控單元smgu提取關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征；

5、s3、構(gòu)建稀疏寬度學(xué)習(xí)系統(tǒng)sbls，將提取得到的關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征，輸入至稀疏寬度學(xué)習(xí)系統(tǒng)sbls進(jìn)行細(xì)顆粒度故障診斷訓(xùn)練；

6、s4、基于訓(xùn)練后的有監(jiān)督最小門控單元smgu和稀疏寬度學(xué)習(xí)系統(tǒng)?sbls，獲得基于smgu-sbls的kpi相關(guān)故障診斷結(jié)構(gòu)；

7、s5、獲取待檢測(cè)故障數(shù)據(jù)，將待檢測(cè)故障數(shù)據(jù)輸入至基于smgu-sbls的kpi相關(guān)故障診斷結(jié)構(gòu)，獲得故障診斷結(jié)果。

8、可選地，s1中，過(guò)程變量，包括：帶鋼熱軋過(guò)程中，生成不同鋼種、不同板厚的鋼板時(shí)所產(chǎn)生的各種數(shù)據(jù)組；

9、關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)包括：精軋機(jī)出口帶材的寬度、凸度、厚度以及平整度。

10、可選地，s2中，構(gòu)建有監(jiān)督最小門控單元smgu，基于歷史樣本數(shù)據(jù)庫(kù)，訓(xùn)練有監(jiān)督最小門控單元smgu；利用有監(jiān)督最小門控單元smgu提取關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征，包括：

11、構(gòu)建有監(jiān)督最小門控單元smgu；

12、基于關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)以及過(guò)程變量進(jìn)行有監(jiān)督最小門控單元smgu的更新規(guī)則構(gòu)建，獲取有監(jiān)督最小門控單元smgu的網(wǎng)絡(luò)參數(shù)；

13、將有監(jiān)督最小門控單元smgu的輸出作為關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征。

14、可選地，s3，構(gòu)建稀疏寬度學(xué)習(xí)系統(tǒng)sbls，將提取得到的關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征，輸入至稀疏寬度學(xué)習(xí)系統(tǒng)sbls進(jìn)行細(xì)顆粒度故障診斷訓(xùn)練，包括：

15、構(gòu)建稀疏寬度學(xué)習(xí)系統(tǒng)sbls；

16、基于提取后的關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征，采用增廣拉格朗日乘子對(duì)sbls的目標(biāo)函數(shù)進(jìn)行無(wú)約束優(yōu)化；其中，無(wú)約束優(yōu)化包括：使用塊坐標(biāo)下降bcd求解目標(biāo)函數(shù)的中間變量和參數(shù)；

17、基于關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征，結(jié)合目標(biāo)函數(shù)的中間變量和參數(shù)，獲得故障診斷結(jié)果。

18、可選地，故障診斷結(jié)果包括：

19、故障診斷結(jié)果即sbls的輸出計(jì)算如下：

20、

21、其中，為sbls的權(quán)重矩陣，代表權(quán)重經(jīng)過(guò)若干次迭代得到的最終權(quán)重，a表示關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)動(dòng)態(tài)特征f計(jì)算出的實(shí)際輸入矩陣。

22、可選地，s5中，獲取待檢測(cè)故障數(shù)據(jù)，將待檢測(cè)故障數(shù)據(jù)輸入至基于smgu-sbls的kpi相關(guān)故障診斷結(jié)構(gòu)，獲得故障診斷結(jié)果，包括：

23、獲取待檢測(cè)故障數(shù)據(jù)，以及待檢測(cè)故障數(shù)據(jù)的故障類型；

24、通過(guò)所述基于smgu-sbls的kpi相關(guān)故障診斷結(jié)構(gòu)，對(duì)待檢測(cè)故障數(shù)據(jù)進(jìn)行特征提取，以及輸入矩陣和權(quán)重矩陣的計(jì)算；

25、基于輸入矩陣和權(quán)重矩陣獲得故障診斷結(jié)果。

26、另一方面，提供了一種面向多模式制造過(guò)程的kpi相關(guān)故障診斷裝置，該裝置應(yīng)用于面向多模式制造過(guò)程的kpi相關(guān)故障診斷方法，該裝置包括：

27、數(shù)據(jù)獲取模塊，用于獲取帶鋼熱軋過(guò)程中留存的過(guò)程變量以及關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)，建立歷史樣本數(shù)據(jù)庫(kù)；

28、特征提取模塊，用于構(gòu)建有監(jiān)督最小門控單元smgu，基于歷史樣本數(shù)據(jù)庫(kù)，訓(xùn)練有監(jiān)督最小門控單元smgu；利用有監(jiān)督最小門控單元smgu提取關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征；

29、sbls構(gòu)建模塊，用于構(gòu)建稀疏寬度學(xué)習(xí)系統(tǒng)sbls，將提取得到的關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)相關(guān)的動(dòng)態(tài)特征，輸入至稀疏寬度學(xué)習(xí)系統(tǒng)sbls進(jìn)行細(xì)顆粒度故障診斷訓(xùn)練；

30、smgu-sbls結(jié)構(gòu)構(gòu)建模塊，用于基于訓(xùn)練后的有監(jiān)督最小門控單元smgu和稀疏寬度學(xué)習(xí)系統(tǒng)?sbls，獲得基于smgu-sbls的kpi相關(guān)故障診斷結(jié)構(gòu)；

31、故障診斷模塊，用于獲取待檢測(cè)故障數(shù)據(jù)，將待檢測(cè)故障數(shù)據(jù)輸入至基于smgu-sbls的kpi相關(guān)故障診斷結(jié)構(gòu)，獲得故障診斷結(jié)果。

32、可選地，過(guò)程變量，包括：帶鋼熱軋過(guò)程中，生成不同鋼種、不同板厚的鋼板時(shí)所產(chǎn)生的各種數(shù)據(jù)組；

33、關(guān)鍵績(jī)效指標(biāo)kpi數(shù)據(jù)包括：精軋機(jī)出口帶材的寬度、凸度、厚度以及平整度。

34、另一方面，提供一種面向多模式制造過(guò)程的kpi相關(guān)故障診斷設(shè)備，所述面向多模式制造過(guò)程的kpi相關(guān)故障診斷設(shè)備包括：處理器；存儲(chǔ)器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述面向多模式制造過(guò)程的kpi相關(guān)故障診斷方法中的任一項(xiàng)方法。

35、另一方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實(shí)現(xiàn)上述面向多模式制造過(guò)程的kpi相關(guān)故障診斷方法中的任一項(xiàng)方法。

36、本發(fā)明實(shí)施例提供的技術(shù)方案帶來(lái)的有益效果至少包括：

37、本發(fā)明實(shí)施例中基于smgu的kpi相關(guān)動(dòng)態(tài)特征提?。簃gu通過(guò)簡(jiǎn)化門結(jié)構(gòu)大大降低了訓(xùn)練復(fù)雜度，訓(xùn)練速度得到顯著提升。然而無(wú)監(jiān)督mgu主要從過(guò)程變量中學(xué)習(xí)動(dòng)態(tài)特征，這些動(dòng)態(tài)特征中可能存在與kpi無(wú)關(guān)的信息。采用有監(jiān)督smgu能夠充分提取kpi相關(guān)的動(dòng)態(tài)特性。

38、基于sbls的細(xì)粒度故障診斷：bls的大量節(jié)點(diǎn)增加了網(wǎng)絡(luò)的復(fù)雜性，稀疏bls通過(guò)刪除冗余特征節(jié)點(diǎn)和增強(qiáng)節(jié)點(diǎn)簡(jiǎn)化了傳統(tǒng)bls的結(jié)構(gòu)，有效避免模型的過(guò)擬合，增強(qiáng)了網(wǎng)絡(luò)的可解釋性。