一种面向模型交互联动的带钢热连轧过程监控方法和装置

1.本发明涉及工业过程监控技术领域，特别是指一种面向模型交互联动的带钢热连轧过程监控方法和装置。


背景技术：

2.为适应市场对多品种、多规格、高附加值产品的需求，现代工业过程正朝着大规模、复杂化和集成化的方向发展。以带钢热连轧过程为例，生产的带钢产品通常覆盖厚度范围为0.8-12.7mm，宽度范围为700-1550mm。产品的需求使得对成品宽度、厚度、表面凸度、力学性能和组织性能等指标的设定及调控更为严格。同时，多个生产工序或子系统构成了大规模带钢热连轧过程。这些生产工序或子系统在物质流、能量流、信息流的约束下互联耦合。以上因素使得设备自身或外部扰动等引起的故障在各生产工序或子系统间立体传播并演变演化。若不能及时发现并排除故障，最终会对整个生产过程的安全运行造成恶劣影响。因此，采取有效的过程监控方法去评估大规模带钢热连轧过程的状态，对提高产品质量的稳定性和运行效率具有十分重要的意义。


技术实现要素：

3.本发明提供了一种面向模型交互联动的带钢热连轧过程监控方法和装置。所述技术方案如下：
4.一方面，提供了一种面向模型交互联动的带钢热连轧过程监控方法，包括：
5.s1、获取历史带钢热连轧过程数据；
6.s2、根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；
7.s3、利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；
8.s4、将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；
9.s5、将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；
10.s6、将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。
11.另一方面，一种面向模型交互联动的带钢热连轧过程监控装置，所述装置包括：
12.获取模块，用于获取历史带钢热连轧过程数据；
13.划分模块，用于根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；
14.提取模块，用于利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；
15.传递模块， 用于将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；
16.结合模块，用于将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；
17.监控模块，用于将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。
18.另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有指令，所述指令由所述处理器加载并执行以实现上述面向模型交互联动的带钢热连轧过程监控方法。
19.另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有指令，所述指令由处理器加载并执行以实现上述面向模型交互联动的带钢热连轧过程监控方法。
20.本发明提供的技术方案带来的有益效果至少包括：
21.本发明利用各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的子系统，为后续的演化特征提取和联动模型构建提供有力支撑。
22.本发明构建可解释性自编码器提取力学性能过程变量和力学性能相关的过程变量的关键潜变量信息，在此基础上利用加性指数模型拟合上述提取的关键潜变量间的映射关系，有效捕获力学性能导向下各子块的数据演化特征，而且在在线测量阶段中，力学性能过程变量不能实时获取，只能实时获取力学性能相关的过程变量，因此本发明通过每个子块的多个可解释性自编码器子网络提取的关键潜变量信息，对其修正求和后，作为各子块的数据演化特征，根据每个子块的多个可解释性自编码器子网络的加性指数模型拟合的关键潜变量信息和映射关系，使用所述解释实时过程状态，具有很强的对实时过程状态的解释性。
23.本发明提出一种将不规则约束项和可解释性自编码器相结合的模型表征子块间交互联动的特性，有效提升模型的监控性能并增强解释性。
附图说明
24.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。
25.图1是本发明实施例提供的一种面向模型交互联动的带钢热连轧过程监控方法流程图；
26.图2是本发明实施例提供的大规模带钢热连轧过程流程示图；
27.图3是本发明实施例提供的利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息流程示意图；
28.图4是本发明实施例提供的可解释性自编码器子网络结构示意图；
29.图5是本发明实施例提供的一种面向模型交互联动的带钢热连轧过程监控装置框图；
30.图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
31.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。
32.如图1所示，本发明实施例提供了一种面向模型交互联动的带钢热连轧过程监控方法，包括：
33.s1、获取历史带钢热连轧过程数据；
34.s2、根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；
35.s3、利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；
36.s4、将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；
37.s5、将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；
38.s6、将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。
39.下面结合附图2-4，详细说明提供的一种面向模型交互联动的带钢热连轧过程监控方法，包括：
40.s1、获取历史带钢热连轧过程数据；
41.这些过程数据包括力学性能数据、设备信息数据、传感器数据、表面凸度数据、检/化验数据、力学性能相关数据等多种数据，且各种属性的数据之间关联关系复杂。
42.其中，力学性能数据是指轧制力、弯辊力等数据；力学性能相关数据是指厚度、宽度等数据。
43.s2、根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；
44.可选地，上述步骤s2可以包括如下步骤s21-s22：
45.s21、对大规模带钢热连轧过程的操作单元按照空间拓扑结构的先后顺序进行排列；
46.一种可行的实施方式中，大规模带钢热连轧过程是一个典型的串联长流程工业生产线。如图2所示，该生产线主要由加热、粗轧、飞剪、精轧、层流冷却和卷取等生产工序构成，且上一工序的输出将作为下一工序的输入。
47.s22、根据操作单元空间位置的顺序对带钢热连轧过程进行子块划分，且子块可由一个或多个串联的操作单元构成，从而得到具有实际物理意义的若干子块；
48.一种可行的实施方式中，可以基于先验知识将串联的大规模带钢热连轧过程按照产品加工顺序和空间位置划分为若干子块。例如，如果大规模过程有7个操作单元 ，可将其划分为：(子块1)，(子块2)，(子块3)，(子块4)。划分的子块可由一个或多个串联的操作单元构成。
49.s3、利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；
50.可选地，所述s3，具体包括：
51.s31、在离线阶段，对历史带钢热连轧过程数据进行分析，筛选出其中的力学性能过程变量，其余变量统称为剩余过程变量；
52.一种可行的实施方式中，可以利用先验知识，对历史带钢热连轧过程数据进行分析，筛选出其中的力学性能过程变量，其余变量统称为剩余过程变量。
53.s32、根据最大互信息系数（maximal information coefficient, mic）计算所述力学性能过程变量和剩余过程变量的相关关系强弱，其中，所述相关关系强弱用mic矩阵表示；
54.力学性能属于内在的质量指标，不能在在线阶段实时测量，在训练阶段，建立力学性能指标与可实时测量指标间的关联关系，能够在在线阶段利用其关联关系有效的对大规模带钢热连轧的过程状态进行解释。具体的，本发明实施例利用mic计算两个变量间的相关关系，任一力学性能过程变量和剩余过程变量之间的mic可以按下式（1）和（2）计算：
55.（1）
56.（2）
57.其中，和分别表示第几个力学性能过程变量和剩余过程变量，和表示和能取得的最大值，表示和间的互信息，和分别为沿轴划分的格数，为网格划分的上界，表示不允许超过的临界值，且，表示数据量，为的概率，为的概率，表示和的联合概率。
58.mic的取值范围在0-1之间，且取值越大，两个变量间的相关性就越高。
59.进一步地，得到表征力学性能过程变量和剩余过程变量的相关关系强弱的mic矩阵，如下式（3）所示：
[0060] （3）
[0061]
其中，表示mic矩阵的元素值。
[0062]
s33、通过预设的相关关系度量阈值筛选mic矩阵的元素，在剩余过程变量中筛选出与力学性能相关的过程变量；
[0063]
一种可行的实施方式中，设置度量阈值筛选与力学性能相关的过程变量。若，则表示该变量为力学性能相关的过程变量，反之，则表示该变量为不相关变量，且令小于的元素为0。
[0064]
进一步地，获得调整后的mic矩阵，如下式（4）所示：
[0065]
ꢀꢀꢀꢀꢀꢀꢀ
（4）
[0066]
其中，假设元素，，和的值小于，调整后的mic矩阵不为0的元素对应的变量为力学性能相关的过程变量。
[0067]
s34、将所述力学性能过程变量和力学性能相关的过程变量输入到可解释性自编码器中，提取各子块的数据演化特征。
[0068]
可选地，如图3所示，所述s34，具体包括：
[0069]
s341、对力学性能过程变量和力学性能相关的过程变量组成的过程数据进行时序扩展；
[0070]
一种可行的实施方式中，大规模带钢热连轧过程的生产模式通常由上层调度、动态操作、底层回路控制和运行控制的反馈调节使得过程变量呈现出时间维度上的动态相关特性。因此，有必要挖掘过程数据在时间维度上呈现出的不同的演变演化行为。基于上述内容，对力学性能过程变量和力学性能相关的过程变量组成的数据进行时序扩展。此处的时序扩展是指对一组原始数据，进行扩充，其中表示的样本个数，扩充时，该方法首先将这组原始数据按照时间先后顺序排列以表示原始数据在时间上的相关性，然后将第一个原始数据开始顺序从后取个数据作为第一小组数据集，接着从第二个原始数据开始顺序从后取个数据作为第二小组数据集，直到从第开始顺序从后取个数据作为第小组数据集，原始数据经过时序扩展后获得的数据表示为下式（13）：
[0071] （13）
[0072]
其中，矩阵中的值均为的元素，表示时延，表示实数。
[0073]
s342、将时序扩展后的由力学性能过程变量组成的过程数据输入到每一个子块的各个子网络的第一个自编码器网络中,获取由力学性能过程变量组成的过程数据的关键潜变量信息；同时，将由力学性能相关的过程变量组成的过程数据输入到每一个子块的各个子网络的第二个自编码器网络中,获取由力学性能相关的过程变量组成的过程数据的关键潜变量信息，如图3中所示，所述每一个子块包括多个可解释性自编码器子网络（子网络的个数根据时序扩展得到的时序小组数据的个数确定），每一个可解释性自编码器子网络包括两个自编码器网络和一个加性指数模型，两个自编码器网络并行连接，互不干扰，使用由力学性能过程变量和力学性能相关的过程变量组成的过程数据分别训练两个自编码器网络，将第一个自编码器网络的输出作为加性指数模型的输入，第二个自编码器网络的输出作为加性指数模型的拟合对象，在拟合和的过程中，不断训练加性指数模型获得神经网络参数；
[0074]
s343、使用所述加性指数模型拟合和，获取关键潜变量信息和的映射关系；
[0075]
s344、根据，计算重要性比率（importance ratio, ir），并使用所述重要性比率对每一个子块的多个可解释性自编码器子网络的权重系数进行修正；
[0076]
s345、将进行了权重系数修正的每一个子块的多个可解释性自编码器子网络的多个关键潜变量信息相加，作为力学性能导向下各子块的数据演化特征。
[0077]
可选地，所述s342，具体包括：
[0078]
将力学性能过程变量组成的过程数据作为第一个自编码器ae网络的输入以提取其关键潜变量信息，第一个ae网络利用输入数据自身作为监督来指导神经网络学习映射关系，如图4所示，包括编码器和解码器两个部分，输入数据的编码过程如下式（5）所示：
[0079] （5）
[0080]
解码过程如下式（6）所示：
[0081] （6）
[0082]
第一个ae网络最终的优化目标函数如下式（7）表示：
[0083]
（7）
[0084]
其中，和分别表示编码器和解码器的网络参数，表示非线性激活函数，表示 的个数，为正则系数，表示均方误差，表示正则化项；
[0085]
将力学性能相关的过程变量组成的过程数据作为第二个ae网络的输入以提取其关键潜变量信息，第二个ae网络利用输入数据自身作为监督来指导神经网络学习映射关系，包括编码器和解码器两个部分，输入数据的编码过程如下式（8）所示：
[0086] （8）
[0087]
解码过程如下式（9）所示：
[0088]
（9）
[0089]
第二个ae网络最终的优化目标函数如下式（10）表示：
[0090]
（10）
[0091]
其中，和分别表示编码器和解码器的网络参数，表示非线性激活函数，表示的个数，为正则系数，表示均方误差，表示正则化项。
[0092]
可选地，所述s343，具体包括：
[0093]
利用所述加性指数模型去拟合关键潜变量和，如下式（11）和（12）所示：
[0094]
（11）
[0095]
（12）
[0096]
其中，和为加性指数模型中添加的约束以防止模型过拟合，表示不同的激活函数，表示激活函数的权重，是对应的网络参数。
[0097]
加性指数模型描述关键潜变量和的映射关系，加性指数模型对和的映射关系描述的越准，这两者间的关联关系描述的越精确，则越能解释实际的工业过程，所述可解释性自编码器的解释性越强。而且在在线测量阶段中，力学性能过程变量不能实时获取，只能实时获取力学性能相关的过程变量，因此本发明实施例通过每个子块的多个可解释性自编码器子网络提取的关键潜变量信息，对其修正求和后，作为各子块的数据演化特征，根据每个子块的多个可解释性自编码器子网络的加性指数模型拟合的关键潜变量信息和映射关系，使用所述解释实时过程状态，具有很强的对实时过程状态的解释性。
[0098]
最初各个子网络在可解释性自编码器中的作用相同，而在实际过程中不同的数据演化特征对监控过程状态有不同的影响。由于每个子网络中提取的数据演化特征对监控过程状态的重要性不同，引入重要性比率（importance ratio, ir）对可解释性自编码器子网络的权重系数进行修正，即所述s344，具体包括：
[0099]
引入重要性比率ir对可解释性自编码器子网络的权重系数进行修正，如下式（14）所示：
[0100] （14）
[0101]
其中，表示重要性比率ir，表示每个可解释性自编码器子网络的权重系数，其取值由加性指数模型对和的映射关系描述的准确度来确定，加性指数模型描述的越准确，的取值越大，表示子网络个数。
[0102]
s4、将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；
[0103]
大规模带钢热连轧过程在反馈控制系统的作用下具有复杂的高维度、非线性和强耦合等综合特性。生产过程涉及的工艺控制变量和性能指标多达上千个，且各控制回路、工序在物质流、能量流、信息流的作用下相互关联影响。因此，一个变量发生变化将会引起其他多个相关变量发生连锁反应，同时上一子块出现的异常问题也会遗传到下一子块，子块间的联动映射从而造成产品质量异常的累积。为解决上述问题，本发明实施例利用趋势分析法得到上一子块对下一子块的不规则约束参数，将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。
[0104]
可选地，所述s4，具体包括：
[0105]
s41、将上一子块提取的数据演化特征传递到下一子块；
[0106]
s42、根据一致性趋势特征分析法，得到上一子块提取的数据演化特征和下一子块原有过程数据的趋势相关特征（此处的趋势特征需要遵循反映数据正常变化趋势的原则，可具有一定的波动性）；同时，利用一致性趋势特征分析法，获得上一子块提取的数据演化特征和预设值的趋势相关特征，所述预设值定义为下一子块中正常状态下发生变化的变量值，表示的是常规的趋势变化；
[0107]
s43、通过评估和差异性大小，得到相邻子块间的状态偏离矩阵，将所述状态偏离矩阵设定为上一子块对下一子块的不规则约束参数。
[0108]
可选地，所述s42中根据一致性趋势特征分析法，得到上一子块提取的数据演化特征和下一子块原有过程数据的趋势相关特征，具体包括：
[0109]
合并上一子块提取的演化特征，和下一子块原有过程数据，得到一个新的数据集，将等价表示为， 其中，表示上一子块提取的演化特征的总个数，表示下一子块原有过程数据的总个数，表示的总个数；
[0110]
寻找一组可以从提取趋势相关特征的输入-输出函数，所述输入-输出函数根据输入数据的特点进行选择（若输入数据表现为线性，则此函数可设置为正比例函数或一次函数等表示线性关系的函数；若输入数据表现为非线性，则此函数可设置为二次函数、sigmoid函数等表示非线性关系的函数），运用滑动时间窗对数据集中的样本进行扩充，如下式（15）所示：
[0111]
（15）
[0112]
其中，表示滑动时间窗口的大小，代表中的第个样本，表示中其中一个样本的编号，且；
[0113]
假设提取的一致性特征如下式（16）和（17）所示：
[0114]
（16）
[0115]
（17）
[0116]
其中，表示ctfa的输入-输出函数，是中的任意值，表示提取特征的个数，是特征的长度，由下式（18）计算：
[0117]
（18）
[0118]
其中，表示第个趋势特征的权重，表示测量值的函数；
[0119]
设置的集合表示为，且将表述为式（19）的形式：
[0120]
（19）
[0121]
第个提取的趋势特征向量表述为式（20）的形式：
[0122]
ꢀꢀ
（20）
[0123]
通过相邻趋势向量之间差异来量化它们之间的一致性，第个和第个趋势向量的一致性表述为式（21）的形式：
[0124]
（21）
[0125]
根据上述公式（18），依次类推，得到全部趋势向量序列之间的一致性指标；
[0126]
通过最小化得到更一致的趋势表示（若越小，则说明相邻趋势向量间的趋势更加一致），以提取测量中的一致性趋势特征，的优化问题表述为式（22）的形式：
[0127] （22）
[0128]
其中，表示每个元素均为1的向量，获得的最优解，为所述趋势相关特征。
[0129]
类似地，利用ctfa方法获得上一子块提取的演化特征和预设值的趋势相关特征。
[0130]
可选地，所述s43，具体包括：
[0131]
通过消除常规趋势变化的影响，得到实际偏离值，并获得上一子块对下一子块的不规则约束参数。
[0132]
s5、将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；
[0133]
可选地，所述s5，具体包括：
[0134]
s51、根据不规则约束参数对上一子块提取的数据演化特征进行加权，得到下一子块的不规则约束项；
[0135]
s52、根据所述趋势相关特征，计算上一子块与下一子块之间的趋势因子；
[0136]
一种可行的实施方式中，趋势因子由计算趋势相关特征的变化率得出。
[0137]
s53、将不规则约束项和下一子块原有过程数据组合，并将其输入到可解释性自编码器中训练，提取下一子块的数据演化特征；
[0138]
s54、根据趋势因子对下一子块的数据演化特征进行加权，得到训练完成的表征子块间交互联动的过程监控模型。
[0139]
s6、将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。
[0140]
可选地，所述s6中的所述在线阶段待监控的过程数据只包括力学性能相关的过程变量组成的过程数据，每个子块的多个可解释性自编码器子网络提取的关键潜变量信息，对其修正求和后，作为各子块的数据演化特征，根据每个子块的多个可解释性自编码器子网络的加性指数模型拟合的关键潜变量信息和映射关系，使用所述解释实时过程状态。
[0141]
如图5所示，本发明实施例还提供一种面向模型交互联动的带钢热连轧过程监控
装置500，所述装置500包括：
[0142]
获取模块510，用于获取历史带钢热连轧过程数据；
[0143]
划分模块520，用于根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；
[0144]
提取模块530，用于利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；
[0145]
传递模块540， 用于将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；
[0146]
结合模块550，用于将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；
[0147]
监控模块560，用于将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。
[0148]
本发明实施例提供的一种面向模型交互联动的带钢热连轧过程监控装置，其功能结构与本发明实施例提供的一种面向模型交互联动的带钢热连轧过程监控方法相对应，在此不再赘述。
[0149]
图6是本发明实施例提供的一种电子设备600的结构示意图，该电子设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）601和一个或一个以上的存储器602，其中，所述存储器602中存储有指令，所述指令由所述处理器601加载并执行以实现上述面向模型交互联动的带钢热连轧过程监控方法的步骤。
[0150]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述面向模型交互联动的带钢热连轧过程监控方法。例如，所述计算机可读存储介质可以是rom、随机存取存储器（ram）、cd-rom、磁带、软盘和光数据存储设备等。
[0151]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0152]
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。

技术特征：
1.一种面向模型交互联动的带钢热连轧过程监控方法，其特征在于，所述方法包括：s1、获取历史带钢热连轧过程数据；s2、根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；s3、利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；s4、将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；s5、将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；s6、将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。2.根据权利要求1所述的方法，其特征在于，所述s3，具体包括：s31、在离线阶段，对历史带钢热连轧过程数据进行分析，筛选出其中的力学性能过程变量，其余变量统称为剩余过程变量；s32、根据最大互信息系数计算所述力学性能过程变量和剩余过程变量的相关关系强弱，其中，所述相关关系强弱用mic矩阵表示；s33、通过预设的相关关系度量阈值筛选mic矩阵的元素，在剩余过程变量中筛选出与力学性能相关的过程变量；s34、将所述力学性能过程变量和力学性能相关的过程变量输入到可解释性自编码器中，提取各子块的数据演化特征。3.根据权利要求2所述的方法，其特征在于，所述s34，具体包括：s341、对力学性能过程变量和力学性能相关的过程变量组成的过程数据进行时序扩展；s342、将时序扩展后的由力学性能过程变量组成的过程数据输入到每一个子块的各个子网络的第一个自编码器网络中,获取由力学性能过程变量组成的过程数据的关键潜变量信息；同时，将由力学性能相关的过程变量组成的过程数据输入到每一个子块的各个子网络的第二个自编码器网络中,获取由力学性能相关的过程变量组成的过程数据的关键潜变量信息，所述每一个子块包括多个可解释性自编码器子网络，每一个可解释性自编码器子网络包括两个自编码器网络和一个加性指数模型，两个自编码器网络并行连接，互不干扰，使用由力学性能过程变量和力学性能相关的过程变量组成的过程数据分别训练两个自编码器网络，将第一个自编码器网络的输出作为加性指数模型的输入，第二个自编码器网络的输出作为加性指数模型的拟合对象，在拟合和的过程中，不断训练加性指数模型获得神经网络参数；s343、使用所述加性指数模型拟合和，获取关键潜变量信息和的映射关系；s344、根据，计算重要性比率，并使用所述重要性比率对每一个子块的多个可解
释性自编码器子网络的权重系数进行修正；s345、将进行了权重系数修正的每一个子块的多个可解释性自编码器子网络的多个关键潜变量信息相加，作为力学性能导向下各子块的数据演化特征。4.根据权利要求3所述的方法，其特征在于，所述s342，具体包括：将力学性能过程变量组成的过程数据作为第一个自编码器ae网络的输入以提取其关键潜变量信息，第一个ae网络利用输入数据自身作为监督来指导神经网络学习映射关系，包括编码器和解码器两个部分，输入数据的编码过程如下式（5）所示： （5）解码过程如下式（6）所示：（6）第一个ae网络最终的优化目标函数如下式（7）表示：（7）；其中，和分别表示编码器和解码器的网络参数，表示非线性激活函数，表示 的个数，为正则系数，表示均方误差，表示正则化项；将力学性能相关的过程变量组成的过程数据作为第二个ae网络的输入以提取其关键潜变量信息，第二个ae网络利用输入数据自身作为监督来指导神经网络学习映射关系，包括编码器和解码器两个部分，输入数据的编码过程如下式（8）所示：（8）；解码过程如下式（9）所示：（9）；第二个ae网络最终的优化目标函数如下式（10）表示：（10）；其中，和分别表示编码器和解码器的网络参数，表示非线性激活函数，表示的个数，为正则系数，表示均方误差，表示正则化项。5.根据权利要求4所述的方法，其特征在于，所述s343，具体包括：利用所述加性指数模型去拟合关键潜变量和，如下式（11）和（12）所示：（11）；（12）；其中，和为加性指数模型中添加的约束以防止模型过拟合，表示不同的激活函数，表示激活函数的权重，是对应的网络
参数。6.根据权利要求1所述的方法，其特征在于，所述s4，具体包括：s41、将上一子块提取的数据演化特征传递到下一子块；s42、根据一致性趋势特征分析法，得到上一子块提取的数据演化特征和下一子块原有过程数据的趋势相关特征；同时，利用一致性趋势特征分析法，获得上一子块提取的数据演化特征和预设值的趋势相关特征，所述预设值定义为下一子块中正常状态下发生变化的变量值，表示的是常规的趋势变化；s43、通过评估和差异性大小，得到相邻子块间的状态偏离矩阵，将所述状态偏离矩阵设定为上一子块对下一子块的不规则约束参数。7.根据权利要求6所述的方法，其特征在于，所述s42中根据一致性趋势特征分析法，得到上一子块提取的数据演化特征和下一子块原有过程数据的趋势相关特征，具体包括：合并上一子块提取的演化特征，和下一子块原有过程数据，得到一个新的数据集，将等价表示为， 其中，表示上一子块提取的演化特征的总个数，表示下一子块原有过程数据的总个数，表示的总个数；寻找一组可以从提取趋势相关特征的输入-输出函数，所述输入-输出函数根据输入数据的特点进行选择，运用滑动时间窗对数据集中的样本进行扩充，如下式（15）所示：（15）；其中，表示滑动时间窗口的大小，代表中的第个样本，表示中其中一个样本的编号，且；假设提取的一致性特征如下式（16）和（17）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（16）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（17）；其中，表示ctfa的输入-输出函数，是中的任意值，表示提取特征的个数，是特征的长度，由下式（18）计算：（18）；其中，表示第个趋势特征的权重，表示测量值的函数；设置的集合表示为，且将
表述为式（19）的形式：（19）；第个提取的趋势特征向量表述为式（20）的形式： （20）；通过相邻趋势向量之间差异来量化它们之间的一致性，第个和第个趋势向量的一致性表述为式（21）的形式：（21）；根据上述公式（18），依次类推，得到全部趋势向量序列之间的一致性指标；通过最小化得到更一致的趋势表示，以提取测量中的一致性趋势特征，的优化问题表述为式（22）的形式： （22）；其中，表示每个元素均为1的向量，获得的最优解，为所述趋势相关特征。8.根据权利要求6所述的方法，其特征在于，所述s5，具体包括：s51、根据不规则约束参数对上一子块提取的数据演化特征进行加权，得到下一子块的不规则约束项；s52、根据所述趋势相关特征，计算上一子块与下一子块之间的趋势因子；s53、将不规则约束项和下一子块原有过程数据组合，并将其输入到可解释性自编码器中训练，提取下一子块的数据演化特征；s54、根据趋势因子对下一子块的数据演化特征进行加权，得到训练完成的表征子块间交互联动的过程监控模型。9.根据权利要求3所述的方法，其特征在于，所述s6中的所述在线阶段待监控的过程数据只包括力学性能相关的过程变量组成的过程数据，每个子块的多个可解释性自编码器子
网络提取的关键潜变量信息，对其修正求和后，作为各子块的数据演化特征，根据每个子块的多个可解释性自编码器子网络的加性指数模型拟合的关键潜变量信息和映射关系，使用所述解释实时过程状态。10.一种面向模型交互联动的带钢热连轧过程监控装置，其特征在于，所述装置包括：获取模块，用于获取历史带钢热连轧过程数据；划分模块，用于根据各操作单元的空间拓扑信息，将大规模带钢热连轧过程划分为具有实际物理意义的若干子块；提取模块，用于利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；传递模块， 用于将上一子块提取的数据演化特征传递到下一子块中，并利用趋势分析法得到上一子块对下一子块的不规则约束参数；结合模块，用于将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；监控模块，用于将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。

技术总结
本发明提供一种面向模型交互联动的带钢热连轧过程监控方法和装置，包括：获取历史带钢热连轧过程数据；将大规模带钢热连轧过程划分为若干子块；利用可解释性自编码器提取历史带钢热连轧过程数据的关键潜变量信息，得到力学性能导向下各子块的数据演化特征；将上一子块提取的数据演化特征传递到下一子块中，利用趋势分析法得到上一子块对下一子块的不规则约束参数；将根据所述不规则约束参数得到的不规则约束项和可解释性自编码器相结合，得到表征子块间交互联动的过程监控模型；将在线阶段待监控的过程数据输入到所述过程监控模型中，得到各子块监控结果，并通过贝叶斯融合得到全局过程监控结果。本发明能有效提升模型的监控性能。性能。性能。


技术研发人员：张翠翠 董洁 彭开香 张红军
受保护的技术使用者：北京科技大学
技术研发日：2023.08.23
技术公布日：2023/9/16