(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210613083.6 (22)申请日 2022.05.31 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路 三巷11号 (72)发明人 刘强　杨森　丁进良　柴天佑　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 高意　李洪福 (51)Int.Cl. G06F 17/16(2006.01) G06F 30/20(2020.01) B21B 37/16(2006.01) G06F 119/02(2020.01) (54)发明名称 一种大数据驱动 的轧制过程厚度控制性能 异常回溯方法 (57)摘要 本发明提供一种大数据驱动的轧制过程厚 度控制性能异常回溯方法， 包括： 根据压下量分 布相似度， 从历史相同道次数量与板型的生产数 据中， 选取基准数据； 基于选 取的基准数据， 利用 角度贡献值方法对性能下降的道次进行分析， 找 到异常回路候选集； 根据多个候选异常回路的时 间序列数据， 进行回路间的传递熵分析， 计算得 到各异常回路之间的传递熵值； 根据计算得到的 传递熵值建立因果关系图， 根据因果关系图， 定 位到异常的根本原因。 本发明的技术方案不仅能 够应用于厚板精轧过程， 而且还 可以推广应用于 其他复杂工业过程。 权利要求书2页 说明书8页 附图2页 CN 114996650 A 2022.09.02 CN 114996650 A 1.一种大数据驱动的轧制过程厚度控制性能异常回溯方法， 其特征在于， 包括如下步 骤： S1、 选取基准数据； S2、 基于选取的基准数据， 利用角度贡献值方法对性能下降的道次进行分析， 找到异常 回路候选集； S3、 根据异常回路的运行实际值， 进行回路间的传递熵分析， 计算得到各异常回路之间 的传递熵值； S4、 根据计算得到的传递熵值建立因果关系图， 根据因果关系图， 定位到异常的根本原 因。 2.根据权利要求1所述的大数据驱动的轧制过程厚度控制异常回溯方法， 其特征在于， 所述步骤S1中， 选取基准数据具体为： 根据压下量分布相似度， 从历史相同道次数量与板型的生产数据中， 选取基准数据。 3.根据权利要求2所述的大数据驱动的轧制过程厚度控制性能异常回溯方法， 其特征 在于， 所述根据压下量分布相似度， 从历史数据相同道次数量与板型的生产数据中， 选取基 准数据， 具体为： S11、 令待诊断数据的厚度压下量 为： DII＝[dII,1,…,dII,o] 其中， o为待诊断过程数据的道次数， dII,i为待诊断数据第i个道次的厚度压下量； S12、 选取历史数据库中， 厚度结果符合要求、 板形质量优良、 道次数与钢种和待诊断数 据一致的数据， 作为待选数据； S13、 将待选数据与待 诊断数据的厚度压下量相似度定义 为如下形式： 其中， di表示待选数据中任一厚板的第i个道次的压下量； S14、 选择厚板压下量相似度S值最小 的历史厚板数据作为基准数据， 用于评估待诊断 过程数据的各个回路控制性能情况。 4.根据权利要求1所述的大数据驱动的轧制过程厚度控制性能异常回溯方法， 其特征 在于， 所述 步骤S2的具体实现过程如下： S21、 基于 选取的基准数据， 存在 如下协方差矩阵： cov(yⅡ)P＝cov(yⅠ)PΛ 其中， yⅡ表示正常数据， yⅠ表示监控数据； S22、 定义 为对角阵中Λ的值大于1的在P中对应的列向量所组成的性能下降的子空 间， 基于角度的贡献值计算公式如下： 其中， ||·||表示向量的2范数， ek＝[0...0k‑1 1 0...0]T为第k行为 1其余为0的单位向 量， l表示性能更差的子空间 的维度， 即 的列数， 表示 的第k个行向量， 上述等式解权　利　要　求　书 1/2 页 2 CN 114996650 A 2释了基于角度的贡献指标完全由负载确定； 相较于性能较差的子空间 如果基于角度的 贡献指标cosθk＞εr， 相应的回路/变量可以被确定为对 更差子空间的贡献； 其中εr为人工设 定的阈值 参数， 一般为0.707。 5.根据权利要求1所述的大数据驱动的轧制过程厚度控制性能异常回溯方法， 其特征 在于， 所述 步骤S3的具体实现过程如下： S31、 考虑两个连续随机变量x,y均具有N个采样， 即xi∈[x1,x2,…,xN]， yi∈[y1,y2,…, yN]， 令yi+h表示变量y在i+h时刻的值， 也就是i时刻的未来h步， 其中h被称为预测范围， p (·)表示联合 概率密度函数， 计算方式如下： p(x,y)＝p(x)p(y) 其中， x和y表示两个随机独立信号， 通过 嵌入向量， 可以捕捉到x和y的 时间动态性； S32、 根据贝叶斯原理， 定义 转移概率为： 其中， p(·|·)表示当过去的值xi和yi已知时， 未来 值xi+h具有确定的值的概 率； S33、 令 和 分别表示利用y和x历 史值的嵌入向量； k表示y 的嵌入维度， l表示x的嵌入维度； τ表示允许嵌入向量在时间缩放 上的时间间隔， 并设置h＝τ≤4作为估算的方法， τ一般选取为1， 实际大小可根据采样率进 行调节； S34、 基于步骤S3 3， 由x到y的传递熵的计算公式如下： 其中， 在k和l参数的选择上， 需要分别对k＝1, …10,l＝1, …10的情况计算tx→y， 选取 tx→y值最大时的k和l作为 参数值， 此时的tx→y为所求结果。 6.根据权利要求1所述的大数据驱动的轧制过程厚度控制性能异常回溯方法， 其特征 在于， 所述 步骤S4的具体实现过程如下： S41、 若步骤S3中计算得到的传递熵值tx→y＞ε时， 则认为x是y 的原因， 一般ε取0.08， 根 据各个变量的传递熵值得到各个道次的邻接矩阵； S42、 根据邻接矩阵建立因果关系图； S43、 根据因果图的流向， 找到异常的根源。权　利　要　求　书 2/2 页 3 CN 114996650 A 3