(19)中华 人民共和国 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 202111161139.0 (22)申请日 2021.09.3 0 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 张传放　彭开香　董洁　马亮　 张学艺　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 代理人 张仲波　付忠林 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/02(2006.01) G06F 119/02(2020.01) (54)发明名称 一种精轧全流 程运行状态综合评估方法 (57)摘要 本发明公开了一种精轧全流程运行状态综 合评估方法， 包括： 获取 以往精轧全流程中产生 的历史样本数据， 建立历史样本数据库； 将精轧 全流程划分成上游子系统、 中游子系统和下游子 系统共三个子系统； 分别构建各子系统对应的运 行状态评估模 型， 并基于历史样 本数据库对构建 好的各子系统对应的运行状态评估模型进行训 练， 利用各子系统对应的训练好的运行状态评估 模型， 分别实现各子系统的运行状态评估； 将各 子系统的运行状态评估结果进行融合， 实现精轧 全流程运行状态评估。 本发明可及时、 准确的对 生产过程的运行状态进行有效的监控和判断； 旨 在面向现代流程工业运行状态评估中的关键性 挑战问题， 探索切实有效的解决方略， 具有重要 的实际应用与推广价 值。 权利要求书3页 说明书10页 附图4页 CN 113901712 A 2022.01.07 CN 113901712 A 1.一种精轧全流 程运行状态综合评估方法， 其特 征在于， 包括： 获取以往精轧全流 程中产生的历史样本数据， 建立历史样本数据库； 将精轧全流 程划分成上游子系统、 中游子系统和下游子系统共三个子系统； 分别构建各子系统所对应的运行状态评估模型， 并基于所述历史样本数据库， 对构建 好的各子系统所对应的运行状态评估模型进 行训练， 利用各子系统所对应的训练好的运行 状态评估 模型， 分别实现各子系统的运行状态评估； 将各子系统的运行状态评估结果进行融合， 实现精轧全流 程运行状态评估。 2.如权利要求1所述的精轧全流程运行状态综合评估方法， 所述精轧全流程包括第一 机架、 第二机架、 第三机架、 第四机架、 第五机架、 第六机架以及第七机架； 其特征在于， 所述 历史样本数据包括以往生成不同钢种、 不同板厚的钢板时， 第一机架、 第二机架、 第三机架、 第四机架、 第五机架、 第六机架和第七机架各机架对应的辊缝、 轧制力、 轧制速度、 电流、 电 压以及第二机架、 第三机架、 第四机架、 第 五机架、 第六机架和第七机架各机架对应的弯辊 力。 3.如权利要求2所述的精轧全流程运行状态综合评估方法， 其特征在于， 所述上游子系 统包括第一机架、 第二机架和 第三机架； 所述中游子系统包括第四机架和 第五机架； 所述下 游子系统包括第六机架和第七机架。 4.如权利要求1所述的精轧全流程运行状态综合评估方法， 其特征在于， 所述运行状态 评估模型为将暹罗神经网络(Siamese  neural network， SNN)与门控循环单元(gated   recurrent  unit， GRU)结合后形成的暹罗门控循环单元网络(Siamese  gated recurrent   unit， SGRU)。 5.如权利要求4所述的精轧全流程运行状态综合评估方法， 其特征在于， SGRU有两个输 入： sin和sre； 其中， sin为训练集的样本， sre为从训练集中随机抽取的参考样本， 用于计算相 似度； GRU编码解码器用于提取sin和sre的动态非线性特 征 和 式中， 和 表示GRU的更新门控， 和 表示候选状态； 和 被转移到译码器 GRU中， 输出 和 为重构序列数据； 表示T‑1时刻的动态非线性特征， T表示 时间序列长度。 6.如权利要求5所述的精轧全流程运行状态综合评估方法， 其特征在于， SGRU分为相似 度比较单 元和分类单 元； 其中， 在所述相似度比较单元， 通过计算 与 的欧氏距离， 来比较动态非线性特征的相似 性S： 在所述分类单元， 全连接层使用softmax函数进行故障辨识和运行状态评估；权　利　要　求　书 1/3 页 2 CN 113901712 A 2表示输入 被识别为 k类的概率， k类分类 器的输出 为： 式中， K表示类别 数， 表示softmax模型参数； 表示GRU编码解码器提取的动态非 线性特征。 7.如权利要求1所述的精轧全流程运行状态综合评估方法， 其特征在于， 基于所述历史 样本数据库， 对构建好的各子系统所对应的运行状态评估 模型进行训练， 包括： 按照历史样本数据所对应的子系统， 将所述历史样本数据库中的数据划分为上游子系 统数据集、 中游子系统数据集和下游子系统数据集； 利用主成分分析算法对各子系统对应的数据集分别进行压缩变换， 得到上游子系统对 应的压缩变换后的数据集X上、 中游子系统对应的压缩变换后的数据集X中， 以及下游子系统 对应的压缩变换后的数据集X下； 构建各子系统对应的融合数据集， 得到上游子系统融合数据集I上、 中游子系统融合数 据集I中和下游子系统融合数据集 I下； 其中， 式中， P中为X中对应的压缩矩阵， P下为X下对应的压缩矩阵， P上为X上对应的压缩矩阵； 采用滑动窗口将I上、 I中和I下分别构造为时间序列数据； 利用I上、 I中和I下对应的时间序列数据分别对上游子系 统、 中游子系 统和下游子系 统对 应的运行状态评估 模型进行训练， 得到训练好的运行状态评估 模型。 8.如权利要求7所述的精轧全流程运行状态综合评估方法， 其特征在于， 在构建出各子 系统对应的融合数据集后， 所述方法还 包括： 构建符合子系统 互联的机理结构矩阵S； 根据机理结构矩阵S， 各子系统对应的融合数据集按如下规则更新： 式中， sib表示机理结构矩阵S中第i行第b列对应的元素， Pi表示Xi对应的压缩矩阵,i,b ∈{上， 中， 下}。 9.如权利要求1所述的精轧全流程运行状态综合评估方法， 其特征在于， 将各子系统的 运行状态评估结果进行融合， 实现精轧全流 程运行状态评估， 包括： 根据带钢产品的厚度偏差将运行状态分为优、 良、 中、 差四个等级， 分别采用序号1， 2， 3， 4表示； 故障类型分别 为故障1、 故障2 ……故障F， 将各故障类型接续编号为5， 6， ……， F+权　利　要　求　书 2/3 页 3 CN 113901712 A 3