本技術(shù)涉及故障診斷，特別是一種用于連鑄機(jī)零段基座故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、連鑄機(jī)是煉鋼生產(chǎn)中的核心設(shè)備，零段基座的位置精度對(duì)鑄坯質(zhì)量和設(shè)備穩(wěn)定運(yùn)行至關(guān)重要。由于零段基座處于高溫、高濕等惡劣環(huán)境中，并承受鑄坯重量和拉坯阻力的共同作用，易發(fā)生結(jié)構(gòu)沉降和形變。這種形變可能導(dǎo)致零段與基座的接觸位置發(fā)生相對(duì)滑移，從而引起基座所受壓力的顯著波動(dòng)。一旦零段基座發(fā)生較大位移或形變，將會(huì)導(dǎo)致鑄坯外弧邊裂，同時(shí)也加速零段損壞，造成重大經(jīng)濟(jì)損失。因此，對(duì)零段基座進(jìn)行實(shí)時(shí)狀態(tài)監(jiān)測(cè)顯得格外重要。

2、現(xiàn)有技術(shù)缺乏在線監(jiān)測(cè)手段，依賴非實(shí)時(shí)的板坯測(cè)弧和人工檢查，其中板坯測(cè)弧方式一般10天測(cè)一次，具有滯后性和不及時(shí)性，并且板坯測(cè)弧是在非生產(chǎn)狀態(tài)下測(cè)量的，測(cè)量數(shù)據(jù)不能準(zhǔn)確反映零段工作狀態(tài)中的基座形變量；人工測(cè)量方式需要將結(jié)晶器蓋板、結(jié)晶器和零段等設(shè)備起吊后才能進(jìn)行檢查，這不僅大大提高了人工成本，也降低了設(shè)備健康維護(hù)的效率。

3、深度學(xué)習(xí)技術(shù)因其具有處理大量數(shù)據(jù)并能夠從數(shù)據(jù)中有效提取特征的能力而被廣泛應(yīng)用于故障診斷領(lǐng)域，如循環(huán)神經(jīng)網(wǎng)絡(luò)、cnn網(wǎng)絡(luò)和transformer網(wǎng)絡(luò)等，但上述網(wǎng)絡(luò)均存在缺陷，循環(huán)神經(jīng)網(wǎng)絡(luò)不能夠進(jìn)行并行運(yùn)算，造成了長(zhǎng)序列學(xué)習(xí)中的遺忘問(wèn)題；cnn網(wǎng)絡(luò)受限于卷積核的大小，會(huì)導(dǎo)致捕獲遠(yuǎn)程信息的能力有限；transformer模型缺乏對(duì)局部特征的把控，并且存在模型參數(shù)量大、計(jì)算速度慢的問(wèn)題；除此之外，上述模型均存在因受限于網(wǎng)絡(luò)模型超參數(shù)的選擇而難以構(gòu)建精確網(wǎng)絡(luò)模型的問(wèn)題。因此，許多學(xué)者提出眾多智能優(yōu)化算法對(duì)網(wǎng)絡(luò)模型超參數(shù)進(jìn)行優(yōu)化選取，如粒子群算法、貝葉斯算法及鯨魚(yú)優(yōu)化算法等，但同時(shí)上述優(yōu)化算法有著一些本身自帶的缺點(diǎn)，如：不能快速收斂、不易跳出局部最優(yōu)和全局搜索能力差等問(wèn)題，導(dǎo)致所提方法的診斷精度和診斷效率有待進(jìn)一步提高。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于提供一種基于改進(jìn)transformer的連鑄機(jī)零段基座故障診斷方法及系統(tǒng)，以解決現(xiàn)有技術(shù)缺乏連鑄機(jī)零段基座在線監(jiān)測(cè)手段，依賴非實(shí)時(shí)的板坯測(cè)弧和人工檢查，而深度學(xué)習(xí)技術(shù)受限于模型參數(shù)選擇和計(jì)算速度無(wú)法進(jìn)行連鑄機(jī)零段基座故障診斷應(yīng)用的缺陷。

2、本技術(shù)的實(shí)施例是這樣實(shí)現(xiàn)的：

3、一種基于改進(jìn)transformer的連鑄機(jī)零段基座故障診斷方法，其特征在于，包括以下步驟：

4、步驟1：獲取基座正常狀態(tài)和常見(jiàn)故障狀態(tài)的壓力信號(hào)，進(jìn)行預(yù)處理，劃分為訓(xùn)練集和測(cè)試集；

5、步驟2：對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行時(shí)域和頻域特征參數(shù)提取，使用kpca和熵權(quán)法融合特征，構(gòu)建出增強(qiáng)的多域特征；

6、步驟3：引入非線性收斂因子、自適應(yīng)權(quán)重和柯西擾動(dòng)策略改進(jìn)鯨魚(yú)優(yōu)化算法，得到iwoa模型或改進(jìn)的鯨魚(yú)優(yōu)化算法模型；

7、步驟4：構(gòu)建融合時(shí)序卷積的transformer網(wǎng)絡(luò)模型，并利用iwoa模型優(yōu)化transformer網(wǎng)絡(luò)模型參數(shù)；

8、步驟5：利用訓(xùn)練集訓(xùn)練優(yōu)化后的transformer網(wǎng)絡(luò)模型，輸入測(cè)試集多域特征，實(shí)現(xiàn)基座各種狀態(tài)的準(zhǔn)確識(shí)別。

9、上述技術(shù)方案中，步驟1中常見(jiàn)故障狀態(tài)包括：支撐結(jié)構(gòu)銷(xiāo)軸變形、整體沉降偏移、安裝定位孔磨損和支撐結(jié)構(gòu)鋼板磨損。

10、上述技術(shù)方案中，步驟1中預(yù)處理包括使用箱線圖法篩選異常值，使用線性回歸法填補(bǔ)缺失值，并將數(shù)據(jù)集分組并設(shè)置各組標(biāo)簽，使得每種基座狀態(tài)對(duì)應(yīng)一個(gè)標(biāo)簽。

11、上述技術(shù)方案中，步驟2中多域特征至少包括如下多個(gè)時(shí)域特征：基座壓力信號(hào)的均值p1、均方根值p2、標(biāo)準(zhǔn)差p3、峭度指標(biāo)p4、波形指標(biāo)p5和裕度指標(biāo)p6。

12、上述技術(shù)方案中，步驟2中多域特征至少包括如下多個(gè)頻域特征：基座壓力信號(hào)的頻域特征包括計(jì)算壓力信號(hào)的頻率幅值方差p7，均方根頻率p8，重心頻率p9。

13、上述技術(shù)方案中，步驟3中iwoa模型的參數(shù)設(shè)置如下：

14、設(shè)置非線性收斂因子α和設(shè)置自適應(yīng)權(quán)重β，均隨著鯨魚(yú)進(jìn)化代數(shù)的遞增而非線性遞減：

15、

16、a＝2ar-a；

17、

18、并設(shè)置iwoa模型在隨機(jī)搜索階段、收縮包圍階段、螺旋氣泡網(wǎng)攻擊階段，利用如下位置更新公式，進(jìn)行參數(shù)尋優(yōu)以獲取最優(yōu)解位置；

19、

20、其中：t為迭代次數(shù)，tmax是最大迭代次數(shù)，r是0,1之內(nèi)的隨機(jī)數(shù)；t表示當(dāng)前迭代次數(shù)，x(t)是當(dāng)前時(shí)刻位置，x*(t)是目前得到最優(yōu)解的位置向量，x(t+1)是下一時(shí)刻位置，xrand表示隨機(jī)選擇的鯨魚(yú)位置向量，a為調(diào)整系數(shù)，d1是c倍獵物位置與當(dāng)前鯨魚(yú)位置的差值絕對(duì)值，d2為當(dāng)前座頭鯨位置與最優(yōu)解位置之間的距離，b為一個(gè)螺旋形狀常數(shù)，l為[-1，1]的隨機(jī)數(shù)，p為捕食機(jī)制概率；

21、運(yùn)用柯西變異算子對(duì)獲取的最優(yōu)解位置進(jìn)行擾動(dòng)變異操作得出新解，柯西變異算子公式如下：

22、x*(t+1)＝x*(t)·[1+саисhу(0,1)]；

23、式中：x*(t+1)為當(dāng)前最優(yōu)值經(jīng)擾動(dòng)后的新值，cauchy(0,1)為柯西算子。

24、上述技術(shù)方案中，步驟4中構(gòu)建的融合時(shí)序卷積的transformer網(wǎng)絡(luò)模型由位置編碼層、特征編碼模塊和特征解碼模塊組成；

25、所述位置編碼層用來(lái)描述壓力特征之間的相互位置，處理各數(shù)據(jù)集序列中的長(zhǎng)距離依賴關(guān)系；

26、所述特征編碼器由多個(gè)相同的encoder層組成，每個(gè)encoder層依次由多頭自注意力層、時(shí)序卷積層和前饋神經(jīng)網(wǎng)絡(luò)層組成，并且在每層之間采取了殘差連接和歸一化處理，其主要負(fù)責(zé)將經(jīng)過(guò)位置編碼的壓力時(shí)序數(shù)據(jù)的時(shí)域指標(biāo)和頻域指標(biāo)進(jìn)行特征編碼，并傳輸?shù)教卣鹘獯a器；

27、所述特征解碼器由多個(gè)相同的decoder層組成，每個(gè)decoder層依次由掩蓋多頭自注意力層、時(shí)序卷積層、編碼-解碼注意力層、前饋神經(jīng)網(wǎng)絡(luò)層和池化層組成，并且在網(wǎng)絡(luò)層之間采取了殘差連接和層歸一化處理，其負(fù)責(zé)接收特征編碼模塊的輸出信號(hào)進(jìn)行特征解碼后傳入輸出層。

28、上述技術(shù)方案中，步驟4中多頭自注意力層是多個(gè)自注意力機(jī)制拼接在一起，通過(guò)計(jì)算權(quán)重系數(shù)來(lái)表壓力征特征之間的相關(guān)性，再將計(jì)算得到的輸出矩陣拼接在一起后經(jīng)過(guò)全連接層輸出，最終得到多頭注意力值。

29、上述技術(shù)方案中，步驟4中所述前饋神經(jīng)網(wǎng)絡(luò)層是具有兩層線性層的全連接網(wǎng)絡(luò)，由兩層全連接層構(gòu)成，中間的隱含層使用relu函數(shù)激活。

30、上述技術(shù)方案中，步驟4中所述殘差連接結(jié)構(gòu)位于特征編碼模塊和特征解碼模塊的每個(gè)子層之間。

31、上述技術(shù)方案中，步驟4中特征解碼器的池化層選用最大池化層，在神經(jīng)元向前傳播的過(guò)程中，選取特定步長(zhǎng)矩陣區(qū)域中值最大的點(diǎn)，同時(shí)記錄該點(diǎn)的位置信息。

32、上述技術(shù)方案中，步驟4利用iwoa模型對(duì)融合時(shí)序卷積的transformer網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化，所述參數(shù)包括編碼器層數(shù)，解碼器層數(shù)、注意力頭數(shù)、迭代次數(shù)、學(xué)習(xí)率、批量大小。

33、上述技術(shù)方案中，步驟4獲得優(yōu)化后的transformer網(wǎng)絡(luò)模型步驟如下：

34、步驟4.1：初始化融合時(shí)序卷積的transformer網(wǎng)絡(luò)模型結(jié)構(gòu)，訓(xùn)練時(shí)選用交叉熵?fù)p失函數(shù)、adam優(yōu)化器和中間層relu激活函數(shù)；

35、步驟4.2：初始化iwoa尋優(yōu)算法：設(shè)置座頭鯨的種群規(guī)模n，最大迭代次數(shù)tmax，融合卷積transformer模型的待優(yōu)化超參數(shù)為編碼器層數(shù)，解碼器層數(shù)、注意力頭數(shù)、迭代次數(shù)、學(xué)習(xí)率、批量大小，并確定各超參數(shù)的取值范圍；

36、步驟4.3：iwoa算法適應(yīng)度函數(shù)設(shè)置：把融合卷積transformer模型對(duì)訓(xùn)練集和測(cè)試集的分類(lèi)錯(cuò)誤率平均值作為優(yōu)化過(guò)程中的適應(yīng)度函數(shù)值；

37、步驟4.4：iwoa算法超參數(shù)尋優(yōu)：計(jì)算種群中個(gè)體的適應(yīng)度值并記錄最優(yōu)位置，并運(yùn)用柯西變異算子在最優(yōu)解位置進(jìn)行擾動(dòng)變異操作得出新解；

38、步驟4.5：根據(jù)調(diào)整系數(shù)絕對(duì)值以及隨機(jī)生成的捕食機(jī)制概率值的大小，選擇相應(yīng)的iwoa位置更新方式，更新鯨魚(yú)種群的位置，以搜索更優(yōu)的融合卷積transformer參數(shù)；

39、步驟4.6：重復(fù)步驟4.3至步驟4.5，當(dāng)達(dá)到預(yù)設(shè)的最大迭代次數(shù)終止條件后，將最優(yōu)適應(yīng)度值所對(duì)應(yīng)的超參數(shù)輸出，作為最優(yōu)的融合卷積transformer網(wǎng)絡(luò)模型的參數(shù)。

40、上述技術(shù)方案中，步驟5中利用訓(xùn)練樣本集對(duì)優(yōu)化后的transformer網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的具體步驟為：

41、步驟5.1：將尋優(yōu)后的編碼器層數(shù)，解碼器層數(shù)、注意力頭數(shù)、迭代次數(shù)、學(xué)習(xí)率、批量大小設(shè)置為融合卷積transformer模型的參數(shù)，并選擇交叉熵?fù)p失函數(shù)作為衡量模型輸出值和真實(shí)值之間的差異，選擇adam優(yōu)化器更新網(wǎng)絡(luò)參數(shù)；

42、步驟5.2：將訓(xùn)練樣本集的多域特征作為融合卷積transformer模型的輸入，使用交叉熵?fù)p失函數(shù)計(jì)算模型輸出值與真實(shí)值之間的誤差，并將誤差反向傳播，使用adam更新網(wǎng)絡(luò)權(quán)重和偏置；

43、步驟5.3：判斷是否達(dá)到預(yù)設(shè)最大迭代次數(shù)，若達(dá)到最大迭代次數(shù)，則結(jié)束訓(xùn)練并保存模型參數(shù)，若未達(dá)到預(yù)設(shè)最大迭代次數(shù)，利用誤差反向傳播，使用優(yōu)化器更新網(wǎng)絡(luò)參數(shù)至優(yōu)化后的transformer網(wǎng)絡(luò)模型下一次訓(xùn)練中。

44、上述技術(shù)方案中，步驟5將測(cè)試集中提取的多域特征輸入到訓(xùn)練好的transformer模型中進(jìn)行分類(lèi)處理，經(jīng)全連接層和softmax分類(lèi)器層后獲得多種基座狀態(tài)的故障診斷結(jié)果。

45、一種基于改進(jìn)transformer的連鑄機(jī)零段基座故障診斷系統(tǒng)，其特征在于，包括：

46、數(shù)據(jù)采集與預(yù)處理單元：用于獲取并預(yù)處理連鑄機(jī)零段基座正常狀態(tài)和常見(jiàn)故障狀態(tài)的壓力信號(hào)，形成為訓(xùn)練集和測(cè)試集；分別提取訓(xùn)練集和測(cè)試集的時(shí)域和頻域特征，使用kpca和熵權(quán)法融合特征，構(gòu)建出增強(qiáng)的多域特征；

47、模型優(yōu)化單元：用于引入非線性收斂因子、自適應(yīng)權(quán)重和柯西擾動(dòng)策略改進(jìn)鯨魚(yú)優(yōu)化算法，得到iwoa模型；構(gòu)建融合時(shí)序卷積的transformer網(wǎng)絡(luò)模型，并利用iwoa模型優(yōu)化transformer網(wǎng)絡(luò)模型參數(shù)；

48、狀態(tài)識(shí)別單元：用于訓(xùn)練優(yōu)化后的transformer網(wǎng)絡(luò)模型，并識(shí)別基座狀態(tài)進(jìn)行故障診斷。

49、上述技術(shù)方案中，狀態(tài)識(shí)別單元包括位置編碼層、特征編碼模塊和特征解碼模塊。

50、上述技術(shù)方案中，常見(jiàn)故障狀態(tài)包括：支撐結(jié)構(gòu)銷(xiāo)軸變形、整體沉降偏移、安裝定位孔磨損和支撐結(jié)構(gòu)鋼板磨損。

51、綜上，本發(fā)明提供一種基于改進(jìn)transformer的連鑄機(jī)零段基座故障診斷方法及系統(tǒng)，獲取包含基座正常狀態(tài)和常見(jiàn)故障狀態(tài)的壓力信號(hào)，并進(jìn)行預(yù)處理，再將其劃分為訓(xùn)練集和測(cè)試集；對(duì)訓(xùn)練樣本集和測(cè)試樣本集進(jìn)行時(shí)域特征和頻域特征參數(shù)提取，分別利用kpca和熵權(quán)法進(jìn)行特征篩選與特征融合，構(gòu)建增強(qiáng)多域特征；引入非線性收斂因子、自適應(yīng)權(quán)重和柯西擾動(dòng)策略對(duì)鯨魚(yú)優(yōu)化算法進(jìn)行改進(jìn)，得到iwoa模型；構(gòu)建融合時(shí)序卷積的transformer網(wǎng)絡(luò)模型，并利用iwoa對(duì)融合卷積transformer的參數(shù)進(jìn)行優(yōu)化，以獲得最佳模型；對(duì)優(yōu)化后的融合卷積transformer模型進(jìn)行訓(xùn)練，將測(cè)試樣本集的多域特征輸入至訓(xùn)練好的網(wǎng)絡(luò)模型中，實(shí)現(xiàn)對(duì)基座多種狀態(tài)的準(zhǔn)確識(shí)別。本發(fā)明不僅解決了模型參數(shù)選取問(wèn)題，同時(shí)實(shí)現(xiàn)了特征的高效表達(dá)，提高基座故障識(shí)別的準(zhǔn)確性。

52、本技術(shù)的有益效果是：

53、通過(guò)非線性收斂因子、自適應(yīng)權(quán)重和柯西擾動(dòng)策略改進(jìn)的iwoa算法，解決了模型參數(shù)選取問(wèn)題，提高了特征表達(dá)效率和故障識(shí)別準(zhǔn)確性。

54、引入池化層，解決了內(nèi)部序列到序列訓(xùn)練速度慢、內(nèi)存消耗大的問(wèn)題。

55、充分利用了transformer模型在泛化能力和抗干擾性方面的優(yōu)勢(shì)，同時(shí)引入時(shí)序卷積層來(lái)彌補(bǔ)僅應(yīng)用transformer模型時(shí)可能喪失捕捉局部特征能力的不足，提高了連鑄機(jī)零段基座輕微故障特征的表達(dá)能力，增強(qiáng)了對(duì)基座不同故障狀態(tài)區(qū)分能力，在實(shí)際工程應(yīng)用中具有很大的意義。