基于时序预测的轧钢时序信号异常检测算法

01研究背景随着大数据、物联网技术的发展，钢铁企业的信息化逐步走向成熟。依靠大量传感器和大数据技术，钢铁企业可以实时采集大量钢铁生产数据和设备信号，例如生产温度、设备电流等。这些数据反映生产产品的质量和设备的健康状态，利用数据分析和机器学习方法对这类数据进行分析建模，可以及时检测出潜在的钢铁产品质量问题和设备故障问题。轧钢作为最接近成品的钢铁生产工艺，是确保钢铁质量的重要环节，同时轧钢的设备健康度也至关重要。对轧钢过程中采集的时序信号进行异常检测，可以及时发现设备信号的不正常波动片段和异常数值，从而预警钢铁质量问题和设备故障问题。学术界和工业界目前针对轧钢过程中时序信号的异常检测的研究较少，但存在较多用于其它领域的时序信号异常检测案例。各种针对时序异常检测的算法被相继提出，但可以发现，现有的基于统计的方法大多只能解决点异常检测的问题；此外，很多方法只能用于离线检测，不能实现在线的异常检测。但在轧钢环境中，时序异常检测需要实时预警，并且关注的重点在集合异常和上下文异常上，因此难以用基于统计的方法和离线方法解决轧钢环境中的时序异常检测问题。另一方面，轧钢过程中的时序信号因为钢坯的连续轧制具有以钢坯长度为周期的近似周期性，但由于钢坯的差异性，周期长度存在细微差别，因此若采用基于预测的异常检测方法，难以直接利用周期性预测方法进行预测。因此，如何准确地进行轧钢过程中的时序信号异常检测是一个具有挑战性的问题。02研究方法考虑到轧钢过程中采集到的时序信号存在较多有规律的大幅正常波动，例如钢坯轧制间隔时电流存在陡降，难以直接利用点异常检测算法来检测到时序中的异常表征，因为大幅度的正常波动会被识别为异常点；此外，同钢种钢坯在轧制过程中的时序信号具有以钢坯轧制时间为周期的近似周期性，因此正常轧制的钢坯时序信号具有一定的可预测性。因此，可以考虑利用基于时序预测的方法来进行实时片段异常检测，以此实现对连续轧钢过程中时序信号的异常检测。本研究提出的基于时序预测和序列相似性比对的轧钢时序异常检测算法的主要步骤如下。1）以滑动窗口的形式采集已完成轧制的长度为个周期的时序信号。数据采集不要求序列必须从钢坯开始轧制时开始采集，只需包含个完整周期即可。将前个周期的数据作为训练序列片段，第个周期的数据作为待检测序列片段。2）然后基于采集到的数据利用FOA训练Holt-Winters指数平滑模型，寻找最佳的平滑参数，流程如图1中的预测算法模块所示。

图1

基于时序预测和序列相似性比对的轧钢时序异常检测算法流程3）利用训练序列片段和训练好的Holt-Winters指数平滑模型预测第个周期的待检测序列片段。待检测序列片段包含当前正在轧制的钢坯对应的时序信号，经过快速预测及相似性比对即可实现接近实时的异常检测。4）利用DTW算法计算第个周期的时序信号预测值与真实值的距离，若距离超过异常阈值，则判定为异常，否则向前移动滑动窗口重复上述步骤，进行下一次检测。此处选择DTW算法来计算预测序列与真实序列相关性的原因有二：其一，轧钢在生产过程中轧制节奏存在细微差异，不保证每个钢坯在相同的时间点处于同样的轧制阶段；其二，传感器采集到每根钢坯的数据点数量不一定相等。若采用DTW算法计算则可以较好地克服这种类似于语速快慢的时间先后不对应问题，大幅减低误判概率。03研究结果为了验证所提算法的效果，选择存在时序异常钢坯及其前序正常钢坯分析DTW距离的变化趋势，将滑窗设置为6个周期，每次滑窗的移动长度设置为1个采样点，记录每次移动时计算出的预测值与真实值的序列距离，结果如图2所示。从图中可以发现，在轧制正常时，预测算法的预测值与实际电流值贴合得较好，趋势基本一致，DTW算法计算出的序列距离均保持在10000左右；在时序信号开始出现异常时，真实值与算法预测值偏差逐步增大，DTW距离立即开始增大，因此通过设定合适的阈值，可以在异常出现的初期便进行预警，从而提醒操作人员及时处理。根据DTW距离的分布情况，利用3-segma原则，将DTW距离的异常报警阈值设置为19300。预测序列与实际序列之间距离的长度可作为实际序列异常程度的表征。由此可见，本文所提算法通过设定合适的异常阈值，可以同时对存在异常风险即距离值偏大的情况进行预警，提醒操作人员进行及时处理，从而避免部分轧制异常事件的出现。

图2

DTW距离随时序信号的变化情况为评估异常检测算法在轧钢厂的检测效果，选择了连续两天的生产数据进行异常检测，检测数据共包含169338个数据点，共约419根钢坯。通过测试发现，所提算法能成功检测出这两天生产中的两次电流信号异常，其中一次即为图2所示的信号异常。

本研究采用轧制电流作为样例分析所提异常检测算法的效果，异常检测算法在实际轧钢厂应用时，可以同步对轧制温度、活套套高、轧制力等时序信号进行异常检测，若其中一个时序信号出现异常则进行预警，从而提升异常检测算法的可靠性和准确性。算法以滑动窗口的形式获取历史数据进行训练、预测和异常检测，有新的时序数据点产生时则对算法进行调用，从而实现近实时的时序异常检测。因此该方法有助于轧钢企业及时发现钢铁质量问题和设备故障问题，对规避批量产品质量问题和尽早发现设备异常起到重要作用。04研究结论1）本研究所提算法解决了轧钢时序信号的实时异常检测的问题。2）利用某轧钢厂的轧机电流数据对所提算法进行了测试和验证，结果表明在对轧钢电流进行预测时，所提算法中使用的基于果蝇优化算法优化的Holt-Winters模型的MAPE为1.73%，明显低于用于对比的采用固定经验参数的Holt-