CN107541597A - 连续退火机组均热炉的带钢跑偏监测与诊断方法及系统 - Google Patents

Abstract

本发明提供了连续退火机组均热炉的带钢跑偏监测与诊断方法，包括：建立带钢跑偏的监测模型：采集正常生产的数据样本和发生跑偏的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限，对所述每种规格的带钢建立LSSVM模型；对所述连续退火机组均热炉中的带钢进行跑偏监测：选择在线监测PCA模型和在线监测LSSVM模型，根据每隔固定时间采集的当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测；当既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。本发明还提供了连续退火机组均热炉的带钢跑偏监测与诊断系统。本发明提高对带钢跑偏的预警准确率以及故障诊断的准确率。

Description

连续退火机组均热炉的带钢跑偏监测与诊断方法及系统

技术领域

本发明涉及一种带钢跑偏的监测与诊断方法及系统，特别涉及一种用于连续退火机组的均热炉的带钢跑偏的监测与诊断方法及系统。

背景技术

连续退火机组是冷轧厂的重要工序，经冷轧后的带钢需要在连续退火机组中高速穿行，依次经过加热、均热、缓冷、快冷、过时效、水淬、平整等工序，以消除带钢的内应力。

加热后的薄料带钢进入均热炉后，经常由于温度变化而导致带钢张力在传动辊上出现波动，进而在均热炉内出现跑偏或打滑。如果跑偏程度较大，就会出现断带等生产事故。当前，为了防止带钢跑偏而出现生产事故，在均热炉的出口处通常设有一个纠偏辊，在带钢出现跑偏时，可以通过纠偏辊进行纠偏。

虽然现场操作人员可以获得均热炉出口处纠偏辊上带钢的偏移量，但是在实际生产中却难以根据这一指标来判断当前带钢在整个均热炉内的跑偏程度。例如：即使两条规格相同的带钢在纠偏辊上的偏移量同为20mm，但由于各辊子的扭矩和转速的不同，会出现其中一条带钢能够被纠偏辊成功纠偏，而另一条带钢则出现持续跑偏并最终导致断带的情况发生。

此外，当前只有均热炉入口和出口处的带钢张力可以实时测量，其它辊子上的带钢张力均无法获得，这导致在发生带钢跑偏时现场操作人员也无法确定究竟带钢是从哪个辊子上开始出现跑偏，进而也难以进行适当的纠偏操作，只能单纯依靠纠偏辊进行纠偏。由于纠偏辊的能力有限，如何对带钢跑偏进行及时预警并确定出带钢在均热炉内开始出现跑偏的辊子位置，使得现场操作人员能够及时调整相关辊子的过程控制参数，从而防止因纠偏辊能力有限而导致的断带事故，对于提高连续退火机组生产的连续性和稳定性，具有非常重要的意义。

针对连续退火机组的带钢跑偏监测，专利ZL200510028320.9提出了一种基于图像识别的带钢跑偏自动识别方法。该方法基于连续退火炉内工业摄像监视系统所获得的图像，通过判断带钢区域的采样图像灰度重心是否发生横向位移变化来确定带钢是否发生跑偏。虽然该方法能够实现对带钢跑偏的自动监测，但是也存在以下不足：首先，该方法只能对带钢跑偏进行预警，但是由于无法针对每个传动辊均安装摄像监视系统，使得该方法无法进行故障诊断，即无法确定是在哪个位置开始出现带钢跑偏；其次，对于加热炉、均热炉等温度较高并且传动辊数量较多的工段，由于难以在这些工段安装图像监测装置，使得该方法无法应用到这些工段。

专利ZL201010192542.5提出了一种基于主元分析(principle componentanalysis，PCA)的带钢张力监测与故障诊断方法，但是由于PCA方法无法反应各控制变量之间的非线性关系，使得该方法的带钢张力波动预警准确率，以及依据控制变量贡献率进行的故障诊断的准确率均不高，容易出现误预警和故障源诊断不准确的情况。

发明内容

本发明的目的在于，提供一种能够自动识别均热炉内带钢跑偏的在线监测方法及系统，以及能够自动确定带钢起始跑偏位置的故障诊断方法及系统。

本发明的连续退火机组均热炉的带钢跑偏监测与诊断方法，包括：阶段一：建立带钢跑偏的监测模型，其包括：步骤一一：对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；步骤一二：基于所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；步骤一三：基于所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；阶段二：对所述连续退火机组均热炉中的带钢进行跑偏监测，其包括：步骤二一：根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；步骤二二：根据每隔固定时间采集的当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；步骤二三：当既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

进一步地，在所述阶段二之后还包括：阶段三：跑偏位置和跑偏原因诊断，其包括：步骤三一：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若辊子M的后侧的辊子M+1的张力值小于该辊子M的前侧的辊子M-1的张力值，则判断为该辊子M处为跑偏位置；步骤三二：使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。

进一步地，所述数据样本包括以下数据项：中央段带钢的速度、均热炉中各辊子的转速、均热炉中各辊子的扭矩、均热炉的温度、以及纠偏辊处的跑偏量。

进一步地，所述步骤一一中还包括：对采集的所述正常生产的数据样本和所述发生跑偏的数据样本中的各数据项进行标准化处理，以消除不同量纲的影响。

另一方面，本发明的连续退火机组均热炉的带钢跑偏监测与诊断系统，包括：数据样本采集模块，其配置为对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；PCA模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；LSSVM模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；带钢跑偏在线监测模块，其包括：模型选择单元，其配置为根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；数据采集单元，其配置为每隔固定时间，采集当前生产过程的数据样本；在线监测单元，其配置为根据所述数据采集单采集的所述当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA 模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；跑偏判断单元，其配置为当所述在线监测单元既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

进一步地，该系统还包括：跑偏故障诊断模块，其配置为：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若辊子M的后侧的辊子M+1的张力值小于该辊子M的前侧的辊子M-1的张力值，则判断为该辊子M处为跑偏位置；使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。

本发明的连续退火机组均热炉的带钢跑偏监测与诊断方法及系统，基于连续退火机组均热炉的生产过程数据，将最小二乘支持向量机(least square support vectormachine，LSSVM)与PCA方法相结合，以提高对带钢跑偏的预警准确率；将PCA与带钢张力机理模型相结合，以提高故障诊断的准确率。

附图说明

图1为本发明的连续退火机组均热炉的带钢跑偏监测与诊断方法的示意图。

具体实施方式

下面结合附图和具体实施方式对本发明的连续退火机组均热炉的带钢跑偏监测与诊断方法及系统作进一步的详细描述，但不作为对本发明的限定。

参照图1，本发明的连续退火机组均热炉的带钢跑偏监测与诊断方法及系统，工作的基本流程如下：首先，根据企业的历史数据信息，分别建立各规格带钢的PCA和LSSVM监测模型；然后，在实时监测过程中，每隔一个小的时间间隔就通过OPC接口从连退生产线的过程控制硬件平台中读取均热炉的过程信息数据，通过监测模型判断当前工况是否正常，如有异常则进行报警。接着，系统会基于PCA和带钢张力模型分析并给出导致该报警的故障原因。最后，现场操作人员根据故障原因对均热炉的控制变量进行调整。

将本发明所提出的连续退火机组均热炉带钢跑偏在线监测及故障诊断方法应用于本实施例，具体步骤包括：

阶段一：建立带钢跑偏的监测模型。该阶段包括步骤一一、步骤一二、以及步骤一三。

步骤一一：针对每种规格的带钢，从企业数据库中分别采集正常生产过程数据样本和故障数据样本。每条样本中包含以下数据项：中央段带钢速度、均热炉中各辊子的转速、均热炉中各辊子的扭矩、均热炉温度、纠偏辊处的跑偏量。本实施例中的均热炉内共有24个传动辊，因此每条样本中共包含51个数据项。在本实施例中，针对每种规格的带钢，共采集5000条正常生产样本和500条故障样本。

进一步地，对每个样本中的各数据项进行标准化处理，以消除不同量纲的影响。即样本i中的第k个数据项xik标准化为(xik-xmin)/(xmax-xmin)，其中xmax和xmin分别是所有样本中第k个数据项的最大值和最小值。

最后，使用层次聚类方法将所采集的数据样本中包含过失误差的样本剔除。针对正常生产样本与故障样本的过失误差剔除方法相同，下面以正常生产样本为例，其具体步骤如下：

步骤11.1：将每个样本作为一个聚类，初始共得到n＝5000个聚类(n表示当前总的聚类数量)。

步骤11.2：计算每个聚类i与其它聚类j之间的距离 其中x'_ik和x'_jk分别表示聚类i与聚类j的中心的第k个数据项的值，每个聚类中心的第k个数据项的值定义为该聚类中所有样本第k个数据项之值的平均值。然后，取所有聚类之间距离的平均值的3倍作为门槛值。

步骤11.3：如果当前所有聚类中距离最近的两个聚类的距离小于门槛值3davg，则将这两个聚类合并成一个聚类，设置n＝n-1，并转到步骤1.2；否则，停止聚类，并转到步骤1.4。

步骤11.4：将所得到的聚类中样本数量小于等于3个的聚类剔除。

步骤一二：基于正常生产的数据样本，对每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限，然后将所获得的控制限存储到PCA模型库中。

步骤一三：基于正常生产的数据样本和发生跑偏的数据样本，对每种规格的带钢建立LSSVM模型。具体的模型建立过程包括以下步骤：

步骤13.1：确定模型训练目标。

将LSSVM分类模型的训练目标函数设定为分类错误率(即误报警率)，即ER1/N1+ER2/N2，其中ER1和ER2分别表示针对正常样本和故障样本的分类错误的数量(分类错误是指将正常样本判定为故障或者将故障样本判定为正常)，N1和N2分别表示正常样本和故障样本的数量。

步骤13.2：初始化模型参数集合。

随机产生50组LSSVM模型参数集合，第i个模型参数集合记为记为Parai＝(ri,σi)，其中ri,σi分别表示LSSVM模型中的误差惩罚系数和核函数参数。再使用步骤3.1所述的目标函数来评价每个模型参数的性能，然后记50组模型参数集合中性能最好的一组为Parabest＝(rbest,σbest)。最后，设置寻优次数计数器g＝1。

步骤13.3：生成新的模型参数集合。

针对每一个模型参数集合Parai，使用以下方式来产生一个新的模型参数集合：首先，从除Parai之外的模型参数集合中任意选择2个模型参数集合，记为Paraj＝(rj,σj)和Parak＝(rk,σk)；然后，计算新的模型参数集合Parai，即r_i＝r_i+U(0,1)×(r_j-r_k)+U(0,1)×(r_best-r_i)，以及σ_i＝σ_i+U(0,1)×(σ_j-σ_k)+U(0,1)×(σ_best-σ_i)，其中U(0,1)表示[0,1]区间内服从均匀分布的随机数；接着，对新的模型参数集合使用步骤3.1所定义的目标函数进行评价。最后，更新当前性能最好的一组模型参数集合Parabest。

步骤13.4：设置g＝g+1，如果g>1000，输出Parabest并转到步骤13.5；否则转到步骤13.3。

步骤13.5：将针对当前规格带钢所获得的分类模型存储到LSSVM模型库中。

表1给出了针对所获得的LSSVM带钢跑偏诊断模型，使用5条不同规格的带钢进行测试的结果，从结果可以看出，该模型的平均误报警率为0.55％，具有较高精度。

表1 LSSVM模型测试结果

阶段二：对所述连续退火机组均热炉中的带钢进行跑偏监测，其包括步骤二一、步骤二二、以及步骤二三。

步骤二一：针对当前正要进行生产的带钢，根据其规格，包括宽度w与厚度t，从候选的PCA带钢跑偏监测模型数据库和LSSVM带钢跑偏监测模型数据库中选择与当前带钢规格偏差量最小的模型作为在线监测模型。其中，规格的偏差量定义为宽度与厚度的加权偏差，即0.2|w-wi|+0.8|t-ti|，其中wi和ti为模型库中第i个带钢规格的宽度和厚度。

步骤二二：每隔一个时间间隔τ＝2秒，采集当前的实际生产过程数据，再分别使用所选择的PCA模型和LSSVM模型进行监测。

如果根据PCA模型计算出来的T²和SPE两个统计量中至少有一个超出其控制限，则进行PCA报警；同样，如果根据LSSVM分类模型的输出结果为故障，则进行LSSVM报警。

步骤二三：如果两个模型均报警，则说明当前生产出现故障的可能性较大，判断为当前生产的所述带钢发生跑偏。

至此，可以完成连续退火机组均热炉的带钢跑偏监测。

阶段三：跑偏位置和跑偏原因诊断。其包括步骤三一和步骤三二。

步骤三一：使用带钢张力机理模型计算带钢在各辊子处的张力值，如果第M个辊子的后侧的第M+1个辊子的带钢张力小于其前侧的第M-1个辊子的带钢张力，则说明带钢在该第M个辊子处出现打滑，从而可以确定出跑偏位置。其中，用语“前”、“后”指沿着带钢运行的方向，与带钢运行的方向一致为“前”，反之为“后”。

本实施例中使用机理模型可以得出在29#-30#辊子处出现了带钢打滑，开始跑偏。

步骤三二：使用PCA模型计算各控制变量对于当前故障的贡献率，例如，31#辊子处的控制变量的贡献率达到了0.9，超过了阈值0.5，因此认为在31#辊子附近开始出现跑偏。

根据PCA模型所得到的控制变量的贡献率和带钢张力模型所分析得到的带钢打滑位置，对故障原因进行分析，由于在PCA模型得出在31#辊子处的控制变量贡献率较大，同时带钢张力机理模型也得出 29-30#辊子附近带钢出现打滑，因此，可以判定29-31#辊子处的控制变量变化是导致本次故障的主要原因。

根据模型所诊断出的29-31#辊子处开始出现带钢跑偏故障，由现场操作人员对相关控制变量进行调整，即适当增加后面32#辊子的转速和扭矩，以增加29-31#辊子出口处的带钢张力，从而防止带钢继续打滑。

另一方面，本发明的连续退火机组均热炉的带钢跑偏监测与诊断系统，包括：

数据样本采集模块，其配置为对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；

PCA模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；

LSSVM模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；

带钢跑偏在线监测模块，其包括：

模型选择单元，其配置为根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；

数据采集单元，其配置为每隔固定时间，采集当前生产过程的数据样本；

在线监测单元，其配置为根据所述数据采集单采集的所述当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；

跑偏判断单元，其配置为当所述在线监测单元既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

进一步地，该系统还包括：跑偏故障诊断模块，其配置为：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若所述辊子后端的张力值小于所述辊子前端的张力值，判断为该辊子处为跑偏位置；使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。

本发明的连续退火机组均热炉带钢跑偏监测与诊断系统，将安装在连退生产线的过程控制硬件平台中，通过OPC接口从连退机组的均热炉实时采集当前的生产工况信息，再根据这些工况信息对生产过程进行在线监测与故障诊断，以保证连退机组的连续和稳定运行。

本发明的连续退火机组均热炉的带钢跑偏监测与诊断方法及系统，基于连续退火机组均热炉的生产过程数据，能够实现对均热炉内带钢运行情况的自动化监测，对可能导致带钢跑偏甚至断带事故的危险工况进行及时预警，并快速确定出带钢开始跑偏的位置，方便现场操作人员针对开始跑偏位置及时采取调整措施，克服纠偏辊能力有限 的不足，提高纠偏成功率，从而防止出现断带事故，保证连续退火机组能够稳定和安全运行，进而提高冷轧厂的经济效益。

以上具体实施方式仅为本发明的示例性实施方式，不能用于限定本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这些修改或等同替换也应视为落在本发明的保护范围内。

Claims (6)

1.一种连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，包括：

阶段一：建立带钢跑偏的监测模型，其包括：

步骤一一：对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；

步骤一二：基于所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；

步骤一三：基于所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；

阶段二：对所述连续退火机组均热炉中的带钢进行跑偏监测，其包括：

步骤二一：根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；

步骤二二：根据每隔固定时间采集的当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；

步骤二三：当既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

2.根据权利要求1所述的连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，在所述阶段二之后还包括：

阶段三：跑偏位置和跑偏原因诊断，其包括：

步骤三一：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若辊子M的后侧的辊子M+1的张力值小于该辊子M的前侧的辊子的张力值，则判断为该辊子M处为跑偏位置；

步骤三二：使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。

3.根据权利要求1所述的连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，所述数据样本包括以下数据项：中央段带钢的速度、均热炉中各辊子的转速、均热炉中各辊子的扭矩、均热炉的温度、以及纠偏辊处的跑偏量。

4.根据权利要求1所述的连续退火机组均热炉的带钢跑偏监测与诊断方法，其特征在于，所述步骤一一中还包括：对采集的所述正常生产的数据样本和所述发生跑偏的数据样本中的各数据项进行标准化处理，以消除不同量纲的影响。

5.一种连续退火机组均热炉的带钢跑偏监测与诊断系统，其特征在于，包括：

数据样本采集模块，其配置为对所述连续退火机组生产的每种规格的带钢，采集正常生产的数据样本和发生跑偏的数据样本；

PCA模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本，对所述每种规格的带钢建立PCA模型，并计算两个统计量T²和SPE的控制限；

LSSVM模型训练模块，其配置为基于所述数据样本采集模块得到的所述正常生产的数据样本和所述发生跑偏的数据样本，对所述每种规格的带钢建立LSSVM模型；

带钢跑偏在线监测模块，其包括：

模型选择单元，其配置为根据所述连续退火机组当前生产的带钢的规格，在建立的所述PCA模型和LSSVM模型中选择与所述当前生产的带钢偏差最小的作为在线监测PCA模型和在线监测LSSVM模型；

数据采集单元，其配置为每隔固定时间，采集当前生产过程的数据样本；

在线监测单元，其配置为根据所述数据采集单采集的所述当前生产过程的数据样本，分别使用所述在线监测PCA模型和所述在线监测LSSVM模型进行监测，若根据所述在线监测PCA模型计算出来的两个统计量T²和SPE中至少一个超出其对应的所述控制限，则进行PCA报警；若根据所述在线监测LSSVM模型输出的结果为故障，则进行LSSVM报警；

跑偏判断单元，其配置为当所述在线监测单元既进行PCA报警又进行LSSVM报警时，判断当前生产的所述带钢发生跑偏。

6.根据权利要求5所述的连续退火机组均热炉的带钢跑偏监测与诊断系统，其特征在于，该系统还包括：

跑偏故障诊断模块，其配置为：使用带钢张力机理模型计算当前生产的所述带钢在所述连续退火机组均热炉的各辊子处的张力值，若辊子M的后侧的辊子M+1的张力值小于该辊子M的前侧的辊子M-1的张力值，则判断为该辊子M处为跑偏位置；使用所述在线监测PCA模型计算各控制变量对于跑偏的贡献率，将所述贡献率大于阈值的所述控制变量判断为跑偏原因。