CN110728059A - 一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台 - Google Patents

Abstract

本发明实施例涉及轧钢技术领域，具体而言，涉及一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台，该方法能够在目标板卷进入连续性酸连轧工艺之前根据目标板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判定出目标板卷是否满足设定的头尾切除条件，进而判断目标板卷是否存在断带风险，确定出目标板卷的头尾切除米数和刀数，从而实现在目标板卷进入连续性酸连轧工艺之后，能够根据头尾切除米数和刀数对目标板卷进行分切，避免目标板卷在连续性酸连轧工艺中出现断带。

Description

一种基于工业大数据平台的板卷头尾智能分切方法及工业大 数据平台

技术领域

本发明实施例涉及轧钢技术领域，具体而言，涉及一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台。

背景技术

连续性酸连轧机组用于生产薄规格、高表面质量以及高板形要求的钢板卷，钢板卷主要应用于汽车、家电和电工等行业。

在连续性酸连轧工艺中，首先通过焊机将钢板卷进行首尾相连，然后经过酸洗槽酸洗后，进入轧机进行轧制。然而，在轧制过程中，钢板卷容易发生断带事故。

当钢板卷发生在轧制过程中发生断带时，会严重延误生产进度，降低钢板卷的成品率，从而造成经济损失。

发明内容

有鉴于此，本发明提供了一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台。

本发明实施例提供了一种基于工业大数据平台的板卷头尾智能分切方法，包括：

获取目标板卷在热轧工艺中的高频曲线数据；

获取所述目标板卷在所述热轧工艺中的缺陷数据；

获取所述目标板卷在所述热轧工艺中的第一板卷数据以及在冷轧工艺中的第二板卷数据；

根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件；

若所述目标板卷满足所述头尾切除条件，根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，确定出所述目标板卷的头尾切除米数和刀数。

可选地，所述根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件，包括：

根据所述第一板卷数据和所述第二板卷数据，对所述高频曲线数据进行修正，得到目标高频曲线数据；

根据所述第一板卷数据和所述第二板卷数据，对所述缺陷数据进行修正，得到目标缺陷数据；

判断所述目标高频曲线数据是否位于第一设定区间内，若所述目标高频曲线数据没有位于所述第一设定区间内，判定所述目标板卷满足所述头尾切除条件；若所述目标高频曲线数据位于所述第一设定区间内，判断所述目标缺陷数据是否位于第二设定区间内，若所述目标缺陷数据没有位于第二设定区间内，判定所述目标板卷满足所述头尾切除条件；

其中，所述第一设定区间为不发生断带的板卷的目标高频曲线数据对应的区间，所述第二设定区间为不发生断带的板卷的目标缺陷数据对应的区间。

可选地，所述头尾切除条件通过以下方式确定：

获取多个第一历史数据和多个第二历史数据；其中，所述第一历史数据为第一样本板卷的数据，所述第一历史数据中包括所述第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第一样本板卷为在轧制过程中未发生断带的板卷，所述第二历史数据为第二样本板卷的数据，所述第二历史数据中包括所述第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第二样本板卷为在所述轧制过程中发生断带的板卷；

根据所述多个第二历史数据，确定出初始切除条件；

根据所述多个第一历史数据和所述多个第二历史数据，对所述初始切除条件进行修正，获得所述头尾切除条件。

可选地，所述根据所述多个第二历史数据，确定出初始切除条件，包括：

根据每个第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出第一初始区间和第二初始区间；其中，所述第一初始区间为与所述每个第二样本板卷的高频曲线数据的交集为空的区间，所述第二初始区间为与所述每个第二样本板卷的缺陷数据的交集为空的区间。

可选地，所述根据所述多个第一历史数据和所述多个第二历史数据，对所述初始切除条件进行修正，获得所述头尾切除条件，包括：

根据每个第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，对所述第一初始区间进行修正，得到第一修正区间，对所述第二初始区间进行修正，得到第二修正区间；

确定落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量是否小于第一预设值；若达到，根据所述第一修正区间，得到第一设定区间；若没有达到，继续对所述第一修正区间进行修正，直至落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量达到所述第一预设值；

确定落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量是否小于第二预设值；若达到，根据所述第二修正区间，得到第二设定区间；若没有达到，继续对所述第二修正区间进行修正，直至落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量达到所述第二预设值。

本发明实施例还提供了一种工业大数据平台，包括：

高频曲线数据获取模块，用于获取目标板卷在热轧工艺中的高频曲线数据；

缺陷数据获取模块，用于获取所述目标板卷在所述热轧工艺中的缺陷数据；

板卷数据获取模块，用于获取所述目标板卷在所述热轧工艺中的第一板卷数据以及在冷轧工艺中的第二板卷数据；

判定模块，用于根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件；

若所述目标板卷满足所述头尾切除条件，根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，确定出所述目标板卷的头尾切除米数和刀数。

可选地，所述判定模块，用于：

根据所述第一板卷数据和所述第二板卷数据，对所述高频曲线数据进行修正，得到目标高频曲线数据；

根据所述第一板卷数据和所述第二板卷数据，对所述缺陷数据进行修正，得到目标缺陷数据；

判断所述目标高频曲线数据是否位于第一设定区间内，若所述目标高频曲线数据没有位于所述第一设定区间内，判定所述目标板卷满足所述头尾切除条件；若所述目标高频曲线数据位于所述第一设定区间内，判断所述目标缺陷数据是否位于第二设定区间内，若所述目标缺陷数据没有位于第二设定区间内，判定所述目标板卷满足所述头尾切除条件；

其中，所述第一设定区间为不发生断带的板卷的目标高频曲线数据对应的区间，所述第二设定区间为不发生断带的板卷的目标缺陷数据对应的区间。

可选地，所述判定模块，用于：

获取多个第一历史数据和多个第二历史数据；其中，所述第一历史数据为第一样本板卷的数据，所述第一历史数据中包括所述第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第一样本板卷为在轧制过程中未发生断带的板卷，所述第二历史数据为第二样本板卷的数据，所述第二历史数据中包括所述第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第二样本板卷为在所述轧制过程中发生断带的板卷；

根据所述多个第二历史数据，确定出初始切除条件；

根据所述多个第一历史数据和所述多个第二历史数据，对所述初始切除条件进行修正，获得所述头尾切除条件。

可选地，所述判定模块，用于：

根据每个第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出第一初始区间和第二初始区间；其中，所述第一初始区间为与所述每个第二样本板卷的高频曲线数据的交集为空的区间，所述第二初始区间为与所述每个第二样本板卷的缺陷数据的交集为空的区间。

可选地，所述判定模块，用于：

根据每个第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，对所述第一初始区间进行修正，得到第一修正区间，对所述第二初始区间进行修正，得到第二修正区间；

确定落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量是否小于第一预设值；若达到，根据所述第一修正区间，得到第一设定区间；若没有达到，继续对所述第一修正区间进行修正，直至落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量达到所述第一预设值；

确定落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量是否小于第二预设值；若达到，根据所述第二修正区间，得到第二设定区间；若没有达到，继续对所述第二修正区间进行修正，直至落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量达到所述第二预设值。

本发明实施例提供的一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台，能够在目标板卷进入连续性酸连轧工艺之前，获取目标板卷在热轧工艺中的高频曲线数据、缺陷数据和第一板卷数据，获取目标板卷在冷轧工艺中的第二板卷数据，然后根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判断目标板卷是否满足设定的头尾切除条件，若目标板卷满足头尾切除条件，根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出目标板卷的头尾切除米数和刀数，如此，能够在目标板卷进入连续性酸连轧工艺之前根据目标板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判定出目标板卷是否存在断带风险，确定出目标板卷的头尾切除米数和刀数，从而实现在目标板卷进入连续性酸连轧工艺之后，根据头尾切除米数和刀数对目标板卷进行分切，避免目标板卷在连续性酸连轧工艺中出现断带。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例所提供的一种基于工业大数据平台的板卷头尾智能分切系统的结构框图。

图2为本发明实施例所提供的一种基于工业大数据平台的板卷头尾智能分切方法的流程图。

图3为本发明实施例所提供的一种工业大数据平台的功能模块图。

图标：

100-基于工业大数据平台的板卷头尾智能分切系统；

1-工业大数据平台；11-高频曲线数据获取模块；12-缺陷数据获取模块；13-板卷数据获取模块；14-判定模块；

2-热轧可编程控制器；

3-热轧制造执行装置；

4-冷轧制造执行装置；

5-表面检测仪。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

发明人经调查发现，现有的对板卷进行头尾分切的方法大多依靠人工经验，对某一类的钢板卷设置一个固定的头尾分切规则，这种方法难以应对钢板卷的个体差异性。例如，即便钢板卷的型号、大小、尺寸全部相同，在前序工艺中，难免会出现工艺流程的波动和误差，导致最终进入连续性酸连轧的钢板卷在参数和性能上存在差异，若采用现有的头尾分切规则，难以实现对不同钢板卷的准确分切，同样会导致钢板卷在连续性酸连轧工艺中出现断带。

以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。

基于上述研究，本发明实施例提供了一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台，能够在目标板卷进入连续性酸连轧工艺之前根据目标板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判定出目标板卷是否存在断带风险，确定出目标板卷的头尾切除米数和刀数，从而实现在目标板卷进入连续性酸连轧工艺之后，根据头尾切除米数和刀数对目标板卷进行分切，避免目标板卷在连续性酸连轧工艺中出现断带。

图1示出了本发明实施例所提供的一种基于工业大数据平台的板卷头尾智能分切系统100的结构框图。由图可见，该板卷头尾智能分切系统100包括工业大数据平台1、热轧可编程控制器2、热轧制造执行装置3、冷轧制造执行装置4和表面检测仪5。

其中，热轧可编程控制器2、热轧制造执行装置3、冷轧制造执行装置4和表面检测仪5均与工业大数据平台1通信连接。

在本申请实施例中，工业大数据平台1是以Hadoop开源版为基础搭建的，能够分别从热轧可编程控制器2、热轧制造执行装置3、冷轧制造执行装置4和表面检测仪5处获取对应的数据，并将获取到的数据进行存储，还可以根据获取到的数据确定出每个板卷的头尾切除条件，并基于每个板卷的头尾切除条件确定出每个板卷的头尾切除米数和刀数，如此，能够根据每个板卷的实际情况，准确地确定出每个板卷的头尾切除米数和刀数，从而实现在每个板卷进入连续性酸连轧工艺之后，基于冷轧制造执行装置4对每个板卷的头尾切除米数和刀数进行展示，以指导操作人员或者相应的自动化机器根据头尾切除米数和刀数对每个板卷进行分切，避免每个板卷在连续性酸连轧工艺中出现断带。

在上述基础上，图2示出了本发明实施例所提供的一种基于工业大数据平台的板卷头尾智能分切方法的流程图。所述方法有关的流程所定义的方法步骤应用于图1中的工业大数据平台1，下面将对图2所示的具体流程进行详细阐述：

可以理解，以下步骤均是在目标板卷进入连续性酸连轧机组之前执行的，如此，能够保证目标板卷进入连续性酸连轧机组之后，不会出现断带现象。

S21，获取目标板卷在热轧工艺中的高频曲线数据。

在本实施例中，热轧可编程控制器2用于采集目标板卷在热轧工艺中的高频曲线数据。例如，高频曲线数据包括但不限于各标签位置曲线、板卷宽度、厚度、凸度、楔形、平直度、非对称平直度、中心线偏移、粗轧辊期、精轧辊期等70多条曲线数据。可选地，板卷宽度、厚度、凸度、楔形、平直度、非对称平直度和中心线偏移等曲线数据可以通过相应的检测仪进行检测，例如板卷宽度检测仪、厚度检测仪、凸度检测仪和平直度检测仪等。

在本申请实施例中，高频曲线数据也可以理解为时序数据。进一步地，目标板卷的高频曲线数据可以存储于工业大数据平台1的opentsdb数据库中。

工业大数据平台1可以通过python脚本程序从opentsdb数据库中获取高频曲线数据。

S22，获取目标板卷在热轧工艺中的缺陷数据。

在本实施例中，表面检测仪5用于采集目标板卷在热轧工艺中的缺陷数据。

在具体实施过程中，缺陷数据包括多张缺陷图片和每张缺陷图片对应的缺陷关系型数据。

可以理解，表面检测仪5可能采集到目标板卷的多张缺陷图片，针对每张缺陷图片，表面检测仪将该缺陷图片中的缺陷信息转换为缺陷关系型数据，然后将缺陷关系型数据与该缺陷图片进行绑定。

进一步地，缺陷图片可以存储于工业大数据平台1的Hbase数据库中，缺陷关系型数据可以存储于工业大数据平台1的Solr数据库中。

可选地，工业大数据平台1可以通过python脚本程序从Hbase数据库和Solr数据库中分别获取缺陷图片和缺陷关系型数据。

S23，获取目标板卷在热轧工艺中的第一板卷数据以及在冷轧工艺中的第二板卷数据。

在本实施例中，热轧制造执行装置3用于采集目标板卷在热轧工艺中的第一板卷数据，冷轧制造执行装置4用于采集目标板卷在冷轧工艺中的第二板卷数据。

其中，第一板卷数据包括目标板卷在热轧工艺中的板卷相关数据，例如，第一板卷数据可以包括热轧订单、改挂订单、质检综判结果、毛边方式等数据。

可以理解，第二板卷数据包括目标板卷在冷轧工艺中的板卷相关数据，又例如，第二板卷数据可以包括冷轧订单、改挂订单、质检综判结果、毛边方式等数据。

进一步地，第一板卷数据和第二板卷数据可以存储于工业大数据平台1的kudu数据库中。

可选地，工业大数据平台1可以通过python脚本程序从kudu数据库获取第一板卷数据和第二板卷数据。

S24，根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判断目标板卷是否满足设定的头尾切除条件。

在本申请实施例中，可以根据目标板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判断目标板卷是否满足设定的头尾切除条件。

若目标板卷满足设定的头尾切除条件，表征目标板卷在连续性酸连轧工艺中可能出现断带，在这种情况下，转向步骤S25。

若目标板卷不满足设定的头尾切除条件，表征目标板卷在连续性酸连轧工艺中不会出现断带，在这种情况下，不作任何处理，可以使目标板卷进入连续性酸连轧工艺。

在具体实施过程中，判断目标板卷是否满足设定的头尾切除条件，具体通过以下方式实现：

根据第一板卷数据和第二板卷数据，对高频曲线数据进行修正，得到目标高频曲线数据；

根据第一板卷数据和第二板卷数据，对缺陷数据进行修正，得到目标缺陷数据；

判断目标高频曲线数据是否位于第一设定区间内：

若目标高频曲线数据没有位于第一设定区间内，判定目标板卷满足头尾切除条件；

若目标高频曲线数据位于第一设定区间内，判断目标缺陷数据是否位于第二设定区间内，若目标缺陷数据没有位于第二设定区间内，判定目标板卷满足头尾切除条件。

在本申请实施例中，第一设定区间和第二设定区间为目标板卷不发生断带的区间。

其中，目标高频数据中包括了多项数据，因此，第一设定区间也可以包括每项数据对应的区间，例如，第一设定区间包括多个第一设定子区间，每个第一设定子区间对应一项目标高频数据。又例如，某个第一设定子区间对应板卷宽度，若板卷宽度没有位于该第一设定子区间，判定目标板卷在该板卷宽度下可能出现断带，进一步地，假设多个第一设定子区间的数量为n个，n为正整数，若m项目标高频数据没有位于各自的第一设定子区间内，判定m与n的比值是否小于设定阈值，若达到，判定目标高频数据没有位于第一设定区间内，其中，m为正整数，m小于n，设定阈值可以取80％，也可以根据实际情况进行调整。又例如，若需要尽可能地避免目标板卷在连续性酸连轧工艺中出现断带，可以将设定阈值提高，例如，将设定阈值设置为90％。

进一步地，若判定出目标高频曲线数据没有位于第一设定区间内，判定目标板卷满足头尾切除条件。

更进一步地，若目标高频曲线数据位于第一设定区间内，则继续判断目标缺陷数据是否位于第二设定区间内，若目标缺陷数据没有位于第二设定区间内，判定目标板卷满足头尾切除条件。

在具体实施过程中，判断目标缺陷数据是否位于第二设定区间内，具体可以通过以下方式实现：

在本申请实施例中，目标缺陷数据包括多张缺陷图片以及每张缺陷照片对应的缺陷关系型数据，可以理解，缺陷关系型数据是经过修正的。

进一步地，获取每张缺陷图片对应的缺陷关系型数据，可以理解，缺陷关系型数据也包括多项数据，因此，第二设定区间也可以包括每项缺陷关系型数据对应的区间，例如，第二设定区间包括多个第二设定子区间，每个第二设定子区间对应一项缺陷关系型数据。又例如，某个第二设定子区间对应板卷宽度，若板卷宽度没有位于该第二设定子区间，判定目标板卷在该板卷宽度下可能出现断带，进一步地，假设多个第二设定子区间的数量为j个，j为正整数，若k项高频数据没有位于各自的第二设定子区间内，判定k与j的比值是否小于预设阈值，若达到，判定高频数据没有位于第二设定区间内，其中，k为正整数，k小于j，预设阈值可以取90％，也可以根据实际情况进行调整。又例如，若需要尽可能地避免目标板卷在连续性酸连轧工艺中出现断带，可以将预设阈值提高，例如，将预设阈值设置为95％。

可以理解，通过上述方法能够基于目标板卷的各项实际数据，准确确定出目标板卷是否满足设定的头尾切除条件。

S25，根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出目标板卷的头尾切除米数和刀数。

可以理解，若目标板卷满足设定的头尾切除条件，则根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出目标板卷的头尾切除米数和刀数，在本申请实施例中，头尾切除米数和刀数可以理解为板卷头尾分切结果。高频曲线数据可以理解为经过修正的目标高频曲线数据，缺陷数据可以理解为经过修正的目标缺陷数据。

其中，板卷头尾分切结果可以存储于工业大数据平台1的kudu数据库中。

可选地，冷轧制造执行装置4可以通过工业大数据平台1的接口查询该板卷头尾分切结果，并将该板卷头尾分切结果进行展示，以便指导操作人员对处于连续性酸连轧工艺中的目标板卷进行头尾切除操作，避免目标板卷断带，冷轧制造执行装置4还可以根据板卷头尾分切结果控制相应的自动化分切设备对目标板卷进行头尾切除操作。

可以理解，工业大数据平台1是在目标板卷进入连续性酸连轧工艺之前，根据头尾切除条件确定是否对目标板卷进行切除，因此，如何确定头尾切除条件是保证对目标板卷进行准确切除的关键。

在本申请实施例中，工业大数据平台1可以根据以下方式确定头尾切除条件：

获取多个第一历史数据和多个第二历史数据。

在本申请实施例中，第一历史数据为第一样本板卷的数据，第一历史数据中包括第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，第一样本板卷为在轧制过程中未发生断带的板卷。

相应地，第二历史数据为第二样本板卷的数据，第二历史数据中包括第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，第二样本板卷为在轧制过程中发生断带的板卷。

进一步地，根据多个第二历史数据，确定出初始切除条件；

根据多个第一历史数据和多个第二历史数据，对初始切除条件进行修正，获得头尾切除条件。

在本申请实施例中，根据多个第二历史数据，确定出初始切除条件，具体可以通过以下方式实现：

根据每个第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出第一初始区间和第二初始区间。

在本申请实施例中，第一初始区间为与每个第二样本板卷的高频曲线数据的交集为空的区间，第二初始区间为与所述每个第二样本板卷的缺陷数据的交集为空的区间。

更为具体地，第一初始区间中包括多个第一初始子区间，第一初始子区间的数量与每个第二样本板卷的高频曲线数据的项数相同。

针对每个第二样本板卷，确定出该第二样本板卷的所有项高频曲线数据中与对应的第一初始子区间的交集为空的高频曲线数据的总数，判断该总数是否小于设定值，若达到，判定该第二样本板卷的高频曲线数据与第一初始区间的交集为空，以此类推，确定出第一初始区间。

类似地，可以通过上述方法确定出第二初始区间。

进一步地，根据多个第一历史数据和多个第二历史数据，对初始切除条件进行修正，获得头尾切除条件，具体包括：

根据每个第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，对第一初始区间进行修正，得到第一修正区间，对所述第二初始区间进行修正，得到第二修正区间。

确定落入第一修正区间内的第二样本板卷的高频曲线数据的第一数量是否小于第一预设值：

若达到，根据第一修正区间，得到第一设定区间。

若没有达到，继续对第一修正区间进行修正，直至落入第一修正区间内的第二样本板卷的高频曲线数据的第一数量达到第一预设值。

确定落入第二修正区间内的第二样本板卷的缺陷数据的第二数量是否小于第二预设值：

若达到，根据第二修正区间，得到第二设定区间。

若没有达到，继续对第二修正区间进行修正，直至落入第二修正区间内的第二样本板卷的缺陷数据的第二数量达到第二预设值。

可以理解，第一初始区间和第二初始区间是根据第二样本板卷(出现断带的板卷)的第二历史数据确定的。若采用第一初始区间和第二初始区间作为设定的头尾切除条件，在判断目标板卷是否满足设定的头尾切除条件时，可能由于第一初始区间和第二初始区间的区间较小出现误判的情况。因此，为了提高判定的准确性，会基于第一初始区间和第二初始区间设置裕量，将第一初始区间和第二初始区间的区间进行适当扩大。

具体地，根据每个第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，对第一初始区间进行修正，得到第一修正区间，对第二初始区间进行修正，得到第二修正区间。

可以理解，第一样本板卷是没有出现断带的板卷，因此，可以基于第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，将第一初始区间和第二初始区间进行扩大以获得第一修正区间和第二修正区间，如此，能够避免误判的产生。

进一步地，对第一修正区间而言，若落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量小于第一预设值，则将第一修正区间作为第一设定区间，否则，继续扩大第一修正区间。对第二修正区间而言，若落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量小于第二预设值，则将第二修正区间作为第二设定区间，否则，继续扩大第二修正区间。如此，可能避免由于多项高频曲线数据之间的互相影响或者多项缺陷数据之间的互相影响导致第一初始区间和第二初始区间过小从而产生误判(将不满足头尾切除条件的目标板卷误判为满足头尾切除条件)。

可选地，工业大数据平台1能够基于第一历史数据和第二历史数据确定出初始切除条件，并对第一历史数据和第二历史数据进行挖掘，从而对初始切除条件进行修正和优化，得到头尾切除条件，如此，能够在目标板卷进入连续性酸连轧工序前，根据头尾切除条件确定出目标板卷在连续性酸连轧工序中是否会出现断带，并根据目标板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出目标板卷的头尾切除米数和刀数，如此，显著降低目标板卷头尾的酸连轧断带率，提升了产品成材率，降低了设备故障率，取得了良好的经济效益。

可选地，在本申请实施例中，工业大数据平台1可以从消息队列Kafka中获取高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据。

在上述基础上，如图3所示，本发明实施例提供了一种工业大数据平台1，包括高频曲线数据获取模块11、缺陷数据获取模块12、板卷数据获取模块13和判定模块14。

高频曲线数据获取模块11，用于获取目标板卷在热轧工艺中的高频曲线数据。

缺陷数据获取模块12，用于获取所述目标板卷在所述热轧工艺中的缺陷数据。

板卷数据获取模块13，用于获取所述目标板卷在所述热轧工艺中的第一板卷数据以及在冷轧工艺中的第二板卷数据。

判定模块14，用于根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件；若所述目标板卷满足所述头尾切除条件，根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，确定出所述目标板卷的头尾切除米数和刀数。

综上，本发明实施例提供的一种基于工业大数据平台的板卷头尾智能分切方法及工业大数据平台，能够在目标板卷进入连续性酸连轧工艺之前，获取目标板卷在热轧工艺中的高频曲线数据、缺陷数据和第一板卷数据，获取目标板卷在冷轧工艺中的第二板卷数据，然后根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判断目标板卷是否满足设定的头尾切除条件，若目标板卷满足头尾切除条件，根据高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出目标板卷的头尾切除米数和刀数，如此，能够在目标板卷进入连续性酸连轧工艺之前根据目标板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，判定出目标板卷是否存在断带风险，确定出目标板卷的头尾切除米数和刀数，从而实现在目标板卷进入连续性酸连轧工艺之后，根据头尾切除米数和刀数对目标板卷进行分切，避免目标板卷在连续性酸连轧工艺中出现断带，显著降低目标板卷头尾的酸连轧断带率，提升了产品成材率，降低了设备故障率，取得了良好的经济效益。

进一步地，工业大数据平台能够对高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据这些多元异构数据进行长期、稳定、可靠地存储，能够实现进一步地数据挖掘和头尾切除条件的再优化。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，仿真模拟器11，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于工业大数据平台的板卷头尾智能分切方法，其特征在于，包括：

获取目标板卷在热轧工艺中的高频曲线数据；

获取所述目标板卷在所述热轧工艺中的缺陷数据；

获取所述目标板卷在所述热轧工艺中的第一板卷数据以及在冷轧工艺中的第二板卷数据；

根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件；

若所述目标板卷满足所述头尾切除条件，根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，确定出所述目标板卷的头尾切除米数和刀数。

2.根据权利要求1所述的板卷头尾智能分切方法，其特征在于，所述根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件，包括：

根据所述第一板卷数据和所述第二板卷数据，对所述高频曲线数据进行修正，得到目标高频曲线数据；

根据所述第一板卷数据和所述第二板卷数据，对所述缺陷数据进行修正，得到目标缺陷数据；

判断所述目标高频曲线数据是否位于第一设定区间内，若所述目标高频曲线数据没有位于所述第一设定区间内，判定所述目标板卷满足所述头尾切除条件；若所述目标高频曲线数据位于所述第一设定区间内，判断所述目标缺陷数据是否位于第二设定区间内，若所述目标缺陷数据没有位于第二设定区间内，判定所述目标板卷满足所述头尾切除条件；

其中，所述第一设定区间为不发生断带的板卷的目标高频曲线数据对应的区间，所述第二设定区间为不发生断带的板卷的目标缺陷数据对应的区间。

3.根据权利要求1所述的板卷头尾智能分切方法，其特征在于，所述头尾切除条件通过以下方式确定：

获取多个第一历史数据和多个第二历史数据；其中，所述第一历史数据为第一样本板卷的数据，所述第一历史数据中包括所述第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第一样本板卷为在轧制过程中未发生断带的板卷，所述第二历史数据为第二样本板卷的数据，所述第二历史数据中包括所述第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第二样本板卷为在所述轧制过程中发生断带的板卷；

根据所述多个第二历史数据，确定出初始切除条件；

根据所述多个第一历史数据和所述多个第二历史数据，对所述初始切除条件进行修正，获得所述头尾切除条件。

4.根据权利要求3所述的板卷头尾智能分切方法，其特征在于，所述根据所述多个第二历史数据，确定出初始切除条件，包括：

根据每个第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出第一初始区间和第二初始区间；其中，所述第一初始区间为与所述每个第二样本板卷的高频曲线数据的交集为空的区间，所述第二初始区间为与所述每个第二样本板卷的缺陷数据的交集为空的区间。

5.根据权利要求4所述的板卷头尾智能分切方法，其特征在于，所述根据所述多个第一历史数据和所述多个第二历史数据，对所述初始切除条件进行修正，获得所述头尾切除条件，包括：

根据每个第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，对所述第一初始区间进行修正，得到第一修正区间，对所述第二初始区间进行修正，得到第二修正区间；

确定落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量是否小于第一预设值；若达到，根据所述第一修正区间，得到第一设定区间；若没有达到，继续对所述第一修正区间进行修正，直至落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量达到所述第一预设值；

确定落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量是否小于第二预设值；若达到，根据所述第二修正区间，得到第二设定区间；若没有达到，继续对所述第二修正区间进行修正，直至落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量达到所述第二预设值。

6.一种工业大数据平台，其特征在于，包括：

高频曲线数据获取模块，用于获取目标板卷在热轧工艺中的高频曲线数据；

缺陷数据获取模块，用于获取所述目标板卷在所述热轧工艺中的缺陷数据；

板卷数据获取模块，用于获取所述目标板卷在所述热轧工艺中的第一板卷数据以及在冷轧工艺中的第二板卷数据；

判定模块，用于根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，判断所述目标板卷是否满足设定的头尾切除条件；

若所述目标板卷满足所述头尾切除条件，根据所述高频曲线数据、所述缺陷数据、所述第一板卷数据和所述第二板卷数据，确定出所述目标板卷的头尾切除米数和刀数。

7.根据权利要求6所述的工业大数据平台，其特征在于，所述判定模块，用于：

根据所述第一板卷数据和所述第二板卷数据，对所述高频曲线数据进行修正，得到目标高频曲线数据；

根据所述第一板卷数据和所述第二板卷数据，对所述缺陷数据进行修正，得到目标缺陷数据；

判断所述目标高频曲线数据是否位于第一设定区间内，若所述目标高频曲线数据没有位于所述第一设定区间内，判定所述目标板卷满足所述头尾切除条件；若所述目标高频曲线数据位于所述第一设定区间内，判断所述目标缺陷数据是否位于第二设定区间内，若所述目标缺陷数据没有位于第二设定区间内，判定所述目标板卷满足所述头尾切除条件；

其中，所述第一设定区间为不发生断带的板卷的目标高频曲线数据对应的区间，所述第二设定区间为不发生断带的板卷的目标缺陷数据对应的区间。

8.根据权利要求6所述的工业大数据平台，其特征在于，所述判定模块，用于：

获取多个第一历史数据和多个第二历史数据；其中，所述第一历史数据为第一样本板卷的数据，所述第一历史数据中包括所述第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第一样本板卷为在轧制过程中未发生断带的板卷，所述第二历史数据为第二样本板卷的数据，所述第二历史数据中包括所述第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，所述第二样本板卷为在所述轧制过程中发生断带的板卷；

根据所述多个第二历史数据，确定出初始切除条件；

根据所述多个第一历史数据和所述多个第二历史数据，对所述初始切除条件进行修正，获得所述头尾切除条件。

9.根据权利要求8所述的工业大数据平台，其特征在于，所述判定模块，用于：

根据每个第二样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，确定出第一初始区间和第二初始区间；其中，所述第一初始区间为与所述每个第二样本板卷的高频曲线数据的交集为空的区间，所述第二初始区间为与所述每个第二样本板卷的缺陷数据的交集为空的区间。

10.根据权利要求9所述的工业大数据平台，其特征在于，所述判定模块，用于：

根据每个第一样本板卷的高频曲线数据、缺陷数据、第一板卷数据和第二板卷数据，对所述第一初始区间进行修正，得到第一修正区间，对所述第二初始区间进行修正，得到第二修正区间；

确定落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量是否小于第一预设值；若达到，根据所述第一修正区间，得到第一设定区间；若没有达到，继续对所述第一修正区间进行修正，直至落入所述第一修正区间内的第二样本板卷的高频曲线数据的第一数量达到所述第一预设值；

确定落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量是否小于第二预设值；若达到，根据所述第二修正区间，得到第二设定区间；若没有达到，继续对所述第二修正区间进行修正，直至落入所述第二修正区间内的第二样本板卷的缺陷数据的第二数量达到所述第二预设值。

Images