CN112462699A - 热轧生产电耗管理系统及方法 - Google Patents
热轧生产电耗管理系统及方法 Download PDFInfo
- Publication number
- CN112462699A CN112462699A CN202011205269.5A CN202011205269A CN112462699A CN 112462699 A CN112462699 A CN 112462699A CN 202011205269 A CN202011205269 A CN 202011205269A CN 112462699 A CN112462699 A CN 112462699A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- data
- processing procedure
- production information
- consumption data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000005098 hot rolling Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 114
- 238000007726 management method Methods 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000005096 rolling process Methods 0.000 claims description 54
- 230000005611 electricity Effects 0.000 claims description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 8
- 239000002436 steel type Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 24
- 239000010959 steel Substances 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001976 improved effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000007728 cost analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- -1 size specification Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例提供了一种热轧生产电耗管理系统及方法，其中，热轧生产电耗管理系统，包括：电耗数据采集子系统，用于采集原始电耗数据；工业自动化控制子系统，用于采集加工工序信息，加工工序信息用于反映热轧件的加工工序与时间段的对应关系，工业自动化控制子系统还用于根据原始电耗数据与加工工序信息，采集热轧件在各加工工序下的子电耗数据；热轧过程控制子系统，用于采集热轧件的各加工工序对应的生产信息数据；分析决策子系统，用于依据采集的原始电耗数据、子电耗数据以及生产信息数据，生成电耗管理策略。本发明实施例有助于从设备耗电、加工工序耗电等不同的角度来确定合适的电耗管理策略，以达到降低电耗的效果。
Description
技术领域
本发明涉及能耗管理技术领域，尤其涉及一种热轧生产电耗管理系统及方法。
背景技术
众所周知，热轧板通常指在再结晶温度以上进行轧制形成的钢板，在热轧生产中，一般会存在水处理、粗轧、精轧等工艺处理环节，相应地，每一工艺处理环节中均会产生电能消耗；因此，电能消耗在热轧板成本中往往会占据较高的比例，通过控制电能消耗，可以有效节省热轧板的生产成本。现有技术中，通常是直接基于电能表采集的总计量数据来进行电耗的管理，缺少从整个热轧生产线的角度进行精细电耗管理，难以确定有效的控制电能消耗的方案。
发明内容
本发明实施例提供一种热轧生产电耗管理系统及方法，以解决现有技术中缺少从整个热轧生产线的角度进行精细电耗管理，难以确定有效的控制电能消耗的方案的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种热轧生产电耗管理系统，包括：
电耗数据采集子系统，用于采集原始电耗数据；
工业自动化控制子系统，用于采集加工工序信息，所述加工工序信息用于反映热轧件的加工工序与时间段的对应关系，所述工业自动化控制子系统还用于根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据；
热轧过程控制子系统，用于采集热轧件的各加工工序对应的生产信息数据；
分析决策子系统，用于依据采集的所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略。
第二方面，本发明实施例还提供了一种热轧生产电耗管理方法，应用于上述的热轧生产电耗管理系统，所述方法包括：
采集原始电耗数据、加工工序信息以及生产信息数据，其中，所述加工工序信息用于反映热轧件的加工工序与时间段的对应关系，所述生产信息数据与所述加工工序相关联；
根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据；
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
本发明实施例提供的热轧生产电耗管理系统，包括电耗数据采集子系统、工业自动化控制子系统、热轧过程控制子系统以及分析决策子系统，其中，电耗数据采集子系统可以用于采集原始电耗数据，电耗数据采集子系统则可以采集用于反映热轧件的加工工序与时间段的对应关系的加工工序信息，并根据加工工序信息与原始电耗数据来得到热轧件在各加工工序下的子电耗数据，热轧过程控制子系统能够用于反映热轧件在各加工工序下对应的生产信息数据，分析决策子系统则能够依据上述原始电耗数据、子电耗数据以及生产信息数据，生成电耗管理策略。本发明实施例能够实现对整个热轧生产线中，各类设备与各加工工序的电耗进行比较全面的采集，能够实现对电耗数据的精细管理，并有助于进一步从设备耗电、加工工序耗电等不同的角度来确定合适的电耗管理策略，以达到降低电耗的效果。
附图说明
图1为本发明实施例提供的热轧生产电耗管理系统的结构示意图；
图2为本发明一个应用场景中热轧厂的组成示意图；
图3为本发明一个应用场景中为实现降低电耗所进行的控制过程的原理图；
图4为本发明实施例中对电耗数据进行采集的记录表的一个示例图；
图5为本发明实施例提供的热轧生产电耗管理方法的流程图；
图6为本发明实施例中电耗成本分析表的一个示例图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
如图1所示，本发明实施例提供的热轧生产电耗管理系统，包括：
电耗数据采集子系统101，用于采集原始电耗数据；
工业自动化控制子系统102，用于采集加工工序信息，所述加工工序信息用于反映热轧件的加工工序与时间段的对应关系，所述工业自动化控制子系统102还用于根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据；
热轧过程控制子系统103，用于采集热轧件的各加工工序对应的生产信息数据；
分析决策子系统104，用于依据采集的所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略。
本实施例中，对于电耗数据采集子系统101，可以采集用于对电耗进行计量的仪器的数据，例如电能表中的数据等，也可以采集用于对实时运行数据，例如电流、电压及功率因数等进行监测的仪器中的数据，例如继电器保护装置(简称继保装置)中的数据等；或者两者兼而有之。这些数据可以认为是获取的原始数据，并可以用于得到电耗量，因此定义为原始电耗数据。
容易理解的是，一般情况下，通过电耗数据采集子系统101可以对热轧生产线的总电耗进行获取，或者针对一些区域或者一些设备的电耗进行获取。例如，参考图2，在一个关于热轧厂的应用场景中，热轧厂可以包括高压站与变电站。其中，对于变电站，可以包括电源电能表及高压柜继保装置，通过电耗数据采集子系统101对这些仪器中的数据进行采集，可以获得热轧厂总的电能消耗数据；对于高压站，可以包括高压柜继保装置，例如，高压站可以是例如热轧生产线的高压电气室、精轧高压电气室、卷取高压电气室、水处理高压电气室等，电耗数据采集子系统101可以对所有电气室的高压柜继保装置运行数据(电流、电压、功率因数等)进行采集，以此获得热轧生产线各区域及个单体设备电耗数据。
当然，以上仅仅是对电耗数据采集子系统101采集原始电耗数据的一个场景的举例，在实际应用中，热轧厂的区域划分或者设备组成是可以根据需要进行调整的，相应地，电耗数据采集子系统101的与各高压站及变电站的连接关系也可以相应调整。
对于工业自动化控制子系统102，可以认为是可编程逻辑控制器(ProgrammableLogic Controller，PLC)系统，可用于直接对各设备的动作进行控制，或者对设备的各类运行数据进行实时采集。为便于说明，以下可将工业自动化控制子系统102简称为L1系统。
如上文所述，L1系统能够对设备的动作进行控制，也就是说，L1系统实际上是能够对各设备在某一时刻的动作进行获取的，设备的动作则与热轧件的加工工序，或者说加工阶段是进行关联的。与此同时，L1系统本身又具有传感采集的功能，对电耗相关的数据的采集也是其容易实现的。如此，L1系统实际上便可以对设备在任一时间段的电耗数量进行获取，且各个时间段中热轧件的加工工序也是可以获取的。因此，L1系统可以对上述的加工工序信息进行采集，也可以基于时间这一参量，采集热轧件在各加工工序下的子电耗数据。
本实施例中，对于热轧件，可以是热轧带钢、热轧板等，可以是对于热轧件的加工工序，可以是指热轧件具体是处于粗轧、精轧、卷取或者其他类型的工艺处理状态，也可以是在某一个工艺处理状态下热轧件被设备进行输送、咬钢、抛钢等具体的操作状态。此外，在一些具体的应用场景中，L1系统可以是从主传动中压变频器中电耗数据进行采集，获得粗轧机、精轧机等的电耗数据；而中压变频器中的电耗数据，实际上最终也可以是来源于电耗数据采集子系统101。
热轧过程控制子系统103则可以对个加工工序对应的生产信息数据进行采集，例如钢卷号、钢种、尺寸规格、咬钢和抛钢时间、板坯温度等生产信息的数据。
为便于说明，热轧过程控制子系统103可以简称为L2系统，在实际生产中，L2系统实际上是可以根据针对热轧件的目标加工参数进行计算来获得各种生产信息的目标数据，并用于实际的热轧件加工控制中。例如，当用户输入热轧件的目标厚度后，L2系统可以计算中间坯厚度、咬钢和抛钢时间等生产信息的目标数据。换而言之，L2系统所采集的生产信息数据，可以是从其他系统中获取的，也可以是通过自身内部的计算来获取的。
对于分析决策子系统104，从硬件连接的角度来说，是可以与上述电耗数据采集子系统101、工业自动化控制子系统102以及热轧过程控制子系统103均进行连接的。分析决策子系统104可以接收原始电耗数据、所述加工工序信息、所述子电耗数据以及所述生产信息数据，并生成电耗管理策略。
本实施例中，电耗管理策略可以是针对某些生产信息的数据选择的优化，例如，可以根据历史数据中，中间坯厚度对粗轧电耗、精轧电耗或者总电耗的影响，来确定一较优的目标中间坯厚度，以指导后续的热轧件的加工过程，以达到降低电耗的效果。当然，电耗管理策略也可以是：建立总能耗与生产信息数据之间的预测模型，或者建立子电耗数据与相应的生产信息数据之间的预测模型，在后续的热轧工艺过程中，根据生产信息数据与预测模型来预测一预计耗电量，结合实际耗电量，对热轧工艺过程中的非正常电耗进行监控，并利用监控结果实时对相应的生产信息的控制参数进行调整，以达到降低电耗的效果。
本发明实施例提供的热轧生产电耗管理系统，包括电耗数据采集子系统101、工业自动化控制子系统102、热轧过程控制子系统103以及分析决策子系统104，其中，电耗数据采集子系统101可以用于采集原始电耗数据，电耗数据采集子系统101则可以采集用于反映热轧件的加工工序与时间段的对应关系的加工工序信息，并根据加工工序信息与原始电耗数据来得到热轧件在各加工工序下的子电耗数据，热轧过程控制子系统103能够用于反映热轧件在各加工工序下对应的生产信息数据，分析决策子系统104则能够依据上述原始电耗数据、子电耗数据以及生产信息数据，生成电耗管理策略。本发明实施例能够实现对整个热轧生产线中，各类设备与各加工工序的电耗进行比较全面的采集，能够实现对电耗数据的精细管理，并有助于进一步从设备耗电、加工工序耗电等不同的角度来确定合适的电耗管理策略，以达到降低电耗的效果。
可选地，所述电耗管理策略包括优化控制参数；
所述分析决策子系统104，还用于将所述优化控制参数发送至所述工业自动化控制子系统102和/或所述热轧过程控制子系统103。
本实施例中，优化控制参数主要是指针对各类生产信息的优化控制参数。
以中间坯厚度这一生产信息为例，子电耗数据可以包括粗轧电耗、精轧电耗以及除磷电耗。通过对子电耗数据与中间坯厚度之间的分析可以发现：一般情况下，中间坯厚度与粗轧电耗成反相关，即中间坯厚度越薄，粗轧电耗越高；中间坯厚度与精轧电耗成正相关，中间坯厚度越薄，精轧电耗越低；除磷泵电耗与中间坯厚度成相关，中间坯厚度越薄，中间坯长度越长，导致除磷时间越长，除磷电耗越高。
一方面，可以分别建立各子电耗数据与中间坯厚度之间的第一拟合关系式，另一方面，还可以建立总电耗数据与中间坯厚度之间的第二拟合关系式，在热轧生产中，可以根据第二拟合关系式确定一比较合适的中间坯厚度，而在后续粗轧、精轧等各个加工工序下，可以根据需要调用第一拟合关系式来对相应加工工序下的中间坯厚度进行调整。通过拟合关系式得到的中间坯厚度即可以认为是上述的优化控制参数。
当然，以上仅仅是针对优化控制参数的获取过程的一个举例。实际应用中，上述拟合的形式可以是线性拟合，也可以是曲线拟合等，例如，对于轧制速度这一生产信息，过快或过慢均可能导致电耗较高，可以采用曲线拟合的形式。当然，还可以同时对多个生产信息与电耗进行拟合，也就是说，对于上述的第一拟合关系式，可以是对子电耗数据与一个或多个生产信息进行拟合得到的，第二拟合关系式，可以是对总电耗数据与一个或多个生产信息进行拟合得到的。
除了可以采用公式拟合的方式外，还可以在分析决策子系统104中建立深度学习模型，基于历史的电耗数据与生产信息数据对深度学习模型进行训练，进而在后续的生产过程中，可以输入热轧件加工目标参数，使用深度学习模型来输出优化控制参数。
或者，通过对历史数据的整理，获得不同钢种在不同生产条件下的最优电耗情况并进行记录，得到在一些生产条件下的某些生产信息的最佳值，并作为优化控制参数。例如，上述生产条件包括特定的钢种、热轧件宽度、目标厚度等，通过查询记录，可以得到中间坯厚度的最佳值，并作为优化控制参数。
优化控制参数可以发送至上述的L1系统和/或L2系统，容易理解的是，优化控制参数可以分为两类，一类可以直接用于L1系统进行运行参数的调整，例如轧制力、轧制速度等；另一类则可以是发送至L2系统，并由L2系统进一步进行计算得到可用于L1系统进行调整的指令，例如中间坯厚度等。由于在实际应用中，L1系统与L2系统是可以直接相互通信的，因为对于分析决策子系统104来说，得到的优化控制参数，可以是发送至L1系统和/或L2系统的。
可见，本实施例中，电耗管理策略包括优化控制参数，并且分析决策子系统104可以将优化控制参数发送至工业自动化控制子系统102和/或热轧过程控制子系统103，可以比较直接地实现对热轧生产线的控制，有助于提升电耗管理效果，降低热轧生产线的电耗。
可选地，所述加工工序可以包括加热加工工序、除磷加工工序、粗轧加工工序、精轧加工工序以及卷取加工工序。
本实施例中，基于工业自动化控制子系统102，可以将原有的针对热轧厂整体电耗，或者针对各生产区域电能表中电耗的获取方式，进一步改进至可以针对热轧件在各个加工工序下的电耗进行获取，有助于具体到对热轧件各个加工工序的电耗进行分析与管理，提升对电耗的节省效果。
可选地，所述生产信息数据包括以下至少一项生产信息的数据：钢种、热轧件宽度、热轧件初始厚度、热轧件目标厚度、热轧件重量、中间坯厚度、轧制力、轧制速度、热轧件卷重、加热温度以及用水量。
以下结合一具体应用场景对本实施例进行说明。
通过分析决策子系统104可以实现对单体设备用电历史数据进行查询，并对存储在数据库中的数据可以进行相关的分析，针对层流冷却工作区域是一个用电变动较大的工艺控制区，例如以层流冷却供水泵为例，进行工艺的控制策略调整。
如图3所示，对于L2系统，可以在本地和/或其他设备中，得到层冷各钢种用水量、用电量以及热轧件生产速率等数据，并将这些数据发送至分析决策子系统104进行分析，得到对用于对电耗进行预判的模型；后续分析决策子系统104通过预判运算，可以得到生产速率数据与用水量预判数据等控制参数，并下发至L2系统，而L2系统可以进一步将控制参数发送至L1系统，L1系统则可以控制变频器电机提前升降速率，平稳控制层冷水箱液位，优化至液位较稳定地在某一高度，例如0.85米左右，在满足工艺生产需求的同时，降低了电耗。
结合以上应用场景可见，本实施例中，通过对生产信息的合理选取，有助于满足不同加工工序时的电耗分析，提升电耗管理效果，节约电耗。
当然，在实际应用中，基于上述的热轧生产电耗管理系统，还可以实现更多的功能，以下针对几种功能的实现方式进行简单说明：
1)实时数据监控
如上文所述，电耗数据采集子系统101可以针对电耗或者是例如电流、电压及功率因素的实时运行数据进行采集，电耗数据采集子系统101可以认为是对各类用电相关数据采集的基础，进而也可以对这些数据进行监控。
例如，电耗数据采集子系统101可以以设备为条件，监控该设备的实时电耗与实时运行数据；通过对同一类型但不同设备之间的用电数据的比较，可以对设备的运行状态异常进行及时发现。
2)单体设备历史电耗查询
电耗数据采集子系统101采集各单体设备的电耗时，可以关联有采集时间，进而可对单位时间的用电数据进行统计与记录，因此，可以得到单体设备在历史上某一时段的电耗情况。
例如，可对单体设备名称按小时对历史电耗数据进行查询，对各设备的用电量高低可以进行分析，对设备的开动使用率可进行全面分析统计，并对一些设备改进后的效果进行准确的节能评估。
3)设备类别电耗数据查询
热轧生产线用电负荷类型较多，有风机、水泵、液压、传动、空调照明、行车等等。对电耗要进行精细管理，对各种类型的负荷进行分类统计也很重要。系统设计了对各类用电情况进行分类统计，如加热炉助燃风机电耗、排烟风机电耗、水处理电耗、除磷用电电耗、液压介质用电(可分加热炉、粗轧、精轧、卷取区域统计)、传动电耗(分区域统计)等等，并按小时统计，可进行查询。
通过对全热轧线各种设备类型的用电分类统计，便可以较全面的对热轧线用电情况进行分析，可以将轧线用电分为相对固定电耗和变动电耗两大类。
4)分班分区电耗统计
热轧生产线较长，各区域由不同的操作人员对设备进行操作，并且热轧厂中也存在操作人员换班的情况。操作人员的操作方式也影响着电耗的控制，如异常停机时，操作人员若能及时停止各种高能耗设备，也能降低不少的电耗；在生产相同钢种时，不同班组之间的生产操作人员可以通过数据进行对比，也可不断的分析找出降低能耗的方法。为了方便管理计算以及数据的公平性，可对操作人员能够干预度较高的轧线区域介质电耗进行了统计计算，即进行分班电耗的统计。
容易理解的是，各班组的工作时间段是容易进行获取的，通过对这些工作时间段中电耗的统计，即可得到个班组的电耗情况；而通常情况下，热轧生产线中各设备所处的区域是比较固定的，因此，各区域内各设备的电耗也是容易进行统计的。
5)单块钢电耗统计
基于工业自动化控制子系统102与热轧过程控制子系统103，可以实现对每一块钢的电耗统计跟踪，从而实现热轧线电耗精细管理。影响电能消耗的关键生产信息及物料跟踪信息，如钢卷号、板坯号、带钢宽度、厚度、重量、各生产时刻带钢温度、轧机加载信号、中间坯厚度等都可以来源于L2系统。L1系统从中压变频器中采集的设备的实时电耗，时间精度到500毫秒，所采集的数据发送到L2系统后，再根据相应的物料跟踪和逻辑计算，可得到每一块带钢在粗轧机、精轧机以及卷取机中主电机消耗的电能。再将不同时刻高压后台(例如上述高压站与变电站的数据采集后台)采集的各区域辅助及介质系统消耗的电能进行计算，将上述各量再进行相加，便可以准确的得到每块钢生产时的电能消耗。同时，上述单块钢电耗统计结果还可以显示在L2系统所配置的显示屏上。
6)小时产线电耗数据分析
可以根据L2系统传输的数据，计算一小时内生产的热轧件的平均成品厚度与宽度、卷数以及钢卷重量等。并核算出一小时几个关键用电点(例如水处理、粗轧、精轧、卷取、除磷、横切以及平整等)的电耗数据，由此可以分析出每个小时内的综合用电数与电耗成本，给日常成本核算带来了便利。
7)中间坯厚度电耗诊断与分析
结合上文实施例，中间坯厚度对不同加工工艺阶段的电耗以及总电耗有着相应的影响。
在一个可行的实施方式中，通过对大量的生产电耗数据进行采集，得到如图4所述的记录表，基于记录表，可以获得不同钢种在不同生产条件下的最优电耗情况。在后续热轧生产中，可以查询的方式来得到一些目标加工参数下的最优中间坯厚度。
另外，还可以采用大数据分析中的回归分析法，对电耗建立总电量消耗计算公式。
具体来说，可以通过对不同宽度、不同中间坯厚度和不同目标厚度的钢种进行大量电耗数据的采集，通过回归分析进行拟合计算，即可得到不同钢种的电耗情况，然后采取相关的优化和控制。该功能可以根据L2系统传输的数据，计算一小时内生产的带钢平均成品厚度与宽度、卷数以及钢卷重量。并核算出一小时几个关键用电点的电耗数据，由此可以分析出每班甚至每个小时内的综合用电数与电耗成本，给日常成本核算带来了便利。
8)热轧产线电耗成本数据模型计算
与上述中间坯厚度电耗采集的设计相似地，通过将生产的数据进行汇总统计，根据生产成本的因素，可以把一定时期内的产线电耗成本进行统计分析，在此基础上，可以针对热轧线建立品规电耗成本分析表，即通过采集生产的钢种、轧制厚度、以及每块钢的固定成本，从而获得生产该钢的电耗情况。
在生产工况相似的情况下，不同规格钢种在生产时是存在电耗水平差异的，因此可以建立产品标准电耗设计。有了标准以后，对今后同类型规格带钢生产时，关注其电耗有否波动，可发掘生产异常情况，并为后续工艺优化提供依据。
分析决策子系统104对热轧生产过程中钢种品规和生产工序的耗电量进行分类统计，对轧钢能耗进行精确的记录，生产电耗与生产过程中的几项重点参数相关性较大，例如生产部分品规与除鳞道次、轧制力、生产节奏等对能耗有非常大的影响。
通常来说，除磷道次越多，电耗越高；轧制力越大，电耗越高；生产节奏越快，电耗越高，然而节奏慢，也会导致电耗高，需要建立一个良好的平衡和对比。例如生产厚规格耐磨钢种时，不仅轧制节奏慢，而且轧制力也较大，因此需要确定一个最为合适的轧制力和合理的生产节奏，防止电耗的浪费，这需要采集材料的电耗数据，并且展开关联分析。
9)电耗波动监控
对热轧生产过程中的各类设备电耗情况，实现了电耗波动的监听。首先，可以对整个热轧线生产的电耗进行监听，通过与数据库中的历史数据进行对比，判断当前整体电耗是否异常；其次，还可以对各区域的电耗使用情况进行监听，判断各区域的电耗是否正常；再次，也可以对单体设备实现电耗的情况进行监控，判断单体设备工作是否正常。
例如，基于电耗数据采集子系统101与L1系统，可以得到传动电耗、主线介质电耗、水处理电耗以及辅助电耗各自所占的比例，当某一部分电耗比例明显变化时，可以发出电耗报警信号，并留下日志记录，从而便于后续的跟踪和分析。
再例如，基于L1系统，可以得到各区域传动设备电耗比例，例如精轧传动电耗、粗轧传动电耗以及卷取传动电耗各自所占比例，当某些电耗比例明显变化时，同样可以进行报警或留下日志记录。
相似地，也可以进行分时或者分班组对电耗比例进行统计，以进一步对电耗异常进行监控。
如图5所示，本发明实施例还提供了一种热轧生产电耗管理方法，应用于上述的热轧生产电耗管理系统，包括：
步骤501，采集原始电耗数据、加工工序信息以及生产信息数据，其中，所述加工工序信息用于反映热轧件的加工工序与时间段的对应关系，所述生产信息数据与所述加工工序相关联；
步骤502，根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据；
步骤503，依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略。
本实施例中，原始电耗数据可以是来自于热轧厂的高压站与变电站等，具体来说，可以从例如电能表与继保装置等仪器中获取。
加工工序信息反映热轧件的加工工序与时间段的对应关系，或者可以理解为在某一时间段内，热轧件具体处于那种加工工序下。加工工序信息可以通过工业自动化控制子系统(下称L1系统)进行获取，具体来说，L1系统可以对设备的动作状态进行获取，而设备的动作与热轧件的加工工序是关联的，与此同时，L1系统本身又具有传感采集的功能，对电耗相关的数据的采集也是其容易实现的。如此，L1系统实际上便可以对设备在任一时间段的电耗数量进行获取，且各个时间段中热轧件的加工工序也是可以获取的。因此，L1系统可以对上述的加工工序信息进行采集，也可以基于时间这一参量，采集热轧件在各加工工序下的子电耗数据。
生产信息数据，可以是指以下至少一项生产信息的数据：钢种、热轧件宽度、热轧件初始厚度、热轧件目标厚度、热轧件重量、中间坯厚度、轧制力、轧制速度、热轧件卷重、加热温度以及用水量。在实际应用中，生产信息数据可以通过热轧过程控制子系统(下称L2系统)进行获取。
根据原始电耗数据、子电耗数据以及生产信息数据，可以生成电耗管理策略，具体来说，电耗管理策略可以是针对某些生产信息的数据选择的优化，例如，可以根据历史数据中，中间坯厚度对粗轧电耗、精轧电耗或者总电耗的影响，来确定一较优的目标中间坯厚度，以指导后续的热轧件的加工过程，以达到降低电耗的效果。当然，电耗管理策略也可以是：建立总能耗与生产信息数据之间的预测模型，或者建立子电耗数据与相应的生产信息数据之间的预测模型，在后续的热轧工艺过程中，根据生产信息数据与预测模型来预测一预计耗电量，结合实际耗电量，对热轧工艺过程中的非正常电耗进行监控，并利用监控结果实时对相应的生产信息的控制参数进行调整，以达到降低电耗的效果。
本发明实施例提供的热轧生产电耗管理方法，采集原始电耗数据、加工工序信息以及生产信息数据，其中，加工工序信息用于反映热轧件的加工工序与时间段的对应关系，生产信息数据与加工工序相关联，根据原始电耗数据与加工工序信息，采集热轧件在各加工工序下的子电耗数据；依据原始电耗数据、子电耗数据以及生产信息数据，生成电耗管理策略。本发明实施例能够实现对整个热轧生产线中，各类设备与各加工工序的电耗进行比较全面的采集，能够实现对电耗数据的精细管理，并有助于进一步从设备耗电、加工工序耗电等不同的角度来确定合适的电耗管理策略，以达到降低电耗的效果。
可选地，所述电耗管理策略包括优化控制参数；
所述步骤503，依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略，包括：
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，确定影响单件热轧件的电耗的关键生产信息；
基于自学习确定所述关键生产信息的优化控制参数。
本实施例中，可以对单件热轧件进行电耗统计根据，例如，通过L2系统，可以采集电能消耗的关键生产信息及物料跟踪信息，如钢卷号、板坯号、带钢宽度、厚度、重量、各生产时刻带钢温度、轧机加载信号、中间坯厚度。根据L1系统所采集的各设备的实时电耗，依据对加工工序信息的分析，可以实现对物料进行跟踪和逻辑计算，得到各加工工艺阶段消耗的电能，即对应上述的子电耗数据，并通过对这些子电耗数据数据的相加，可以得到单件热轧件的总电耗。
以针对单件热轧件的总电耗的关键生产信息的确定为例，可以使用回归分析法，针对总电耗与多个生产信息之间建立线性回归关系，例如：
P＝α1W+α2MT+α3TT+α4F+α5V+α6HT+…
其中，P为总电耗，W为热轧件宽度，MT为中间坯厚度、TT为热轧件目标厚度、F为轧制力、V为轧制速度、HT为加热温度，α1、α2、α3、α4、α5、α6等均为回归系数；容易理解的是，在建立线性回归关系时，生产信息可以是更多种，后续可以根据各回归系数的绝对值大小，来从多个生产信息中确定出关键生产信息。
值得强调的是，在实际应用中，为降低L1系统的复杂度，此处的总电耗可以是常规的L1系统能够进行采集的总电耗，例如包括粗轧、精轧以及卷取等主要轧线生产设备的总电耗，而可以不包括空调、照明、行车、水处理等辅助用电。
当然，在实际应用中，也可以通过控制变量的方式，分析各个生产信息对总电耗的影响，从而确定出关键生产信息。
当关键生产信息确定完成后，可以相应建立自学习模型，例如神经网络模型、支持向量机或者随机森林等，并基于历史的总电耗与相应的关键生产信息的生产信息数据创建训练样本，以对自学习模型进行训练；后续可以基于自学习，来进行出钢温度、粗轧除磷道次等生产信息的参数的优化，从而达到节省电耗的效果。
当然，上述针对单件热轧件的总电耗确定关键生产信息及其优化控制参数的举例，还可以针对单件热轧件在单个加工工艺阶段的电耗，即单个子电耗数据确定关键生产信息及其优化控制参数。通过以上两者的结合，既可以从整体的电耗的角度来确定优化控制参数，又可以在具体的某一加工工艺中对一些生产信息的控制参数进行实时的优化，提高电能节省效果。
可选地，在另一可选实施例中，所述电耗管理策略包括优化控制参数；
所述步骤503，依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略，包括：
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，确定影响单位重量的热轧件的电耗的关键生产信息；
基于自学习确定所述关键生产信息的优化控制参数。
本实施例与上一实施例不同之处在于是针对单位重量的热轧件的电耗的关键生产信息及其优化控制参数进行确定。具体实现过程与上一实施例相似，此处不再赘述。
在实际应用中，可以根据需要来基于单件热轧件或者单位重量热轧件的电耗进行关键生产信息的确定，并确定关键生产信息的优化控制参数，以满足不同的热轧件生产场合，对电能消耗进行节省的需求。
可选地，所述根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据之后，所述方法还包括：
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，建立电耗预测模型，所述电耗预测模型用于针对在目标生产信息数据条件下，热轧件在各加工工序下的电耗，和/或，热轧件的总电耗进行预测。
在上文实施例中，针对电耗与各生产信息建立起来的线性回归关系，实际上也可以作为一种电耗预测模型。本实施例中，电耗预测模型并不限于此，也可以一种通过样本训练得到的用于电耗预测的自学习模型；或者，也可以是一些例如图6所示的电耗成本分析表等，此处不做具体限定。
本实施例通过对各加工工序的电耗和/或总电耗进行预测，也有助于在实际热轧生产中，以预测电耗为参考，及时发现实际电耗的异常值，从而为启停相关的设备或者修改相关的生产控制参数提供依据，进而实现节能，降低电耗。
可选地，本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的热轧生产电耗管理方法。
可选地，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的热轧生产电耗管理方法。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种热轧生产电耗管理系统，其特征在于，包括：
电耗数据采集子系统，用于采集原始电耗数据；
工业自动化控制子系统，用于采集加工工序信息，所述加工工序信息用于反映热轧件的加工工序与时间段的对应关系，所述工业自动化控制子系统还用于根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据；
热轧过程控制子系统，用于采集热轧件的各加工工序对应的生产信息数据；
分析决策子系统，用于依据采集的所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略。
2.根据权利要求1所述的系统，其特征在于，所述电耗管理策略包括优化控制参数；
所述分析决策子系统，还用于将所述优化控制参数发送至所述工业自动化控制子系统和/或所述热轧过程控制子系统。
3.根据权利要求1所述的系统，其特征在于，所述加工工序包括加热加工工序、除磷加工工序、粗轧加工工序、精轧加工工序以及卷取加工工序。
4.根据权利要求1所述的系统，其特征在于，所述生产信息数据包括以下至少一项生产信息的数据：钢种、热轧件宽度、热轧件初始厚度、热轧件目标厚度、热轧件重量、中间坯厚度、轧制力、轧制速度、热轧件卷重、加热温度以及用水量。
5.一种热轧生产电耗管理方法，其特征在于，应用于如权利要求1至4中任一项所述的热轧生产电耗管理系统，其特征在于，所述方法包括：
采集原始电耗数据、加工工序信息以及生产信息数据，其中，所述加工工序信息用于反映热轧件的加工工序与时间段的对应关系，所述生产信息数据与所述加工工序相关联；
根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据；
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略。
6.根据权利要求5所述的方法，其特征在于，所述电耗管理策略包括优化控制参数；
所述依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略，包括：
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，确定影响单件热轧件的电耗的关键生产信息；
基于自学习确定所述关键生产信息的优化控制参数。
7.根据权利要求5所述的方法，其特征在于，所述电耗管理策略包括优化控制参数；
所述依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，生成电耗管理策略，包括：
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，确定影响单位重量的热轧件的电耗的关键生产信息；
基于自学习确定所述关键生产信息的优化控制参数。
8.根据权利要求5所述的方法，其特征在于，所述根据所述原始电耗数据与所述加工工序信息，采集热轧件在各加工工序下的子电耗数据之后，所述方法还包括：
依据所述原始电耗数据、所述子电耗数据以及所述生产信息数据，建立电耗预测模型，所述电耗预测模型用于针对在目标生产信息数据条件下，热轧件在各加工工序下的电耗，和/或，热轧件的总电耗进行预测。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求5至8任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求5至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011205269.5A CN112462699A (zh) | 2020-11-02 | 2020-11-02 | 热轧生产电耗管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011205269.5A CN112462699A (zh) | 2020-11-02 | 2020-11-02 | 热轧生产电耗管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112462699A true CN112462699A (zh) | 2021-03-09 |
Family
ID=74834914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011205269.5A Pending CN112462699A (zh) | 2020-11-02 | 2020-11-02 | 热轧生产电耗管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112462699A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113189912A (zh) * | 2021-05-07 | 2021-07-30 | 南通职业大学 | 车间设备能源在线监测与控制系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101890437A (zh) * | 2010-07-09 | 2010-11-24 | 东北大学 | 一种用于热轧带钢生产线的轧后冷却系统 |
| CN102847720A (zh) * | 2011-06-29 | 2013-01-02 | 宝山钢铁股份有限公司 | 热轧生产线电耗分类采集及分析系统 |
| CN106126941A (zh) * | 2016-06-28 | 2016-11-16 | 中国地质大学（武汉） | 一种冷轧机组功率建模方法 |
| CN106971243A (zh) * | 2017-03-29 | 2017-07-21 | 湘潭大学 | 一种降低生产用电成本的热轧优化调度方法 |
| CN108034804A (zh) * | 2017-12-08 | 2018-05-15 | 中国地质大学（武汉） | 一种连退机组炉区能耗建模的方法及系统 |
| CN109647899A (zh) * | 2018-12-26 | 2019-04-19 | 北京科技大学 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
| CN109840864A (zh) * | 2017-11-28 | 2019-06-04 | 中国航空国际建设投资有限公司 | 一种建筑能耗管理系统 |
| CN111250544A (zh) * | 2020-02-14 | 2020-06-09 | 北京科技大学设计研究院有限公司 | 一种基于冷轧数学模型的酸轧联合机组电能消耗预测方法 |
| CN111859050A (zh) * | 2020-06-05 | 2020-10-30 | 湖南华菱涟源钢铁有限公司 | 一种轧机数据可视化方法、装置及服务器 |
-
2020
- 2020-11-02 CN CN202011205269.5A patent/CN112462699A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101890437A (zh) * | 2010-07-09 | 2010-11-24 | 东北大学 | 一种用于热轧带钢生产线的轧后冷却系统 |
| CN102847720A (zh) * | 2011-06-29 | 2013-01-02 | 宝山钢铁股份有限公司 | 热轧生产线电耗分类采集及分析系统 |
| CN106126941A (zh) * | 2016-06-28 | 2016-11-16 | 中国地质大学（武汉） | 一种冷轧机组功率建模方法 |
| CN106971243A (zh) * | 2017-03-29 | 2017-07-21 | 湘潭大学 | 一种降低生产用电成本的热轧优化调度方法 |
| CN109840864A (zh) * | 2017-11-28 | 2019-06-04 | 中国航空国际建设投资有限公司 | 一种建筑能耗管理系统 |
| CN108034804A (zh) * | 2017-12-08 | 2018-05-15 | 中国地质大学（武汉） | 一种连退机组炉区能耗建模的方法及系统 |
| CN109647899A (zh) * | 2018-12-26 | 2019-04-19 | 北京科技大学 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
| CN111250544A (zh) * | 2020-02-14 | 2020-06-09 | 北京科技大学设计研究院有限公司 | 一种基于冷轧数学模型的酸轧联合机组电能消耗预测方法 |
| CN111859050A (zh) * | 2020-06-05 | 2020-10-30 | 湖南华菱涟源钢铁有限公司 | 一种轧机数据可视化方法、装置及服务器 |
Non-Patent Citations (2)
| Title |
|---|
| 张斌: "宝钢1780mm热轧电能采集分析系统设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 张进之等: "《板带轧制过程的动态理论和实验及应用论文选集》", 31 July 2019, 冶金工业出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113189912A (zh) * | 2021-05-07 | 2021-07-30 | 南通职业大学 | 车间设备能源在线监测与控制系统 |
| CN113189912B (zh) * | 2021-05-07 | 2023-12-26 | 南通职业大学 | 车间设备能源在线监测与控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
| CN102376026B (zh) | 工业企业用电负荷优化系统 | |
| CN102591286B (zh) | 在线轧制计划动态预分析自调整系统及其方法 | |
| CN109902871B (zh) | 一种结合企业生产线差异化特点的智能优化节能系统 | |
| CN110826934A (zh) | 中压开关柜健康度评价方法、装置及系统 | |
| CN106413930B (zh) | 轧制线的能量消耗量预测装置 | |
| CN109873455B (zh) | 一种储能辅助火电机组agc调频方法及系统 | |
| CN112462699A (zh) | 热轧生产电耗管理系统及方法 | |
| CN106126901A (zh) | 一种多维度信息融合的变压器可用状态在线评估方法 | |
| Price et al. | The constant‐interval replacement model for preventive maintenance: A new perspective | |
| CN114879619A (zh) | 数字车间能源优化方法及系统 | |
| CN110688757A (zh) | 一种基于大数据驱动下的oee动态化的实现方法 | |
| CN116989432B (zh) | 一种空调系统节能运行优化调度方法及系统 | |
| CN107742160B (zh) | 一种机电设备维保周期自适应预测方法及装置 | |
| CN110264056B (zh) | 一种电量消耗的分析方法及系统 | |
| CN112287604A (zh) | 热轧生产电耗级别预测方法、装置及系统 | |
| CN112246878B (zh) | 一种酸洗卷热轧过程厚度判定系统及判定方法 | |
| CN112749473A (zh) | 基于实时在线分析和模拟离线分析的能效安全诊断系统 | |
| CN110738423B (zh) | 一种卷接设备综合效能评价方法 | |
| CN108090673B (zh) | 一种冷轧带钢的实物板形的评价方法 | |
| CN107958575A (zh) | 一种电厂运行参数实时报警系统 | |
| CN111856176A (zh) | 一种基于电网割集在线搜索的低频振荡扰动源辨识方法及系统 | |
| DE102019103012A1 (de) | Verfahren zur Produktion eines Metallwerkstücks | |
| TWI814249B (zh) | 工輥軸承之溫度監控方法 | |
| CN111861299A (zh) | 一种钢铁企业全流程库存水平预警与控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210309 |
|
| RJ01 | Rejection of invention patent application after publication |