CN113792090A - 一种轧钢数据监控方法、系统、介质及电子终端 - Google Patents
一种轧钢数据监控方法、系统、介质及电子终端 Download PDFInfo
- Publication number
- CN113792090A CN113792090A CN202111092038.2A CN202111092038A CN113792090A CN 113792090 A CN113792090 A CN 113792090A CN 202111092038 A CN202111092038 A CN 202111092038A CN 113792090 A CN113792090 A CN 113792090A
- Authority
- CN
- China
- Prior art keywords
- data
- range
- steel rolling
- historical
- preset
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 167
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 144
- 239000010959 steel Substances 0.000 title claims abstract description 144
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007689 inspection Methods 0.000 claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 239000012634 fragment Substances 0.000 claims description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 20
- 238000010008 shearing Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 13
- 230000033764 rhythmic process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 57
- 210000003128 head Anatomy 0.000 description 17
- 238000004891 communication Methods 0.000 description 5
- 238000013467 fragmentation Methods 0.000 description 5
- 238000006062 fragmentation reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种轧钢数据监控方法、系统、介质及电子终端,轧钢数据监控方法包括:采集轧钢数据;按照轧钢生产时间顺序,对轧钢数据进行切分,获取多个数据片段;根据数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;根据判定结果,进行数据异常预警,完成轧钢数据监控;本发明中的轧钢数据监控方法、系统、介质及电子终端,实现了对轧钢数据的实时监测,避免采用人工监测的方式导致数据监测出现失误,能够有效识别出数据异常并进行警示,自动化程度较高,监测准确度较高。
Description
技术领域
本发明涉及轧钢技术领域,尤其涉及一种轧钢数据监控方法、系统、介质及电子终端。
背景技术
轧钢是钢铁生产中非常重要的一个环节,轧钢一方面是为了加工钢材的外形,另一方面是为了提高钢材的内在质量。近年来,在信息技术发展的带动下,我国轧钢电气自动化行业发展迅速,加快了国内钢铁企业的技术升级和生产转型。
对于轧钢数据监控,如温度数据、轧机电流数据和轧机测径仪数据等,目前通常采用人工的方式,以肉眼观察轧钢数据曲线图,对曲线图中的单个时间点的数据进行异常判断,然而,由于轧钢生产时序信号数据存在高频、高噪声、受生产节奏影响的周期性的特点,基于单个时间点数据的阈值判定往往会因为高误报等原因造成误判,且由于人的精力有限,会导致部分信息的遗漏,导致轧钢数据监控效果较差,准确性较差。
发明内容
本发明提供一种轧钢数据监控方法、系统、介质及电子终端,以解决现有技术中无法较好地对轧钢数据进行实时监测,自动化程度较低,以及监测准确性较差的问题。
本发明提供的轧钢数据监控方法,包括:
采集轧钢数据;
按照轧钢生产时间顺序,对所述轧钢数据进行切分,获取多个数据片段;
根据所述数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;
根据所述判定结果,进行数据异常预警,完成轧钢数据监控。
可选的,所述数据阈值范围的获取步骤包括:
根据所述数据片段,获取所述数据片段的数据来源,进而确定所述数据片段的类别,所述类别包括:轧钢温度数据、轧机电流数据、轧机测径仪数据、飞剪信号检测数据、活套套量数据和轧机水箱流量数据;
根据所述类别,从预设的数据库中获取对应的历史数据;
根据预设的阈值运算规则,对所述历史数据进行阈值计算,获取对应的数据阈值范围,所述数据阈值范围至少包括以下之一:历史数据均值范围、历史数据极差范围、历史数据趋势范围和历史数据回归斜率范围。
可选的,所述数据片段的获取步骤包括:
根据轧钢生产时间顺序,将采集的轧钢数据输入消息队列;
对消息队列中的轧钢数据按照生产节奏进行数据切分,获取多个所述数据片段,并将所述数据片段存入预设的数据库,所述生产节奏为轧钢生产时间与未生产时间所组成的轧钢时间序列。
可选的,所述数据范围检验的步骤包括:
根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余数据;
获取所述剩余数据的实时均值,并从预设的数据库中获取对应的历史数据均值范围;
判断所述实时均值是否在所述历史数据均值范围内,获取均值判断结果;
根据所述均值判断结果,进行异常警示,完成数据范围检验。
可选的,所述波动性检验的步骤包括:
对获取的剩余数据进行极差计算,获取所述剩余数据的实时极差;
从预设的数据库中获取对应的历史数据极差范围;
判断所述实时极差是否在所述历史数据极差范围内,获取极差判断结果;
根据所述极差判断结果,进行异常警示,完成波动性检验。
可选的,所述趋势性检验的步骤包括:
根据预设的滑窗窗宽和滑窗步长,历遍获取的剩余数据,对所述剩余数据进行逐个滑窗的均值计算,获取多个滑窗的数据均值;获取相邻滑窗的数据均值之间的第一实时差值,并从预设的数据库中获取对应的历史数据趋势范围;判断所述第一实时差值是否超出所述历史数据趋势范围,获取趋势判断结果;
或者,根据预设的标准值,获取所述剩余数据与标准值之间的第二实时差值,进而获取多个第二实时差值之间的实时线性回归斜率;从预设的数据库中获取对应的历史数据回归斜率范围;判断所述实时线性回归斜率是否超过历史数据回归斜率范围,获取斜率判断结果;
根据所述趋势判断结果和/或斜率判断结果,进行异常警示,完成趋势性检验。
可选的,不同类别数据的逻辑关联检验的步骤包括:
获取所述数据片段的类别,根据所述类别和预设的关联关系,确定与所述数据片段相关联的关联数据;
当所述数据片段中的数据在预设的时间段内发生连续变化,且所述关联数据未发生变化时,或者,当所述关联数据发生变化,且在预设的时间阈值内数据片段中未出现预设的检测信号时,则判定所述数据片段存在异常,并进行异常警示,完成不同类别数据的逻辑关联检验。
本发明还提供一种轧钢数据监控系统,包括:
采集模块,用于采集轧钢数据,所述采集模块包括多个数据传感装置;
服务器,所述服务器包括:切分模块,用于按照轧钢生产时间顺序,对所述轧钢数据进行切分,获取多个数据片段;异常判定模块,用于根据所述数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;监控模块,用于根据所述判定结果,进行数据异常预警,完成轧钢数据监控;
所述采集模块、切分模块、异常判定模块和监控模块连接。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述任一项所述方法。
本发明的有益效果:本发明中的轧钢数据监控方法、系统、介质及电子终端,通过采集轧线上的轧钢数据,按照轧钢生产时间顺序,对轧钢数据进行切分,获取多个数据片段,根据数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验,并根据判定结果,进行数据异常预警,实现了对轧钢数据的实时监测,避免采用人工监测的方式导致数据监测出现失误,能够有效识别出数据异常并进行警示,自动化程度较高,监测准确度较高。
附图说明
图1是本发明实施例中轧钢数据监控方法的流程示意图。
图2是本发明实施例中轧钢数据监控方法中获取数据阈值范围的流程示意图。
图3是本发明实施例中轧钢数据监控方法中数据范围检验的流程示意图。
图4是本发明实施例中轧钢数据监控方法中波动性检验的流程示意图。
图5是本发明实施例中轧钢数据监控方法中趋势性检验的流程示意图。
图6是本发明实施例中轧钢数据监控方法中不同类别数据的逻辑关联检验的流程示意图。
图7是本发明实施例中轧钢数据监控系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
发明人发现,轧钢是钢铁生产中非常重要的一个环节,轧钢一方面是为了加工钢材的外形,另一方面是为了提高钢材的内在质量。在钢铁企业,对于轧钢数据监控,如温度数据、轧机电流数据和轧机测径仪数据等,目前通常采用人工的方式,以肉眼观察轧钢数据曲线图,对曲线图中的单个时间点的数据进行异常判断,然而,由于轧钢生产时序信号数据存在高频、高噪声、受生产节奏影响的周期性的特点,基于单个时间点数据的阈值判定往往会因为高误报等原因造成误判,且由于人的精力有限,会导致部分信息的遗漏,导致轧钢数据监控效果较差,准确性较差,因此,发明人提出一种轧钢数据监控方法、系统、介质及电子终端,通过采集轧线上的轧钢数据,按照轧钢生产时间顺序,对轧钢数据进行切分,获取多个数据片段,根据数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验,并根据判定结果,进行数据异常预警,实现了对轧钢数据的实时监测,避免采用人工监测的方式导致数据监测出现失误,能够有效识别出数据异常并进行警示,自动化程度较高,监测准确度较高,可实施性较强,成本较低。
如图1所示,本实施例中的轧钢数据监控方法,包括:
S101:采集轧钢数据;所述轧钢数据包括:轧钢温度数据、轧机电流数据、轧机测径仪数据、飞剪信号检测数据、活套套量数据和轧机水箱流量数据,通过设置相应的数据传感器,能够较好地采集轧钢产线上的轧钢数据,通过采集轧钢数据,能够便于后续对所述轧钢数据进行异常判定与监测。
S102:按照轧钢生产时间顺序,对所述轧钢数据进行切分,获取多个数据片段;例如按照轧钢生产时间顺序或轧钢节奏,对采集的轧钢数据进行切分,获取多个数据片段,即信号片段,通过对轧钢数据进行切分,能够对不同时间段中的轧钢数据进行分别解析,有助于提高后续对轧钢数据进行异常解析的精确度,便于后续进行轧钢数据异常解析。
在一些实施例中,所述数据片段的获取步骤包括:
根据轧钢生产时间顺序,将采集的轧钢数据输入消息队列;通过将轧钢数据输入消息队列,能够便于后续对轧钢数据进行处理,降低负载和运算难度;
对消息队列中的轧钢数据按照生产节奏进行数据切分,获取多个所述数据片段,并将所述数据片段存入预设的数据库,所述生产节奏为轧钢生产时间与未生产时间所组成的轧钢时间序列。通过将数据片段存储与预设的数据库,能够便于后续从数据库中获取对应的历史数据及相应的历史数据的阈值范围。
S103:根据所述数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;所述数据阈值范围可以根据数据库中的历史数据得到,也可以根据实际情况进行设置。通过根据数据片段和预设的数据阈值范围,进行数据异常判定,能够从多个角度对轧钢数据是否异常进行综合判断,提高对轧钢数据的监测准确性。
S104:根据所述判定结果,进行数据异常预警,完成轧钢数据监控。即当判定结果为数据异常时,则发出相应的警示或警报,实现对轧钢数据的实时监测,精确度较高,自动化程度较高,实施较方便。
如图2所示,为了便于获取较准确的数据阈值范围,发明人提出,所述数据阈值范围的获取步骤包括:
S201:根据所述数据片段,获取所述数据片段的数据来源,进而确定所述数据片段的类别,所述类别包括:轧钢温度数据、轧机电流数据、轧机测径仪数据、飞剪信号检测数据、活套套量数据和轧机水箱流量数据;如当数据片段的数据来源为预先设置的轧钢温度数据传感装置时,则确定所述数据片段的类别为轧钢温度数据,当数据片段的数据来源为预先设置的轧机电流数据传感装置时,则确定所述数据片段的类别为轧机电流数据。
所述轧钢温度数据可以为开轧、飞剪、进精轧、上冷床时的钢坯温度数据,所述轧机测径仪数据为轧机测径仪检测到的数据,所述飞剪信号检测数据为利用飞剪信号检测器或飞剪信号传感器获取的飞剪数据,所述活套套量数据为轧机的活套高度。
S202:根据所述类别,从预设的数据库中获取对应的历史数据;即从预设的数据库中获取相同类别的历史数据。
S203:根据预设的阈值运算规则,对所述历史数据进行阈值计算,获取对应的数据阈值范围,所述数据阈值范围至少包括以下之一:历史数据均值范围、历史数据极差范围、历史数据趋势范围和历史数据回归斜率范围。
在一些实施例中,所述历史数据均值范围的获取步骤包括:
对数据库中的历史数据进行均值计算,获取历史均值;
根据预设的第一范围数值和所述历史均值,获取所述历史数据均值范围。其中,所述第一范围数值可以根据实际情况进行设置,如:在所述历史均值的基础上,加减所述第一范围数值,进而获取对应的历史数据均值范围,有助于提高轧钢数据的数据范围校验的精确度。
在一些实施例中,所述历史数据极差范围的获取步骤包括:
对数据库中的历史数据进行极差计算,获取历史极差;
根据预设的第二范围数值和所述历史极差,获取所述历史数据极差范围。其中,所述第二范围数值可以根据实际情况进行设置,如:在所述历史极差的基础上,加减所述第二范围数值,进而获取对应的历史数据极差范围,自动化程度较高,更加贴合实际轧钢数据的极差,精确度较高。
在一些实施例中,所述历史数据趋势范围的获取步骤包括:
根据预设的滑窗窗宽和滑窗步长,历遍数据库中对应的历史数据,对所述历史数据进行逐个滑窗的均值计算,获取所述历史数据的多个滑窗的数据均值;
获取相邻滑窗的数据均值之间的历史数据差值,并获取多个历史数据差值之间的平均值;
根据预设的第三范围数值和所述平均值,获取所述历史数据趋势范围。所述第三范围数据可以根据实际情况进行设置,如:在所述平均值的基础上,加减所述第三范围数值,进而获取对应的历史数据趋势范围,自动化程度较高。
在一些实施例中,所述历史数据回归斜率范围的获取步骤包括:
根据预设的标准值,获取对应的历史数据与所述标准值之间的历史标准差值,进而获取多个历史标准差值之间的历史线性回归斜率;
根据预设的第四范围数值和所述历史线性回归斜率,获取所述历史数据回归斜率范围。其中,所述第四范围数值可以根据实际情况进行设置,如:在所述历史线性回归斜率的基础上,加减所述第四范围数值,进而获取对应的历史数据回归斜率范围,精确度较高。
请参考图3,为了提高对数据片段进行数据范围检验的精确度,发明人提出,所述数据范围检验的步骤包括:
S301:根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余数据;例如:删除所述数据片段的前1秒和后1秒的数据,获取剩余数据,通过对数据片段进行固定长度的首尾数据剪切,能够提高后续对数据片段进行解析的精确度,避免出现误差。
S302:获取所述剩余数据的实时均值,并从预设的数据库中获取对应的历史数据均值范围;
S303:判断所述实时均值是否在所述历史数据均值范围内,获取均值判断结果;
S304:根据所述均值判断结果,进行异常警示,完成数据范围检验。若实时均值在历史数据均值范围内,则表示数据片段未出现异常,若实时均值未在历史数据均值范围内,则判定数据片段出现异常,进而进行异常警示。
由于轧钢数据通常存在一定的数据波动,当波动过小或过大时,通常表示轧钢出现异常情况,而通过人眼监测,往往会丢失很多信息,导致对轧钢数据的波动判断产生一定误差或失误,容易导致一定的安全隐患,造成不必要的损失,因此,发明人提出,对数据片段进行波动性检验,波动性检测的步骤如图4所示,包括:
S401:对获取的剩余数据进行极差计算,获取所述剩余数据的实时极差;其中,极差计算即为将剩余数据中的最大值减去最小值,获取剩余数据的实时极差。
S402:从预设的数据库中获取对应的历史数据极差范围;
S403:判断所述实时极差是否在所述历史数据极差范围内,获取极差判断结果;
S404:根据所述极差判断结果,进行异常警示,完成波动性检验。即若实时极差在历史数据极差范围内,则判定所述数据片段未出现异常,若实时极差未在所述历史数据极差范围被,则判定所述数据片段出现异常,并发出警示或警报。
如图5所示,为了便于对轧钢数据的数据片段进行趋势性检验,发明人提出,趋势性检验的步骤包括:
S501:根据预设的滑窗窗宽和滑窗步长,历遍获取的剩余数据,对所述剩余数据进行逐个滑窗的均值计算,获取多个滑窗的数据均值;获取相邻滑窗的数据均值之间的第一实时差值,并从预设的数据库中获取对应的历史数据趋势范围;判断所述第一实时差值是否超出所述历史数据趋势范围,获取趋势判断结果;所述滑窗窗宽和滑窗步长可以根据实际情况进行设置,例如:将滑窗窗宽设置为3秒,将滑窗步长设置为1秒,根据所述滑窗窗宽和滑窗步长,历遍所述剩余数据,对所述剩余数据中的多个滑窗进行依次计算,获取所述剩余数据中多个滑窗的数据均值,进而获取相应滑窗的数据均值之间的第一实时差值,同时,从数据库中获取对应的历史数据趋势范围,判断所述第一实时差值是否超出所述历史数据趋势范围,获取趋势判断结果。
或者,根据预设的标准值,获取所述剩余数据与标准值之间的第二实时差值,进而获取多个第二实时差值之间的实时线性回归斜率;从预设的数据库中获取对应的历史数据回归斜率范围;判断所述实时线性回归斜率是否超过历史数据回归斜率范围,获取斜率判断结果;所述实时线性回归斜率可以根据预先设置的斜率公式进行计算,所述斜率公式可以为常见的用于计算斜率的公式,此处不再赘述。
S502:根据所述趋势判断结果和/或斜率判断结果,进行异常警示,完成趋势性检验。例如:若所述趋势判定结果为第一实时差值超出所述历史数据趋势范围,或,所述斜率判断结果为实时线性回归斜率超过历史数据回归斜率范围,则判定所述数据片段出现异常,并进行警示,精确度较高,自动化程度较高,有效降低人工成本。
由于不同类别的轧钢数据之间通常存在一定的逻辑关联关系,为了提高对轧钢数据的监测精确度,发明人提出,对轧钢数据的数据片段进行不同类别数据的逻辑关联检验,请参考图6,不同类别数据的逻辑关联检验的步骤包括:
S601:获取所述数据片段的类别,根据所述类别和预设的关联关系,确定与所述数据片段相关联的关联数据;
S602:当所述数据片段中的数据在预设的时间段内发生连续变化,且所述关联数据未发生变化时,或者,当所述关联数据发生变化,且在预设的时间阈值内数据片段中未出现预设的检测信号时,则判定所述数据片段存在异常,并进行异常警示,完成不同类别数据的逻辑关联检验。例如:在轧钢过程中,飞剪信号检测数据和碎断信号检测数据通常相互关联,若在预设的时间段内,所述飞剪信号检测数据中的飞剪信号发生多次变化,即产生多次飞剪,且所述碎断信号检测数据中未产生相应的碎断信号,则判定所述数据片段存在异常,进而进行异常警示,避免产生不必要的损失。
实施例一:
若数据片段的类别为轧钢温度数据,则根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余温度数据;
获取所述剩余温度数据的实时温度均值,并从所述数据库中获取对应的历史数据温度均值范围,所述历史数据温度均值范围的获取方式为:对数据库中的历史温度数据进行均值计算,获取历史温度均值,根据预设的温度均值范围数值和所述历史温度均值,获取所述历史数据温度均值范围;即在历史温度均值的基础上,加减所述温度均值范围数值,获取对应的历史数据温度均值范围。
判断所述实时温度均值是否在所述历史数据温度均值范围内,获取第一判断结果;
根据所述第一判断结果,进行第一温度异常警示,完成温度数据范围检验;即若所述实时温度均值未在所述历史数据温度均值范围内,则判定所述数据片段存在异常,进而进行异常警示。
获取所述剩余温度数据的实时温度极差,并从所述数据库中获取对应的历史数据温度极差范围,所述历史数据温度极差范围的获取方式为:对数据库中的历史温度数据进行极差计算,获取历史温度极差,根据预设的温度极差范围数值和所述历史温度极差,获取所述历史数据温度极差范围;即在所述历史温度极差的基础上,加减所述温度极差范围数值,获取对应的历史数据温度极差范围。
判断所述实时温度极差是否在所述历史数据温度极差范围内,获取第二判断结果;
根据所述第二判断结果,进行第二温度异常警示,完成温度波动性检验。即若所述实时温度极差未在所述历史数据温度极差范围内,则判定所述数据片段出现异常,并进行警示,较好地实现了对轧钢过程中的温度数据的有效监控,能够对出现的数据异常进行较及时的预警,精确度较高。
实施例二:
若数据片段的类别为轧机电流数据,则根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余电流数据;
获取所述剩余电流数据的实时电流均值,并从所述数据库中获取对应的历史数据电流均值范围;所述历史数据电流均值范围的获取方式为:对数据库中的历史电流数据进行均值计算,获取历史电流均值,根据预设的电流均值范围数值和所述历史电流均值,获取所述历史数据电流均值范围,即在历史电流均值的基础上,加减所述电流均值范围数值,获取对应的历史数据电流均值范围。
判断所述实时电流均值是否在所述历史数据电流均值范围内,获取第三判断结果;
根据所述第三判断结果,进行第一电流异常警示,完成电流数据范围检验;即若所述实时电流均值未在所述历史数据电流均值范围内,则判定所述数据片段出现异常,并进行相应的警示。
获取所述剩余电流数据的实时电流极差,并从所述数据库中获取对应的历史数据电流极差范围;所述历史数据电流极差范围的获取方式为:对数据库中的历史电流数据进行极差计算,获取历史电流极差,根据预设的电流极差范围数值和所述历史电流极差,获取所述历史数据电流极差范围;即在所述历史电流极差的基础上,加减所述电流极差范围数值,获取对应的历史数据电流极差范围。
判断所述实时电流极差是否在所述历史数据电流极差范围内,获取第四判断结果;
根据所述第四判断结果,进行第二电流异常警示,完成电流波动性检验。即若所述实时电流极差未在所述历史数据电流极差范围内,则判定所述数据片段出现异常,并进行相应警示,实现了对轧机电流数据的实时监测与预警,自动化程度较高。
实施例三:
若数据片段的类别为轧机测径仪数据,则根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余测径仪数据;所述轧机测径仪数据指轧机测径仪所采集的数据。
获取所述剩余测径仪数据的实时测径仪均值,并从所述数据库中获取对应的历史数据测径仪均值范围;所述历史数据测径仪均值范围的获取方式为:对数据库中的历史测径仪数据进行均值计算,获取历史测径仪均值,根据预设的测径仪均值范围数值和所述历史测径仪均值,获取所述历史数据测径仪均值范围,即在历史测径仪均值的基础上,加减所述测径仪均值范围数值,获取对应的历史数据测径仪均值范围。
判断所述实时测径仪均值是否超出所述历史数据测径仪均值范围,获取第五判断结果;
根据所述第五判断结果,进行第一测径仪异常警示,完成测径仪数据范围检验。即若所述实时测径仪均值超出所述历史数据测径仪均值范围,则判定所述数据片段出现异常,并进行相应警示。
获取所述剩余测径仪数据的实时测径仪极差,并从所述数据库中获取对应的历史数据测径仪极差范围;所述历史数据测径仪极差范围的获取方式为:对数据库中的历史测径仪数据进行极差计算,获取历史测径仪极差,根据预设的测径仪极差范围数值和所述历史测径仪极差,获取所述历史数据测径仪极差范围;即在所述历史测径仪极差的基础上,加减所述测径仪极差范围数值,获取对应的历史数据测径仪极差范围。
判断所述实时测径仪极差是否超出所述历史数据测径仪极差范围,获取第六判断结果;
根据所述第六判断结果,进行第二测径仪异常警示,完成测径仪波动性检验。即若所述实时测径仪极差超出所述历史数据测径仪极差范围,则判定所述数据片段出现异常,并进行相应警示。较好地实现对测径仪数据的实时监测,自动化程度较高,精确度较高。
实施例四:
若数据片段的类别为飞剪信号检测数据,则根据预设的关联关系,确定与所述飞剪信号检测数据相关联的碎断信号监测数据;
当所述数据片段中的飞剪信号在预设的时间段内发生连续变化,即发生多次飞剪,且所述碎断信号检测数据中未出现碎断信号时,则判定所述数据片段存在异常,并进行异常警示,完成对飞剪信号检测数据的不同类别数据的逻辑关联检验。例如:当在预设的时间段内,所述飞剪多次剪切,并且一直未收到相应的碎断信号,则判定飞剪发生异常,进而进行异常警示,避免产生不必要的损失。
实施例五:
若数据片段的类别为活套套量数据,则根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余活套套量数据;
获取所述剩余活套套量数据的实时活套套量均值,并从所述数据库中获取对应的历史数据活套套量均值范围;所述历史数据活套套量均值范围的获取方式为:对数据库中的历史活套套量数据进行均值计算,获取历史活套套量均值,根据预设的活套套量均值范围数值和所述历史活套套量均值,获取所述历史数据活套套量均值范围,即在历史活套套量均值的基础上,加减所述活套套量均值范围数值,获取对应的历史数据活套套量均值范围。
判断实时活套套量均值是否超出所述历史数据活套套量均值范围,获取第七判断结果;
根据所述第七判断结果,进行第一活套套量警示,完成活套套量数据范围检验。
获取所述剩余活套套量数据的实时活套套量极差,并从所述数据库中获取对应的历史数据活套套量极差范围;所述历史数据活套套量极差范围的获取方式为:对数据库中的历史活套套量数据进行极差计算,获取历史活套套量极差,根据预设的活套套量极差范围数值和所述历史活套套量极差,获取所述历史数据活套套量极差范围;即在所述历史活套套量极差的基础上,加减所述活套套量极差范围数值,获取对应的历史数据活套套量极差范围。
判断实时活套套量极差是否在所述历史数据活套套量极差范围内,获取第八判断结果;
根据所述第八判断结果,进行第二活套套量警示,完成活套套量波动性检验。即若实时活套套量极差未在所述历史数据活套套量极差范围内,则判定所述数据片段出现异常,并发出相应的警示。
根据预设的关联关系,确定与所述活套套量数据相关联的上游机架的咬钢信号检测数据;
当所述咬钢信号检测数据中的咬钢信号从0变为1,且在预设的时间阈值内,活套套量数据中未出现相应的起套成功信号时,则活套起套存在异常,并进行相应警示,完成对活套套量数据的逻辑关联检验。
实施例六:
若数据片段的类别为轧机水箱流量数据,根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余轧机水箱流量数据。
获取所述剩余轧机水箱流量数据的实时轧机水箱流量均值,并从所述数据库中获取对应的历史数据轧机水箱流量均值范围;所述历史数据轧机水箱流量均值范围的获取方式为:对数据库中的历史轧机水箱流量数据进行均值计算,获取历史轧机水箱流量均值,根据预设的轧机水箱流量均值范围数值和所述历史轧机水箱流量均值,获取所述历史数据轧机水箱流量均值范围,即在历史轧机水箱流量均值的基础上,加减所述轧机水箱流量均值范围数值,获取对应的历史数据轧机水箱流量均值范围。
判断所述实时轧机水箱流量均值是否在所述历史数据轧机水箱流量均值范围内,获取第九判断结果;
根据所述第九判断结果,进行轧机水箱流量异常预警,完成对轧机水箱流量数据的数据范围检验。即若所述实时轧机水箱流量均值未在所述历史数据轧机水箱流量均值范围内,则判定轧机水箱存在异常,并进行相应预警,精确度较高,避免使用人工进行判断,早好吃呢过不必要的损失,成本较低。
如图7所示,本实施例还提供一种轧钢数据监控系统,包括:
采集模块,用于采集轧钢数据,所述采集模块包括多个数据传感装置;
服务器,所述服务器包括:切分模块,用于按照轧钢生产时间顺序,对所述轧钢数据进行切分,获取多个数据片段;异常判定模块,用于根据所述数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;监控模块,用于根据所述判定结果,进行数据异常预警,完成轧钢数据监控;
所述采集模块、切分模块、异常判定模块和监控模块连接。本实施例中的轧钢数据监控系统通过采集轧线上的轧钢数据,按照轧钢生产时间顺序,对轧钢数据进行切分,获取多个数据片段,根据数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验,并根据判定结果,进行数据异常预警,实现了对轧钢数据的实时监测,避免采用人工监测的方式导致数据监测出现失误,能够有效识别出数据异常并进行警示,自动化程度较高,监测准确度较高,成本较低,可实施性较强。
在一些实施例中,还包括:显示模块,所述显示模块与所述监控模块连接。
在一些实施例中,所述数据阈值范围的获取步骤包括:
根据所述数据片段,获取所述数据片段的数据来源,进而确定所述数据片段的类别,所述类别包括:轧钢温度数据、轧机电流数据、轧机测径仪数据、飞剪信号检测数据、活套套量数据和轧机水箱流量数据;
根据所述类别,从预设的数据库中获取对应的历史数据;
根据预设的阈值运算规则,对所述历史数据进行阈值计算,获取对应的数据阈值范围,所述数据阈值范围至少包括以下之一:历史数据均值范围、历史数据极差范围、历史数据趋势范围和历史数据回归斜率范围。
在一些实施例中,所述数据片段的获取步骤包括:
根据轧钢生产时间顺序,将采集的轧钢数据输入消息队列;
对消息队列中的轧钢数据按照生产节奏进行数据切分,获取多个所述数据片段,并将所述数据片段存入预设的数据库,所述生产节奏为轧钢生产时间与未生产时间所组成的轧钢时间序列。
在一些实施例中,所述数据范围检验的步骤包括:
根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余数据;
获取所述剩余数据的实时均值,并从预设的数据库中获取对应的历史数据均值范围;
判断所述实时均值是否在所述历史数据均值范围内,获取均值判断结果;
根据所述均值判断结果,进行异常警示,完成数据范围检验。
在一些实施例中,所述波动性检验的步骤包括:
对获取的剩余数据进行极差计算,获取所述剩余数据的实时极差;
从预设的数据库中获取对应的历史数据极差范围;
判断所述实时极差是否在所述历史数据极差范围内,获取极差判断结果;
根据所述极差判断结果,进行异常警示,完成波动性检验。
在一些实施例中,所述趋势性检验的步骤包括:
根据预设的滑窗窗宽和滑窗步长,历遍获取的剩余数据,对所述剩余数据进行逐个滑窗的均值计算,获取多个滑窗的数据均值;获取相邻滑窗的数据均值之间的第一实时差值,并从预设的数据库中获取对应的历史数据趋势范围;判断所述第一实时差值是否超出所述历史数据趋势范围,获取趋势判断结果;
或者,根据预设的标准值,获取所述剩余数据与标准值之间的第二实时差值,进而获取多个第二实时差值之间的实时线性回归斜率;从预设的数据库中获取对应的历史数据回归斜率范围;判断所述实时线性回归斜率是否超过历史数据回归斜率范围,获取斜率判断结果;
根据所述趋势判断结果和/或斜率判断结果,进行异常警示,完成趋势性检验。
在一些实施例中,不同类别数据的逻辑关联检验的步骤包括:
获取所述数据片段的类别,根据所述类别和预设的关联关系,确定与所述数据片段相关联的关联数据;
当所述数据片段中的数据在预设的时间段内发生连续变化,且所述关联数据未发生变化时,或者,当所述关联数据发生变化,且在预设的时间阈值内数据片段中未出现预设的检测信号时,则判定所述数据片段存在异常,并进行异常警示,完成不同类别数据的逻辑关联检验。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种轧钢数据监控方法,其特征在于,包括:
采集轧钢数据;
按照轧钢生产时间顺序,对所述轧钢数据进行切分,获取多个数据片段;
根据所述数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;
根据所述判定结果,进行数据异常预警,完成轧钢数据监控。
2.根据权利要求1所述的轧钢数据监控方法,其特征在于,所述数据阈值范围的获取步骤包括:
根据所述数据片段,获取所述数据片段的数据来源,进而确定所述数据片段的类别,所述类别包括:轧钢温度数据、轧机电流数据、轧机测径仪数据、飞剪信号检测数据、活套套量数据和轧机水箱流量数据;
根据所述类别,从预设的数据库中获取对应的历史数据;
根据预设的阈值运算规则,对所述历史数据进行阈值计算,获取对应的数据阈值范围,所述数据阈值范围至少包括以下之一:历史数据均值范围、历史数据极差范围、历史数据趋势范围和历史数据回归斜率范围。
3.根据权利要求1所述的轧钢数据监控方法,其特征在于,所述数据片段的获取步骤包括:
根据轧钢生产时间顺序,将采集的轧钢数据输入消息队列;
对消息队列中的轧钢数据按照生产节奏进行数据切分,获取多个所述数据片段,并将所述数据片段存入预设的数据库,所述生产节奏为轧钢生产时间与未生产时间所组成的轧钢时间序列。
4.根据权利要求1所述的轧钢数据监控方法,其特征在于,所述数据范围检验的步骤包括:
根据预设的数据首尾剪切规则,对所述数据片段首尾的固定长度的数据进行剪切与删除,获取剪切后的剩余数据;
获取所述剩余数据的实时均值,并从预设的数据库中获取对应的历史数据均值范围;
判断所述实时均值是否在所述历史数据均值范围内,获取均值判断结果;
根据所述均值判断结果,进行异常警示,完成数据范围检验。
5.根据权利要求1所述的轧钢数据监控方法,其特征在于,所述波动性检验的步骤包括:
对获取的剩余数据进行极差计算,获取所述剩余数据的实时极差;
从预设的数据库中获取对应的历史数据极差范围;
判断所述实时极差是否在所述历史数据极差范围内,获取极差判断结果;
根据所述极差判断结果,进行异常警示,完成波动性检验。
6.根据权利要求1所述的轧钢数据监控方法,其特征在于,所述趋势性检验的步骤包括:
根据预设的滑窗窗宽和滑窗步长,历遍获取的剩余数据,对所述剩余数据进行逐个滑窗的均值计算,获取多个滑窗的数据均值;获取相邻滑窗的数据均值之间的第一实时差值,并从预设的数据库中获取对应的历史数据趋势范围;判断所述第一实时差值是否超出所述历史数据趋势范围,获取趋势判断结果;
或者,根据预设的标准值,获取所述剩余数据与标准值之间的第二实时差值,进而获取多个第二实时差值之间的实时线性回归斜率;从预设的数据库中获取对应的历史数据回归斜率范围;判断所述实时线性回归斜率是否超过历史数据回归斜率范围,获取斜率判断结果;
根据所述趋势判断结果和/或斜率判断结果,进行异常警示,完成趋势性检验。
7.根据权利要求1所述的轧钢数据监控方法,其特征在于,不同类别数据的逻辑关联检验的步骤包括:
获取所述数据片段的类别,根据所述类别和预设的关联关系,确定与所述数据片段相关联的关联数据;
当所述数据片段中的数据在预设的时间段内发生连续变化,且所述关联数据未发生变化时,或者,当所述关联数据发生变化,且在预设的时间阈值内数据片段中未出现预设的检测信号时,则判定所述数据片段存在异常,并进行异常警示,完成不同类别数据的逻辑关联检验。
8.一种轧钢数据监控系统,其特征在于,包括:
采集模块,用于采集轧钢数据,所述采集模块包括多个数据传感装置;
服务器,所述服务器包括:切分模块,用于按照轧钢生产时间顺序,对所述轧钢数据进行切分,获取多个数据片段;异常判定模块,用于根据所述数据片段和预设的数据阈值范围,进行数据异常判定,获取判定结果,数据异常判定的步骤至少包括以下之一:数据范围检验、波动性检验、趋势性检验和不同类别数据的逻辑关联检验;监控模块,用于根据所述判定结果,进行数据异常预警,完成轧钢数据监控;
所述采集模块、切分模块、异常判定模块和监控模块连接。
9.一种计算机可读存储介质,其上存储有计算机程序,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1至7中任一项所述方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111092038.2A CN113792090A (zh) | 2021-09-17 | 2021-09-17 | 一种轧钢数据监控方法、系统、介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111092038.2A CN113792090A (zh) | 2021-09-17 | 2021-09-17 | 一种轧钢数据监控方法、系统、介质及电子终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792090A true CN113792090A (zh) | 2021-12-14 |
Family
ID=79183790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111092038.2A Pending CN113792090A (zh) | 2021-09-17 | 2021-09-17 | 一种轧钢数据监控方法、系统、介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494792A (zh) * | 2022-09-14 | 2022-12-20 | 磐吉奥科技股份有限公司 | 零件加工参数补偿方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09323109A (ja) * | 1996-06-05 | 1997-12-16 | Hitachi Ltd | 圧延機の異常判定制御装置及び方法 |
CN111597183A (zh) * | 2020-05-26 | 2020-08-28 | 山东莱钢永锋钢铁有限公司 | 一种轧钢智能负差预警系统及其预警方法 |
CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
CN112348101A (zh) * | 2020-11-16 | 2021-02-09 | 中冶赛迪重庆信息技术有限公司 | 一种基于异常数据分析的轧钢燃耗预警方法及系统 |
CN112732700A (zh) * | 2021-01-25 | 2021-04-30 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢生产数据切片方法、系统、介质及电子终端 |
-
2021
- 2021-09-17 CN CN202111092038.2A patent/CN113792090A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09323109A (ja) * | 1996-06-05 | 1997-12-16 | Hitachi Ltd | 圧延機の異常判定制御装置及び方法 |
CN111597183A (zh) * | 2020-05-26 | 2020-08-28 | 山东莱钢永锋钢铁有限公司 | 一种轧钢智能负差预警系统及其预警方法 |
CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
CN112348101A (zh) * | 2020-11-16 | 2021-02-09 | 中冶赛迪重庆信息技术有限公司 | 一种基于异常数据分析的轧钢燃耗预警方法及系统 |
CN112732700A (zh) * | 2021-01-25 | 2021-04-30 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢生产数据切片方法、系统、介质及电子终端 |
Non-Patent Citations (2)
Title |
---|
王淑君: "生产过程质量控制", 31 March 1997, 中国标准出版社, pages: 61 * |
黄民,肖兴明: "机械故障诊断技术及应用", 31 December 2002, 徐州:中国矿业大学出版社, pages: 137 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494792A (zh) * | 2022-09-14 | 2022-12-20 | 磐吉奥科技股份有限公司 | 零件加工参数补偿方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
CN107831422B (zh) | 一种gis设备局部放电诊断方法及系统 | |
WO2018131219A1 (ja) | 異常検知装置、異常検知方法、および記憶媒体 | |
EP2992340B1 (en) | System and method for ups battery monitoring and data analysis | |
EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
EP1903335B1 (en) | Process of ultrasonic detection and preventive control of defects in parts made from composite materials | |
JP7262457B2 (ja) | 食品バッチの微生物学的リスクレベルを決定する方法 | |
CN112180230A (zh) | 芯片测试参数异常的侦测方法、存储介质、终端 | |
Celano et al. | A distribution-free Shewhart-type Mann–Whitney control chart for monitoring finite horizon productions | |
CN117434407B (zh) | 时频域特征融合的换流变阀侧套管绝缘分析方法及系统 | |
CN113792090A (zh) | 一种轧钢数据监控方法、系统、介质及电子终端 | |
CN114077919A (zh) | 用于预测加工异常的系统 | |
CN113916673B (zh) | 一种基于容器状态监测的安全预警方法及系统 | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
CN106652393B (zh) | 假警报确定方法及装置 | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
CN117171366A (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
CN117372424A (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
US20200114413A1 (en) | Hydraulic crimp pressure feedback methods | |
CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN116360384A (zh) | 用于诊断和监控信息物理系统中的异常的系统和方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
KR101823387B1 (ko) | 이기종 센서를 이용한 고 신뢰 센서 융합 장치 및 그 방법 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |