CN114662856A - 一种大型轧机状态跟踪方法和系统 - Google Patents
一种大型轧机状态跟踪方法和系统 Download PDFInfo
- Publication number
- CN114662856A CN114662856A CN202210183454.1A CN202210183454A CN114662856A CN 114662856 A CN114662856 A CN 114662856A CN 202210183454 A CN202210183454 A CN 202210183454A CN 114662856 A CN114662856 A CN 114662856A
- Authority
- CN
- China
- Prior art keywords
- data
- rolling mill
- state
- equipment
- analysis model
- 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 166
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000007418 data mining Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 51
- 238000012544 monitoring process Methods 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 17
- 229910000831 Steel Inorganic materials 0.000 claims description 16
- 239000010959 steel Substances 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000004886 process control Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000498 cooling water Substances 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000013000 roll bending Methods 0.000 claims description 3
- 239000002436 steel type Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 21
- 230000008901 benefit Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011112 process operation Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000020004 porter Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明提出了一种大型轧机状态跟踪方法和系统，该方法包括获取轧机状态数据，并在保证数据一致性的前提下保存至服务器；对分类标注后的轧机状态数据进行降维和归一化处理；归一化处理后进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；将特征矩阵与最优分析模型进行对比，评估轧机设备的健康状态；对评估后健康状态的轧机设备进行资源共享和全寿命周期管理。基于该方法，还提出了一种大型轧机状态跟踪系统。本发明可对影响产品质量的异常工况行为进行实时检测和预防，从而提高故障检测与诊断效率。
Description
技术领域
本发明属于冶金工业设备的智能监测技术领域，特别涉及一种大型轧机状态跟踪方法和系统。
背景技术
轧机故障的发生是由于工艺操作、控制、设备三方面协调不当而引起的异常工况。如果不及时处理，就会使系统的性能、产品质量变坏，甚至造成生产系统的瘫痪。因此，工业过程参数的数据变化，往往能够反映系统当前的工况状态。以往对轧机状态的研究主要集中在机理分析、控制预防和振动信号处理等方面，而对包含大量设备运行状态信息的工艺过程监测数据关注较少。钢板轧制与生俱来的非线性、动态、多模态、多时段、高维度、间歇等特性,使得传统的基于机械振动的过程监控方法很难适应实际轧制过程。轧机设备装有大量传感器等仪表设备，在生产运行过程中积累了海量历史数据，包括设备状态数据、过程数据、指标数据等多种数据，在这些海量数据中，设备故障信号很容易被掩盖，导致故障很难被检测到。如何从海量数据中挖掘有用信息，发现过程数据中隐藏的故障隐患，进行设备状态评估，指导过程操作与运维决策，是当前建立各类数据关系模型，驱动设备可靠安全、使用价值最大化面临的挑战，也是强烈时代背景下的现实需求。
为了适应市场对多品种、多规格、高附加值产品的需求,现代工业过程正朝着高效、大型和集成化方向发展.随着生产规模的扩大及复杂性的增加,采用合理的质量相关的故障检测与诊断方法来保障复杂工业过程的安全稳定运行及连续稳定的产品质量，已经逐渐成为过程控制领域的首要任务。因此，针对现有的采用机械振动的监测方法存在无法全面诊断故障源的短板，需要对生产工况数据和设备数据进行融合分析，发现不同工况下的故障、设备、生产工艺之间的映射关系，以提供一种全面有效地轧机状态跟踪方法，从而提高故障检测与诊断效率。
发明内容
为了解决上述技术问题，本发明提出了一种大型轧机状态跟踪方法和系统。可对影响产品质量的异常工况行为进行实时检测和预防，从而提高故障检测与诊断效率。
为实现上述目的，本发明采用以下技术方案：
一种大型轧机状态跟踪方法，包括以下步骤：
获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；所述轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；
对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；
将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；
对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。
进一步的，所述设备运行数据包括工作辊轴承座滑板间隙、冷却水温度流量、轧机刚度、推床对中性、轧机两侧弯辊力、两侧辊缝值、主电机扭矩、主电机电流和轧机各监测点振动值。
进一步的，所述工艺过程控制数据包括钢板成品钢种、厚度、长度、宽度，每道次轧制温度、轧制力、两侧轧制力差值，轧制速度和轧制时间。
进一步的，所述设备振动监测数据包括位移峰值、速度峰值、加速度峰值、加速度包络有效值的波形图、频谱图和倍频幅值趋势图。
进一步的，所述保证数据一致性的方法为：
首先将获取的数据保存至中转数据库服务器进行清洗和存储；
然后通过防火墙单向将数据转存到数据应用服务器；并在转存的过程中对所述轧机状态数据通过数据签名的方式保证时间完整一致性。
进一步的，所述分类的方式为：对每个品种设定第一类别，在相同第一类别下，再设置第二类别，然后通过线性或者非线性算法对所述第二类别下的数据进行降维以及归一化处理。
进一步的，所述评估出最优分析模型的方法为：通过交叉验证函数对轧机设备不同工况下的差异化状态分析模型库进行验证与离线评估，根据得分情况，得出最优分析模型。
进一步的，所述将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态的过程包括：
将所述特征矩阵与最优分析模型进行对比，根据权重指标、设备重要程度对设备进行运行状态预警；
在收到状态预警之后，将预设的专家故障分析模型与所述最优分析模型融合后生成训练样本集和校验样本集，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系，得到准确的轧制每一种品种厚度钢材时动态参数变化所引起的故障集；
将进行迭代优化后的数据与故障集进行比对，以此获得轧机设备和工艺的方面的实时状态情况。
进一步的，所述对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产包括：
对评估后健康状态的轧机设备信息通过显示模块显示、生成设备健康评估报表、故障诊断结果报表和告警信息推送；
对设备关联的工艺、运行等数据与振动数据特征值趋势曲线任意组态，并给出单坐标、双坐标系、多坐标系三种融合监测方案，进行实时关联特征参量的监测；
对设备进行全寿命周期管理和设备应用数据挖掘，提取设备与工艺相互影响的数据，评价设备应用质量形成数据资产。
本发明还提出了一种大型轧机状态跟踪系统，包括获取模块、处理模块、优化模块和管理模块；
所述获取模块用于获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；所述轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；
所述处理模块用于对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；
所述优化模块用于将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；
所述管理模块用于对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明提出了一种大型轧机状态跟踪方法和系统，该方法包括获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；将特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。基于一种大型轧机状态跟踪方法，还提出了一种大型轧机状态跟踪系统。本方法中加入产品质量相关的生产过程参数，是面向产品质量的故障诊断，与传统的故障检测与诊断方法相比，可对影响产品质量的异常工况行为进行实时检测和预防，发现引起故障的因素，及时采取解决措施，有效地降低故障率。
本发明采用多源数据融合，改变以往故障问题假设特定工况或应用对象下的查找,能够深入分析实际生产过程的复杂工况，厘清故障与原因之间的非单一映射关系，使得故障根因分析更加明确，解决了当下故障诊断系统模型准确率不高的问题，在实际应用中更加高效。
本发明基于轧机复杂生产过程内部的机理和经验知识，建立了过程监测、过程工艺知识和轧机设备振动数据相结合的质量相关故障监测模型，与原有的生产工艺控制监测模型可形成优势互补,从而提高产品的质量，增加企业效益。
附图说明
如图1为本发明实施例1一种大型轧机状态跟踪方法实现的架构图；
如图2为本发明实施例1一种大型轧机状态跟踪方法流程图；
如图3为本发明实施例1分析模型和故障诊断示意图；
如图4为本发明实施例1仿真过程中迭代次数示意图；
如图5为本发明实施例2一种大型轧机状态跟踪系统示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种大型轧机状态跟踪方法，是一种基于生产工艺过程、设备运行监测数据、设备振动监测数据和专家经验知识相互融合的面向产品质量的轧机状态跟踪方法。大型轧机为2500mm-5000mm轧机实体。
如图1为本发明实施例1一种大型轧机状态跟踪方法实现的架构图；由由数据边缘层、特征提取及模型层、平台认知层和应用层构成。数据边缘层数据采集后存储到中转数据库服务器，特征提取及模型层、平台认知层、应用层的各功能模块集成在数据应用服务器内。
如图2为本发明实施例1一种大型轧机状态跟踪方法流程图；
在步骤S200中，获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；
数据边缘层通过有线或无线网络将需要分析的设备运行数据及振动数据、工艺过程L1/L2/L3控制数据进行采集。设备运行数据包括工作辊轴承座滑板间隙、冷却水温度流量、轧机刚度、推床对中性、轧机两侧弯辊力、两侧辊缝值、主电机扭矩、主电机电流以及轧机各监测点振动值等，工艺过程控制数据包括钢板成品钢种、厚度、长度、宽度，每道次轧制温度、轧制力、两侧轧制力差值，轧制速度、轧制时间等参数，设备振动监测数据主要是常规的位移峰值、速度峰值、加速度峰值、加速度包络有效值的波形图、频谱图以及倍频幅值趋势图。
轧机状态数据以100ms的频率同时采集并存储到中转数据库服务器进行数据清洗、存储，而后通过防火墙单向将数据转存到数据应用服务器；转存过程中要对设备、工艺多源数据进行时间完整一致性通过数字签名的方式来实现，中转服务器在发送数据的同时利用单向的不可逆加密算法Hash函数计算出所传输数据的值，并把该值作为数字签名随数据一同发送，应用服务器接收方在收到数据的同时也收到该数据的数字签名，接收方使用相同的算法计算出接收到的数据的数字签名，并把该数字签名和接收到的数字签名进行比较，若二者相同，则说明数据完整性得到了保证。
在步骤S210中，对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；
如图3为本发明实施例1分析模型和故障诊断示意图；
将历史的钢板生产工艺过程数据、设备运行数据、设备振动数据进行标注分类，进行建模处理，其中分类的方法为：对每个品种设定第一类别，在相同第一类别下，再设置第二类别，然后通过线性或者非线性算法对所述第二类别下的数据进行降维以及归一化处理。如：每一种品种设定一个大的类别a1，同种钢种中n种厚度钢材为a1n类别，数据分好类后通过线性、非线性算法对a1n数据进行降维处理以及归一化处理，然后进行并行、融合计算形成算法库，得到a1n、a2n、……ann不同钢种及厚度的数据特征库。
同时将数据特征库中的不同维度的数据生成训练样本集和校验样本集，具体为设置每一种品种厚度钢材为一个类别模式，每一个类别模式具有设备、工艺各种运行数据及设备振动值；通过统计分析、聚类分析等数据挖掘技术对样本集进行量化、多维、多层关联性分析，以此得出轧机设备不同工况下的差异化状态分析模型库，模型库包含模型1、模型2……模型c,模型运行验模块证通过交叉验证函数对分析模型库进行验证与离线评估，根据得分情况，选择最优的模型。
在步骤S220中，将特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态。
将所述特征矩阵与最优分析模型进行对比，根据权重指标、设备重要程度对设备进行运行状态预警；
在收到状态预警之后，将预设的专家故障分析模型与所述最优分析模型融合后生成训练样本集和校验样本集，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系，得到准确的轧制每一种品种厚度钢材时动态参数变化所引起的故障集；
将进行迭代优化后的数据与故障集进行比对，以此获得轧机设备和工艺的方面的实时状态情况。
如图4为本发明实施例1某钢种厚度仿真训练过程中迭代次数变化时曲线，模型故障诊断准确度变化情况受迭代次数影响，诊断模型准确度在机器深度学习方法下随着迭代次数增加先逐渐增高，而后下滑，这是由于模型过拟合造成，因此不同的钢种及厚度变化所对应的仿真训练迭代次数也不尽行同，要根据仿真结果选取最优迭代次数。
在步骤S230中，对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。应用层包含系统工作站和数据资产模块。其中系统工作站采用B/S架构平台，具备画面展示、报表生成、告警信息推送、设备状态监测、专业图谱分析、测点融合相关性分析、自动诊断等功能模块；其中数据资产模块对设备进行运维管理及全寿命周期管理。具体而言，画面展示模块用于信号输出与各种显示终端连接；报表生成模块具有分析结果报表、设备健康评估报表、故障诊断结果报表自动生成功能；告警推送模块将设备故障异常信息通过各种有线和无线显示终端实时推送给不同层级设备管理人员获知；设备状态监测模块可快速调取设备部件的关键特征及图谱的监测页面将复杂监测操作转变成快速一键浏览洞察设备状态；专业图谱分析模块可自由组态定制化图谱监测页面，组态以趋势图、频谱图、时域波形图、包络解调图、轴心轨迹图、分频轨迹图、轴心位置图、瀑布图、波特图、全谱图、坎贝尔图等30多种基础图谱为主，可把全部图谱在拖拽同一屏内对比监测分析，提升监测的效率；测点融合相关性分析模块可对设备关联的工艺、运行等数据与振动数据特征值趋势曲线任意组态，并给出单坐标、双坐标系、多坐标系三种融合监测方案，进行实时关联特征参量的监测；自动诊断模块收集步骤S220中设备工艺故障根源分析模块历史故障及数据，不断积累新的数据，优化诊断模块精度，当某个设备工艺某个动态参数超过预定阈值时，自动诊断模块自动给出报警及分析结果，运维人员及工艺操作人员可迅速得知工艺故障或是设备故障，以便采取相应的手段处理故障；其中数据资产模块用于对设备进行全寿命周期管理和设备应用数据挖掘，提取设备与工艺相互影响等有价值的数据，评价设备应用质量，为设备维护人员提供参考，形成数据资产。
本发明实施例1提出的一种大型轧机状态跟踪方法中加入产品质量相关的生产过程参数，是面向产品质量的故障诊断，与传统的故障检测与诊断方法相比，可对影响产品质量的异常工况行为进行实时检测和预防，发现引起故障的因素，及时采取解决措施，有效地降低故障率。
本发明实施例1提出的一种大型轧机状态跟踪方法中采用多源数据融合，改变以往故障问题假设特定工况或应用对象下的查找,能够深入分析实际生产过程的复杂工况，厘清故障与原因之间的非单一映射关系，使得故障根因分析更加明确，解决了当下故障诊断系统模型准确率不高的问题，在实际应用中更加高效。
本发明实施例1提出的一种大型轧机状态跟踪方法中基于轧机复杂生产过程内部的机理和经验知识，建立了过程监测、过程工艺知识和轧机设备振动数据相结合的质量相关故障监测模型，与原有的生产工艺控制监测模型可形成优势互补,从而提高产品的质量，增加企业效益。
实施例2
基于本发明实施例1提出的一种大型轧机状态跟踪方法，本发明实施例2提出了一种大型轧机状态跟踪系统，如图5为本发明实施例2一种大型轧机状态跟踪系统示意图，该系统包括获取模块、处理模块、优化模块和管理模块；
获取模块用于获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；所述轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；
处理模块用于对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；
优化模块用于将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；
管理模块用于对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。
其中，获取模块中，设备运行数据包括工作辊轴承座滑板间隙、冷却水温度流量、轧机刚度、推床对中性、轧机两侧弯辊力、两侧辊缝值、主电机扭矩、主电机电流和轧机各监测点振动值。工艺过程控制数据包括钢板成品钢种、厚度、长度、宽度，每道次轧制温度、轧制力、两侧轧制力差值，轧制速度和轧制时间。设备振动监测数据包括位移峰值、速度峰值、加速度峰值、加速度包络有效值的波形图、频谱图和倍频幅值趋势图。
获取模块中保证数据一致性的方法为：首先将获取的数据保存至中转数据库服务器进行清洗和存储；然后通过防火墙单向将数据转存到数据应用服务器；并在转存的过程中对所述轧机状态数据通过数据签名的方式保证时间完整一致性。
处理模块中分类的方式为：对每个品种设定第一类别，在相同第一类别下，再设置第二类别，然后通过线性或者非线性算法对所述第二类别下的数据进行降维以及归一化处理。
处理模块中评估出最优分析模型的方法为：通过交叉验证函数对轧机设备不同工况下的差异化状态分析模型库进行验证与离线评估，根据得分情况，得出最优分析模型。
优化模块执行的过程包括：
将特征矩阵与最优分析模型进行对比，根据权重指标、设备重要程度对设备进行运行状态预警；
在收到状态预警之后，将预设的专家故障分析模型与所述最优分析模型融合后生成训练样本集和校验样本集，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系，得到准确的轧制每一种品种厚度钢材时动态参数变化所引起的故障集；
将进行迭代优化后的数据与故障集进行比对，以此获得轧机设备和工艺的方面的实时状态情况。
管理模块执行的过程包括对评估后健康状态的轧机设备信息通过显示模块显示、生成设备健康评估报表、故障诊断结果报表和告警信息推送；
对设备关联的工艺、运行等数据与振动数据特征值趋势曲线任意组态，并给出单坐标、双坐标系、多坐标系三种融合监测方案，进行实时关联特征参量的监测；
对设备进行全寿命周期管理和设备应用数据挖掘，提取设备与工艺相互影响的数据，评价设备应用质量形成数据资产。
本发明实施例2提出的一种大型轧机状态跟踪系统中加入产品质量相关的生产过程参数，是面向产品质量的故障诊断，与传统的故障检测与诊断方法相比，可对影响产品质量的异常工况行为进行实时检测和预防，发现引起故障的因素，及时采取解决措施，有效地降低故障率。
本发明实施例2提出的一种大型轧机状态跟踪系统中采用多源数据融合，改变以往故障问题假设特定工况或应用对象下的查找,能够深入分析实际生产过程的复杂工况，厘清故障与原因之间的非单一映射关系，使得故障根因分析更加明确，解决了当下故障诊断系统模型准确率不高的问题，在实际应用中更加高效。
本发明实施例2提出的一种大型轧机状态跟踪系统中基于轧机复杂生产过程内部的机理和经验知识，建立了过程监测、过程工艺知识和轧机设备振动数据相结合的质量相关故障监测模型，与原有的生产工艺控制监测模型可形成优势互补,从而提高产品的质量，增加企业效益。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种大型轧机状态跟踪方法，其特征在于，包括以下步骤：
获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；所述轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；
对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；
将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；
对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。
2.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述设备运行数据包括工作辊轴承座滑板间隙、冷却水温度流量、轧机刚度、推床对中性、轧机两侧弯辊力、两侧辊缝值、主电机扭矩、主电机电流和轧机各监测点振动值。
3.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述工艺过程控制数据包括钢板成品钢种、厚度、长度、宽度，每道次轧制温度、轧制力、两侧轧制力差值，轧制速度和轧制时间。
4.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述设备振动监测数据包括位移峰值、速度峰值、加速度峰值、加速度包络有效值的波形图、频谱图和倍频幅值趋势图。
5.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述保证数据一致性的方法为：
首先将获取的数据保存至中转数据库服务器进行清洗和存储；
然后通过防火墙单向将数据转存到数据应用服务器；并在转存的过程中对所述轧机状态数据通过数据签名的方式保证时间完整一致性。
6.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述分类的方式为：对每个品种设定第一类别，在相同第一类别下，再设置第二类别，然后通过线性或者非线性算法对所述第二类别下的数据进行降维以及归一化处理。
7.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述评估出最优分析模型的方法为：通过交叉验证函数对轧机设备不同工况下的差异化状态分析模型库进行验证与离线评估，根据得分情况，得出最优分析模型。
8.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态的过程包括：
将所述特征矩阵与最优分析模型进行对比，根据权重指标、设备重要程度对设备进行运行状态预警；
在收到状态预警之后，将预设的专家故障分析模型与所述最优分析模型融合后生成训练样本集和校验样本集，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系，得到准确的轧制每一种品种厚度钢材时动态参数变化所引起的故障集；
将进行迭代优化后的数据与故障集进行比对，以此获得轧机设备和工艺的方面的实时状态情况。
9.根据权利要求1所述的一种大型轧机状态跟踪方法，其特征在于，所述对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产包括：
对评估后健康状态的轧机设备信息通过显示模块显示、生成设备健康评估报表、故障诊断结果报表和告警信息推送；
对设备关联的工艺、运行等数据与振动数据特征值趋势曲线任意组态，并给出单坐标、双坐标系、多坐标系三种融合监测方案，进行实时关联特征参量的监测；
对设备进行全寿命周期管理和设备应用数据挖掘，提取设备与工艺相互影响的数据，评价设备应用质量形成数据资产。
10.一种大型轧机状态跟踪系统，其特征在于，包括获取模块、处理模块、优化模块和管理模块；
所述获取模块用于获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；所述轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；
所述处理模块用于对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；
所述优化模块用于将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；
所述管理模块用于对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210183454.1A CN114662856A (zh) | 2022-02-25 | 2022-02-25 | 一种大型轧机状态跟踪方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210183454.1A CN114662856A (zh) | 2022-02-25 | 2022-02-25 | 一种大型轧机状态跟踪方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114662856A true CN114662856A (zh) | 2022-06-24 |
Family
ID=82027038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210183454.1A Pending CN114662856A (zh) | 2022-02-25 | 2022-02-25 | 一种大型轧机状态跟踪方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114662856A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117019889A (zh) * | 2023-07-18 | 2023-11-10 | 常州润来科技有限公司 | 一种三辊旋轧设备智能检测故障的方法及系统 |
-
2022
- 2022-02-25 CN CN202210183454.1A patent/CN114662856A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117019889A (zh) * | 2023-07-18 | 2023-11-10 | 常州润来科技有限公司 | 一种三辊旋轧设备智能检测故障的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Similarity-measured isolation forest: anomaly detection method for machine monitoring data | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN109754110B (zh) | 一种牵引变流器故障的预警方法及系统 | |
| CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
| CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
| Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
| CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
| CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
| CN112100164A (zh) | 一种智能审计方法、系统和可读存储介质 | |
| CN117196066A (zh) | 智慧运维信息分析模型 | |
| CN117235649A (zh) | 一种基于大数据的工业设备状态智能监测系统及方法 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| Lejon et al. | Machine learning for detection of anomalies in press-hardening: Selection of efficient methods | |
| Pirasteh et al. | Interactive feature extraction for diagnostic trouble codes in predictive maintenance: A case study from automotive domain | |
| CN114662856A (zh) | 一种大型轧机状态跟踪方法和系统 | |
| Gittler et al. | International Conference on Advanced and Competitive Manufacturing Technologies milling tool wear prediction using unsupervised machine learning | |
| CN106909136A (zh) | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 | |
| CN106355314A (zh) | 一种汽车发动机气门质量流式数据处理方法及装置 | |
| CN117406689A (zh) | 一种数据驱动与知识引导的故障诊断方法及系统 | |
| Tolas et al. | Periodicity detection algorithm and applications on IoT data | |
| CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| CN110532158B (zh) | 操作数据的安全评估方法、装置、设备及可读存储介质 | |
| Purarjomandlangrudi et al. | Application of anomaly technique in wind turbine bearing fault detection |
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 |