CN115081966A - 异常状态监控方法及应用该方法的铝合金挤压工艺控制器 - Google Patents

异常状态监控方法及应用该方法的铝合金挤压工艺控制器 Download PDF

Info

Publication number
CN115081966A
CN115081966A CN202211002522.6A CN202211002522A CN115081966A CN 115081966 A CN115081966 A CN 115081966A CN 202211002522 A CN202211002522 A CN 202211002522A CN 115081966 A CN115081966 A CN 115081966A
Authority
CN
China
Prior art keywords
temperature
extruder
acquisition time
evaluation index
acquisition
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.)
Granted
Application number
CN202211002522.6A
Other languages
English (en)
Other versions
CN115081966B (zh
Inventor
胡金秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Junlang Intelligent Technology Co ltd
Original Assignee
Nantong Junlang Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Junlang Intelligent Technology Co ltd filed Critical Nantong Junlang Intelligent Technology Co ltd
Priority to CN202211002522.6A priority Critical patent/CN115081966B/zh
Publication of CN115081966A publication Critical patent/CN115081966A/zh
Application granted granted Critical
Publication of CN115081966B publication Critical patent/CN115081966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Abstract

本发明涉及控制或调节技术领域，具体涉及异常状态监控方法及应用该方法的铝合金挤压工艺控制器。方法包括：根据铝合金挤压过程中各采集时刻的温度，计算预热评价指标；根据各采集时刻的温度、功率和预热评价指标，得到影响评价指标；根据影响评价指标，获得目标采集时刻；根据各采集时刻的振动数据，预测未来时刻的振动数据；对振动数据进行高通滤波，将得到的振动数据记为目标振动数据，根据目标振动数据的标准差和目标采集时刻对应的影响评价指标，计算未来时刻出料工作评价指标；若所述出料工作评价指标小于预设阈值，则进行报警。本发明实现了对挤压工艺控制器异常状态的自动化监控。

Description

异常状态监控方法及应用该方法的铝合金挤压工艺控制器
技术领域
本发明涉及控制或调节技术领域，具体涉及异常状态监控方法及应用该方法的铝合金挤压工艺控制器。
背景技术
挤压机作为铝合金材料生产过程中的核心设备，发展日趋大型化、复杂化及自动化，在生产过程中挤压机可能会发生异常或故障，一旦发生异常或故障，将会造成更大的停产损失、更多的维护费用。铝合金的挤压过程中出料不畅是常见的故障，为减少挤压机发生故障的概率，提高挤压机设备的稳定性和可靠性，维修师傅需要定期进行停机检修，检修结果往往依据检修师傅的经验，并不一定能够达到较好的效果，检测精度较低，而且检修过程繁琐，费时费力，耽误生产，影响生产效率，降低工厂的效益。
发明内容
为了解决现有基于人工的方式对铝合金挤压机的出料异常进行检测存在的检测效率较低的问题，本发明的目的在于提供异常状态监控方法及应用该方法的铝合金挤压工艺控制器，所采用的技术方案具体如下：
第一方面，本发明提供了一种异常状态监控方法，该方法包括以下步骤：
获取铝合金挤压过程中各采集时刻挤压机进料口的温度、各采集时刻挤压机的振动数据和各采集时刻挤压机的功率；
根据所述各采集时刻挤压机进料口的温度，计算各采集时刻的预热评价指标；根据所述各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标；将所述各采集时刻温度对于出料通畅度的影响评价指标作为样本数据，根据所述样本数据，构建孤立树；根据所述孤立树的平均路径长度和各样本数据在孤立树中的路径长度的期望，计算各样本数据的异常得分；将异常得分小于等于预设阈值的样本数据对应的采集时刻记为目标采集时刻；
根据所述各采集时刻挤压机的振动数据，预测未来时刻挤压机的振动数据；对各采集时刻挤压机的振动数据和未来时刻挤压机的振动数据进行高通滤波，将滤波后得到的振动数据记为目标振动数据，根据目标振动数据的标准差、目标振动数据的个数、所述目标采集时刻对应的温度对于出料通畅度的影响评价指标，计算未来时刻出料工作评价指标；若所述出料工作评价指标小于预设阈值，则进行报警。
第二方面，本发明提供了一种铝合金挤压工艺控制器，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的异常状态监控方法。
优选的，采用如下公式计算各采集时刻的预热评价指标：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个采集时刻的预热评价指标，
Figure DEST_PATH_IMAGE008
为第
Figure DEST_PATH_IMAGE010
个采集时刻挤压机进料口的温度，
Figure DEST_PATH_IMAGE012
为第
Figure 868191DEST_PATH_IMAGE006
个采集时刻挤压机进料口的温度，
Figure DEST_PATH_IMAGE014
为第
Figure DEST_PATH_IMAGE016
个采集时刻挤压机进料口的温度，
Figure DEST_PATH_IMAGE018
为铝合金的挤压过程中挤压机进料口的标准温度，
Figure DEST_PATH_IMAGE020
为自然常数。
优选的，所述根据所述各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标，包括：
对于第
Figure 229072DEST_PATH_IMAGE006
个采集时刻：
获取该采集时刻对应的采集时间段，所述该采集时刻对应的采集时间段为该采集时刻及该采集时刻之前的各采集时刻构成的集合；
计算该采集时刻对应的采集时间段中任意两个相邻采集时刻中后一个采集时刻挤压机进料口的温度与前一个采集时刻挤压机进料口的温度的比值；根据所述温度的比值，构建温度比值序列；
计算该采集时刻对应的采集时间段中任意两个相邻采集时刻中前一个采集时刻挤压机的功率与后一个采集时刻挤压机的功率的比值；根据所述功率的比值，构建功率比值序列；
根据所述温度比值序列、功率比值序列和该采集时刻的预热评价指标，计算该采集时刻温度对于出料通畅度的影响评价指标。
优选的，采用如下公式计算该采集时刻温度对于出料通畅度的影响评价指标：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为第
Figure 726919DEST_PATH_IMAGE006
个采集时刻温度对于出料通畅度的影响评价指标，
Figure 59811DEST_PATH_IMAGE004
为第
Figure 811866DEST_PATH_IMAGE006
个采集时刻的预热评价指标，
Figure DEST_PATH_IMAGE026
为皮尔逊相关系数，
Figure DEST_PATH_IMAGE028
为温度比值序列，
Figure DEST_PATH_IMAGE030
为功率比值序列，
Figure DEST_PATH_IMAGE032
为温度比值序列和功率比值序列的皮尔逊相关系数。
优选的，采用如下公式计算各样本数据的异常得分：
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
为第
Figure DEST_PATH_IMAGE038
个样本数据的异常得分，
Figure DEST_PATH_IMAGE040
为第
Figure 512625DEST_PATH_IMAGE038
个样本数据在一批孤立树中的路径长度的期望，
Figure DEST_PATH_IMAGE042
为孤立树的平均路径长度，
Figure DEST_PATH_IMAGE044
为样本数据的个数。
优选的，采用如下公式计算未来时刻出料工作评价指标：
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE048
为未来时刻出料工作评价指标，
Figure DEST_PATH_IMAGE050
为目标采集时刻对应的温度对于出料通畅度的影响评价指标，
Figure DEST_PATH_IMAGE052
为目标振动数据的个数，
Figure DEST_PATH_IMAGE054
为目标振动数据的标准差，
Figure DEST_PATH_IMAGE056
为目标振动数据，
Figure DEST_PATH_IMAGE058
为自然常数。
优选的，所述根据所述样本数据，构建孤立树，包括：
根据所述样本数据，构建样本序列；所述样本序列中各元素为各样本数据；
根据所述样本序列，构建孤立树。
本发明具有如下有益效果：本发明首先获取了铝合金挤压过程中各采集时刻挤压机进料口的温度、各采集时刻挤压机的振动数据和各采集时刻挤压机的功率；根据各采集时刻挤压机进料口的温度，计算了各采集时刻的预热评价指标；考虑到仅从温度出发得到铝合金的预热评价指标，铝合金的预热评价指标并不能很好地表征出料是否流畅，因为在铝合金的生产过程中，铝合金的预热评价指标可能较高，但可能是因为铝合金内部混入了杂质，使得监测到的各时刻铝合金的温度存在稳定变化；基于此，本发明根据各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标；然后计算了各数据的异常得分，基于各数据的异常得分，剔除掉异常数据，保留正常数据，将保留的正常数据对应的时刻记为目标采集时刻；接着本发明根据各采集时刻挤压机的振动数据，预测未来时刻挤压机的振动数据；再对挤压机的振动数据进行高通滤波，得到目标振动数据，根据目标振动数据的标准差、目标振动数据的个数和所述目标采集时刻对应的温度对于出料通畅度的影响评价指标，计算未来时刻出料工作评价指标；根据未来时刻出料工作评价指标，判断是否需要进行报警。本发明提供的方法能够预测未来时刻挤压机的工作状态，当预测到未来时刻挤压机的工作状态较差时，及时提醒维修人员进行检修，无需维修师傅定期对挤压机进行停机检查，实现了自动化监控，提高了检测效率，同时也节省了成本，提高了工厂的效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明提供的一种异常状态监控方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的异常状态监控方法及应用该方法的铝合金挤压工艺控制器进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
异常状态监控方法实施例：
现有的基于人工的方式对铝合金挤压机的出料异常进行检测存在检测效率较低的问题。为了解决上述问题，本实施例提出了异常状态监控方法，如图1所示，本实施例的异常状态监控方法包括以下步骤：
步骤S1，获取铝合金挤压过程中各采集时刻挤压机进料口的温度、各采集时刻挤压机的振动数据和各采集时刻挤压机的功率。
在铝合金预热过程中，若温度设置不合适，可能会导致铝合金在挤压过程中出现较大的硬块。本实施例在进料口的上方安装一个红外温度检测器，用于采集铝合金的挤压过程中各挤压机进料口的温度，本实施例设置红外温度检测器1秒采集一次进料口的温度，获取铝合金的挤压过程中各采集时刻挤压机进料口的温度；并获取铝合金的挤压过程中挤压机进料口的标准温度
Figure DEST_PATH_IMAGE060
。在具体应用中，实施者可自行设置采集频率。
考虑到在铝合金的生产过程中，挤压机会产生振动，这种振动是机械传导本身存在的，当振动过大时，会对铝合金进料口产生影响，使其无法正常进入进料口。本实施例在进料口的一侧安装一个振动检测仪，用于采集挤压机的振动数据，设置振动数据的采集频率和温度的采集频率相同，即1秒采集一次挤压机的振动数据，获取铝合金的挤压过程中各采集时刻挤压机的振动数据。
扭矩能够直接反映金属杆挤压的速度快慢，在铝合金的生产过程中，为了保证挤压成品的完成度，挤压杆会匀速前进，挤压铝合金进入模具，当速度稳定时，扭矩的大小就可以直接表征挤压杆受到的阻力大小，当受到的阻力较大时，为了保证挤压杆匀速前进，需要提升电机的功率。功率的波动来自于投入物在推进过程中各点带来的阻力。本实施例在电机上直接读取挤压机的功率，设置功率的采集频率和温度的采集频率相同，即1秒采集一次挤压机的功率，获取铝合金的挤压过程中各采集时刻挤压机的功率。
至此，采用上述方法获取了铝合金的挤压过程中各采集时刻挤压机进料口的温度、各采集时刻挤压机的振动数据和各采集时刻挤压机的功率。
步骤S2，根据所述各采集时刻挤压机进料口的温度，计算各采集时刻的预热评价指标；根据所述各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标；将所述各采集时刻温度对于出料通畅度的影响评价指标作为样本数据，根据所述样本数据，构建孤立树；根据所述孤立树的平均路径长度和各样本数据在孤立树中的路径长度的期望，计算各样本数据的异常得分；将异常得分小于等于预设阈值的样本数据对应的采集时刻记为目标采集时刻。
本实施例在上述步骤中获取了铝合金生产过程中各采集时刻挤压机进料口的温度，接下来本实施例基于各采集时刻挤压机进料口的温度，计算各采集时刻的预热评价指标。对于第
Figure 795970DEST_PATH_IMAGE006
个采集时刻：根据铝合金的挤压过程中挤压机进料口的标准温度
Figure 932553DEST_PATH_IMAGE060
、该采集时刻挤压机进料口的温度以及该采集时刻前的
Figure DEST_PATH_IMAGE062
个采集时刻挤压机进料口的温度，计算第
Figure 724402DEST_PATH_IMAGE006
个采集时刻的预热评价指标，即：
Figure DEST_PATH_IMAGE002A
其中，
Figure 999657DEST_PATH_IMAGE004
为第
Figure 986942DEST_PATH_IMAGE006
个采集时刻的预热评价指标，
Figure 661637DEST_PATH_IMAGE008
为第
Figure 857126DEST_PATH_IMAGE010
个采集时刻挤压机进料口的温度，
Figure 21391DEST_PATH_IMAGE012
为第
Figure 200700DEST_PATH_IMAGE006
个采集时刻挤压机进料口的温度，
Figure 914971DEST_PATH_IMAGE014
为第
Figure 230546DEST_PATH_IMAGE016
个采集时刻挤压机进料口的温度，
Figure 300133DEST_PATH_IMAGE018
为铝合金的挤压过程中挤压机进料口的标准温度，
Figure 701159DEST_PATH_IMAGE020
为自然常数，
Figure DEST_PATH_IMAGE064
表征第
Figure 950612DEST_PATH_IMAGE006
个采集时刻和第
Figure 386273DEST_PATH_IMAGE016
个采集时刻挤压机进料口的温度差异，理论上在加工铝合金的过程中挤压机的温度应该保持一致，前后采集时刻的温度波动性较大时，说明预热效果并不理想，波动性越大，其带来的差距就越大，即预热效果就越不理想；
Figure DEST_PATH_IMAGE066
为进料口的实际温度与标准温度的比值的均值，该值越接近于1，说明进料口的实际温度与标准温度差异越小，预热效果越理想。
至此，采用上述方法能够得到各历史采集时刻的预热评价指标。
本实施例在步骤S1中获取了铝合金生产过程中各采集时刻挤压机的功率，在铝合金的生产过程中，正常情况下，挤压机的功率变化应当与温度变化呈反比（即当温度增大时，挤压机的功率应当减小；当温度减小时，挤压机的功率应当增大）。因为在温度较低时，材料硬度变大，此时的电机扭矩较大，电机应当增大功率，以保证材料匀速进入进料口。
仅仅从温度出发得到铝合金的预热评价指标，并不能很好地表征出料是否流畅，当加热单元非正常工作但铝合金的预热评价指标较高时，可能是因为铝合金内部混入了杂质，使得监测到的各时刻铝合金的温度存在稳定变化。基于此，本实施例基于各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标，对于第
Figure 564444DEST_PATH_IMAGE006
个采集时刻：根据该采集时刻的预热评价指标、该采集时刻与该采集时刻前的
Figure 954231DEST_PATH_IMAGE062
个采集时刻挤压机进料口的温度以及该采集时刻与该采集时刻前的
Figure 508840DEST_PATH_IMAGE062
个采集时刻挤压机的功率，计算第
Figure 595745DEST_PATH_IMAGE006
个采集时刻温度对于出料通畅度的影响评价指标，具体计算过程为：首先，计算
Figure 475976DEST_PATH_IMAGE006
个采集时刻中任意两个相邻采集时刻中后一个采集时刻挤压机进料口的温度与前一个采集时刻挤压机进料口的温度的比值，即
Figure DEST_PATH_IMAGE068
，其中，
Figure DEST_PATH_IMAGE070
为第
Figure 959916DEST_PATH_IMAGE006
个采集时刻挤压机进料口的温度与第
Figure 114954DEST_PATH_IMAGE062
个采集时刻挤压机进料口的温度的比值；根据这
Figure 525207DEST_PATH_IMAGE006
个采集时刻中任意两个相邻采集时刻中后一个采集时刻挤压机进料口的温度与前一个采集时刻挤压机进料口的温度的比值，按照时间先后顺序构建温度比值序列，即
Figure DEST_PATH_IMAGE072
，其中，
Figure DEST_PATH_IMAGE074
为温度比值序列，
Figure DEST_PATH_IMAGE076
为第2个采集时刻挤压机进料口的温度与第1个采集时刻挤压机进料口的温度的比值，
Figure DEST_PATH_IMAGE078
为第3个采集时刻挤压机进料口的温度与第2个采集时刻挤压机进料口的温度的比值；然后，计算
Figure 895446DEST_PATH_IMAGE006
个采集时刻中任意两个相邻采集时刻中前一个采集时刻挤压机的功率与后一个采集时刻挤压机的功率的比值，即
Figure DEST_PATH_IMAGE080
，其中，
Figure DEST_PATH_IMAGE082
为第
Figure 931929DEST_PATH_IMAGE006
个采集时刻挤压机的功率与第
Figure 828341DEST_PATH_IMAGE062
个采集时刻挤压机的功率的比值；根据这
Figure 827521DEST_PATH_IMAGE006
个采集时刻中任意两个相邻采集时刻中前一个采集时刻挤压机的功率与后一个采集时刻挤压机的功率的比值，按照时间先后顺序构建功率比值序列，即
Figure DEST_PATH_IMAGE084
，其中，
Figure DEST_PATH_IMAGE086
为功率比值序列，
Figure DEST_PATH_IMAGE088
为第1个采集时刻挤压机的功率与第2个采集时刻挤压机的功率的比值，
Figure DEST_PATH_IMAGE090
为第2个采集时刻挤压机的功率与第3个采集时刻挤压机的功率的比值；接下来，本实施例根据第
Figure 65866DEST_PATH_IMAGE006
个采集时刻预热评价指标、温度比值序列和功率比值序列，计算第
Figure 150497DEST_PATH_IMAGE006
个采集时刻温度对于出料通畅度的影响评价指标，即：
Figure DEST_PATH_IMAGE022A
其中，
Figure 568709DEST_PATH_IMAGE024
为第
Figure 923860DEST_PATH_IMAGE006
个采集时刻温度对于出料通畅度的影响评价指标，
Figure 51216DEST_PATH_IMAGE004
为第
Figure 888722DEST_PATH_IMAGE006
个采集时刻的预热评价指标，
Figure 189253DEST_PATH_IMAGE026
为皮尔逊相关系数，
Figure 428605DEST_PATH_IMAGE028
为温度比值序列，
Figure 959818DEST_PATH_IMAGE030
为功率比值序列，
Figure 284620DEST_PATH_IMAGE032
为温度比值序列和功率比值序列的皮尔逊相关系数。皮尔逊相关系数的计算方法为现有技术，此处不再赘述。
至此，采用上述方法得到了各采集时刻温度对于出料通畅度的影响评价指标。
本实施例利用相邻两个采集时刻温度和功率的变化情况，来反映在铝合金生产过程中温度变化幅度和功率变化幅度是否相一致，若在铝合金生产过程中温度变化幅度和功率变化幅度相一致，说明预热温度对出料的影响较大，即受到无关因素的干扰较小；若在铝合金生产过程中温度变化幅度和功率变化幅度相差较大，说明预热温度对出料的影响较小，即受到无关因素的干扰较大。本实施例将各采集时刻的预热评价指标与相似性两者相结合，能够规避掉杂质存在对于温度影响出料通畅的评价。
考虑到金属挤压机的振动是持续存在的，会影响到步骤S1中采集数据的传感器，导致数据可能存在误差，当误差较小时，本实施例认为不影响上述判断，当误差较大时，需要将此类数据做筛选剔除。
具体的，本实施例将各采集时刻温度对于出料通畅度的影响评价指标作为样本数据，根据所述样本数据构建样本序列，即
Figure DEST_PATH_IMAGE092
，根据样本序列构建孤立树，假设R是孤立树的一个节点，它是没有子节点的叶子节点，或是只有两个子节点(Rl，Rr)的内部节点。为了构建一棵孤立树，需要随机选择一个特征
Figure DEST_PATH_IMAGE094
及其分割值
Figure DEST_PATH_IMAGE096
，递归地分割样本序列中的数据集，每一步分割都包含特征
Figure 918338DEST_PATH_IMAGE094
和分割值
Figure 543354DEST_PATH_IMAGE096
，将
Figure DEST_PATH_IMAGE098
的数据分到Rl，将
Figure DEST_PATH_IMAGE100
的数据分到Rr，递归地分割样本序列中的数据集，直到满足以下任意一个条件：(1)树达到了限制的高度；(2)节点上只有一个样本；(3)节点上的样本所有特征都相同。
异常检测的任务是给出一个反映异常程度的排序，常用的排序方法是根据样本点的路径长度或异常得分来排序，异常点就是排在最前面的那些点。
给定一个包含
Figure 651993DEST_PATH_IMAGE044
个样本的数据集，树的平均路径长度为：
Figure DEST_PATH_IMAGE102
，其中，
Figure DEST_PATH_IMAGE104
为调和数，
Figure 309764DEST_PATH_IMAGE042
为孤立树的平均路径长度。对于
Figure 420939DEST_PATH_IMAGE044
个样本的数据集中的第
Figure 166042DEST_PATH_IMAGE038
个样本数据，其对应的异常得分为：
Figure DEST_PATH_IMAGE106
，其中，
Figure 711161DEST_PATH_IMAGE040
为第
Figure 744976DEST_PATH_IMAGE038
个样本数据在一批孤立树中的路径长度的期望；当
Figure 394264DEST_PATH_IMAGE040
的值趋近于c(n)的值时，异常得分
Figure 993872DEST_PATH_IMAGE036
趋近于0.5，即第
Figure 70413DEST_PATH_IMAGE038
个样本数据的路径平均长度与树的平均路径长度相近时，则不能区分是不是异常；当
Figure 92989DEST_PATH_IMAGE040
的值趋近于0时，异常得分
Figure 14808DEST_PATH_IMAGE036
趋近于1，被判定为异常，数据异常是由机械振动带导致的，需要进行剔除；当
Figure 937765DEST_PATH_IMAGE040
的值趋近于n-1时，异常得分
Figure 185207DEST_PATH_IMAGE036
趋近于0，被判定为正常，此时的数据的来源为正常来源。本实施例设置得分阈值
Figure DEST_PATH_IMAGE108
，将异常得分大于
Figure 160991DEST_PATH_IMAGE108
的样本数据判定为异常数据，并剔除异常数据，保留正常数据，将保留的样本数据对应的采集时刻记为目标采集时刻。在具体应用中，
Figure 152080DEST_PATH_IMAGE108
的值实施者自行设定。根据样本数据构建孤立树的过程为现有技术，此处不再赘述。
步骤S3，根据所述各采集时刻挤压机的振动数据，预测未来时刻挤压机的振动数据；对各采集时刻挤压机的振动数据和未来时刻挤压机的振动数据进行高通滤波，将滤波后得到的振动数据记为目标振动数据，根据目标振动数据的标准差、目标振动数据的个数、所述目标采集时刻对应的温度对于出料通畅度的影响评价指标，计算未来时刻出料工作评价指标；若所述出料工作评价指标小于预设阈值，则进行报警。
考虑到机械振动会在一定程度上影响出料的通畅度，当机械振动过大时，会导致料体倾斜，发生溢料现象，致使出料速度不均匀，发生出料不畅的情况。本实施例根据历史时刻挤压机的振动数据，利用lstm（长短期记忆网络）模型预测未来时刻挤压机的振动数据。
具体的，将各挤压机在各历史采集时刻挤压机的振动数据作为训练数据集，根据各挤压机在各历史采集时刻挤压机的振动数据，构建各挤压机对应的振动数据序列，所述振动数据序列中的各元素为各历史采集时刻挤压机的振动数据；利用各挤压机对应的振动数据序列对lstm模型进行训练，lstm模型的训练过程为：将各挤压机在某一时刻之前对应的振动数据序列作为一个训练数据输入到lstm模型中，将各挤压机下一时刻的振动数据作为对应的标签来训练lstm模型，使得lstm模型能够学习到各挤压机下一时刻的振动数据，完成对lstm模型的训练，训练好的lstm模型用于预测下一时刻挤压机的振动数据。对于振动数据序列，由于后续存在数据处理阶段且需要寻找较大的值，故不需要对原数据在进行置信度评价，本实施例中训练lstm模型的损失函数为：
Figure DEST_PATH_IMAGE110
其中，
Figure DEST_PATH_IMAGE112
为lstm模型的损失函数，
Figure DEST_PATH_IMAGE114
为第
Figure DEST_PATH_IMAGE116
个预测样本，
Figure DEST_PATH_IMAGE118
为第
Figure 24484DEST_PATH_IMAGE116
个特征样本，
Figure DEST_PATH_IMAGE120
为振动数据序列中元素的数量，
Figure DEST_PATH_IMAGE122
为振动数据序列中第
Figure 807939DEST_PATH_IMAGE116
个振动数据对应的损失权重，振动数据序列中所有振动数据对应的损失权重之和为1。
为了确保
Figure 834801DEST_PATH_IMAGE112
函数收敛，通过不断训练使得
Figure 629581DEST_PATH_IMAGE112
变小，预测的结果更加精确。lstm模型的训练过程为现有技术，此处不再赘述。
本实施例将各采集时刻（各历史采集时刻）挤压机的振动数据输入到训练好的lstm模型中，预测未来时刻挤压机的振动数据。
本实施例基于时间先后顺序，根据各历史采集时刻的振动数据和未来时刻的振动数据，构建挤压机的第一振动数据序列，考虑到较大的振动数据通常对出料的影响较大，本实施例对挤压机的第一振动数据序列中的振动数据进行高通滤波，将高通滤波的处理后得到的振动数据记为目标振动数据，将目标振动数据记为
Figure DEST_PATH_IMAGE124
，统计目标振动数据的个数
Figure DEST_PATH_IMAGE126
。高通滤波为现有技术，此处不再赘述。
根据目标振动数据的标准差、目标振动数据的个数、目标采集时刻和未来采集时刻对应的温度对于出料通畅度的影响评价指标，计算未来时刻出料工作评价指标，即：
Figure DEST_PATH_IMAGE046A
其中，
Figure 510819DEST_PATH_IMAGE048
为未来时刻出料工作评价指标，
Figure 335949DEST_PATH_IMAGE050
为目标采集时刻对应的温度对于出料通畅度的影响评价指标，
Figure 318948DEST_PATH_IMAGE052
为目标振动数据的个数，
Figure 651840DEST_PATH_IMAGE054
为目标振动数据的标准差，
Figure 138317DEST_PATH_IMAGE058
为自然常数；
Figure 662577DEST_PATH_IMAGE050
的计算方法与步骤S2中
Figure 867293DEST_PATH_IMAGE024
的计算方法相同，此处不再赘述。
目标振动数据的个数
Figure 3876DEST_PATH_IMAGE052
的值越大，说明进料口的振动次数越多，对于入料的影响越大；
Figure DEST_PATH_IMAGE128
是对目标振动数据（较大的振动数据）出现的稳定性的评价，目标振动数据的标准差越小，说明目标振动数据越稳定，此时的振动对于入料的影响已经达到持续影响的程度，且稳定性越高，持续越明显。本实施例设置阈值
Figure DEST_PATH_IMAGE130
，判断未来时刻出料工作评价指标
Figure 987269DEST_PATH_IMAGE048
是否小于
Figure 918316DEST_PATH_IMAGE130
，若小于，则进行报警，提示工作人员挤压机即将出现出料不畅的问题，提醒维修人员及时进行维修。在具体应用中，
Figure 875908DEST_PATH_IMAGE130
的值实施者可自行设置。
本实施例首先获取了铝合金挤压过程中各采集时刻挤压机进料口的温度、各采集时刻挤压机的振动数据和各采集时刻挤压机的功率；根据各采集时刻挤压机进料口的温度，计算了各采集时刻的预热评价指标；考虑到仅从温度出发得到铝合金的预热评价指标，铝合金的预热评价指标并不能很好地表征出料是否流畅，因为在铝合金的生产过程中，铝合金的预热评价指标可能较高，但可能是因为铝合金内部混入了杂质，使得监测到的各时刻铝合金的温度存在稳定变化；基于此，本实施例根据各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标；然后计算了各数据的异常得分，基于各数据的异常得分，剔除掉异常数据，保留正常数据，将保留的正常数据对应的时刻记为目标采集时刻；接着本实施例根据各采集时刻挤压机的振动数据，预测未来时刻挤压机的振动数据；再对挤压机的振动数据进行高通滤波，得到目标振动数据，根据目标振动数据的标准差、目标振动数据的个数和所述目标采集时刻对应的温度对于出料通畅度的影响评价指标，计算未来时刻出料工作评价指标；根据未来时刻出料工作评价指标，判断是否需要进行报警。本实施例提供的方法能够预测未来时刻挤压机的工作状态，当预测到未来时刻挤压机的工作状态较差时，及时提醒维修人员进行检修，无需维修师傅定期对挤压机进行停机检查，实现了自动化监控，提高了检测效率，同时也节省了成本，提高了工厂的效益。
铝合金挤压工艺控制器实施例：
本实施例铝合金挤压工艺控制器包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的异常状态监控方法。
由于异常状态监控方法已经在异常状态监控方法实施例中进行了说明，所以本实施例不再对异常状态监控方法进行赘述。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (4)

1.一种异常状态监控方法，其特征在于，该方法包括以下步骤：
获取铝合金的挤压过程中各采集时刻挤压机进料口的温度、各采集时刻挤压机的振动数据和各采集时刻挤压机的功率；
根据所述各采集时刻挤压机进料口的温度，计算各采集时刻的预热评价指标；根据所述各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标；将所述各采集时刻温度对于出料通畅度的影响评价指标作为样本数据，根据所述样本数据，构建孤立树；根据所述孤立树的平均路径长度和各样本数据在孤立树中的路径长度的期望，计算各样本数据的异常得分；将异常得分小于等于预设阈值的样本数据对应的采集时刻记为目标采集时刻；
根据所述各采集时刻挤压机的振动数据，预测未来时刻挤压机的振动数据；对各采集时刻挤压机的振动数据和未来时刻挤压机的振动数据进行高通滤波，将滤波后得到的振动数据记为目标振动数据，根据目标振动数据的标准差、目标振动数据的个数、所述目标采集时刻对应的温度对于出料通畅度的影响评价指标，计算未来时刻出料工作评价指标；若所述出料工作评价指标小于预设阈值，则进行报警；
采用如下公式计算各采集时刻的预热评价指标：
Figure DEST_PATH_IMAGE001
其中，
Figure 768717DEST_PATH_IMAGE002
为第
Figure 303603DEST_PATH_IMAGE003
个采集时刻的预热评价指标，
Figure 273178DEST_PATH_IMAGE004
为第
Figure 260725DEST_PATH_IMAGE005
个采集时刻挤压机进料口的温度，
Figure 281771DEST_PATH_IMAGE006
为第
Figure 77688DEST_PATH_IMAGE003
个采集时刻挤压机进料口的温度，
Figure 424356DEST_PATH_IMAGE007
为第
Figure 899200DEST_PATH_IMAGE008
个采集时刻挤压机进料口的温度，
Figure 723936DEST_PATH_IMAGE009
为铝合金的挤压过程中挤压机进料口的标准温度，
Figure 764574DEST_PATH_IMAGE010
为自然常数；
所述根据所述各采集时刻挤压机进料口的温度、各采集时刻挤压机的功率和各采集时刻的预热评价指标，得到各采集时刻温度对于出料通畅度的影响评价指标，包括：
对于第
Figure 16563DEST_PATH_IMAGE003
个采集时刻：
获取该采集时刻对应的采集时间段，所述该采集时刻对应的采集时间段为该采集时刻及该采集时刻之前的各采集时刻构成的集合；
计算该采集时刻对应的采集时间段中任意两个相邻采集时刻中后一个采集时刻挤压机进料口的温度与前一个采集时刻挤压机进料口的温度的比值；根据所述温度的比值，构建温度比值序列；
计算该采集时刻对应的采集时间段中任意两个相邻采集时刻中前一个采集时刻挤压机的功率与后一个采集时刻挤压机的功率的比值；根据所述功率的比值，构建功率比值序列；
根据所述温度比值序列、功率比值序列和该采集时刻的预热评价指标，采用如下公式计算该采集时刻温度对于出料通畅度的影响评价指标：
Figure 716054DEST_PATH_IMAGE011
其中，
Figure 344481DEST_PATH_IMAGE012
为第
Figure 380570DEST_PATH_IMAGE003
个采集时刻温度对于出料通畅度的影响评价指标，
Figure 537882DEST_PATH_IMAGE002
为第
Figure 987318DEST_PATH_IMAGE003
个采集时刻的预热评价指标，
Figure 216174DEST_PATH_IMAGE013
为皮尔逊相关系数，
Figure 169086DEST_PATH_IMAGE014
为温度比值序列，
Figure 28458DEST_PATH_IMAGE015
为功率比值序列，
Figure 434032DEST_PATH_IMAGE016
为温度比值序列和功率比值序列的皮尔逊相关系数；
采用如下公式计算未来时刻出料工作评价指标：
Figure 666911DEST_PATH_IMAGE017
其中，
Figure 739909DEST_PATH_IMAGE018
为未来时刻出料工作评价指标，
Figure DEST_PATH_IMAGE019
为目标采集时刻对应的温度对于出料通畅度的影响评价指标，
Figure 504603DEST_PATH_IMAGE020
为目标振动数据的个数，
Figure 663052DEST_PATH_IMAGE021
为目标振动数据的标准差，
Figure 171394DEST_PATH_IMAGE022
为目标振动数据，
Figure 98898DEST_PATH_IMAGE023
为自然常数。
2.根据权利要求1所述的异常状态监控方法，其特征在于，采用如下公式计算各样本数据的异常得分：
Figure 300073DEST_PATH_IMAGE024
其中，
Figure 945818DEST_PATH_IMAGE025
为第
Figure 260780DEST_PATH_IMAGE026
个样本数据的异常得分，
Figure DEST_PATH_IMAGE027
为第
Figure 167425DEST_PATH_IMAGE026
个样本数据在一批孤立树中的路径长度的期望，
Figure 273921DEST_PATH_IMAGE028
为孤立树的平均路径长度，
Figure 406962DEST_PATH_IMAGE029
为样本数据的个数。
3.根据权利要求1所述的异常状态监控方法，其特征在于，所述根据所述样本数据，构建孤立树，包括：
根据所述样本数据，构建样本序列；所述样本序列中各元素为各样本数据；
根据所述样本序列，构建孤立树。
4.一种铝合金挤压工艺控制器，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-3任一项所述的异常状态监控方法。
CN202211002522.6A 2022-08-22 2022-08-22 异常状态监控方法及应用该方法的铝合金挤压工艺控制器 Active CN115081966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002522.6A CN115081966B (zh) 2022-08-22 2022-08-22 异常状态监控方法及应用该方法的铝合金挤压工艺控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002522.6A CN115081966B (zh) 2022-08-22 2022-08-22 异常状态监控方法及应用该方法的铝合金挤压工艺控制器

Publications (2)

Publication Number Publication Date
CN115081966A true CN115081966A (zh) 2022-09-20
CN115081966B CN115081966B (zh) 2022-11-08

Family

ID=83244705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002522.6A Active CN115081966B (zh) 2022-08-22 2022-08-22 异常状态监控方法及应用该方法的铝合金挤压工艺控制器

Country Status (1)

Country Link
CN (1) CN115081966B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115235676A (zh) * 2022-09-26 2022-10-25 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN116011894A (zh) * 2023-03-28 2023-04-25 河北长发铝业股份有限公司 一种铝合金棒生产数据管理系统
CN117632665A (zh) * 2024-01-26 2024-03-01 东莞市隆慧电子科技有限公司 一种散热器的运行状态实时监测方法
CN118122804A (zh) * 2024-04-09 2024-06-04 广州市智铝铝业有限公司 一种远程监控智能诊断铝型材挤压装置及控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598438A (zh) * 2020-05-14 2020-08-28 哈尔滨工业大学（威海） 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN114399407A (zh) * 2022-02-17 2022-04-26 北京邮电大学 一种基于动静态选择集成的电力调度监控数据异常检测方法
CN114638280A (zh) * 2022-01-30 2022-06-17 江苏东佳电气有限公司 基于本地设备网络的防爆电机轴承温度异常监测系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598438A (zh) * 2020-05-14 2020-08-28 哈尔滨工业大学（威海） 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN114638280A (zh) * 2022-01-30 2022-06-17 江苏东佳电气有限公司 基于本地设备网络的防爆电机轴承温度异常监测系统
CN114399407A (zh) * 2022-02-17 2022-04-26 北京邮电大学 一种基于动静态选择集成的电力调度监控数据异常检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115235676A (zh) * 2022-09-26 2022-10-25 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN115235676B (zh) * 2022-09-26 2022-12-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN116011894A (zh) * 2023-03-28 2023-04-25 河北长发铝业股份有限公司 一种铝合金棒生产数据管理系统
CN117632665A (zh) * 2024-01-26 2024-03-01 东莞市隆慧电子科技有限公司 一种散热器的运行状态实时监测方法
CN117632665B (zh) * 2024-01-26 2024-04-05 东莞市隆慧电子科技有限公司 一种散热器的运行状态实时监测方法
CN118122804A (zh) * 2024-04-09 2024-06-04 广州市智铝铝业有限公司 一种远程监控智能诊断铝型材挤压装置及控制方法

Also Published As

Publication number Publication date
CN115081966B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115081966B (zh) 异常状态监控方法及应用该方法的铝合金挤压工艺控制器
CN116011894B (zh) 一种铝合金棒生产数据管理系统
CN115511398B (zh) 一种基于时间敏感网络的焊接质量智能检测方法及系统
CN112434390B (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN111080982A (zh) 一种基于多传感器的大坝安全智能监测与预警系统及方法
WO2022158071A1 (ja) 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム
CN115302728A (zh) 一种注塑机的加热系统的异常监测方法
CN116968296A (zh) 一种工程塑料生产工艺自适应调节方法及系统
CN114879049A (zh) 动力电池一致性安全状态评估方法
EP4283426A1 (en) Abnormality detection system, molding equipment system, abnormality detection device, abnormality detection method, and computer program
KR20230147626A (ko) 정보 처리 방법, 정보 처리 장치, 성형기 시스템 및 컴퓨터 프로그램
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
WO2023213975A1 (en) Industrial extruder, process and method thereof
CN116415714A (zh) 风电功率预测方法、装置、电子设备及可读存储介质
CN114814419A (zh) 一种基于大数据的电力柜散热性能检测方法
CN115829335A (zh) 一种面向铝型材加工的生产线执行风险评估系统
Yu et al. Design for an SPRT control scheme based on linguistic data
CN116085290A (zh) 一种基于滑窗热成像的风机热故障检测方法及系统
CN115130746A (zh) 一种变频器的故障预警模型的构建方法、装置和电子设备
CN109934489B (zh) 一种电力设备状态评价方法
CN112381235A (zh) 监测水泥厂预热器状态变化的辅助方法
CN114943304B (zh) 一种基于贝叶斯的3c电子产品装配误差传递方法
CN116413609B (zh) 一种电池跳水识别方法、装置、电子设备及存储介质
CN114647386B (zh) 基于人工智能的大数据分布式存储方法
CN117931897B (zh) 一种加热装置温度数据运行监测方法

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
GR01 Patent grant
GR01 Patent grant