CN116274916A - 用于钢坯连铸过程的实时监测方法和稳定性分析方法 - Google Patents

用于钢坯连铸过程的实时监测方法和稳定性分析方法 Download PDF

Info

Publication number
CN116274916A
CN116274916A CN202111562620.0A CN202111562620A CN116274916A CN 116274916 A CN116274916 A CN 116274916A CN 202111562620 A CN202111562620 A CN 202111562620A CN 116274916 A CN116274916 A CN 116274916A
Authority
CN
China
Prior art keywords
continuous casting
data
key
sub
actual
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
Application number
CN202111562620.0A
Other languages
English (en)
Inventor
程刚
刘嘉凯
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.)
SKF AB
Original Assignee
SKF AB
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 SKF AB filed Critical SKF AB
Priority to CN202111562620.0A priority Critical patent/CN116274916A/zh
Priority to ATA50856/2022A priority patent/AT525762A2/de
Priority to US17/990,663 priority patent/US20230191476A1/en
Priority to DE102022213206.8A priority patent/DE102022213206A1/de
Publication of CN116274916A publication Critical patent/CN116274916A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/163—Controlling or regulating processes or operations for cutting cast stock
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/20—Controlling or regulating processes or operations for removing cast stock
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/20—Controlling or regulating processes or operations for removing cast stock
    • B22D11/208—Controlling or regulating processes or operations for removing cast stock for aligning the guide rolls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
    • 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]
    • 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)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Continuous Casting (AREA)

Abstract

本发明提出一种用于钢坯连铸过程的实时监测方法和一种用于钢坯连铸过程的稳定性分析方法。钢坯连铸过程包括按照钢坯连铸过程的工艺顺序划分的多个子过程。实时监测方法包根据实际板坯长度数据和实际板坯速度数据确定钢坯连铸过程的当前子过程，针对与当前子过程相对应的关键参数的实时数据执行异常诊断，并生成对应于该当前子过程的异常诊断结果。该稳定性分析方法包括：将关键参数的实际数据划分为与多个子过程分别对应的多个数据段，将属于相应数据段的至少两个关键参数的实际数据输入稳定性特征模型，并输出稳定性特征指数，针对稳定性特征指数执行异常诊断，并基于异常诊断的输出生成对应于相应子过程的异常诊断结果。

Description

用于钢坯连铸过程的实时监测方法和稳定性分析方法
技术领域
本发明涉及一种用于钢坯连铸过程的实时监测方法和一种用于钢坯连铸过程的稳定性分析方法。
背景技术
钢坯连铸过程是冶金工业的关键生产工艺之一；但是，到目前为止，对于这一工艺的工艺过程和关键设备，还没有典型且成熟的监控解决方案。这也导致整个钢坯连铸过程维护频繁，使用设备的综合效率较低。同时，钢坯连铸过程的早期工艺异常很难被检测到，而这些工艺异常经常会给铸机连铸辊造成较大的负荷和较高的温度，最终可能导致连铸辊失效(尤其是导致关键部件轴承频繁失效)。特别是，对于连铸机中的连铸辊及其驱动链，目前并未存在对应的状态检测方案，也不能有效地实现连铸辊及其驱动链的寿命监控和预测。
然而，在钢坯连铸过程中，危险的环境和不稳定的工作条件使得传统的CoMo解决方案(单纯的振动和温度的监控)不足以或不能有效地监控连铸的生产过程。
如上所述，由于还没有针对钢坯连铸过程的合适的监测解决方案，在目前实际的生产过程中，通常采用人工抽查铸坯质量和过度预防性维护的方式对连铸的工艺过程和关键设备进行监控。
具体来说，人工抽查铸坯质量的方式有以下缺陷：在连铸生产持续进行的过程中，人一般无法靠近高温热坯区域，也就无法形成对设备关键部件的直接观察。因此，往往都是当铸坯从最末道工序完成出坯后，来对铸坯进行监测；通过发现出坯后的铸坯，是否存在质量问题以及出现了何种质量问题，再反查是哪个设备或部件出现了状况。这种通过人工抽查出坯后铸坯质量反推设备和部件异常的方式，不可避免地具有滞后性；这种方式显然无法实时地发现问题，更不用说，对相关问题提早预警，并且常常会给钢企带来相应的损失。
另外，过度预防性维护的方式有以下缺陷：在连铸设备的停机检修时间，一般会安排设备点检人员进行设备和部件健康状态的快速简单查验，根据相应的经验和标准进行判断相应部件是否需要下线更换。因为连铸生产的连续性和需要上下游高度同步性的配合，因此，连铸生产的非计划性停机在钢企中是极其不受欢迎的。为了尽可能让连铸生产能够持续进行，那些还可以继续使用一个或多个周期的设备或部件，在没有具体数据和经验、算法等的支持下，点检人员无法做出合适的判断，因此一般会趋于保守地规划停机时间，把难以判断的设备和部件下线进行维护，换上状态良好地设备和部件。这种过度预防性维护往往会造成设备和部件没有充分利用(即，设备能力没有充分发掘)，一定程度上造成设备能力的浪费，从而给企业也造成了损失。
发明内容
有鉴于此，本发明提出一种用于钢坯连铸过程的实时监测方法，其中，所述钢坯连铸过程包括按照所述钢坯连铸过程的工艺顺序划分的多个子过程，且所述监测方法包括：从用于钢坯连铸的工艺控制系统和/或用于多个连铸设备的数据采集系统获取与多个钢坯连铸设备中的关键设备相关的关键参数的实际数据；从所述工艺控制系统实时接收实际板坯长度数据和实际板坯速度数据，并根据所述实际板坯长度数据和所述实际板坯速度数据确定钢坯连铸过程的当前子过程；在所述当前子过程中，针对与所述当前子过程相对应的关键设备的关键参数的实时数据执行异常诊断，并基于异常诊断的输出生成对应于该当前子过程的异常诊断结果。
本发明还提出一种用于钢坯连铸过程的稳定性分析方法，其中，所述钢坯连铸过程包括按照所述钢坯连铸过程的工艺顺序划分的多个子过程，且该稳定性分析方法包括：将与多个连铸设备中的关键设备相关的关键参数的实际数据划分为与所述多个子过程分别对应的多个数据段，其中所述实际数据是在钢坯连铸过程中从用于钢坯连铸的工艺控制系统和/或用于所述多个连铸设备的数据采集系统获取的；将属于相应数据段的至少两个关键参数的实际数据输入稳定性特征模型，该稳定性特征模型输出稳定性特征指数，其中所述稳定性特征模型是根据所述至少两个关键参数之间的相关性预先定义的；针对所输出的稳定性特征指数执行异常诊断，并基于异常诊断的输出生成对应于相应子过程的异常诊断结果。
根据本发明的用于钢坯连铸过程的实时监测方法和稳定性分析方法，不仅可以实现钢坯连铸过程的各个子过程中相关关键设备的实时监测，还可提前进行故障趋势预测。这两种方法适用于各种钢坯型号的不同工艺过程，且大大提高的钢坯连铸过程的运行稳定性和一致性，并保证钢坯质量。
附图说明
图1是显示了本发明的钢坯连铸系统的示意图；
图2是显示了一种典型钢坯连铸过程的示意图；
图3是显示了针对图2所示的典型钢坯连铸过程进行子过程划分的示意图；
图4是显示了针对作为一种关键设备的减速机执行实时监测方法所得到的异常检测结果的示意图；
图5是显示了针对作为一种关键设备的连铸辊执行稳定性分析方法所得到的故障趋势预测的示意图；
图6是显示了根据本发明优选实施例的综合了本发明的两种异常检测原理的方法流程图。
具体实施方式
钢坯连铸过程中使用的旋转设备有多种类型，例如整个钢坯连铸系统包括用于轧制板坯的连铸辊、用于驱动连铸辊的驱动电机和减速机、用于钢坯冷却的冷却系统等，所有的机器和部件都按照预定的顺序工作。连铸辊在一定的压力和转速下进行工作，且连铸辊是由多个轴承以及轴组成，轴承起到主要的支承和实现旋转的作用。根据板坯所处的加工阶段和加工状态，钢坯连铸过程通常包括一些不同的子过程。相应地，连铸设备也被认为是由多个工段构成，每一工段都有独立的关键设备来实现相应的加工和操作。在实际的钢坯连铸过程中，每一工段的工艺参数都是按照工艺要求来设置的，通常具有很强的一致性，例如连铸辊的总的压力是由各个子压力的线性组合构成的；又例如各个工艺段的钢坯温度控制也是通过每一段的冷却水流量来进行控制，而这个冷却水的流量和钢坯速度直接相关。
为了获知钢坯连铸过程的工作异常和稳定性，通常需要针对各种工艺参数进行监测、分析和处理。例如、对于不同的工段，板坯振动、板坯温度、板坯上的载荷压力等是影响连铸过程和板坯质量的关键参数，这些参数往往也反映了关键设备的健康状况。
因此，本发明根据钢坯连铸过程的特点以及不同子过程中关键设备的关键参数之间的关联性等，提出了用于钢坯连铸过程的实时监测方法和稳定性分析方法。
本发明的上述方法是基于如图1所示的钢坯连铸系统实现的。该钢坯连铸系统主要包括用于钢坯连铸的工艺控制系统和/或用于多个连铸设备的数据采集系统。用于钢坯连铸的工艺控制系统例如用于设置和获取钢坯连铸过程中相关设备的工艺参数，例如冷却水的温度、板坯长度、板坯速度、驱动电机电流和连铸辊的转速等。工艺控制系统例如是任何合适的工艺控制系统，例如是基于PLC、iba等的工艺控制系统。数据采集系统例如是安装至关键设备的任何合适的传感器构成的数据采集系统，包括但不限于安装在各工段的驱动电机、减速机、轴承等上的传感器，特别是用于采集振动数据的振动传感器。从而，来自工艺控制系统、数据采集系统的各种数据可用于实施本发明所提出的方法。
首先，为了实施本发明的方法，根据钢坯连铸过程中板坯速度和板坯长度的典型数据，将钢坯连铸过程划分为多个子过程。图2示出了一种典型钢坯连铸过程(大致由图2中的实线方框圈出)中板坯长度(曲线A)和板坯速度(曲线B)之间的对应关系。进而，根据该对应关系，将该钢坯连铸过程划分为如图3所示的多个子过程，其包括初始准备过程1；引锭头回位过程2；结晶初始化过程3；驱动辊启动过程4；稳定钢坯连铸过程5；以及连铸结束过程6。从而，将从液态钢水开始浇筑到板坯切割之前的整个钢坯连铸过程按工艺顺序划分为多个不同的子过程(即多个不同的工艺阶段)。
根据这种优选的划分方式，例如当钢坯速度为0、长度为0时，处于“初始准备过程1”；当钢坯长度为0、速度却很大时，处于“引锭头回位过程2”状态等；当钢坯长度为0，速度再次下降至0时，处于“结晶初始化过程3”；当钢坯长度开始增加，钢坯速度开始上升时，处于“驱动辊启动过程4”；当钢坯长度基本匀速增加，钢坯速度保持稳定时，处于“稳定钢坯连铸过程5”；当钢坯长度达到最大，钢坯速度开始下降(伴有短时或瞬时速度增加)，属于“连铸结束过程6”。当然，应理解，上述示例仅用于举例，而非用于限制。对于不同型号的钢坯及其连铸过程而言，因其具体工艺参数、工艺过程等不同，可以有不同的子过程划分标准，即用于划分子阶段的长度和速度的具体值可以不同。
另外，与每一个子过程关联的关键设备具有各自的工艺参数，且在各自的正常波动范围内变化。通过进行上述的子过程划分，可以有针对性地监测不同子过程中关键设备的运转状态，以在不同的子过程中监测相关关键设备的运转状态，以实现更精确的实时异常监测，甚至可以直接确定具体的故障源。
根据本发明的一优选实施例，提出一种用于钢坯连铸过程的实时监测方法，其中，所述钢坯连铸过程包括按照所述钢坯连铸过程的工艺顺序划分的多个子过程，如上所述。该监测方法包括：
从用于钢坯连铸的工艺控制系统和/或用于多个连铸设备的数据采集系统获取与多个钢坯连铸设备中的关键设备相关的关键参数的实际数据；
从所述工艺控制系统实时接收实际板坯长度数据和实际板坯速度数据，并根据所述实际板坯长度数据和所述实际板坯速度数据确定钢坯连铸过程的当前子过程；
在所述当前子过程中，针对与所述当前子过程相对应的关键设备的关键参数的实时数据执行异常诊断，并基于异常诊断的输出生成对应于该当前子过程的异常诊断结果。
在上述实时监测方法中，对于不同的子过程，与其关联的关键设备不同，进而关键设备的关键参数也不同。
例如，对于结晶初始化过程3之后的板坯辊轧过程(特别是对于驱动辊启动过程4和稳定钢坯连铸过程5)，用于驱动连铸辊的驱动电机、减速机以及连铸辊的轴承上的振动，减速机输出轴上的转矩，连铸辊的位置，连铸辊上的载荷状态等是反应连铸过程是否正常以及板坯质量的关键参数。
又例如，对于各个子过程来说，冷却系统中冷却水的状态能一定程度上反应该子过程的工艺质量。具体说，冷却水温往往能反映钢坯的温度状态等，进而反映出冷却系统中例如喷嘴这样的关键部件是否有异常。同时，冷却水流量也是一种重要的参数。因此，在需要时，也可以针对所有或个别子过程选用冷却水温度和/或冷却水流量作为用于冷却系统的关键参数。
因此，对于各个子过程中关键设备和关键参数的选择可以根据实际需要灵活选择。例如，可以在执行实时监测方法之前规定好针对不同的子过程选定与之相关的多个设备中的一个或多个作为关键设备及其关键参数，以在钢坯连铸过程中直接获取关键设备的关键参数的实际值。
在上述实时监测方法中，由于每次钢坯连铸过程具体条件的不同，实际的子过程可能与根据典型板坯速度和板坯长度数据事先划分的子过程不能完美对应，因此需要在每次钢坯连铸过程中，根据实际板坯长度数据和实际板坯速度数据并按照如上所述的子过程划分的依据，实时确定当前所处的子过程，即判断当前子过程的准确范围。实际板坯长度数据和实际板坯速度数据可以从例如iba这样的钢坯连铸工艺控制系统获得。
为了进一步准确确定当前子过程，根据本发明的一种优选改进，该实时监测方法还可包括：从所述工艺控制系统和/或所述数据采集系统获取所述多个连铸设备中的一个或多个设备的辅助参数的实际数据。从而，根据所述辅助参数的实际数据、所述实际板坯长度数据和所述实际板坯速度数据可以更精确地确定钢坯连铸过程的当前子过程的范围。
在这些辅助参数中，相关设备的振动往往是一类很关键的辅助参数，因此辅助参数例如包括第一集合辅助参数，所述第一集合辅助参数包括以下中的一个或多个：驱动电机的振动；减速机的振动；轴承的振动。可以根据相关设备的振动数据并结合实际的板坯长度和板坯速度数据，更精确地划分多子过程。例如，用于相应工段的驱动电机的振动和/或减速机的振动往往对应于板坯行进到该工段，因此可以进一步确认连铸过程已进行到相应的子过程。
进一步优选地，所述辅助参数还可包括第二集合辅助参数，所述第二集合辅助参数包括以下中的一个或多个：连铸辊的位置；连铸辊上的载荷状态(通常是载荷状态可以是表示是否有载荷的0或1状态，也可以是载荷的具体值，例如连铸辊上的力的值)；连铸辊的转速；驱动电机的电流；减速机输出轴上的转矩；轴承的温度；冷却设备的冷却液温度；冷却设备的冷却水流量。这些辅助参数可以根据实际需要来选取，并可以结合实际的板坯长度和板坯速度数据、相关的振动数据来进一步精确确定当前子过程。
举例来说，对于引锭头回位过程2和结晶初始化过程3，虽然在这些子过程中可以根据实际的板坯速度和板坯长度来确定当前子过程，但由于速度数据可能变化很剧烈，而长度数据可能变化不大，因此可以通过选择如上所述的辅助参数(例如驱动电机、减速机、轴承的振动，连铸辊的位置、转速、其上的载荷状态；驱动电机的电流、冷却水温度等)的实际数据来辅助当前子过程的确定，从而更精确地判断是否已经确实进入或离开相应子过程。
另外，用于精确确定当前子过程的辅助参数往往也是当前子过程中关键设备的关键参数(例如各种设备的振动数据、温度数据、载荷数据等)，因此根据一优选实施方式，可以从所述第一集合辅助参数中选择与所述关键设备相关的一个或多个辅助参数作为所述关键参数；和/或从所述第二集合辅助参数中选择与所述关键设备相关的一个或多个辅助参数作为所述关键参数，以便执行针对关键设备的实时监测。
在上述实时监测方法中，可以采取各种合适的方式来实施任何当前子过程中的异常诊断。例如，可以获取所述关键设备的所述关键参数的实际数据与所述关键参数的典型数据之间的比较结果。所述关键参数的典型数据可以是根据历史经验设定或选择的值或范围，而关键参数的实际数据与所述关键参数的典型数据之间的比较可以包括将实际数据与典型数据进行直接比较，也可以包括将实际数据进行必要的数据处理(例如去除噪声或进行必要的转换等)后再与典型数据进行比较。随后，基于所述比较结果生成对应于该当前子过程的异常诊断结果。
或者，也可以将所述关键设备的所述关键参数的实际数据输入异常检测模型，并基于异常检测模型的输出生成对应于所述当前子过程的异常诊断结果。根据需要，该异常检测模型可以实施为任何合适的异常检测模型，包括但不限于基于孤立森林算法(isolation forest)、密度聚类(DBSCAN)、局部离群因子算法(local outlier factor：LOF)、单类支持向量机(OneClassSVM)等的异常检测模型。
另外，在一种典型的实时监测过程中，板坯长度和板坯速度的实际数据、各辅助参数和/或关键参数的实际数据通常是被同时接收或采集的，随后将各种数据与按照如上所述的方法确定的当前子过程进行同步(例如依据时间戳进行同步)，随后执行如上所述的异常诊断。
下面以图4为例介绍针对某一子过程中相关减速机的实时监测过程。图4示出了在多次钢坯连铸过程的稳定钢坯连铸过程中针对某工段的减速机进行的多次实时监测。图4包括A、B、C三幅图示。在A图中，横坐标为时间，纵坐标为减速机的输出轴上载荷的实际数据(以kN为单位)；在B图中，横坐标为采样点数(其与A图中的时间相对应)，纵坐标为经处理后的载荷数据，其例如是0-1范围内的值；在C图中，横坐标为采样点数(其与A图中的时间相对应)，纵坐标为报警信号输出值，其为0或1的值。在该多次稳定钢坯连铸过程的实时检测中，根据所检测到的减速机实际载荷数据值(A图)和经处理的载荷数据值(B图)，通过执行如上所述的实时监测方法，检测到该减速机在图中方框所示的时刻出现异常，即可以认为相关输出轴上的力的数据明显偏离正常值或范围，从而依据该异常检测结果，可以在该子过程中实时发出报警信号(C图)。
还应理解，对于不同子过程的实时监测，可以根据相关参数的采集/接收频率等在预定的时间窗口内执行上述实时监测方法。
以上介绍了根据本发明的用于钢坯连铸过程的实时监测方法，下面将介绍根据本发明的用于钢坯连铸过程的稳定性分析方法。尽管上文和下文中采用一定的顺序描述了两种方法所包含的步骤，但应理解，描述的目的并不是要限制各步骤执行的顺序，而是为了表明相关方法包含相关步骤，因此可以在能够实现本发明所述方法的处理过程和效果的情况下，根据实际需要，任意安排各种步骤的执行顺序。
根据发明人的研究发现，在一设备发生严重故障(例如失效、断裂、停机等)之前，该设备的运行已经处于不稳定的状态，且具有朝向发生严重故障发展的趋势。然而，通过常规的检测方法难以发现或诊断出这种趋势，而等到严重故障发生时往往已造成重大损失。因此，本发明提出基于关键设备的关键参数的稳定性特征来实现这种故障趋势的提前预测和诊断。
根据本发明的稳定性分析方法可以在每次钢坯连铸之后执行，以基于该方法所得到的结果来进行趋势预测和诊断。
例如可以在多次钢坯连铸过程完成后针对每次钢坯连铸过程的每个子过程中的相关关键数据执行稳定性分析，从而分析发生严重故障的趋势。该稳定性分析方法也涉及按照钢坯连铸过程的工艺顺序划分的多个子过程，例如如上针对图2所述的6个子过程。且该稳定性分析方法包括：
将与多个连铸设备中的关键设备相关的关键参数的实际数据划分为与所述多个子过程分别对应的多个数据段，其中所述实际数据是在钢坯连铸过程中从用于钢坯连铸的工艺控制系统和/或用于所述多个连铸设备的数据采集系统获取的；
将属于相应数据段的至少两个关键参数的实际数据输入稳定性特征模型，该稳定性特征模型输出稳定性特征指数，其中所述稳定性特征模型是根据所述至少两个关键参数之间的相关性预先定义的；
针对所输出的稳定性特征指数执行异常诊断，并基于异常诊断的输出生成对应于相应子过程的异常诊断结果。
在上述稳定性分析方法中，对于多个子过程的划分，可以在每次执行稳定性分析方法时套用预先定义好的子过程划分标准，也可以根据本次钢坯连铸过程中的实际板坯长度数据和实际板坯速度数据等按照如上所述的精确确定方法进一步确定本次钢坯连铸过程中各子过程的准确范围，然后再将关键参数的实际数据划分为与所述多个子过程分别对应的多个数据段。
稳定性特征模型可以是预先设定的，且可以根据不同子阶段的工艺功能、关键设备的性能等选择至少两个关键参数来建立与该子过程相关的稳定性特征模型，且这些关键参数之间应具有实际的相关性，例如对于辊轧系统来说，相关设备(例如连铸辊)的载荷和速度具有高度相关性，且能反应相关设备的状态；而对于冷却系统而言，冷却水的温度与冷却水的流量具有高度相关性，且能反应冷却系统中相关部件或设备的状态。
下面以连铸辊为例介绍本发明的稳定性分析方法。如上所述，在连铸过程中，连铸辊的载荷非常重要，而连铸辊的载荷是基于工艺要求，平均分散到不同的连铸辊上，例如总的载荷Fref和各驱动辊的载荷Fref1……Frefn可以定义如下关系：
Fref＝Fref1+Fref2+…+Frefn
据此，可以同时定义载荷因子如下，它们之间通过预先定义的载荷比率计算得到：
Figure BDA0003420689150000091
其中，kf为总的载荷比率，kf1……kfn为各驱动辊的载荷比率，且满足以下公式：
kf＝kf1+kf2+…+kfn
由于总的载荷还和连铸过程的拉坯速度相关，因此各连铸辊上的载荷也与拉坯速度相关，而且由于上述的线性关系，当系统稳定时，各连铸辊上的载荷和拉坯速度之间的相关性应该是相对稳定的，由此可以基于这种相关性定义以下两种拉坯稳定性指标：
Figure BDA0003420689150000101
Figure BDA0003420689150000102
其中，speed代表拉坯速度，
Figure BDA0003420689150000103
为载荷与速度之间的相关性函数，std和mean分别代表方差和均值，二者即为针对连铸辊设定的基于拉坯速度和连铸辊上载荷之间相关性的稳定性特征指数。
优选地，根据如上定义的稳定性特征模型，可以在多次连铸过程完成后将每次连铸过程中所获取的连铸辊上的载荷与拉坯速度的实际数据输入到上述模型中，进而输出稳定性特征指数。随后针对所输出的稳定性特征指数执行异常诊断，并基于异常诊断的输出生成对应于相应子过程的异常诊断结果。
这种异常诊断例如可以包括：将从稳定性特征模型输出的稳定性特征指数与稳定性特征指数的历史值或阈值进行比较；或将从稳定性特征模型输出的稳定性特征指数输入异常检测模型，并基于所述异常检测模型的输出生成对应于相应子过程的异常诊断结果。这里所使用的异常检测模型也可以是如上所述的实施监测方法中所使用的异常检测模型中的任何一种或多种，例如基于孤立森林算法(isolation forest)、密度聚类(DBSCAN)、局部离群因子算法(local outlier factor：LOF)、单类支持向量机(OneClassSVM)等的异常检测模型。
图5示出了在多次连铸过程完成后执行多次稳定性分析所得到的上述方差和均值(分别作为特征-1和特征2)的输出曲线，其中横坐标为拉坯次数，纵坐标为相关稳定性特征指标的值。在该例中，从特征-1的曲线图中难以发现异常状况或异常趋势。而在特征-2的曲线图中，根据虚线所示的稳定性特征指数的异常度阈值，在该阈值以下，可以认为连铸辊工作正常；在该阈值以上，例如自箭头A所示开始(约第20次拉坯开始)，可认为连铸辊可能存在发生故障的趋势。自第20次拉坯开始，特征-2的值达到阈值以上的次数之间增多，且量值也来越大，基本可以确定连铸辊已经存在失效的风险。实际上，在箭头B所示的第50次拉坯中观测到了连铸辊失效。因此，若在第20次拉坯之后就开始关注连铸辊的状态并及时采取必要的维护措施，以提前避免连铸辊的故障。
以上给出了连铸辊作为关键设备时设计的相关稳定性特征模型以及分析方法。应理解，本发明的稳定性分析方法还可以适用于其他关键设备，以建立相应的稳定性特征模型，并执行有效的稳定性分析和诊断。例如，针对驱动电机，可以根据电机电流与连铸辊的转速之间的相关性建立针对驱动电机的稳定性特征模型；针对冷却系统，可以根据冷却水流量与冷却水温度之间的相关性建立针对冷却系统的稳定性特征模型。
上文给出了根据本发明的用于钢坯连铸过程的实时监测方法和稳定性分析方法。实际上，这两种方法也可以结合起来执行。图6示出了根据本发明一优选实施方式的用于钢坯连铸过程的质量监测方法，其主要包括：
在步骤S1，实时获取实际板坯速度、实际板坯速度以及各种设备的各种相关参数；
在步骤S2，判断当前钢坯连铸过程是否完成，若是，则前进到步骤S3，若否则前进到步骤S6；步骤S2可由步骤S1的执行而触发，也可由其他预先设定的条件触发，例如基于预先设定的执行时间规则而触发；
在步骤S3，基于针对关键设备的关键参数所建立的稳定性特征模型执行稳定性分析，以获得相关的稳定性分析指数；
在步骤S4，针对所输出的稳定性特征指数执行异常诊断；
在步骤S5，根据实际板坯速度、实际板坯速度以及相关的辅助参数，判断当前子过程；
在步骤S6，执行实时监测，以实现实时的异常检测；
在步骤S7，将根据实时监测方法和/或稳定性分析方法得到的异常检测结果输出，例如发出报警信号。
在上述质量监测方法中，S3-S4对应于根据本发明的稳定性分析方法，S6-S7对应于根据本发明的实时监测方法。
需要说明的是，上述实施例仅为一种优选实施方式的举例，而非用于限制。上述实施例的相应变形，也包含在本发明的范围内。例如，步骤S1与步骤S2之间可无严格的先后顺序。又例如，在一些实施例中，步骤S6的执行与步骤S2的判断结果无关：如，若步骤S2的判断结果为是，则进入步骤S3，若步骤S2的判断结果为否，则等待直至进行下一次判断；而步骤S6可以基于预先设定的执行时间规则来触发执行，不受步骤S2的判断结果的影响。
以上介绍了根据本发明的用于钢坯连铸过程的实时监测方法和稳定性分析方法，不仅可以实现钢坯连铸过程的各个子过程中相关关键设备的实时监测，还可提前进行故障趋势预测。这两种方法适用于各种钢坯型号的不同工艺过程，且大大提高的钢坯连铸过程的运行稳定性和一致性，并保证钢坯质量。
上文中参照优选的实施例详细描述了本公开所提出的方案的示范性实施方式，然而本领域技术人员可理解的是，在不背离本公开理念的前提下，可以对上述具体实施例做出多种变型和改型，且可以对本公开提出的各种技术特征、结构进行多种组合，而不超出本公开的保护范围，本公开的保护范围由所附的权利要求确定。

Claims (10)

1.一种用于钢坯连铸过程的实时监测方法，其中，所述钢坯连铸过程包括按照所述钢坯连铸过程的工艺顺序划分的多个子过程，且所述实时监测方法包括：
从用于钢坯连铸的工艺控制系统和/或用于多个连铸设备的数据采集系统获取与多个钢坯连铸设备中的关键设备相关的关键参数的实际数据；
从所述工艺控制系统实时接收实际板坯长度数据和实际板坯速度数据，并根据所述实际板坯长度数据和所述实际板坯速度数据确定钢坯连铸过程的当前子过程；
在所述当前子过程中，针对与所述当前子过程相对应的关键设备的关键参数的实时数据执行异常诊断，并基于异常诊断的输出生成对应于该当前子过程的异常诊断结果。
2.一种用于钢坯连铸过程的稳定性分析方法，其中，所述钢坯连铸过程包括按照所述钢坯连铸过程的工艺顺序划分的多个子过程，且该稳定性分析方法包括：
将与多个连铸设备中的关键设备相关的关键参数的实际数据划分为与所述多个子过程分别对应的多个数据段，其中所述实际数据是在钢坯连铸过程中从用于钢坯连铸的工艺控制系统和/或用于所述多个连铸设备的数据采集系统获取的；
将属于相应数据段的至少两个关键参数的实际数据输入稳定性特征模型，该稳定性特征模型输出稳定性特征指数，其中所述稳定性特征模型是根据所述至少两个关键参数之间的相关性预先定义的；
针对所输出的稳定性特征指数执行异常诊断，并基于异常诊断的输出生成对应于相应子过程的异常诊断结果。
3.如权利要求1或2所述的方法，其中，所述钢坯连铸过程包括从钢水浇筑至板坯切割之前的过程，且所述多个子过程包括：
初始准备过程；
引锭头回位过程；
结晶初始化过程；
驱动辊启动过程；
稳定钢坯连铸过程；以及
连铸结束过程。
4.如权利要求1所述的方法，其中，
所述方法还包括：从所述工艺控制系统和/或所述数据采集系统获取所述多个连铸设备中的一个或多个设备的辅助参数的实际数据，
其中，确定所述当前子过程的步骤包括：根据所述辅助参数的实际数据、所述实际板坯长度数据和所述实际板坯速度数据确定钢坯连铸过程的当前子过程。
5.如权利要求2所述的方法，其中，
将所述实际数据划分为所述多个数据段的步骤包括：
根据从所述工艺控制系统实时接收的实际板坯长度数据和实际板坯速度数据、所述多个连铸设备中的一个或多个设备的辅助参数的实际数据，将与多个连铸设备中的关键设备相关的关键参数的实际数据划分为与所述多个子过程分别对应的多个数据段；和/或
所述异常诊断的步骤包括：
将从稳定性特征模型输出的稳定性特征指数与稳定性特征指数的历史值或阈值进行比较；或
将从稳定性特征模型输出的稳定性特征指数输入异常检测模型，并基于所述异常检测模型的输出生成对应于相应子过程的异常诊断结果。
6.如权利要求4或5所述的方法，其中，所述辅助参数包括第一集合辅助参数，所述第一集合辅助参数包括以下中的一个或多个：
驱动电机的振动；
减速机的振动；
轴承的振动。
7.如权利要求6所述的方法，所述辅助参数包括第二集合辅助参数，所述第二集合辅助参数包括以下中的一个或多个：
连铸辊的位置；
连铸辊上的载荷状态；
连铸辊的转速；
驱动电机的电流；
减速机输出轴上的转矩；
减速机输出轴上的载荷状态；
轴承的温度；
冷却设备的冷却液温度；
冷却设备的冷却水流量。
8.如权利要求7所述的方法，还包括：
从所述第一集合辅助参数中选择与所述关键设备相关的一个或多个辅助参数作为所述关键参数；和/或
从所述第二集合辅助参数中选择与所述关键设备相关的一个或多个辅助参数作为所述关键参数。
9.如权利要求1所述的方法，其中，所述异常检测包括：
获取所述关键设备的所述关键参数的实际数据与所述关键参数的典型数据之间的比较结果，并基于所述比较结果生成对应于该当前子过程的异常诊断结果；或
将所述关键设备的所述关键参数的实际数据输入异常检测模型，并基于异常检测模型的输出生成对应于所述当前子过程的异常诊断结果。
10.如权利要求1或2所述的方法，其中，用于多个连铸设备的数据采集系统包括针对所述多个子过程中的至少一个子过程所使用的关键设备安装的传感器，该传感器用于获取所述关键参数的实际数据。
CN202111562620.0A 2021-12-20 2021-12-20 用于钢坯连铸过程的实时监测方法和稳定性分析方法 Pending CN116274916A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111562620.0A CN116274916A (zh) 2021-12-20 2021-12-20 用于钢坯连铸过程的实时监测方法和稳定性分析方法
ATA50856/2022A AT525762A2 (de) 2021-12-20 2022-11-11 Echtzeit-Überwachungsverfahren und Stabilitätsanalyseverfahren für ein Stranggießverfahren
US17/990,663 US20230191476A1 (en) 2021-12-20 2022-11-19 Real-time monitoring method and stability analysis method for continuous casting process
DE102022213206.8A DE102022213206A1 (de) 2021-12-20 2022-12-07 Echtzeit-Überwachungsverfahren und Stabilitätsanalyseverfahren für ein Stranggießverfahren

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111562620.0A CN116274916A (zh) 2021-12-20 2021-12-20 用于钢坯连铸过程的实时监测方法和稳定性分析方法

Publications (1)

Publication Number Publication Date
CN116274916A true CN116274916A (zh) 2023-06-23

Family

ID=86606557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111562620.0A Pending CN116274916A (zh) 2021-12-20 2021-12-20 用于钢坯连铸过程的实时监测方法和稳定性分析方法

Country Status (4)

Country Link
US (1) US20230191476A1 (zh)
CN (1) CN116274916A (zh)
AT (1) AT525762A2 (zh)
DE (1) DE102022213206A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116944446A (zh) * 2023-07-27 2023-10-27 常州润来科技有限公司 一种水平连铸铜管坯工艺参数异常监测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2414167A1 (en) * 2002-12-12 2004-06-12 Dofasco Inc. Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts
US6885907B1 (en) * 2004-05-27 2005-04-26 Dofasco Inc. Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention
DE102009056654A1 (de) * 2009-09-14 2011-03-24 Sms Siemag Ag System und Verfahren zur Überwachung von Prozessen bei der Herstellung und Verarbeitung metallischer Werkstoffe
US8630728B2 (en) * 2011-01-28 2014-01-14 Abb Technology Ag System and method for generating indices to quantify operating transition performance of a continuous process
DE102012224132B4 (de) * 2012-12-21 2023-10-05 Primetals Technologies Austria GmbH Überwachungsverfahren für eine Stranggießkokille mit Aufbau einer Datenbank
CN106180619A (zh) * 2016-08-12 2016-12-07 湖南千盟物联信息技术有限公司 一种连铸过程智能控制的系统方法
EP4015104A1 (de) * 2020-12-17 2022-06-22 Primetals Technologies Austria GmbH Verfahren zum stranggiessen von metall

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116944446A (zh) * 2023-07-27 2023-10-27 常州润来科技有限公司 一种水平连铸铜管坯工艺参数异常监测方法
CN116944446B (zh) * 2023-07-27 2024-02-09 常州润来科技有限公司 一种水平连铸铜管坯工艺参数异常监测方法

Also Published As

Publication number Publication date
AT525762A2 (de) 2023-07-15
US20230191476A1 (en) 2023-06-22
DE102022213206A1 (de) 2023-06-22

Similar Documents

Publication Publication Date Title
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
US6885907B1 (en) Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention
US10402246B2 (en) Method for generating a machine heartbeat
Adamy Breakout prediction for continuous casting by fuzzy mealy automata
US20040172153A1 (en) Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts
JP2008132558A (ja) 切削加工における異常検出方法及び加工異常検出装置
CN116274916A (zh) 用于钢坯连铸过程的实时监测方法和稳定性分析方法
Zhang et al. Online monitoring of steel casting processes using multivariate statistical technologies: From continuous to transitional operations
TW201304388A (zh) 馬達控制裝置
KR20190025133A (ko) 진동 가속도 신호를 활용한 공구 파손감지 영역 자동설정 방법 및 진동 가속도 신호를 활용한 공구 파손감지장치
Zhang et al. Integrated monitoring solution to start-up and run-time operations for continuous casting
JP2755782B2 (ja) 圧延ラインの総合診断システム
US11579042B2 (en) Monitoring method for plate billet crank flying shear process
JP5924490B2 (ja) 冷間圧延における異常検出方法および冷間圧延方法
KR20180115826A (ko) 설비 이상 모니터링 장치 및 방법
CN114323664A (zh) 一种燃气轮机燃气振动异常的检测方法
JPH0695059B2 (ja) 電動機電流による機械設備の診断方法
CN113695667A (zh) 摆剪故障检测系统及方法
JPH045518A (ja) 圧延設備における異常診断方式
JP7156569B1 (ja) 異常検出装置
KR100931630B1 (ko) 사상 압연에 있어서 제어성 이상 진단 장치
JP7414268B2 (ja) 監視システム、監視方法及びプログラム
CN118060512A (zh) 连铸机控制方法、连铸机控制系统及计算机可读存储介质
JPH0337460B2 (zh)
Adamy by Fuzzy MealyAutomata

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication