CN116809652A - 一种热轧机控制系统的异常分析方法及系统 - Google Patents
一种热轧机控制系统的异常分析方法及系统 Download PDFInfo
- Publication number
- CN116809652A CN116809652A CN202310779093.1A CN202310779093A CN116809652A CN 116809652 A CN116809652 A CN 116809652A CN 202310779093 A CN202310779093 A CN 202310779093A CN 116809652 A CN116809652 A CN 116809652A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- control
- rolling mill
- hot rolling
- node
- 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
Links
- 238000005098 hot rolling Methods 0.000 title claims abstract description 243
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000005856 abnormality Effects 0.000 title claims description 14
- 230000005284 excitation Effects 0.000 claims abstract description 272
- 230000000875 corresponding effect Effects 0.000 claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002596 correlated effect Effects 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 679
- 238000000034 method Methods 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 3
- 229910000861 Mg alloy Inorganic materials 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005097 cold rolling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B28/00—Maintaining rolls or rolling equipment in effective condition
-
- 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)
- Control Of Metal Rolling (AREA)
Abstract
本申请实施例提供一种热轧机控制系统的异常分析方法及系统,通过利用各热轧机控制实例各自对应的异常激发节点在热轧机控制事件中循环次数与异常激发概率值正相关,从异常激发节点中提取异常激发概率值最大的中间异常控制节点,从而结合各热轧机控制实例的异常激发节点,对异常控制节点进行初步选择,当中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整异常控制服务路径,结合异常激发处理要求进行选择,可以确保异常控制节点的决策可靠性,快速定位聚焦异常控制服务路径,进而准确确定热轧机控制事件的异常控制节点,以便于提高热轧机控制流程更新的可靠性。
Description
技术领域
本申请涉及热轧机控制优化技术领域,具体而言,涉及一种热轧机控制系统的异常分析方法及系统。
背景技术
热轧机是冶金行业的重要设备,例如镁合金板材热轧机组是将热态下的镁合金板坯,经横向和纵向多道次轧制后,轧制到理想厚度的板带材。轧制后的板带经精整工序后可直接完成成品加工,也可作为后续冷轧设备的轧制原料。相关技术中,在多个热轧机的控制过程中通过结合统一的热轧机控制系统进行各种轧制操作。然而,在热轧机控制过程中可能会存在一个或多个异常控制节点,导致轧制操作出现可能出现潜在故障,如何准确确定热轧机控制事件的异常控制节点,以便于热轧机控制流程的更新,是本领域亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种热轧机控制系统的异常分析方法及系统。
结合本申请的第一方面,提供一种热轧机控制系统的异常分析方法,应用于热轧机监控服务器,所述方法包括:
获取所述热轧机监控服务器所监控的目标热轧机控制系统的系统运行调度数据,并对所述系统运行调度数据中的各个热轧机控制操作数据进行异常预测,获得对应的异常控制预测数据,获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,其中,所述系统运行调度数据表征热轧机控制流程中热轧机控制操作数据形成的数据序列;
从所述异常激发节点中提取异常激发概率值最大的中间异常控制节点,所述异常激发概率值与所述异常激发节点在所述热轧机控制事件中循环次数正相关;
当所述中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整所述异常控制服务路径,直到更新输出的聚焦异常控制服务路径下的热轧机控制事件所对应中间异常控制节点的异常激发概率值符合所述异常激发处理要求;
将异常激发概率值符合所述异常激发处理要求的中间异常控制节点确定为所述聚焦异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
针对一种可替代的实施例而言,所述方法还包括:
当衍生调整所述异常控制服务路径所得到的各衍生调整异常控制服务路径下的热轧机控制事件分别对应的中间异常控制节点的异常激发概率值均不符合所述异常激发处理要求时,获取所述异常控制服务路径所对应的前后向衍生异常控制服务路径;
从所述前后向衍生异常控制服务路径所对应的目标热轧机控制事件中各热轧机控制实例各自对应的异常激发节点中,提取在所述目标热轧机控制事件中循环次数最多的异常控制节点。
针对一种可替代的实施例而言,所述异常激发处理要求为异常激发概率值不小于第一预置概率值;
所述方法还包括:
当所述异常控制节点的异常激发概率值小于第二预置概率值时,结合异常控制服务路径层级,衍生调整所述聚焦异常控制服务路径,并确定每一衍生调整的聚焦异常控制服务路径下热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新,直至确定的异常控制节点的异常激发概率值不小于所述第二预置概率值;
其中,所述第二预置概率值大于所述第一预置概率值。
针对一种可替代的实施例而言,所述方法还包括:
结合热轧机控制操作数据的每一热轧机控制事件在所述热轧机控制操作数据中的遍历活动路径,确定所述热轧机控制操作数据的各活动路径节点;
从所述活动路径节点中提取符合异常匹配要求的目标路径节点,确定与所述目标路径节点对应的异常控制服务路径。
针对一种可替代的实施例而言,所述获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,包括:
从各热轧机控制事件所对应的热轧机状态控制数据中,提取异常控制服务路径下的热轧机控制事件所对应的目标热轧机状态控制数据;
分别遍历所述目标热轧机状态控制数据,获得所述热轧机控制事件中各热轧机控制实例各自对应的异常激发节点。
针对一种可替代的实施例而言,所述分别遍历所述目标热轧机状态控制数据,获得所述热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,包括:
分别遍历所述目标热轧机状态控制数据,获取异常控制服务路径下的热轧机控制事件中各热轧机控制实例的聚焦控制节点数据;
当所述聚焦控制节点数据中存在聚焦权重节点时,将最新的聚焦权重节点确定为对应个热轧机控制实例的异常激发节点;
当所述聚焦控制节点数据中不存在聚焦权重节点时,将常规配置控制节点确定为对应个热轧机控制实例的异常激发节点。
针对一种可替代的实施例而言,所述异常控制服务路径下的热轧机控制事件为控制次数大于1的热轧机控制事件簇;所述方法还包括:
针对每一异常激发节点,结合相应异常激发节点在所述热轧机控制事件簇中的每一热轧机控制事件中所传递的控制节点数量,获得每一异常激发节点在所述热轧机控制事件簇中的循环次数。
针对一种可替代的实施例而言,所述方法还包括:
结合每一聚焦异常控制服务路径下的路径属性所对应的异常控制节点,构建相应异常控制节点与相应聚焦异常控制服务路径之间的关联向量。
针对一种可替代的实施例而言,所述方法还包括:
结合针对异常控制服务路径的异常控制节点链接请求,对所述异常控制服务路径下热轧机控制事件所对应的异常控制节点进行查找;
当查找到所述异常控制服务路径不存在关联的目标异常控制节点时,结合异常控制服务路径层级,对所述异常控制服务路径进行遍历溯源,直至遍历溯源得到的聚焦异常控制服务路径存在关联的目标异常控制节点;
下发携带所述目标异常控制节点对应特征向量的异常控制节点查找信息;
其中,所述目标异常控制节点,为所述聚焦异常控制服务路径下异常激发的异常激发概率值最大、且所述异常激发概率值符合异常激发处理要求的异常激发节点;所述异常激发概率值与所述异常激发节点在所述聚焦异常控制服务路径下的热轧机控制事件中所所激发的控制节点数量正相关;
所述方法还包括:
结合所述目标异常控制节点对应特征向量,向所述目标异常控制节点发送与所述热轧机控制事件相对应的更新请求;
接收所述目标异常控制节点结合所述更新请求反馈的关联向量更新信息;
结合所述关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量;
所述结合所述关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量,包括:
当所述更新实例为所述异常控制服务路径时,新增所述目标异常控制节点与所述异常控制服务路径之间的关联向量;
当所述更新实例为更新异常控制节点和所述异常控制服务路径时,新增所述更新异常控制节点与所述异常控制服务路径之间的关联向量。
结合本申请的第二方面,提供一种热轧机监控服务器,所述热轧机控制系统包括包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该热轧机监控服务器实现前述的热轧机控制系统的异常分析方法。
结合本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的热轧机控制系统的异常分析方法。
结合上述任一方面,本申请中通过获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,利用异常激发节点在热轧机控制事件中循环次数与异常激发概率值正相关,从异常激发节点中提取异常激发概率值最大的中间异常控制节点,从而结合各热轧机控制实例的异常激发节点,对异常控制节点进行初步选择,当中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整异常控制服务路径,直到更新输出的聚焦异常控制服务路径下的热轧机控制事件所对应中间异常控制节点的异常激发概率值符合异常激发处理要求,结合异常激发处理要求进行选择,可以确保异常控制节点的决策可靠性,通过结合异常控制服务路径层级,衍生调整的处理方式,可以快速定位聚焦异常控制服务路径,进而准确确定热轧机控制事件的异常控制节点,以便于提高热轧机控制流程更新的可靠性。
通过结合针对异常控制服务路径的异常控制节点链接请求,对异常控制服务路径下热轧机控制事件所对应的异常控制节点进行查找,异常控制节点查找过程中无需依赖热轧机控制事件中源数据,当查找到异常控制服务路径不存在关联的目标异常控制节点时,结合异常控制服务路径层级,对异常控制服务路径进行遍历溯源,直至遍历溯源得到的聚焦异常控制服务路径存在关联的目标异常控制节点,通过将聚焦异常控制服务路径下异常激发的异常激发概率值最大、且异常激发概率值符合异常激发处理要求的异常激发节点作为目标异常控制节点,利用异常激发概率值与异常激发节点在聚焦异常控制服务路径下的热轧机控制事件中所激发的循环次数正相关,无需为每一活动路径节点对应控制服务路径确定关联的目标异常控制节点,进而减少目标异常控制节点的决策占用资源,并且通过控制服务路径遍历溯源的方式,可以高效得到热轧机控制事件对应的目标异常控制节点,快速精确地查找异常控制节点的热轧机控制事件的异常控制节点。
附图说明
图1本申请实施例所提供的热轧机控制系统的异常分析方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的热轧机控制系统的异常分析方法的热轧机监控服务器的组件结构示意图。
实施方式
图1示出了本申请实施例提供的热轧机控制系统的异常分析方法的流程示意图,应当理解,在其它实施例中,本实施例的热轧机控制系统的异常分析方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该热轧机控制系统的异常分析方法的详细包括:
STEP102,获取所述热轧机监控服务器所监控的目标热轧机控制系统的系统运行调度数据,并对所述系统运行调度数据中的各个热轧机控制操作数据进行异常预测,获得对应的异常控制预测数据,获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,其中,所述系统运行调度数据表征热轧机控制流程中热轧机控制操作数据形成的数据序列。
其中,异常控制服务路径是在热轧机控制操作数据中用于进行异常控制节点确定的至少一个控制服务路径,热轧机控制操作数据中的控制服务路径对应热轧机控制操作数据中的控制操作流程。
在热轧机控制操作数据中,异常控制服务路径的数量可以是一个也可以是多个。
异常控制服务路径下的热轧机控制事件包括异常控制服务路径的各前后向衍生异常控制服务路径所对应的热轧机控制事件,前后向衍生异常控制服务路径是只包含一个初始热轧机控制事件的控制服务路径。
异常激发节点是指热轧机控制事件中用于对异常控制节点存在异常激发作用的目标节点。
本实施例中,可以结合上报的热轧机控制事件的热轧机状态控制数据中,获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点。所述上报的热轧机控制事件的热轧机状态控制数据中包括所上报的热轧机控制事件中各热轧机控制实例的异常激发节点。
STEP104,从异常激发节点中提取异常激发概率值最大的中间异常控制节点,异常激发概率值与异常激发节点在热轧机控制事件中循环次数正相关。
其中,参与选择的异常激发节点包括在热轧机控制事件中至少贡献有一个热轧机控制实例的异常激发节点。针对每一异常激发节点,分别统计其在异常控制服务路径下的热轧机控制事件中的循环次数。针对异常控制服务路径下热轧机控制事件,各个异常激发节点的异常激发概率值的总和为1,异常激发概率值与循环次数正相关,是指异常激发节点的循环次数越多,其对应的异常激发概率值也越大,通过异常激发概率值可以表征循环次数占异常控制服务路径下热轧机控制事件的全部循环次数的比例。其中,可以将每一异常激发节点在热轧机控制事件中循环次数与热轧机控制事件的总循环次数的比值,作为异常激发节点在异常控制服务路径下热轧机控制事件所对应的异常激发概率值。
热轧机监控服务器结合每一异常激发节点在热轧机控制事件中循环次数,确定每一异常激发节点在热轧机控制事件中的异常激发概率值,并从异常激发节点中提取异常激发概率值最大的中间异常控制节点。其中,当存在若干个的异常激发概率值并列最大的异常激发节点时,将异常激发概率值并列最大的多个异常激发节点中的其中一个作为中间异常控制节点。
中间异常控制节点是符合了成为异常控制节点的部分要求的异常激发节点。成为异常控制节点的部分要求即为在异常控制服务路径下的热轧机控制事件中异常激发概率值最大。
成为异常控制节点的另一部分要求可以是异常激发概率值符合异常激发处理要求,当中间异常控制节点的异常激发概率值符合异常激发处理要求时,则将中间异常控制节点确定为异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
STEP106,当中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整异常控制服务路径,直到更新输出的聚焦异常控制服务路径下的热轧机控制事件所对应中间异常控制节点的异常激发概率值符合异常激发处理要求。
异常激发处理要求是指基于异常激发概率值的大小进行选择的要求。异常激发处理要求具体可以是异常激发概率值不小于设定的最小预置概率值,也可以是中间异常控制节点的异常激发概率值与指定异常控制节点的异常激发概率值的损失值大于设定值等,其中,指定异常控制节点可以是异常激发概率值第二大的异常激发节点。
本实施例中,针对每次的控制服务路径衍生调整,热轧机监控服务器重新确定衍生调整后的异常控制服务路径下的热轧机控制事件,并结合新确定的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,选择新确定的热轧机控制事件所对应的中间异常控制节点,分析新选择的中间异常控制节点的异常激发概率值是否符合异常激发处理要求,若符合,则将该衍生调整后的异常控制服务路径作为聚焦异常控制服务路径,若不符合,则跳转至下一活动路径节点,结合进一步衍生调整后的异常控制服务路径,循环以上操作,直至得到聚焦异常控制服务路径。
STEP108,将异常激发概率值符合异常激发处理要求的中间异常控制节点确定为聚焦异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
其中,聚焦异常控制服务路径下的热轧机控制事件包括聚焦异常控制服务路径下的前后向衍生异常控制服务路径所对应的热轧机控制事件。在确定异常控制节点后,可以在后续的热轧机控制流程中针对所述异常控制节点进行双重验证控制,如协同相关技术人员终端进行双重验证控制。
采用以上技术方案,通过利用各热轧机控制实例各自对应的异常激发节点在热轧机控制事件中循环次数与异常激发概率值正相关,从异常激发节点中提取异常激发概率值最大的中间异常控制节点,从而结合各热轧机控制实例的异常激发节点,对异常控制节点进行初步选择,当中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整异常控制服务路径,结合异常激发处理要求进行选择,可以确保异常控制节点的决策可靠性,通过结合异常控制服务路径层级,衍生调整的处理方式,可以快速定位聚焦异常控制服务路径,进而准确确定热轧机控制事件的异常控制节点,以便于提高热轧机控制流程更新的可靠性。
对于一些可替代的实施方式,以上实施例还包括:当衍生调整异常控制服务路径所得到的各衍生调整异常控制服务路径下的热轧机控制事件分别对应的中间异常控制节点的异常激发概率值均不符合异常激发处理要求时,获取异常控制服务路径所对应的前后向衍生异常控制服务路径;从前后向衍生异常控制服务路径所对应的目标热轧机控制事件中各热轧机控制实例各自对应的异常激发节点中,提取在目标热轧机控制事件中循环次数最多的异常控制节点。
其中,衍生调整异常控制服务路径是以异常控制服务路径为原始控制服务路径,每次向下衍生调整一个活动路径节点得到的各个成员对应的控制服务路径。前后向衍生异常控制服务路径是只包含一个热轧机控制事件的活动控制服务路径。
针对每一衍生调整异常控制服务路径,其处理过程是相同的,例如:热轧机监控服务器确定衍生调整异常控制服务路径下的热轧机控制事件,并结合衍生调整异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,筛选得到衍生调整异常控制服务路径下的热轧机控制事件所对应的中间异常控制节点,分析选择的中间异常控制节点的异常激发概率值是否符合异常激发处理要求,若不符合,则跳转至下一活动路径节点对应的衍生调整异常控制服务路径循环以上操作,直到筛选得到的中间异常控制节点的异常激发概率值符合异常激发处理要求或是衍生调整异常控制服务路径为前后向衍生异常控制服务路径。
对于前后向衍生异常控制服务路径,只包含一个热轧机控制事件,故其异常控制节点可以单独根据该热轧机控制事件直接进行确定。本实施例中,热轧机监控服务器获取前后向衍生异常控制服务路径所对应的目标热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,分别统计异常激发节点在目标热轧机控制事件中循环次数,基于循环次数,提取循环次数最多的异常激发节点作为该目标热轧机控制事件的异常控制节点。
对于各衍生调整异常控制服务路径下的热轧机控制事件分别对应的中间异常控制节点的异常激发概率值均不符合异常激发处理要求时,直接结合前后向衍生异常控制服务路径确定其对应的异常控制节点,能够确保各热轧机控制事件都确定对应的异常控制节点,实现异常控制节点的全面覆盖。通过提取在目标热轧机控制事件中循环次数最多的异常控制节点,能够准确确定标热轧机控制事件的异常控制节点。
对于一些可替代的实施方式,异常激发处理要求为异常激发概率值不小于第一预置概率值;以上实施例的方法还包括:
当异常控制节点的异常激发概率值小于第二预置概率值时,结合异常控制服务路径层级,衍生调整聚焦异常控制服务路径,并确定每一衍生调整的聚焦异常控制服务路径下热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新,直至确定的异常控制节点的异常激发概率值不小于第二预置概率值;其中,第二预置概率值大于第一预置概率值。
其中,第一预置概率值和第二预置概率值可以结合实际需求进行设定。例如,第一预置概率值可以为0.5,第二预置概率值可以为0.9。
本实施例中,热轧机监控服务器对每一衍生调整异常控制服务路径,热轧机监控服务器结合衍生调整异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,筛选得到衍生调整异常控制服务路径下的热轧机控制事件所对应的中间异常控制节点,先将中间异常控制节点的异常激发概率值与第一预置概率值进行比较,当中间异常控制节点的异常激发概率值小于第一预置概率值时,确定该衍生调整异常控制服务路径无法确定相应的异常控制节点,跳转至下一活动路径节点的衍生调整异常控制服务路径。当中间异常控制节点的异常激发概率值等于或大于第一预置概率值时,确定该衍生调整异常控制服务路径为聚焦异常控制服务路径。其中,若第一预置概率值为0.5,则中间异常控制节点的异常激发概率值等于第一预置概率值时,还可以设置附件要求:衍生调整异常控制服务路径下的热轧机控制事件的异常激发节点的数量大于2,以确保中间异常控制节点为异常激发概率值最大且唯一的异常激发节点,进一步确保异常控制节点的确定精度。
本实施例中,热轧机监控服务器针对每一聚焦异常控制服务路径,将对应的异常控制节点的异常激发概率值与第二预置概率值进行比较,当中间异常控制节点的异常激发概率值小于第二预置概率值时,确定该聚焦异常控制服务路径相应的异常控制节点,并跳转至下一活动路径节点的衍生调整异常控制服务路径,通常,如果上一级控制服务路径为聚焦异常控制服务路径,其对应的至少下一级控制服务路径也为聚焦异常控制服务路径,并且下一级控制服务路径的中间异常控制节点的异常激发概率值大于上一级控制服务路径的中间异常控制节点的异常激发概率值。
对于一些可替代的实施方式,热轧机控制事件的异常控制节点确定方法还包括:结合热轧机控制操作数据的每一热轧机控制事件在热轧机控制操作数据中的活动控制服务路径,确定热轧机控制操作数据的各活动路径节点;从活动路径节点中提取符合异常匹配要求的目标路径节点,确定与目标路径节点对应的异常控制服务路径。
对于一些可替代的实施方式,获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,包括:从各热轧机控制事件所对应的热轧机状态控制数据中,提取异常控制服务路径下的热轧机控制事件所对应的目标热轧机状态控制数据;分别遍历目标热轧机状态控制数据,获得热轧机控制事件中各热轧机控制实例各自对应的异常激发节点。
对于一些可替代的实施方式,分别遍历目标热轧机状态控制数据,获得热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,包括:
分别遍历目标热轧机状态控制数据,获取异常控制服务路径下的热轧机控制事件中各热轧机控制实例的聚焦控制节点数据;当聚焦控制节点数据中存在聚焦权重节点时,将最新的聚焦权重节点确定为对应个热轧机控制实例的异常激发节点;当聚焦控制节点数据中不存在聚焦权重节点时,将常规配置控制节点确定为对应个热轧机控制实例的异常激发节点。
对于一些可替代的实施方式,异常控制服务路径下的热轧机控制事件为控制次数大于1的热轧机控制事件簇;热轧机控制事件的异常控制节点决策操作还包括:针对每一异常激发节点,结合相应异常激发节点在热轧机控制事件簇中的每一热轧机控制事件中所传递的控制节点数量,获得每一异常激发节点在热轧机控制事件簇中的循环次数。
对于一些可替代的实施方式,热轧机控制事件的异常控制节点确定方法还包括:
结合每一聚焦异常控制服务路径下的路径属性所对应的异常控制节点,构建相应异常控制节点与相应聚焦异常控制服务路径之间的关联向量。
本实施例中,热轧机监控服务器针对聚焦异常控制服务路径下的路径属性所对应的异常控制节点,构建异常控制节点与聚焦异常控制服务路径之间的关联向量,并将关联向量增加到用于提供异常控制节点查找服务的数据库,以便结合聚焦异常控制服务路径查找到热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
关联向量用于表征异常控制节点与聚焦异常控制服务路径之间的对应关系,通过相应异常控制节点与相应聚焦异常控制服务路径之间的关联向量,利用热轧机控制事件的活动控制服务路径与聚焦异常控制服务路径之间的关系,结合热轧机控制事件的活动控制服务路径查找到热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新,实现异常控制节点的高效搜索。
对于一些可替代的实施方式,本申请实施例的方法还包括以下步骤:
STEP202,结合针对异常控制服务路径的异常控制节点链接请求,对异常控制服务路径下热轧机控制事件所对应的异常控制节点进行查找。
STEP204,当查找到异常控制服务路径不存在关联的目标异常控制节点时,结合异常控制服务路径层级,对异常控制服务路径进行遍历溯源,直至遍历溯源得到的聚焦异常控制服务路径存在关联的目标异常控制节点。
遍历溯源是指结合异常控制服务路径层级,每次去除最后一个活动路径节点得到新的控制服务路径的过程。
STEP206,下发携带目标异常控制节点对应特征向量的异常控制节点查找信息,其中,目标异常控制节点,为聚焦异常控制服务路径下异常激发的异常激发概率值最大、且异常激发概率值符合异常激发处理要求的异常激发节点;异常激发概率值与异常激发节点在聚焦异常控制服务路径下的热轧机控制事件中所所激发的控制节点数量正相关。
异常激发节点包括在热轧机控制事件中至少贡献有一个热轧机控制实例的异常激发节点。针对每一异常激发节点,分别统计其在异常控制服务路径下的热轧机控制事件中循环次数。针对异常控制服务路径下热轧机控制事件,各个异常激发节点的异常激发概率值的总和为1,异常激发概率值与循环次数正相关,是指异常激发节点的循环次数越多,其对应的异常激发概率值也越大,通过异常激发概率值可以表征循环次数占异常控制服务路径下热轧机控制事件的全部循环次数的比例。其中,可以将每一异常激发节点在热轧机控制事件中循环次数与热轧机控制事件的总循环次数的比值,作为异常激发节点在异常控制服务路径下热轧机控制事件所对应的异常激发概率值。
热轧机监控服务器结合每一异常激发节点在热轧机控制事件中循环次数,确定每一异常激发节点在热轧机控制事件中的异常激发概率值,并从异常激发节点中提取异常激发概率值最大的中间异常控制节点。其中,当存在若干个的异常激发概率值并列最大的异常激发节点时,将异常激发概率值并列最大的多个异常激发节点中的其中一个作为中间异常控制节点。
中间异常控制节点是符合了成为异常控制节点的部分要求的异常激发节点。成为异常控制节点的第一要求即为在异常控制服务路径下的热轧机控制事件中异常激发概率值最大。成为异常控制节点的第二要求可以是异常激发概率值符合异常激发处理要求,当中间异常控制节点的异常激发概率值符合异常激发处理要求时,则将中间异常控制节点确定为异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。异常激发处理要求是指基于异常激发概率值的大小进行选择的要求。
异常激发处理要求具体可以是异常激发概率值不小于设定的最小预置概率值,也可以是中间异常控制节点的异常激发概率值与指定异常控制节点的异常激发概率值的损失值大于设定值等,其中,指定异常控制节点可以是异常激发概率值第二大的异常激发节点。
其中,聚焦异常控制服务路径与异常控制节点之间的关联向量,可以通过上述热轧机控制事件的异常控制节点确定方法所得到的聚焦异常控制服务路径下热轧机控制事件的异常控制节点构建得到,在此不再赘述。
采用以上技术方案,通过结合针对异常控制服务路径的异常控制节点链接请求,对异常控制服务路径下热轧机控制事件所对应的异常控制节点进行查找,异常控制节点查找过程中无需依赖热轧机控制事件中源数据,当查找到异常控制服务路径不存在关联的目标异常控制节点时,结合异常控制服务路径层级,对异常控制服务路径进行遍历溯源,直至遍历溯源得到的聚焦异常控制服务路径存在关联的目标异常控制节点,通过将聚焦异常控制服务路径下异常激发的异常激发概率值最大、且异常激发概率值符合异常激发处理要求的异常激发节点作为目标异常控制节点,利用异常激发概率值与异常激发节点在聚焦异常控制服务路径下的热轧机控制事件中所激发的循环次数正相关,可不需要为每一活动路径节点对应控制服务路径确定关联的目标异常控制节点,进而减少目标异常控制节点的决策占用资源,并且,通过控制服务路径遍历溯源的方式,可以高效得到热轧机控制事件对应的目标异常控制节点,快速准确查找异常控制节点的热轧机控制事件的异常控制节点。
对于一些可替代的实施方式,热轧机控制事件的异常控制节点查找方法还包括:结合目标异常控制节点对应特征向量,向目标异常控制节点发送与热轧机控制事件相对应的更新请求;接收目标异常控制节点结合更新请求反馈的关联向量更新信息;结合关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量。
本实施例中,热轧机监控服务器在接收到上报的与热轧机控制事件相对应的更新请求时,结合目标异常控制节点对应特征向量,向目标异常控制节点发送该更新请求。若目标异常控制节点为更新请求的实际异常控制节点,则可以直接结合更新请求进行相应的处理,若目标异常控制节点发现更新请求实际上是针对下一路径节点节点提出的,则可以请求对关联向量进行更新,在设定好更新实例之后,向热轧机监控服务器发送携带有更新实例的关联向量更新信息,热轧机监控服务器结合关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量。
其中,结合关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量,包括:当更新实例为异常控制服务路径时,新增目标异常控制节点与异常控制服务路径之间的关联向量;当更新实例为更新异常控制节点和异常控制服务路径时,新增更新异常控制节点与异常控制服务路径之间的关联向量。
对于一些可替代的实施方式,本申请另一种实施例具体包括以下步骤:
STEP302,结合热轧机控制操作数据的每一热轧机控制事件在热轧机控制操作数据中的活动控制服务路径,确定热轧机控制操作数据的各活动路径节点。
STEP304,从活动路径节点中提取符合异常匹配要求的目标路径节点,确定与目标路径节点对应的异常控制服务路径。
STEP306,从各热轧机控制事件所对应的热轧机状态控制数据中,提取异常控制服务路径下的热轧机控制事件所对应的目标热轧机状态控制数据。
STEP308,分别遍历目标热轧机状态控制数据,获取异常控制服务路径下的热轧机控制事件中各热轧机控制实例的聚焦控制节点数据。
STEP310,当聚焦控制节点数据中存在聚焦权重节点时,将最新的聚焦权重节点确定为对应个热轧机控制实例的异常激发节点。
STEP312,当聚焦控制节点数据中不存在聚焦权重节点时,将常规配置控制节点确定为对应个热轧机控制实例的异常激发节点。
STEP314,从异常激发节点中提取异常激发概率值最大的中间异常控制节点,异常激发概率值与异常激发节点在热轧机控制事件中循环次数正相关。
STEP316,当中间异常控制节点的异常激发概率值小于第一预置概率值时,结合异常控制服务路径层级,衍生调整异常控制服务路径,直到更新输出的聚焦异常控制服务路径下的热轧机控制事件所对应中间异常控制节点的异常激发概率值不小于第一预置概率值。
STEP318,将异常激发概率值不小于第一预置概率值的中间异常控制节点确定为聚焦异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
STEP320,当中间异常控制节点的异常激发概率值不小于第一预置概率值时,将异常激发概率值不小于第一预置概率值的中间异常控制节点确定为异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
STEP322,当异常控制节点的异常激发概率值小于第二预置概率值时,结合异常控制服务路径层级,衍生调整聚焦异常控制服务路径,确定每一衍生调整的聚焦异常控制服务路径下热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新,直至确定的异常控制节点的异常激发概率值不小于第二预置概率值。
STEP324,当衍生调整异常控制服务路径所得到的各衍生调整异常控制服务路径下的热轧机控制事件分别对应的中间异常控制节点的异常激发概率值均小于第一预置概率值时,获取异常控制服务路径所对应的前后向衍生异常控制服务路径。
STEP326,从前后向衍生异常控制服务路径所对应的目标热轧机控制事件中各热轧机控制实例各自对应的异常激发节点中,提取在目标热轧机控制事件中循环次数最多的异常控制节点。
STEP328,结合每一聚焦异常控制服务路径下的路径属性所对应的异常控制节点,构建相应异常控制节点与相应聚焦异常控制服务路径之间的关联向量。
对于一些可替代的实施方式,本申请另一个实施例具体包括以下步骤:
STEP402,结合针对异常控制服务路径的异常控制节点链接请求,对异常控制服务路径下热轧机控制事件所对应的异常控制节点进行查找。
STEP404,当查找到异常控制服务路径不存在关联的目标异常控制节点时,结合异常控制服务路径层级,对异常控制服务路径进行遍历溯源,直至遍历溯源得到的聚焦异常控制服务路径存在关联的目标异常控制节点。
STEP406,下发携带目标异常控制节点对应特征向量的异常控制节点查找信息。其中,目标异常控制节点,为聚焦异常控制服务路径下异常激发的异常激发概率值最大、且异常激发概率值符合异常激发处理要求的异常激发节点;异常激发概率值与异常激发节点在聚焦异常控制服务路径下的热轧机控制事件中所所激发的控制节点数量正相关。
STEP408,结合目标异常控制节点对应特征向量,向目标异常控制节点发送与热轧机控制事件相对应的更新请求。
STEP410,接收目标异常控制节点结合更新请求反馈的关联向量更新信息。
STEP412,当关联向量更新信息携带的更新实例为异常控制服务路径时,新增目标异常控制节点与异常控制服务路径之间的关联向量。
STEP414,当关联向量更新信息携带的更新实例为更新异常控制节点和异常控制服务路径时,新增更新异常控制节点与异常控制服务路径之间的关联向量。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的热轧机监控服务器100。
对于一个实施例,图2示出了热轧机监控服务器100,该热轧机监控服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110,和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。对于一些可替代的实施方式,热轧机监控服务器100能够作为本申请实施例中所述网关等服务器设备。
对于一些可替代的实施方式,热轧机监控服务器100可包括具有指令114的一个或多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(一个或多个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为热轧机监控服务器100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。对于一些可替代的实施方式,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括一个或多个输入/输出控制器,以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为热轧机监控服务器100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为热轧机监控服务器100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为热轧机监控服务器100提供接口以依据一个或多个网络通信,热轧机监控服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入依据通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载(SiP)。对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,热轧机监控服务器100可以但不限于是:热轧机监控服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,热轧机监控服务器100可具有更多或更少的组件和/或不同的架构。例如,对于一些可替代的实施方式,热轧机监控服务器100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种热轧机控制系统的异常分析方法,其特征在于,应用于热轧机监控服务器,所述方法包括:
获取所述热轧机监控服务器所监控的目标热轧机控制系统的系统运行调度数据,并对所述系统运行调度数据中的各个热轧机控制操作数据进行异常预测,获得对应的异常控制预测数据,获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,其中,所述系统运行调度数据表征热轧机控制流程中热轧机控制操作数据形成的数据序列;
从所述异常激发节点中提取异常激发概率值最大的中间异常控制节点,所述异常激发概率值与所述异常激发节点在所述热轧机控制事件中循环次数正相关;
当所述中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整所述异常控制服务路径,直到更新输出的聚焦异常控制服务路径下的热轧机控制事件所对应中间异常控制节点的异常激发概率值符合所述异常激发处理要求;
将异常激发概率值符合所述异常激发处理要求的中间异常控制节点确定为所述聚焦异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
2.根据权利要求1所述的热轧机控制系统的异常分析方法,其特征在于,所述方法还包括:
当衍生调整所述异常控制服务路径所得到的各衍生调整异常控制服务路径下的热轧机控制事件分别对应的中间异常控制节点的异常激发概率值均不符合所述异常激发处理要求时,获取所述异常控制服务路径所对应的前后向衍生异常控制服务路径;
从所述前后向衍生异常控制服务路径所对应的目标热轧机控制事件中各热轧机控制实例各自对应的异常激发节点中,提取在所述目标热轧机控制事件中循环次数最多的异常控制节点。
3.根据权利要求1所述的热轧机控制系统的异常分析方法,其特征在于,所述异常激发处理要求为异常激发概率值不小于第一预置概率值;
所述方法还包括:
当所述异常控制节点的异常激发概率值小于第二预置概率值时,结合异常控制服务路径层级,衍生调整所述聚焦异常控制服务路径,并确定每一衍生调整的聚焦异常控制服务路径下热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新,直至确定的异常控制节点的异常激发概率值不小于所述第二预置概率值;
其中,所述第二预置概率值大于所述第一预置概率值。
4.根据权利要求1-3中任意一项所述的热轧机控制系统的异常分析方法,其特征在于,所述方法还包括:
结合热轧机控制操作数据的每一热轧机控制事件在所述热轧机控制操作数据中的遍历活动路径,确定所述热轧机控制操作数据的各活动路径节点;
从所述活动路径节点中提取符合异常匹配要求的目标路径节点,确定与所述目标路径节点对应的异常控制服务路径。
5.根据权利要求1-3中任意一项所述的热轧机控制系统的异常分析方法,其特征在于,所述获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,包括:
从各热轧机控制事件所对应的热轧机状态控制数据中,提取异常控制服务路径下的热轧机控制事件所对应的目标热轧机状态控制数据;
分别遍历所述目标热轧机状态控制数据,获得所述热轧机控制事件中各热轧机控制实例各自对应的异常激发节点。
6.根据权利要求5所述的热轧机控制系统的异常分析方法,其特征在于,所述分别遍历所述目标热轧机状态控制数据,获得所述热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,包括:
分别遍历所述目标热轧机状态控制数据,获取异常控制服务路径下的热轧机控制事件中各热轧机控制实例的聚焦控制节点数据;
当所述聚焦控制节点数据中存在聚焦权重节点时,将最新的聚焦权重节点确定为对应个热轧机控制实例的异常激发节点;
当所述聚焦控制节点数据中不存在聚焦权重节点时,将常规配置控制节点确定为对应个热轧机控制实例的异常激发节点。
7.根据权利要求1-3中任意一项所述的热轧机控制系统的异常分析方法,其特征在于,所述异常控制服务路径下的热轧机控制事件为控制次数大于1的热轧机控制事件簇;所述方法还包括:
针对每一异常激发节点,结合相应异常激发节点在所述热轧机控制事件簇中的每一热轧机控制事件中所传递的控制节点数量,获得每一异常激发节点在所述热轧机控制事件簇中的循环次数。
8.根据权利要求1-3中任意一项所述的热轧机控制系统的异常分析方法,其特征在于,所述方法还包括:
结合每一聚焦异常控制服务路径下的路径属性所对应的异常控制节点,构建相应异常控制节点与相应聚焦异常控制服务路径之间的关联向量。
9.根据权利要求1-3中任意一项所述的热轧机控制系统的异常分析方法,其特征在于,所述方法还包括:
结合针对异常控制服务路径的异常控制节点链接请求,对所述异常控制服务路径下热轧机控制事件所对应的异常控制节点进行查找;
当查找到所述异常控制服务路径不存在关联的目标异常控制节点时,结合异常控制服务路径层级,对所述异常控制服务路径进行遍历溯源,直至遍历溯源得到的聚焦异常控制服务路径存在关联的目标异常控制节点;
下发携带所述目标异常控制节点对应特征向量的异常控制节点查找信息;
其中,所述目标异常控制节点,为所述聚焦异常控制服务路径下异常激发的异常激发概率值最大、且所述异常激发概率值符合异常激发处理要求的异常激发节点;所述异常激发概率值与所述异常激发节点在所述聚焦异常控制服务路径下的热轧机控制事件中所所激发的控制节点数量正相关;
所述方法还包括:
结合所述目标异常控制节点对应特征向量,向所述目标异常控制节点发送与所述热轧机控制事件相对应的更新请求;
接收所述目标异常控制节点结合所述更新请求反馈的关联向量更新信息;
结合所述关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量;
所述结合所述关联向量更新信息所携带的更新实例,更新聚焦异常控制服务路径与异常控制节点之间的关联向量,包括:
当所述更新实例为所述异常控制服务路径时,新增所述目标异常控制节点与所述异常控制服务路径之间的关联向量;
当所述更新实例为更新异常控制节点和所述异常控制服务路径时,新增所述更新异常控制节点与所述异常控制服务路径之间的关联向量。
10.一种热轧机控制系统的异常分析系统,其特征在于,所述热轧机控制系统的异常分析系统包括热轧机监控服务器以及与所述热轧机监控服务器通信连接的热轧机控制系统,所述热轧机监控服务器具体用于:
获取所述热轧机监控服务器所监控的目标热轧机控制系统的系统运行调度数据,并对所述系统运行调度数据中的各个热轧机控制操作数据进行异常预测,获得对应的异常控制预测数据,获取所述异常控制预测数据中符合预置要求的目标异常控制节点对应的异常控制服务路径下的热轧机控制事件中各热轧机控制实例各自对应的异常激发节点,其中,所述系统运行调度数据表征热轧机控制流程中热轧机控制操作数据形成的数据序列;
从所述异常激发节点中提取异常激发概率值最大的中间异常控制节点,所述异常激发概率值与所述异常激发节点在所述热轧机控制事件中循环次数正相关;
当所述中间异常控制节点的异常激发概率值不符合异常激发处理要求时,结合异常控制服务路径层级,衍生调整所述异常控制服务路径,直到更新输出的聚焦异常控制服务路径下的热轧机控制事件所对应中间异常控制节点的异常激发概率值符合所述异常激发处理要求;
将异常激发概率值符合所述异常激发处理要求的中间异常控制节点确定为所述聚焦异常控制服务路径下的热轧机控制事件对应的异常控制节点,并结合所述异常控制节点进行热轧机控制流程的更新。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310311675 | 2023-03-28 | ||
CN2023103116757 | 2023-03-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116809652A true CN116809652A (zh) | 2023-09-29 |
CN116809652B CN116809652B (zh) | 2024-04-26 |
Family
ID=88140814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310779093.1A Active CN116809652B (zh) | 2023-03-28 | 2023-06-29 | 一种热轧机控制系统的异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116809652B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4037087A (en) * | 1976-05-27 | 1977-07-19 | Bethlehem Steel Corporation | Rolling mill control method and apparatus having operator update of presets |
JPH07185620A (ja) * | 1993-12-27 | 1995-07-25 | Kobe Steel Ltd | 圧延装置 |
KR20000042886A (ko) * | 1998-12-28 | 2000-07-15 | 이구택 | 냉간압연 공정의 제어용 센서 이상 발생시제어방법 |
JP2000263113A (ja) * | 1999-03-12 | 2000-09-26 | Mitsubishi Electric Corp | 圧延機における異常圧延状態修正方法および装置 |
JP2004141879A (ja) * | 2002-10-21 | 2004-05-20 | Jfe Steel Kk | 熱間圧延における被圧延材異常状態の自動検出方法 |
KR20040050017A (ko) * | 2002-12-09 | 2004-06-14 | 주식회사 포스코 | 사상 압연에 있어서 조작성 이상 진단 장치 및 방법 |
CN105071983A (zh) * | 2015-07-16 | 2015-11-18 | 清华大学 | 一种面向云计算在线业务的异常负载检测方法 |
KR20180072050A (ko) * | 2016-12-21 | 2018-06-29 | 주식회사 포스코 | 압연 공정의 운전성 장애 분석 방법 및 장치 |
KR20180074473A (ko) * | 2016-12-23 | 2018-07-03 | 주식회사 포스코 | 권취 설비 이상 사전 감지 장치 |
CN108694657A (zh) * | 2018-07-13 | 2018-10-23 | 平安科技(深圳)有限公司 | 客户识别装置、方法及计算机可读存储介质 |
WO2018194282A1 (ko) * | 2017-04-17 | 2018-10-25 | 주식회사 넷앤드 | 보안 강화를 위해 입력된 명령어 학습 기반 이상 사용자를 탐지하는 서버 접근 통제 시스템 |
CN109101626A (zh) * | 2018-08-13 | 2018-12-28 | 武汉科技大学 | 基于改进最小生成树的高维数据关键特征提取方法 |
CN109471698A (zh) * | 2018-10-19 | 2019-03-15 | 中国电子科技集团公司第二十八研究所 | 云环境下虚拟机异常行为检测系统和方法 |
CN109821900A (zh) * | 2019-02-25 | 2019-05-31 | 石家庄钢铁有限责任公司 | 一种轧机传动设备工作异常的在线检测方法 |
CN110280602A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢异常轧制评估系统及处理方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
US20220043703A1 (en) * | 2020-07-28 | 2022-02-10 | Electronics And Telecommunications Research Institute | Method and apparatus for intelligent operation management of infrastructure |
CN115193916A (zh) * | 2022-07-21 | 2022-10-18 | 天津一重电气自动化有限公司 | 一种宽幅镁合金热轧机组的过程控制系统及控制方法 |
-
2023
- 2023-06-29 CN CN202310779093.1A patent/CN116809652B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4037087A (en) * | 1976-05-27 | 1977-07-19 | Bethlehem Steel Corporation | Rolling mill control method and apparatus having operator update of presets |
JPH07185620A (ja) * | 1993-12-27 | 1995-07-25 | Kobe Steel Ltd | 圧延装置 |
KR20000042886A (ko) * | 1998-12-28 | 2000-07-15 | 이구택 | 냉간압연 공정의 제어용 센서 이상 발생시제어방법 |
JP2000263113A (ja) * | 1999-03-12 | 2000-09-26 | Mitsubishi Electric Corp | 圧延機における異常圧延状態修正方法および装置 |
JP2004141879A (ja) * | 2002-10-21 | 2004-05-20 | Jfe Steel Kk | 熱間圧延における被圧延材異常状態の自動検出方法 |
KR20040050017A (ko) * | 2002-12-09 | 2004-06-14 | 주식회사 포스코 | 사상 압연에 있어서 조작성 이상 진단 장치 및 방법 |
CN105071983A (zh) * | 2015-07-16 | 2015-11-18 | 清华大学 | 一种面向云计算在线业务的异常负载检测方法 |
KR20180072050A (ko) * | 2016-12-21 | 2018-06-29 | 주식회사 포스코 | 압연 공정의 운전성 장애 분석 방법 및 장치 |
KR20180074473A (ko) * | 2016-12-23 | 2018-07-03 | 주식회사 포스코 | 권취 설비 이상 사전 감지 장치 |
WO2018194282A1 (ko) * | 2017-04-17 | 2018-10-25 | 주식회사 넷앤드 | 보안 강화를 위해 입력된 명령어 학습 기반 이상 사용자를 탐지하는 서버 접근 통제 시스템 |
CN108694657A (zh) * | 2018-07-13 | 2018-10-23 | 平安科技(深圳)有限公司 | 客户识别装置、方法及计算机可读存储介质 |
CN109101626A (zh) * | 2018-08-13 | 2018-12-28 | 武汉科技大学 | 基于改进最小生成树的高维数据关键特征提取方法 |
CN109471698A (zh) * | 2018-10-19 | 2019-03-15 | 中国电子科技集团公司第二十八研究所 | 云环境下虚拟机异常行为检测系统和方法 |
CN109821900A (zh) * | 2019-02-25 | 2019-05-31 | 石家庄钢铁有限责任公司 | 一种轧机传动设备工作异常的在线检测方法 |
CN110280602A (zh) * | 2019-07-19 | 2019-09-27 | 北京宇轩智能科技有限公司 | 智能轧钢异常轧制评估系统及处理方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
US20220043703A1 (en) * | 2020-07-28 | 2022-02-10 | Electronics And Telecommunications Research Institute | Method and apparatus for intelligent operation management of infrastructure |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN115193916A (zh) * | 2022-07-21 | 2022-10-18 | 天津一重电气自动化有限公司 | 一种宽幅镁合金热轧机组的过程控制系统及控制方法 |
Non-Patent Citations (1)
Title |
---|
邓宪洲: "铝带热连轧的工艺过程自动控制", 轻合金加工技术, no. 06, 30 June 2002 (2002-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN116809652B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734271B2 (en) | Data query method, apparatus and device | |
CN107193813B (zh) | 数据表连接方式处理方法及装置 | |
CN111753016B (zh) | 数据处理方法、装置、系统及计算机可读存储介质 | |
CN113294885B (zh) | 空调器控制方法、装置、空调器及计算机可读存储介质 | |
EP4195606A1 (en) | Method and device for analyzing association rule of multi-dimensional network indexes, and storage medium | |
US10558191B2 (en) | Generation and publication of shared tagsets | |
CN116809652B (zh) | 一种热轧机控制系统的异常分析方法及系统 | |
CN111079653B (zh) | 数据库自动分库方法及装置 | |
US9323796B2 (en) | Data partitioning method and apparatus | |
CN116886619A (zh) | 一种基于线性回归算法的负载均衡方法及装置 | |
JP7192645B2 (ja) | 情報処理装置、分散処理システム及び分散処理プログラム | |
CN110084476B (zh) | 案件调整方法、装置、计算机设备和存储介质 | |
CN110874314B (zh) | 压测方法、装置、设备和介质 | |
CN111898740B (zh) | 预测模型的模型参数更新方法及装置 | |
CN107438268B (zh) | 一种用于为移动设备加速无线网络的方法与设备 | |
CN112767056B (zh) | 业务数据预测方法、装置、计算机设备和存储介质 | |
CN115883391A (zh) | 单用户服务选择方法及装置 | |
CN110856045B (zh) | 视频处理方法、电子设备和存储介质 | |
CN112379978A (zh) | 后端服务调用方法、装置、设备和存储介质 | |
US10013353B2 (en) | Adaptive optimization of second level cache | |
CN110795255B (zh) | 数据批量值调整方法、装置、可读存储介质和设备 | |
CN113296977A (zh) | 一种消息处理方法及装置 | |
CN112804304A (zh) | 基于多点输出模型的任务节点分配方法、装置及相关设备 | |
CN115168366B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN117422585B (zh) | 电感生产制造控制系统的状态监控方法及系统 |
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 |