CN117000781A - 用于钛带加工设备的故障检测方法及系统 - Google Patents
用于钛带加工设备的故障检测方法及系统 Download PDFInfo
- Publication number
- CN117000781A CN117000781A CN202311282301.3A CN202311282301A CN117000781A CN 117000781 A CN117000781 A CN 117000781A CN 202311282301 A CN202311282301 A CN 202311282301A CN 117000781 A CN117000781 A CN 117000781A
- Authority
- CN
- China
- Prior art keywords
- tension
- stability
- monitoring data
- stability coefficient
- data
- 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
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 229910052719 titanium Inorganic materials 0.000 title claims abstract description 63
- 239000010936 titanium Substances 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 155
- 238000005097 cold rolling Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000015654 memory Effects 0.000 claims description 22
- 238000005096 rolling process Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- B21B37/48—Tension control; Compression control
-
- 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
- B21B37/46—Roll speed or drive motor control
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本公开提供了用于钛带加工设备的故障检测方法及系统,涉及设备故障检测技术领域,该方法包括:对冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据;进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;建立对应关系,生成相对稳定系数;得到独立稳定系数;进行故障概率检测,得到第一故障概率;若第一故障概率大于预设故障概率,生成预警信号,将预警信号发送至冷轧机组的监控上位机。通过本公开可以解决现有技术中存在由于钛带加工设备的张力和速度的匹配程度较低,导致进出冷轧的卷带质量不稳定的技术问题,实现提高张力和速度的匹配程度的目标,达到提高钛带质量稳定性的技术效果。
Description
技术领域
本公开涉及设备故障检测技术领域,具体涉及用于钛带加工设备的故障检测方法及系统。
背景技术
钛加工产品用于航空航天、船舶、医疗、海洋工程和化工等领域,随着这些钛加工产品应用行业的不断发展,钛加工量不断上升。为满足日益增长的钛加工量需求,加快钛加工产品的加工效率,需要实时对钛加工设备进行故障检测。现有技术中钛加工设备的故障检测大多通过钛加工的表面质量分析钛加工设备的故障,导致钛加工设备的故障检测存在滞后性的问题。同时现有技术中存在由于钛带加工设备的张力和速度的匹配程度较低,导致进出冷轧的卷带质量不稳定的技术问题。
发明内容
本公开提供了用于钛带加工设备的故障检测方法及系统,用以解决由于钛带加工设备的张力和速度的匹配程度较低,导致进出冷轧的卷带质量不稳定的技术问题。
根据本公开的第一方面,提供了用于钛带加工设备的故障检测方法,包括:获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;以所述前张力稳定系数所述后张力稳定系数得到独立稳定系数;根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机。
根据本公开的第二方面,提供了用于钛带加工设备的故障检测系统,包括:前张力监测数据获得模块,所述前张力监测数据获得模块用于获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;前张力稳定系数获得模块,所述前张力稳定系数获得模块用于根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;相对稳定系数获得模块,所述相对稳定系数获得模块用于建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;独立稳定系数获得模块,所述独立稳定系数获得模块用于以所述前张力稳定系数所述后张力稳定系数得到独立稳定系数;第一故障概率获得模块,所述第一故障概率获得模块用于根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;预警信号获得模块,所述预警信号获得模块用于若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机。
根据本公开的第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器实现能够执行第一方面中任一项所述的方法。
根据本公开的第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现能够执行第一方面中任一项所述的方法。
本公开中提供的一个或多个技术方案,至少具有如下技术效果或优点:根据本公开采用的通过获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;以所述前张力稳定系数所述后张力稳定系数得到独立稳定系数;根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机,解决了现有技术中存在由于钛带加工设备的张力和速度的匹配程度较低,导致进出冷轧的卷带质量不稳定的技术问题,实现提高张力和速度的匹配程度的目标,达到提高钛带质量稳定性的技术效果。
应当理解,本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案,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示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的用于钛带加工设备的故障检测方法的流程示意图;
图2为本公开实施例用于钛带加工设备的故障检测方法中装置关系的逻辑示意图;
图3为本公开实施例提供的用于钛带加工设备的故障检测系统的结构示意图;
图4为本公开实施例提供的一种计算机设备的结构示意图。
附图标记说明:前张力监测数据获得模块11,前张力稳定系数获得模块12,相对稳定系数获得模块13,独立稳定系数获得模块14,第一故障概率获得模块15,预警信号获得模块16,计算机设备100,处理器101,存储器102,总线103。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
本公开实施例提供的用于钛带加工设备的故障检测方法,兹参照图1及图2作说明,所述方法包括:
本公开实施例提供的方法中包括:
获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;
具体地,基于大数据,以加工钛带的冷轧机组为索引进行检索,获得用于加工钛带的冷轧机组。举例而言,冷轧机组为二辊轧机、四辊轧机和多辊轧机等。进一步地,冷轧机组具有卷取机与轧辊出口相连,卷取机与轧辊出口钛带间的张力为前张力。冷轧机组具有开卷机与轧辊入口相连,开卷机与轧辊入口钛带间的张力为后张力。进一步地,通过张力传感器对冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据。举例而言,张力传感器为卧式张力传感器、穿轴式传感器、悬臂式张力传感器等。
根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;
具体地,当前张力监测数据、后张力监测数据之间差距较大时,导致张力稳定性较差,进而致使进出冷轧的卷带质量不稳定。进一步地,根据前张力监测数据和后张力监测数据进行张力稳定检测,计算张力监测数据的差值,若张力监测数据的差值满足预定差值阈值时,计算前张力稳定系数和后张力稳定系数。其中,预定差值阈值为本领域人员根据历史张力稳定检测数据自定义设置。举例而言,计算张力监测数据的差值与前张力监测数据比值,获得前张力稳定系数。相应地,计算张力监测数据的差值与后张力监测数据比值,获得后张力稳定系数。
建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;
具体地,由于通过辊组改变前张力和后张力的张力大小,因此前张力和后张力具有相对关系。举例而言,前张力监测数据的前异常会导致后张力监测数据的后异常,进而为前张力和后张力的协作运行,而提高前张力和后张力的相对稳定性。进一步地,获取在前张力监测数据和后张力监测数据的采集条件下,冷轧机组的轧辊辊组的轧辊控制速度。当轧辊控制速度稳定时,构建张力预测层。将前张力监测数据和轧辊控制速度作为输入数据,利用张力预测层对前张力监测数据和轧辊控制速度进行预测,获取后张力预测数据,则获取后张力监测数据。进一步地,根据后张力监测数据与前张力监测数据,生成相对稳定系数。举例而言,相对稳定系数为后张力监测数据和前张力监测数据的张力差值与后张力监测数据的比值结果。
以所述前张力稳定系数所述后张力稳定系数得到独立稳定系数;
具体地,分别对前张力稳定系数和后张力稳定系数进行稳定误差识别,输出第一稳定误差和第二稳定误差。进一步地,设置预设稳定误差,表征独立稳定误差。以第一稳定误差占预设稳定误差的比值,和第二稳定误差进行计算占预设稳定误差的比值进行均值计算,将计算结果输出独立稳定系数。
根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;
具体地,设置预设稳定系数。将相对稳定系数和独立稳定系数作为输入变量,将相对稳定系数和独立稳定系数与预设稳定系数进行比较,判断相对稳定系数和独立稳定系数是否均小于预设稳定系数,分别获得判断结果。进一步地,设置预设稳定系数。若判断结果为相对稳定系数和独立稳定系数均小于预设稳定系数,表征均存在相对稳定系数异常和独立稳定系数异常,计算独立稳定系数异常的情况下相对稳定系数异常的条件概率,将条件概率作为第一故障概率。
若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机。
具体地,基于历史故障检测数据获取预设故障概率。若第一故障概率大于预设故障概率,生成预警信号,则将预警信号发送至冷轧机组的监控上位机。若第一故障概率小于或等于预设故障概率,则继续进行故障检测。
其中,通过本实施例可以解决现有技术中存在由于钛带加工设备的张力和速度的匹配程度较低,导致进出冷轧的卷带质量不稳定的技术问题,实现提高张力和速度的匹配程度的目标,达到提高钛带质量稳定性的技术效果。
本公开实施例提供的方法中还包括:
获取所述前张力监测数据和所述后张力监测数据采集条件下所述冷轧机组的轧辊控制速度;
当所述轧辊控制速度稳定时,根据所述张力监测数据和所述轧辊控制速度进行预测,获取后张力预测数据;
以所述后张力预测数据和所述后张力监测数据,生成第一预测反馈信息;
根据所述第一预测反馈信息生成优化后的后张力预测数据;
当后张力实时数据与优化后的后张力预测数据的数据差异,生成所述相对稳定系数。
具体地,通过辊组改变前张力和后张力的张力大小,获取在前张力监测数据和后张力监测数据的采集条件下,冷轧机组的轧辊辊组的轧辊控制速度。或者举例而言,获取前张力方向和重力方向的夹角、后张力方向和重力方向的夹角、前张力监测数据、后张力监测数据,计算前张力与后张力作用下的冷轧机组的加速度,根据加速度随时间变化,计算获取冷轧机组的轧辊控制速度。
进一步地,当轧辊控制速度稳定时,构建张力预测层。进一步地,将前张力监测数据和轧辊控制速度作为输入数据,利用张力预测层对前张力监测数据和轧辊控制速度进行预测,获取后张力预测数据,即由于通过辊组改变张力大小,因此当已知轧辊控制速度和前张力监测数据,则获取后张力监测数据。
进一步地,以后张力预测数据和后张力监测数据进行比对,计算后张力预测数据和后张力监测数据的张力差值,生成第一预测反馈信息。
进一步地,根据第一预测反馈信息对后张力预测数据进行数值调整,生成优化后的后张力预测数据。
进一步地,通过张力传感器进行监测获取后张力实时数据。当后张力实时数据与优化后的后张力预测数据的数据进行比对,获取差异数值,生成相对稳定系数。举例而言,将优化后的后张力预测数据与差异数值进行比对,将比对结果作为相对稳定系数。当相对稳定系数越大,则稳定程度越高。
其中,建立前张力监测数据和后张力监测数据之间的对应关系,生成相对稳定系数,可以提高前张力和后张力的相对稳定性。
本公开实施例提供的方法中还包括:
获取所述轧辊控制速度的速度平稳率;
以所述速度平稳率建立激活函数,并训练张力预测层;
利用所述张力预测层对所述前张力监测数据和所述轧辊控制速度进行预测,获取处于期望概率下的后张力预测数据,其中,所述期望概率为预设的预测准确概率。
具体地,连接轧辊数控面板,获取轧辊实时速度。对轧辊实时速度进行连续稳定性识别,获得速度平稳率,用以预测时保持控制速度平稳,避免预测准确程度较低。
进一步地,以速度平稳率建立激活函数,并训练张力预测层。张力预测层为机器学习中可以不断进行迭代优化,以速度平稳率为训练数据集,通过训练数据集进行监督训练获得。按照预设数据划分规则将样本数据集划分为样本训练集和样本验证集,预设数据划分比例本领域技术人员可基于实际情况自定义设置,例如:85%、15%。通过样本训练集对张力预测层进行监督训练,当张力预测层的输出结果趋于收敛状态时,通过样本验证集对张力预测层的输出结果准确率进行验证,获取预设验证准确率指标,预设验证准确率指标本领域技术人员可基于实际情况自定义设置,例如:95%。当张力预测层输出结果准确率大于等于预设验证准确率指标时,获得张力预测层。
进一步地,将前张力监测数据和轧辊控制速度作为输入数据,利用张力预测层对前张力监测数据和轧辊控制速度进行预测,获取处于期望概率下的后张力预测数据,即由于通过辊组改变张力大小,因此当已知轧辊控制速度和前张力监测数据,则获取后张力监测数据。其中,期望概率为预设的预测准确概率。例如,预设的预测准确概率为90%。
其中,根据前张力监测数据和轧辊控制速度进行预测,获取后张力预测数据,可以提高张力稳定性监测的准确程度。
本公开实施例提供的方法中还包括:
获取所述冷轧机组用于进行连轧的轧辊数量;
根据所述轧辊数量,训练连轧张力预测层,其中,所述连轧张力预测层为将上一张力预测数据输入下一张力预测层中的逐级迭代预测层;
根据所述轧辊数量对应生成多个轧辊控制速度,其中,所述多个轧辊控制速度分别与对应的张力预测层连接;
利用所述连轧张力预测层对所述前张力监测数据和所述多个轧辊控制速度进行马尔科夫链迭代预测,输出所述后张力预测数据。
具体地,获取冷轧机组用于进行连轧的轧辊数量,即冷轧机组中连续多个辊组的数量。进一步地,根据轧辊数量,训练连轧张力预测层,即连轧张力预测层中的张力预测层的数量为轧辊数量。进一步地,按照训练张力预测层的方法,训练获得连轧张力预测层。其中,连轧张力预测层为将上一张力预测层的输出数据,即预测数据作为输入数据,输入下一张力预测层中的逐级迭代预测层。
进一步地,根据轧辊数量对应生成多个轧辊控制速度,其中,多个轧辊控制速度分别与对应的张力预测层连接,每个轧辊控制速度与对应的张力预测层一一连接。
进一步地,马尔科夫链迭代预测的中心思想为过去所有的信息都已经被保存到了现在的状态,基于现在就可以预测未来。进一步地,利用连轧张力预测层对前张力监测数据和多个轧辊控制速度进行马尔科夫链迭代预测,输出后张力预测数据。举例而言,连轧张力预测层中第一张力预测层内通过第一轧辊控制速度与第一前张力监测数据,获得第一后张力预测数据。将第一后张力预测数据作为第二张力预测层的第二前张力监测数据,根据第二轧辊控制速度,输出获得第二后张力预测数据。如此迭代,获得连轧张力预测层的最终后张力预测数据。
其中,利用连轧张力预测层输出后张力预测数据,可以提高获得后张力预测数据的准确程度。
本公开实施例提供的方法中还包括:
连接轧辊数控面板,获取模拟控制速度;
采集所述冷轧机组的轧辊实时速度,根据所述轧辊实时速度和所述模拟控制速度进行偏差识别,输出第一偏差度;
对所述轧辊实时速度进行连续稳定性识别,输出第二偏差度;
以所述第一偏差度和所述第二偏差度进行加权融合计算获取所述速度平稳率。
具体地,连接轧辊数控面板,用于读取轧辊控制速度。将读取的轧辊控制速度作为轧辊控制速度的模拟控制速度。
进一步地,根据连接轧辊数控面板,采集冷轧机组的轧辊实时速度,根据轧辊实时速度和模拟控制速度进行偏差识别,计算速度差值,输出第一偏差度。
进一步地,对轧辊实时速度进行连续稳定性识别,获取轧辊实时速度为中心节点的连续时间内的相邻实时速度,计算相邻实时速度与轧辊实时速度的速度差值,输出第二偏差度。
进一步地,对第一偏差度和第二偏差度分别分配权数,以第一偏差度和第二偏差度进行加权融合,计算第一偏差度和第一偏差度的权数的相乘结果与第二偏差度和第二偏差度的权数的相乘结果之和,获取速度平稳率。其中,根据本领域技术人员根据历史获取冷轧机组的速度自定义对第一偏差度和第二偏差度分别分配权数。
其中,获取轧辊控制速度的速度平稳率,可以提高对张力预测的准确程度。
本公开实施例提供的方法中还包括:
分别对所述前张力稳定系数和所述后张力稳定系数进行稳定误差识别,输出第一稳定误差和第二稳定误差,其中,所述第一稳定误差和所述第二稳定误差均为独立稳定误差;
以所述第一稳定误差占预设稳定误差的比值,和所述第二稳定误差进行计算占预设稳定误差的比值进行均值计算,输出所述独立稳定系数。
具体地,分别对前张力稳定系数和后张力稳定系数进行稳定误差识别,输出第一稳定误差和第二稳定误差。举例而言,计算前张力稳定系数和前张力监测数据的相乘结果,作为第一稳定误差。计算后张力稳定系数和后张力监测数据的相乘结果,作为第二稳定误差。其中,第一稳定误差和第二稳定误差均为独立稳定误差。独立稳定误差表征系统运行或数据处理到达稳定状态后存在的误差,即系统收敛至稳定状态求解获得稳态误差。
进一步地,设置预设稳定误差,表征独立稳定误差,本领域人员根据实际情况自定义设置。进一步地,以第一稳定误差占预设稳定误差的比值,和第二稳定误差进行计算占预设稳定误差的比值进行均值计算,将计算结果输出独立稳定系数。举例而言,计算张力监测数据的差值与前张力监测数据比值,获得前张力稳定系数。计算张力监测数据的差值与后张力监测数据比值,获得后张力稳定系数。计算前张力稳定系数和前张力监测数据的相乘结果,作为第一稳定误差。计算后张力稳定系数和后张力监测数据的相乘结果,作为第二稳定误差。以第一稳定误差占预设稳定误差的比值,和第二稳定误差进行计算占预设稳定误差的比值进行均值计算,获得独立稳定系数为张力监测数据的差值与预设稳定误差的比值。
其中,以前张力稳定系数和后张力稳定系数得到独立稳定系数,用以判断各自是否稳定。
本公开实施例提供的方法中还包括:
将所述相对稳定系数和所述独立稳定系数作为输入变量,判断所述相对稳定系数和所述独立稳定系数是否均小于预设稳定系数;
若所述相对稳定系数和所述独立稳定系数均小于所述预设稳定系数,计算所述独立稳定系数异常的情况下所述相对稳定系数异常的条件概率,将所述条件概率作为所述第一故障概率进行输出。
具体地,设置预设稳定系数。将相对稳定系数和独立稳定系数作为输入变量,将相对稳定系数和独立稳定系数与预设稳定系数进行比较,判断相对稳定系数和独立稳定系数是否均小于预设稳定系数,分别获得判断结果。
进一步地,预设稳定系数为本领域技术人员根据实际情况自定义设置。若判断结果为相对稳定系数和独立稳定系数均小于预设稳定系数,表征均存在相对稳定系数异常和独立稳定系数异常,计算独立稳定系数异常的情况下相对稳定系数异常的条件概率,将条件概率作为第一故障概率进行输出。举例而言,若独立稳定系数异常的概率为50%,相对稳定系数异常的概率为50%,计算条件概率为25%。
其中,根据相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率,进而提高故障检测的准确程度。
实施例二
基于与前述实施例中用于钛带加工设备的故障检测方法同样的发明构思,兹参照图3作说明,本公开还提供了用于钛带加工设备的故障检测系统,所述系统包括:
前张力监测数据获得模块11,所述前张力监测数据获得模块11用于获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;
前张力稳定系数获得模块12,所述前张力稳定系数获得模块12用于根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;
相对稳定系数获得模块13,所述相对稳定系数获得模块13用于建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;
独立稳定系数获得模块14,所述独立稳定系数获得模块14用于以所述前张力稳定系数所述后张力稳定系数得到独立稳定系数;
第一故障概率获得模块15,所述第一故障概率获得模块15用于根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;
预警信号获得模块16,所述预警信号获得模块16用于若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机。
进一步地,所述系统还包括:
轧辊控制速度获得模块,所述轧辊控制速度获得模块用于获取所述前张力监测数据和所述后张力监测数据采集条件下所述冷轧机组的轧辊控制速度;
后张力预测数据获得模块,所述后张力预测数据获得模块用于当所述轧辊控制速度稳定时,根据所述前张力监测数据和所述轧辊控制速度进行预测,获取后张力预测数据;
第一预测反馈信息获得模块,所述第一预测反馈信息获得模块用于以所述后张力预测数据和所述后张力监测数据,生成第一预测反馈信息;
后张力预测数据获得模块,所述后张力预测数据获得模块用于根据所述第一预测反馈信息生成优化后的后张力预测数据;
相对稳定系数获得模块,所述相对稳定系数获得模块用于当后张力实时数据与优化后的后张力预测数据的数据差异,生成所述相对稳定系数。
进一步地,所述系统还包括:
速度平稳率获得模块,所述速度平稳率获得模块用于获取所述轧辊控制速度的速度平稳率;
张力预测层获得模块,所述张力预测层获得模块用于以所述速度平稳率建立激活函数,并训练张力预测层;
轧辊控制速度预测模块,所述轧辊控制速度预测模块用于利用所述张力预测层对所述前张力监测数据和所述轧辊控制速度进行预测,获取处于期望概率下的后张力预测数据,其中,所述期望概率为预设的预测准确概率。
进一步地,所述系统还包括:
轧辊数量获得模块,所述轧辊数量获得模块用于获取所述冷轧机组用于进行连轧的轧辊数量;
连轧张力预测层获得模块,所述连轧张力预测层获得模块用于根据所述轧辊数量,训练连轧张力预测层,其中,所述连轧张力预测层为将上一张力预测数据输入下一张力预测层中的逐级迭代预测层;
轧辊控制速度获得模块,所述轧辊控制速度获得模块用于根据所述轧辊数量对应生成多个轧辊控制速度,其中,所述多个轧辊控制速度分别与对应的张力预测层连接;
迭代预测模块,所述迭代预测模块用于利用所述连轧张力预测层对所述前张力监测数据和所述多个轧辊控制速度进行马尔科夫链迭代预测,输出所述后张力预测数据。
进一步地,所述系统还包括:
模拟控制速度获得模块,所述模拟控制速度获得模块用于连接轧辊数控面板,获取模拟控制速度;
第一偏差度获得模块,所述第一偏差度获得模块用于采集所述冷轧机组的轧辊实时速度,根据所述轧辊实时速度和所述模拟控制速度进行偏差识别,输出第一偏差度;
第二偏差度获得模块,所述第二偏差度获得模块用于对所述轧辊实时速度进行连续稳定性识别,输出第二偏差度;
速度平稳率获得模块,所述速度平稳率获得模块用于以所述第一偏差度和所述第二偏差度进行加权融合计算获取所述速度平稳率。
进一步地,所述系统还包括:
第一稳定误差获得模块,所述第一稳定误差获得模块用于分别对所述前张力稳定系数和所述后张力稳定系数进行稳定误差识别,输出第一稳定误差和第二稳定误差,其中,所述第一稳定误差和所述第二稳定误差均为独立稳定误差;
独立稳定系数获得模块,所述独立稳定系数获得模块用于以所述第一稳定误差占预设稳定误差的比值,和所述第二稳定误差进行计算占预设稳定误差的比值进行均值计算,输出所述独立稳定系数。
进一步地,所述系统还包括:
独立稳定系数判断模块,所述独立稳定系数判断模块用于将所述相对稳定系数和所述独立稳定系数作为输入变量,判断所述相对稳定系数和所述独立稳定系数是否均小于预设稳定系数;
条件概率获得模块,所述条件概率获得模块用于若所述相对稳定系数和所述独立稳定系数均小于所述预设稳定系数,计算所述独立稳定系数异常的情况下所述相对稳定系数异常的条件概率,将所述条件概率作为所述第一故障概率进行输出。
前述实施例一中的用于钛带加工设备的故障检测方法具体实例同样适用于本实施例的用于钛带加工设备的故障检测系统,通过前述对用于钛带加工设备的故障检测方法的详细描述,本领域技术人员可以清楚地知道本实施例中用于钛带加工设备的故障检测系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
实施例
图4是根据本公开第三实施例的示意图,如图4所示,本公开中的计算机设备100可以包括:处理器101和存储器102。
存储器102,用于存储程序;存储器102,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器102用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器102中。并且上述的计算机程序、计算机指令、数据等可以被处理器101调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器102中。并且上述的计算机程序、计算机指令等可以被处理器101调用。
处理器101,用于执行存储器102存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器101和存储器102可以是独立结构,也可以是集成在一起的集成结构。当处理器101和存储器102是独立结构时,存储器102、处理器101可以通过总线103耦合连接。
本实施例的计算机设备可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
根据本公开的实施例,本公开还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在执行时实现上述任一实施例提供的步骤。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.用于钛带加工设备的故障检测方法,其特征在于,所述方法包括:
获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;
根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;
建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;
以所述前张力稳定系数和所述后张力稳定系数得到独立稳定系数;
根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;
若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机。
2.如权利要求1所述的方法,其特征在于,建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,方法还包括:
获取所述前张力监测数据和所述后张力监测数据采集条件下所述冷轧机组的轧辊控制速度;
当所述轧辊控制速度稳定时,根据所述前张力监测数据和所述轧辊控制速度进行预测,获取后张力预测数据;
以所述后张力预测数据和所述后张力监测数据,生成第一预测反馈信息;
根据所述第一预测反馈信息生成优化后的后张力预测数据;
当后张力实时数据与优化后的后张力预测数据的数据差异,生成所述相对稳定系数。
3.如权利要求2所述的方法,其特征在于,根据所述前张力监测数据和所述轧辊控制速度进行预测,获取后张力预测数据,方法还包括:
获取所述轧辊控制速度的速度平稳率;
以所述速度平稳率建立激活函数,并训练张力预测层;
利用所述张力预测层对所述前张力监测数据和所述轧辊控制速度进行预测,获取处于期望概率下的后张力预测数据,其中,所述期望概率为预设的预测准确概率。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述冷轧机组用于进行连轧的轧辊数量;
根据所述轧辊数量,训练连轧张力预测层,其中,所述连轧张力预测层为将上一张力预测数据输入下一张力预测层中的逐级迭代预测层;
根据所述轧辊数量对应生成多个轧辊控制速度,其中,所述多个轧辊控制速度分别与对应的张力预测层连接;
利用所述连轧张力预测层对所述前张力监测数据和所述多个轧辊控制速度进行马尔科夫链迭代预测,输出所述后张力预测数据。
5.如权利要求3所述的方法,其特征在于,获取所述轧辊控制速度的速度平稳率,方法还包括:
连接轧辊数控面板,获取模拟控制速度;
采集所述冷轧机组的轧辊实时速度,根据所述轧辊实时速度和所述模拟控制速度进行偏差识别,输出第一偏差度;
对所述轧辊实时速度进行连续稳定性识别,输出第二偏差度;
以所述第一偏差度和所述第二偏差度进行加权融合计算获取所述速度平稳率。
6.如权利要求1所述的方法,其特征在于,以所述前张力稳定系数和所述后张力稳定系数得到独立稳定系数,方法还包括:
分别对所述前张力稳定系数和所述后张力稳定系数进行稳定误差识别,输出第一稳定误差和第二稳定误差,其中,所述第一稳定误差和所述第二稳定误差均为独立稳定误差;
以所述第一稳定误差占预设稳定误差的比值,和所述第二稳定误差进行计算占预设稳定误差的比值进行均值计算,输出所述独立稳定系数。
7.如权利要求1所述的方法,其特征在于,根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率,方法还包括:
将所述相对稳定系数和所述独立稳定系数作为输入变量,判断所述相对稳定系数和所述独立稳定系数是否均小于预设稳定系数;
若所述相对稳定系数和所述独立稳定系数均小于所述预设稳定系数,计算所述独立稳定系数异常的情况下所述相对稳定系数异常的条件概率,将所述条件概率作为所述第一故障概率进行输出。
8.用于钛带加工设备的故障检测系统,其特征在于,用于实施权利要求1-7中任意一项所述的用于钛带加工设备的故障检测方法,所述系统包括:
前张力监测数据获得模块,所述前张力监测数据获得模块用于获取用于加工钛带的冷轧机组,对所述冷轧机组进行工况数据监测,得到前张力监测数据和后张力监测数据,其中,所述前张力监测数据为卷取机与轧辊出口钛带间的张力,所述后张力监测数据为开卷机与轧辊入口钛带间的张力;
前张力稳定系数获得模块,所述前张力稳定系数获得模块用于根据所述前张力监测数据和所述后张力监测数据进行张力稳定检测,得到前张力稳定系数和后张力稳定系数;
相对稳定系数获得模块,所述相对稳定系数获得模块用于建立所述前张力监测数据和所述后张力监测数据之间的对应关系,生成相对稳定系数,其中,所述相对稳定系数为前-后之间的稳定性;
独立稳定系数获得模块,所述独立稳定系数获得模块用于以所述前张力稳定系数所述后张力稳定系数得到独立稳定系数;
第一故障概率获得模块,所述第一故障概率获得模块用于根据所述相对稳定系数和独立稳定系数进行故障概率检测,得到第一故障概率;
预警信号获得模块,所述预警信号获得模块用于若所述第一故障概率大于预设故障概率,生成预警信号,将所述预警信号发送至所述冷轧机组的监控上位机。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282301.3A CN117000781B (zh) | 2023-10-07 | 2023-10-07 | 用于钛带加工设备的故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282301.3A CN117000781B (zh) | 2023-10-07 | 2023-10-07 | 用于钛带加工设备的故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117000781A true CN117000781A (zh) | 2023-11-07 |
CN117000781B CN117000781B (zh) | 2023-12-15 |
Family
ID=88567613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311282301.3A Active CN117000781B (zh) | 2023-10-07 | 2023-10-07 | 用于钛带加工设备的故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117000781B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103521531A (zh) * | 2013-11-07 | 2014-01-22 | 天津理工大学 | 针对高速冷轧机第三倍频程颤振的故障诊断及反馈系统 |
CN111922095A (zh) * | 2020-07-14 | 2020-11-13 | 上海数深智能科技有限公司 | 一种冷轧机轧辊扭振故障异常的振动诊断方法 |
CN115841052A (zh) * | 2023-02-23 | 2023-03-24 | 江苏甬金金属科技有限公司 | 一种基于数值模拟的不锈钢精密挤压工艺优化方法及系统 |
CN115846421A (zh) * | 2023-02-23 | 2023-03-28 | 江苏甬金金属科技有限公司 | 一种金属轧机的张力智能控制方法及系统 |
WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
CN116610105A (zh) * | 2023-07-20 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于数据融合的轧机机械运行故障监测方法及系统 |
CN116607001A (zh) * | 2023-07-21 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
-
2023
- 2023-10-07 CN CN202311282301.3A patent/CN117000781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103521531A (zh) * | 2013-11-07 | 2014-01-22 | 天津理工大学 | 针对高速冷轧机第三倍频程颤振的故障诊断及反馈系统 |
CN111922095A (zh) * | 2020-07-14 | 2020-11-13 | 上海数深智能科技有限公司 | 一种冷轧机轧辊扭振故障异常的振动诊断方法 |
WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
CN115841052A (zh) * | 2023-02-23 | 2023-03-24 | 江苏甬金金属科技有限公司 | 一种基于数值模拟的不锈钢精密挤压工艺优化方法及系统 |
CN115846421A (zh) * | 2023-02-23 | 2023-03-28 | 江苏甬金金属科技有限公司 | 一种金属轧机的张力智能控制方法及系统 |
CN116610105A (zh) * | 2023-07-20 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于数据融合的轧机机械运行故障监测方法及系统 |
CN116607001A (zh) * | 2023-07-21 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117000781B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pilario et al. | Mixed kernel canonical variate dissimilarity analysis for incipient fault monitoring in nonlinear dynamic processes | |
El-Midany et al. | A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks | |
CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
Zhang et al. | A KPI-based process monitoring and fault detection framework for large-scale processes | |
Atoui et al. | A single Bayesian network classifier for monitoring with unknown classes | |
Yan et al. | Design teacher and supervised dual stacked auto-encoders for quality-relevant fault detection in industrial process | |
Tang et al. | Nonlinear quality-related fault detection using combined deep variational information bottleneck and variational autoencoder | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN106529079A (zh) | 一种基于故障相关主成分空间的化工过程故障检测方法 | |
Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
Rong et al. | Multi-block dynamic weighted principal component regression strategy for dynamic plant-wide process monitoring | |
CN117000781B (zh) | 用于钛带加工设备的故障检测方法及系统 | |
Qin et al. | Adaptive multiscale convolutional neural network model for chemical process fault diagnosis | |
Monroy et al. | Enhanced plant fault diagnosis based on the characterization of transient stages | |
Sun et al. | An enhanced kernel learning data-driven method for multiple fault detection and identification in industrial systems | |
Li et al. | Performance-driven ensemble ICA chemical process monitoring based on fault-relevant models | |
Memarian et al. | Robust multi-mode probabilistic slow feature analysis with application to fault detection | |
Zhu et al. | Multiplicative fault detection and isolation in dynamic systems using data-driven k-Gap metric based kNN Algorithm | |
Ma et al. | A two-phase soft sensor modeling framework for quality prediction in industrial processes with missing data | |
CN113671923A (zh) | 一种基于数据驱动的连轧过程故障检测方法 | |
Ma et al. | A data-driven fault isolation and estimation approach for unknown linear systems | |
Zhou et al. | A convex two-dimensional variable selection method for the root-cause diagnostics of product defects | |
Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis |
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 |