CN117406668B - 基于数值分析的轧辊质量控制数据模型及其应用 - Google Patents
基于数值分析的轧辊质量控制数据模型及其应用 Download PDFInfo
- Publication number
- CN117406668B CN117406668B CN202311713201.1A CN202311713201A CN117406668B CN 117406668 B CN117406668 B CN 117406668B CN 202311713201 A CN202311713201 A CN 202311713201A CN 117406668 B CN117406668 B CN 117406668B
- Authority
- CN
- China
- Prior art keywords
- data
- ordered
- multidimensional
- numerical
- roller
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000003908 quality control method Methods 0.000 title claims abstract description 41
- 238000013499 data model Methods 0.000 title claims abstract description 23
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 64
- 238000004519 manufacturing process Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 40
- 238000009659 non-destructive testing Methods 0.000 claims description 33
- 238000007667 floating Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 230000015556 catabolic process Effects 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000000593 degrading effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于数值分析的轧辊质量控制数据模型及其应用,涉及轧辊质量控制技术领域,本发明的数据模型在传统有限元分析模型的基础上引入具有全局表征特性的多维数据结构,此多维数据结构将轧辊在二维和/或三维有限元模型下相互独立的几何参数和/或力学参数和/或质控参数分别沿不同维度正交张开,并依次填充到各个维度的数据位上,形成包含全部所需数值指标或全部被关注数值指标的全局化多维张开数据结构;进一步基于上述多维数据结构构建全新的规模化动态多维数据流,此动态多维数据流由所述多维数据结构下的单一数据单元的并集构建,且此并集构建为可拓展的有限和有序数据集。
Description
技术领域
本发明涉及轧辊质量控制技术领域,尤其是一种基于数值分析的轧辊质量控制数据模型及其应用。
背景技术
轧辊是金属生产和加工中广泛使用的设备之一,轧辊的质量控制至关重要。传统的无损技术通过振动检测监测轧辊的振动情况反馈轧辊的质量和运行状况,还可用以检测轧辊的磨损、裂纹和变形等问题,并及时发现和排除这些问题,以避免轧辊的故障和损坏。与此同时,红外技术、毫米波无损检测技术也被用来扫描轧辊的表面,提供轧辊的材料、厚度和硬度等信息,以帮助操作员更好地控制和评估轧辊的质量。近年来,随着数据分析在工业领域的广泛应用,基于数值分析的轧辊质量控制数据模型应运而生,它基于数据挖掘、机器学习和深度学习等技术,通过对轧辊生产过程中的数据进行处理和分析,定义轧辊的性能及其健康状态,帮助操作员和生产管理者及时发现问题、预测异常情况并及时处理,以此来向更高效和更优质的生产过程迈进。
然而,尽管以上技术方案已经在很大程度上提高了轧辊质量控制和评估的准确性和可靠性,但仍然存在诸多技术缺陷,例如,一般的数据分析仅考虑单一数据维度,而忽视了轧辊整体的复杂状态,无法提供更全面的质量控制指标,同时,现有的数值分析模型仅能对轧辊的当下质量状况进行检测,在流程维度上无法延伸至轧辊生产环节,在时间维度上无法及早预警和预防轧辊生产故障。
发明内容
本发明要解决的技术问题是克服现有技术的种种不足,提供一种基于数值分析的轧辊质量控制数据模型及其应用。
为解决上述技术问题,本发明所采取的技术方案如下。
基于数值分析的轧辊质量控制数据模型,在传统有限元分析模型的基础上引入具有全局表征特性的多维数据结构,此多维数据结构将轧辊在二维和/或三维有限元模型下相互独立的几何参数和/或力学参数和/或质控参数分别沿不同维度正交张开,并依次填充到各个维度的数据位上,形成包含全部所需数值指标或全部被关注数值指标的全局化多维张开数据结构;进一步基于上述多维数据结构构建全新的规模化动态多维数据流,此动态多维数据流由所述多维数据结构下的单一数据单元的并集构建,且此并集构建为可拓展的有限和有序数据集。
作为本发明的一种优选技术方案,所述动态多维数据流构建为有序有限数据并集,其包含多组在多维数据结构下的单一数据单元,其中动态多维数据流的有限属性和有序属性分别依照如下数据条件进行界定:有限属性依照数据并集的范围界限进行界定,包括数据范围界限和数据取样的时间界限;有序属性在限属性界定的数据范围界限和数据取样时间界限下,一方面将来源不同的数据进行有序编号,同时依照数据的生成时序进行有序编号,由此构成具有双重有序角标的二维数据序列。
作为本发明的一种优选技术方案,在数据结构上,动态多维数据流依照其双重有序角标分别展开形成二维有序数据序列;这里的二维有序数据序列,其内部的任一数据单元均为前述对选定的轧辊几何或力学或质控参数进行全局表征的多维数据结构单元。
作为本发明的一种优选技术方案,在数据结构上,如果所构建的一个动态多维数据流中,其有限属性的数据范围界限划定为同一来源的数据,包括同一轧辊的历史数据集或在有限元分析模型中的同一区域的历史数据集,则动态多维数据流中所有数据单元的数据源有序编号保持一致,则,双重有序角标退化为一维有序角标,二维数据序列退化为一维数据序列;这里的一维数据序列,其内部的任一数据单元均为前述对选定的轧辊几何或力学或质控参数进行全局表征的多维数据结构单元。
作为本发明的一种优选技术方案,当多维数据流具有二维数据序列结构时,则在对多维数据流进行数据分析和数据处理以进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警和/或预测时,构建如下两种可选数据处理范式:a、直接构建与二维数据序列结构对应的数据处理进程进行数据处理;b、基于双重有序角标,首先依照事先固定的一重有序角标人为将二维数据序列退化为多个有序的一维数据序列,并对任一个退化后的一维数据序列本身赋予有序角标,此有序角标直接采用人为退化处理时所固定的一重有序角标;这样二维数据序列结构衍化为包含多组一维数据序列的分层数据结构。
基于数值分析的轧辊质量控制数据模型的应用,包括:基于所述多维数据结构的数值分析进行轧辊质量的实时化无损检验标定或抽检化无损检验标定。
基于数值分析的轧辊质量控制数据模型的应用,包括:基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警和/或预测。
基于数值分析的轧辊质量控制数据模型的应用,包括:基于动态预警和/或预测数据进行轧辊生产线的检修和/或更替,或者作为轧辊生产线检修和/或更替的参考因素。
作为本发明的一种优选技术方案,基于所述多维数据结构的数值分析进行轧辊质量的实时化无损检验标定或抽检化无损检验标定,包括:
自建数据进程α、将多维数据结构在各个数据维度上展开的分量,与事先标定的标准多维数据结构在对应数据维度上展开的分量进行数值比对,基于数值比对结果进行轧辊质量的实时化无损检验标定或抽检化无损检验标定;其中,所述事先标定的标准多维数据结构源于人为设定的固定数据单元或基于规范轧辊产品数据库获得的动态化数据单元平均值,所述数值比对包含两个层次的数据条件:①限定仅对处于对等数据维度上及同一数据维度在对等数据位上的数据进行数值比对;②数值比对包括作为基础的差分比对、比值比对及在差分比对、比值比对基础上构建的绝对数值化处理、平方和数值化处理;
调用数据进程β、基于多维数据结构的张量数据构型,直接调用现有的张量数据工具库,在选定的数据处理工具下对多维数据结构进行数值分析以进行轧辊质量的实时化无损检验标定或抽检化无损检验标定。
作为本发明的一种优选技术方案,基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警;构建有如下有序动态多维数据流的内置自比对数据进程:此数据进程包含两个核心数据执行子进程:数据执行子进程①、基于动态多维数据流的有序性进行临近数据和/或间隔数据的数值比对,这里,临近数据及间隔数据的个数及间隔长度事先编程输入,其中的数值比对直接采用轧辊质量的实时化无损检验标定或抽检化无损检验标定中自建数据进程α的数值比对范式,即,将多维数据结构在各个数据维度上展开的分量与标准多维数据结构在对应数据维度上展开的分量进行数值比对,但是其比对标准与自建数据进程α不同,而是采用内置化的自生成比对标准;数据执行子进程②、数值比对标准的均衡内置化子进程,这里,在有序动态多维数据流中,理想化条件下其中的每个多维数据结构保持一致化,在实际的轧辊生产线中,对应构建的每个多维数据结构无法保持完全一致,其数值浮动具有如下分布规律:数值的相对浮动程度与数据在有序数据流中的间隔保持正相关性,由此,在有序动态多维数据流中选定一个间隔范围,将此数据范围内部相邻数据的数值浮动均值作为数据执行子进程①的比对标准;当任一多维数据结构与相邻数据进行数值比对时,其数值浮动与其所在数据范围内置生成的数据浮动均值相比发生跃进,则出发轧辊生产流程和/或轧辊生产线硬件的预警。
作为本发明的一种优选技术方案,基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预测,此动态预测数据进程基于有序动态多维数据流的内置自比对数据进程,并结合动态多维数据流的双重有序角标或其退化后的一重有序角标进行进一步构建;在实际的轧辊生产线中,对应构建的多维数据结构的数值浮动具有如下分布规律:数值的相对浮动程度与数据在有序数据流中的间隔保持正相关性,由此,依照动态多维数据流内部的双重有序角标或退化后的一重有序角标作为线性参照,将一定数据间隔范围内具有最小有序角标的多维数据结构作为基准,然后调用有序动态多维数据流的内置自比对数据进程当中的数据执行子进程①,将选定间隔范围内的多维数据结构依次与具有最小有序角标的基准数据进行差分比对,所得数据序列依照双重有序角标或退化后的一重有序角标进行线性排布,经插值处理后形成连续的具有单一方向导向的线性数据流,依照其数据方向导向进行延伸,则其与预设标准的相交数据位点所对应的双重有序角标或其退化后的一重有序角标,作为轧辊生产流程和/或轧辊生产线硬件故障检修的预测点;其中的预设标准基于历史数据进行人为事先标定,并根据预测准度进行实时或事后调整。
作为本发明的一种优选技术方案,基于所述多维数据结构的数值分析进行轧辊质量的实时化无损检验标定或抽检化无损检验标定时,单线程数据处理环境的优先级高于多线程数据处理环境,此时,当多维数据流具有二维数据序列结构时,有限采用数据处理范式a:直接构建与二维数据序列结构对应的数据处理进程进行数据处理。
作为本发明的一种优选技术方案,基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警和/或预测时,在多线程的数据处理环境下,当多维数据流具有二维数据序列结构时,采用数据处理范式b:基于双重有序角标,首先依照事先固定的一重有序角标人为将二维数据序列退化为多个有序的一维数据序列,并对任一个退化后的一维数据序列本身赋予有序角标,此有序角标直接采用人为退化处理时所固定的一重有序角标;这样二维数据序列结构衍化为包含多组一维数据序列的分层数据结构。
采用上述技术方案所产生的有益效果在于:在传统轧辊无损检测中的有限元分析模型及其应力张量和应变张量数值处理模型基础上,一方面通过拓宽张量数据的维度构建了具有更多独立和正交张开数据位的多维数据结构,以实现对轧辊各种检测参数及环境、质控等参数的一体化和全局化表征,在不增加数据处理难度的情况下,更好了提升了轧辊无损检测数值分析的价值;另一方面,尤其是,我们首次基于企业积累的历史数据构建了全新的规模化动态多维数据流,此动态多维数据流由所述多维数据结构下的单一数据单元的并集构建,具有良好的时间和空间有序性,并基于此提出了延伸至至轧辊生产环节的更为广泛的轧辊质控检测;最后,我们还基于上述动态有序数据流的数值分布规律构建了一种预测轧辊生产故障的方法,能够为轧辊生产检修的提前准备提供有意义的事前参考。
具体实施方式
以下实施例详细说明了本发明。在以下实施例的描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
实施例1、数据模型
基于数值分析的轧辊质量控制数据模型的构建,是整个轧辊无损检测系统的核心。
所构建的数据模型在传统有限元分析模型的基础上引入具有全局表征特性的多维数据结构,此多维数据结构将轧辊在二维和/或三维有限元模型下相互独立的几何参数、力学参数、质控参数等分别沿不同维度正交张开,并依次填充到各个维度的数据位上,形成包含全部所需数值指标或全部被关注数值指标的全局化多维张开数据结构。这样,通过拓宽张量数据的维度构建了具有更多独立和正交张开数据位的多维数据结构,以实现对轧辊各种检测参数及环境、质控等参数的一体化和全局化表征,在不增加数据处理难度的情况下,更好了提升了轧辊无损检测数值分析的价值。
进一步的,基于上述多维数据结构构建全新的规模化动态多维数据流,此动态多维数据流由多维数据结构下的单一数据单元的并集构建,且此并集构建为可拓展的有限和有序数据集;动态多维数据流构建为有序有限数据并集,其包含多组在多维数据结构下的单一数据单元,其中动态多维数据流的有限属性和有序属性分别依照如下数据条件进行界定:有限属性依照数据并集的范围界限进行界定,包括数据范围界限和数据取样的时间界限;有序属性在限属性界定的数据范围界限和数据取样时间界限下,一方面将来源不同的数据进行有序编号,同时依照数据的生成时序进行有序编号,由此构成具有双重有序角标的二维数据序列。
这里有两点值得注意:第1,二维与一维有序数据序列的问题:在数据结构上,动态多维数据流依照其双重有序角标分别展开形成二维有序数据序列;而如果所构建的一个动态多维数据流中,其有限属性的数据范围界限划定为同一来源的数据,包括同一轧辊的历史数据集或在有限元分析模型中的同一区域的历史数据集,则动态多维数据流中所有数据单元的数据源有序编号保持一致,则,双重有序角标退化为一维有序角标,二维数据序列退化为一维数据序列;第2,二维与一维有序数据序列内部的数据客体的问题:这里的二维有序数据序列或一维数据序列,注意其内部的任一数据单元均为前述对选定的轧辊几何或力学或质控参数进行全局表征的多维数据结构单元。
实施例2、基于多维数据结构的数值分析进行轧辊质量检测。
在这里,基于我们的数据模型构建了自建了一套精简实用的数据进程:首先,事先标定标准多维数据结构,其源于人为设定的固定数据单元或基于规范轧辊产品数据库获得的动态化数据单元平均值;数据比对进程包含两个层次的数据条件:限定仅对处于对等数据维度上及同一数据维度在对等数据位上的数据进行数值比对;数值比对包括作为基础的差分比对、比值比对及在差分比对、比值比对基础上构建的绝对数值化处理、平方和数值化处理;数据比对进程设定为:将多维数据结构在各个数据维度上展开的分量,与事先标定的标准多维数据结构在对应数据维度上展开的分量进行数值比对,基于数值比对结果进行轧辊质量的实时化无损检验标定或抽检化无损检验标定。
另外,我们在这里也可以直接基于多维数据结构的张量数据构型调用现有的张量数据工具库,在选定的数据处理工具下对多维数据结构进行数值分析以进行轧辊质量的实时化无损检验标定或抽检化无损检验标定。
例如,在简化的纯力学参数轧辊多维数据结构中,可以调用刚度工具元素。首先基于多维数据结构进行如下构建:
在此基础上的进行刚度工具调用。
实施例3、基于动态多维数据流的数值分析进行轧辊生产检测。
对于生产故障检测,构建有如下有序动态多维数据流的内置自比对数据进程:此数据进程包含两个核心数据执行子进程:数据执行子进程①、基于动态多维数据流的有序性进行临近数据和/或间隔数据的数值比对,这里,临近数据及间隔数据的个数及间隔长度事先编程输入,其中的数值比对直接采用轧辊质量的实时化无损检验标定或抽检化无损检验标定中自建数据进程α的数值比对范式,即,将多维数据结构在各个数据维度上展开的分量与标准多维数据结构在对应数据维度上展开的分量进行数值比对,但是其比对标准与自建数据进程α不同,而是采用内置化的自生成比对标准;数据执行子进程②、数值比对标准的均衡内置化子进程,这里,在有序动态多维数据流中,理想化条件下其中的每个多维数据结构保持一致化,在实际的轧辊生产线中,对应构建的每个多维数据结构无法保持完全一致,其数值浮动具有如下分布规律:数值的相对浮动程度与数据在有序数据流中的间隔保持正相关性,由此,在有序动态多维数据流中选定一个间隔范围,将此数据范围内部相邻数据的数值浮动均值作为数据执行子进程①的比对标准;当任一多维数据结构与相邻数据进行数值比对时,其数值浮动与其所在数据范围内置生成的数据浮动均值相比发生跃进,则出发轧辊生产流程和/或轧辊生产线硬件的预警。
对于轧辊生产的无损动态预测,是基于有序动态多维数据流的内置自比对数据进程,并结合动态多维数据流的双重有序角标或其退化后的一重有序角标进行进一步构建;在实际的轧辊生产线中,对应构建的多维数据结构的数值浮动具有如下分布规律:数值的相对浮动程度与数据在有序数据流中的间隔保持正相关性,由此,依照动态多维数据流内部的双重有序角标或退化后的一重有序角标作为线性参照,将一定数据间隔范围内具有最小有序角标的多维数据结构作为基准,然后调用有序动态多维数据流的内置自比对数据进程当中的数据执行子进程①,将选定间隔范围内的多维数据结构依次与具有最小有序角标的基准数据进行差分比对,所得数据序列依照双重有序角标或退化后的一重有序角标进行线性排布,经插值处理后形成连续的具有单一方向导向的线性数据流,依照其数据方向导向进行延伸,则其与预设标准的相交数据位点所对应的双重有序角标或其退化后的一重有序角标,作为轧辊生产流程和/或轧辊生产线硬件故障检修的预测点;其中的预设标准基于历史数据进行人为事先标定,并根据预测准度进行实时或事后调整。
我们自建了机器代码进行了仿真数值模拟,并进行了进一步的优化。导入数据后,将多维数据结构定义为一个数据集(或类),其中包含临近数据和间隔数据的参数,示例如下:
然后定义数据执行子进程①的函数,实现临近数据和/或间隔数据的数值比对;示例如下:
然后定义数据执行子进程②的函数,计算数值比对标准的均衡内置化子进程;示例如下:
然后根据预定义的条件检测是否触发预警;示例如下:
应用时,可以在主程序中调用这些函数,执行数据处理过程;初步的示例如下:
后续可以考虑使用滑动窗口方法处理实时数据,同时为了更好地处理多维数组数据可以引入用 Pandas 或其他高级库。初步的示例如下:
导入数据后,首先定义一个滑动窗口函数,便于同时处理多组数据:
为了同时处理多组实时数据:
这样的优化进程下,可以处理多组轧辊生产线的动态多维数据(只需调用‘process_groups’ 函数并传入相关参数)。后续,还可以考虑使用 Pandas DataFrame、SQL数据库和其他方法对数据进行进一步处理,以便于数据存储的后续进一步开发。
实施例4、数据结构与数据线程,以及后续人工智能平台的接入
基于多维数据结构的数值分析进行轧辊质量的实时化无损检验标定或抽检化无损检验标定时,单线程数据处理环境的优先级高于多线程数据处理环境,此时,当多维数据流具有二维数据序列结构时,有限采用数据处理范式a:直接构建与二维数据序列结构对应的数据处理进程进行数据处理。此时,由于多维数据结构与张量数据结构的对等性,此数据处理范式能够无损接入人工智能优化平台如TensorFlow等。
基于动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警和/或预测时,在多线程的数据处理环境下,当多维数据流具有二维数据序列结构时,采用数据处理范式b:基于双重有序角标,首先依照事先固定的一重有序角标人为将二维数据序列退化为多个有序的一维数据序列,并对任一个退化后的一维数据序列本身赋予有序角标,此有序角标直接采用人为退化处理时所固定的一重有序角标;这样二维数据序列结构衍化为包含多组一维数据序列的分层数据结构。这样,一方面规避了二维数据结构衍生的复杂性,并与多线程处理器更好的兼容,尤其是,也更加便于后期接入人工智能平台进行数据优化,适配GPU处理器和人工智能平台的数据执行架构。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。在各个实施例中,技术的硬件实现可以直接采用现有的智能设备,包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘,其数据存储和计算模块采用现有的存储器、计算器、控制器,其内部通信模块采用现有的通信端口和协议,其远程通信采用现有的gprs网络、万维互联网等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数值分析的轧辊质量控制方法,其特征在于:
该方法应用基于数值分析的轧辊质量控制数据模型,该数据模型在传统有限元分析模型的基础上引入具有全局表征特性的多维数据结构,此多维数据结构将轧辊在二维和/或三维有限元模型下相互独立的几何参数和/或力学参数和/或质控参数分别沿不同维度正交展开,并依次填充到各个维度的数据位上,形成包含全部所需数值指标或全部被关注数值指标的全局化多维展开数据结构;进一步基于上述多维数据结构构建全新的规模化动态多维数据流,此动态多维数据流由所述多维数据结构下的单一数据单元的并集构建,且此并集构建为可拓展的有限和有序数据集;
基于所述多维数据结构的数值分析进行轧辊质量的实时化无损检验标定或抽检化无损检验标定;基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警和/或预测;基于动态预警和/或预测数据进行轧辊生产线的检修和/或更替,或者作为轧辊生产线检修和/或更替的参考因素;
基于所述多维数据结构的数值分析进行轧辊质量的实时化无损检验标定或抽检化无损检验标定,包括:
自建数据进程α、将多维数据结构在各个数据维度上展开的分量,与事先标定的标准多维数据结构在对应数据维度上展开的分量进行数值比对,基于数值比对结果进行轧辊质量的实时化无损检验标定或抽检化无损检验标定;其中,所述事先标定的标准多维数据结构源于人为设定的固定数据单元或基于规范轧辊产品数据库获得的动态化数据单元平均值,所述数值比对包含两个层次的数据条件:①限定仅对处于对等数据维度上及同一数据维度在对等数据位上的数据进行数值比对;②数值比对包括作为基础的差分比对、比值比对及在差分比对、比值比对基础上构建的绝对数值化处理、平方和数值化处理;
调用数据进程β、基于多维数据结构的张量数据构型,直接调用现有的张量数据工具库,在选定的数据处理工具下对多维数据结构进行数值分析以进行轧辊质量的实时化无损检验标定或抽检化无损检验标定。
2.根据权利要求1所述的一种基于数值分析的轧辊质量控制方法,其特征在于:关于所述基于数值分析的轧辊质量控制数据模型,所述动态多维数据流构建为有序有限数据并集,其包含多组在多维数据结构下的单一数据单元,其中动态多维数据流的有限属性和有序属性分别依照如下数据条件进行界定:有限属性依照数据并集的范围界限进行界定,包括数据范围界限和数据取样的时间界限;有序属性在限属性界定的数据范围界限和数据取样时间界限下,一方面将来源不同的数据进行有序编号,同时依照数据的生成时序进行有序编号,由此构成具有双重有序角标的二维数据序列。
3.根据权利要求2所述的一种基于数值分析的轧辊质量控制方法,其特征在于:关于所述基于数值分析的轧辊质量控制数据模型,在数据结构上,动态多维数据流依照其双重有序角标分别展开形成二维有序数据序列;这里的二维有序数据序列,其内部的任一数据单元均为对轧辊几何或力学或质控参数进行全局表征的多维数据结构单元。
4.根据权利要求3所述的一种基于数值分析的轧辊质量控制方法,其特征在于:关于所述基于数值分析的轧辊质量控制数据模型,在数据结构上,如果所构建的一个动态多维数据流中,其有限属性的数据范围界限划定为同一来源的数据,包括同一轧辊的历史数据集或在有限元分析模型中的同一区域的历史数据集,则动态多维数据流中所有数据单元的数据源有序编号保持一致,则,双重有序角标退化为一维有序角标,二维数据序列退化为一维数据序列;这里的一维数据序列,其内部的任一数据单元均为对轧辊几何或力学或质控参数进行全局表征的多维数据结构单元。
5.根据权利要求4所述的一种基于数值分析的轧辊质量控制方法,其特征在于:关于所述基于数值分析的轧辊质量控制数据模型,当多维数据流具有二维数据序列结构时,则在对多维数据流进行数据分析和数据处理以进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警和/或预测时,构建如下两种可选数据处理范式:a、直接构建与二维数据序列结构对应的数据处理进程进行数据处理;b、基于双重有序角标,首先依照事先固定的一重有序角标人为将二维数据序列退化为多个有序的一维数据序列,并对任一个退化后的一维数据序列本身赋予有序角标,此有序角标直接采用人为退化处理时所固定的一重有序角标;这样二维数据序列结构衍化为包含多组一维数据序列的分层数据结构。
6.根据权利要求5所述的一种基于数值分析的轧辊质量控制方法,其特征在于:基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预警;构建有如下数据进程:
有序动态多维数据流的内置自比对数据进程:此数据进程包含两个核心数据执行子进程:数据执行子进程①、基于动态多维数据流的有序性进行临近数据和/或间隔数据的数值比对,这里,临近数据及间隔数据的个数及间隔长度事先编程输入,其中的数值比对直接采用轧辊质量的实时化无损检验标定或抽检化无损检验标定中自建数据进程α的数值比对范式,即,将多维数据结构在各个数据维度上展开的分量与标准多维数据结构在对应数据维度上展开的分量进行数值比对,但是其比对标准与自建数据进程α不同,而是采用内置化的自生成比对标准;数据执行子进程②、数值比对标准的均衡内置化子进程,这里,在有序动态多维数据流中,理想化条件下其中的每个多维数据结构保持一致化,在实际的轧辊生产线中,对应构建的每个多维数据结构无法保持完全一致,其数值浮动具有如下分布规律:数值的相对浮动程度与数据在有序数据流中的间隔保持正相关性,由此,在有序动态多维数据流中选定一个间隔范围,将此数据范围内部相邻数据的数值浮动均值作为数据执行子进程①的比对标准;当任一多维数据结构与相邻数据进行数值比对时,其数值浮动与其所在数据范围内置生成的数据浮动均值相比发生跃进,则出发轧辊生产流程和/或轧辊生产线硬件的预警。
7.根据权利要求6所述的一种基于数值分析的轧辊质量控制方法,其特征在于:基于所述动态多维数据流的数值分析进行轧辊生产流程和/或轧辊生产线硬件的无损动态预测,此动态预测数据进程基于有序动态多维数据流的内置自比对数据进程,并结合动态多维数据流的双重有序角标或其退化后的一重有序角标进行进一步构建;在实际的轧辊生产线中,对应构建的多维数据结构的数值浮动具有如下分布规律:数值的相对浮动程度与数据在有序数据流中的间隔保持正相关性,由此,依照动态多维数据流内部的双重有序角标或退化后的一重有序角标作为线性参照,将一定数据间隔范围内具有最小有序角标的多维数据结构作为基准,然后调用有序动态多维数据流的内置自比对数据进程当中的数据执行子进程①,将选定间隔范围内的多维数据结构依次与具有最小有序角标的基准数据进行差分比对,所得数据序列依照双重有序角标或退化后的一重有序角标进行线性排布,经插值处理后形成连续的具有单一方向导向的线性数据流,依照其数据方向导向进行延伸,则其与预设标准的相交数据位点所对应的双重有序角标或其退化后的一重有序角标,作为轧辊生产流程和/或轧辊生产线硬件故障检修的预测点;其中的预设标准基于历史数据进行人为事先标定,并根据预测准度进行实时或事后调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713201.1A CN117406668B (zh) | 2023-12-14 | 2023-12-14 | 基于数值分析的轧辊质量控制数据模型及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713201.1A CN117406668B (zh) | 2023-12-14 | 2023-12-14 | 基于数值分析的轧辊质量控制数据模型及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117406668A CN117406668A (zh) | 2024-01-16 |
CN117406668B true CN117406668B (zh) | 2024-02-23 |
Family
ID=89500193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713201.1A Active CN117406668B (zh) | 2023-12-14 | 2023-12-14 | 基于数值分析的轧辊质量控制数据模型及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406668B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009059255A (ja) * | 2007-08-31 | 2009-03-19 | Phifit Kk | 塑性加工シミュレータ及び記録媒体 |
CN102069094A (zh) * | 2010-11-16 | 2011-05-25 | 北京首钢自动化信息技术有限公司 | 一种基于数据挖掘的板形控制关键工艺参数优化系统 |
KR20140030677A (ko) * | 2012-09-03 | 2014-03-12 | 서울대학교산학협력단 | 선박 곡외판 열간 가공 정보 산출 방법 및 시스템 |
CN109874338A (zh) * | 2016-09-13 | 2019-06-11 | 首要金属科技德国有限责任公司 | 在原材料工业的设备情况下使用综合人工智能 |
CN114999596A (zh) * | 2022-05-31 | 2022-09-02 | 上海理工大学 | 一种滑动结合部虚拟材料层参数识别方法 |
CN115801411A (zh) * | 2022-11-18 | 2023-03-14 | 国网河北省电力有限公司电力科学研究院 | 一种电力物联网络攻击行为的高阶数据特征提取和识别方法 |
CN115828233A (zh) * | 2022-11-18 | 2023-03-21 | 国网河北省电力有限公司电力科学研究院 | 一种电网动态安全检测系统数据封装方法 |
CN115941293A (zh) * | 2022-11-18 | 2023-04-07 | 国网河北省电力有限公司电力科学研究院 | 一种电力网络安全检测及漏洞防护数据化方法 |
WO2023087676A1 (zh) * | 2021-11-19 | 2023-05-25 | 东北大学 | 基于三维模型的六辊冷轧机临界振动速度预测方法 |
CN116488909A (zh) * | 2023-04-26 | 2023-07-25 | 国网河南省电力公司信息通信分公司 | 一种基于数据维度层级拓展的电力物联网络安全防护方法 |
CN116933052A (zh) * | 2023-07-18 | 2023-10-24 | 国网信息通信产业集团有限公司北京分公司 | 一种变电站数据化在线监测系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7249004B2 (en) * | 2003-02-28 | 2007-07-24 | 3M Innovative Properties Company | Mill roll analysis system |
WO2021167443A1 (en) * | 2020-02-17 | 2021-08-26 | Petroliam Nasional Berhad (Petronas) | Equipment failure probability calculation and lifetime estimation methods and systems |
-
2023
- 2023-12-14 CN CN202311713201.1A patent/CN117406668B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009059255A (ja) * | 2007-08-31 | 2009-03-19 | Phifit Kk | 塑性加工シミュレータ及び記録媒体 |
CN102069094A (zh) * | 2010-11-16 | 2011-05-25 | 北京首钢自动化信息技术有限公司 | 一种基于数据挖掘的板形控制关键工艺参数优化系统 |
KR20140030677A (ko) * | 2012-09-03 | 2014-03-12 | 서울대학교산학협력단 | 선박 곡외판 열간 가공 정보 산출 방법 및 시스템 |
CN109874338A (zh) * | 2016-09-13 | 2019-06-11 | 首要金属科技德国有限责任公司 | 在原材料工业的设备情况下使用综合人工智能 |
WO2023087676A1 (zh) * | 2021-11-19 | 2023-05-25 | 东北大学 | 基于三维模型的六辊冷轧机临界振动速度预测方法 |
CN114999596A (zh) * | 2022-05-31 | 2022-09-02 | 上海理工大学 | 一种滑动结合部虚拟材料层参数识别方法 |
CN115801411A (zh) * | 2022-11-18 | 2023-03-14 | 国网河北省电力有限公司电力科学研究院 | 一种电力物联网络攻击行为的高阶数据特征提取和识别方法 |
CN115828233A (zh) * | 2022-11-18 | 2023-03-21 | 国网河北省电力有限公司电力科学研究院 | 一种电网动态安全检测系统数据封装方法 |
CN115941293A (zh) * | 2022-11-18 | 2023-04-07 | 国网河北省电力有限公司电力科学研究院 | 一种电力网络安全检测及漏洞防护数据化方法 |
CN116488909A (zh) * | 2023-04-26 | 2023-07-25 | 国网河南省电力公司信息通信分公司 | 一种基于数据维度层级拓展的电力物联网络安全防护方法 |
CN116933052A (zh) * | 2023-07-18 | 2023-10-24 | 国网信息通信产业集团有限公司北京分公司 | 一种变电站数据化在线监测系统和方法 |
Non-Patent Citations (4)
Title |
---|
冶金轧制设备技术数字化智能化发展综述;彭艳;;燕山大学学报;20200531(第03期);全文 * |
基于Copula函数的热轧支持辊健康状态预测模型;李天伦;何安瑞;邵健;付文鹏;强毅;谢向群;;工程科学学报;20201231(第06期);全文 * |
基于主张量的时空数据特征驱动可视化方法;罗文;袁林旺;俞肇元;闾国年;;应用基础与工程科学学报;20130415(第02期);全文 * |
基于工业互联的企业数据系统架构设计与实践;丛力群;;冶金自动化;20180521(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117406668A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6243615B1 (en) | System for analyzing and improving pharmaceutical and other capital-intensive manufacturing processes | |
Chengyang et al. | Spindle thermal error prediction approach based on thermal infrared images: A deep learning method | |
Megahed et al. | A spatiotemporal method for the monitoring of image data | |
Suriano et al. | Progressive measurement and monitoring for multi-resolution data in surface manufacturing considering spatial and cross correlations | |
Huang et al. | Detection and monitoring of defects on three-dimensional curved surfaces based on high-density point cloud data | |
Wei et al. | Thermal error modeling and compensation based on Gaussian process regression for CNC machine tools | |
Huang et al. | Statistical modal analysis for variation characterization and application in manufacturing quality control | |
Zhao et al. | An earth mover’s distance based multivariate generalized likelihood ratio control chart for effective monitoring of 3D point cloud surface | |
CN103714191B (zh) | 用于异常工具和阶段诊断的2d/3d分析 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
Guo et al. | Hierarchical spatial-temporal modeling and monitoring of melt pool evolution in laser-based additive manufacturing | |
Liu et al. | Optimal coordinate sensor placements for estimating mean and variance components of variation sources | |
Zuo et al. | An EWMA and region growing based control chart for monitoring image data | |
CN107122907B (zh) | 一种机电产品符号化质量特性的分析与故障原因追溯方法 | |
He et al. | Enhancing the monitoring of 3D scanned manufactured parts through projections and spatiotemporal control charts | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
CN117406668B (zh) | 基于数值分析的轧辊质量控制数据模型及其应用 | |
Lyu et al. | Automated visual inspection expert system for multivariate statistical process control chart | |
Schatz et al. | Visual Analysis of Large‐Scale Protein‐Ligand Interaction Data | |
Xiang et al. | Fault classification for high‐dimensional data streams: A directional diagnostic framework based on multiple hypothesis testing | |
Ramos-Barberán et al. | Batch process control and monitoring: A Dual STATIS and Parallel Coordinates (DS-PC) approach | |
Barlowe et al. | Multivariate visual explanation for high dimensional datasets | |
KR20180135213A (ko) | 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템 | |
CN117030129A (zh) | 纸杯在线检漏方法及其系统 |
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 |