CN117473439A - 一种无缝钢管连轧生产过程监测与异常追溯方法及系统 - Google Patents

一种无缝钢管连轧生产过程监测与异常追溯方法及系统 Download PDF

Info

Publication number
CN117473439A
CN117473439A CN202311402334.7A CN202311402334A CN117473439A CN 117473439 A CN117473439 A CN 117473439A CN 202311402334 A CN202311402334 A CN 202311402334A CN 117473439 A CN117473439 A CN 117473439A
Authority
CN
China
Prior art keywords
data
production
abnormal
monitoring
continuous rolling
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
CN202311402334.7A
Other languages
English (en)
Inventor
孙友昭
李京栋
杨荃
邵健
石源斌
王晓晨
陈嘉琪
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202311402334.7A priority Critical patent/CN117473439A/zh
Publication of CN117473439A publication Critical patent/CN117473439A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Graphics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Mechanical Engineering (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种无缝钢管连轧生产过程监测与异常追溯方法及系统，涉及数字孪生系统技术领域，包括：通过3D建模对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模，采用实时生产数据驱动三维生产线设备与物料，实现产线运转状态的实时映射，汇聚不同层级的数据信息，然后建立过程状态监测模型，提取不同层级数据的信息特征，实现无缝钢管连轧生产过程的异常监测，最后采用异常贡献率法分析监测参数，实现无缝钢管连轧生产过程异常成因追溯。本发明方法面向无缝钢管数字孪生产线，对连轧生产过程异常实时预警并给出成因，实现无缝钢管连轧机组稳定、高效生产，减少非计划停机时间，全面提升产线运行稳定性。

Description

一种无缝钢管连轧生产过程监测与异常追溯方法及系统
技术领域
本发明涉及数字孪生系统技术领域，尤其涉及一种无缝钢管连轧生产过程监测与异常追溯方法及系统。
背景技术
无缝钢管作为一种区别于普通板材的特殊钢产品，在各类领域需求不断增大，本身具有区别于其他钢材具有不可替代性，生产过程具有特殊性。目前的无缝钢管生产现场生产数据量巨大，但信息分布杂乱，现场调度人员难以及时获得有效的生产状态信息，生产过程故障难以迅速响应，故障原因难以分析。
传统无缝钢管生产状态监测方法，是将现场的生产数据接入总线连接至位于现场的控制室，在数个显示屏上分别现实大量的原始数据，通过对现场的人工监视和对各个面板单参数警报来监测现场生产流程。不仅需要操作人员身处生产现场，且原始数据面板信息繁琐，无法做到预警和模拟功能，扩展性差效率低下，在工业互联网和计算机技术迅速发展的当下，亟需一种依托于信息技术更加智能化的无缝钢管连轧生产过程监测与异常追溯方法。
发明内容
本发明提供了一种无缝钢管连轧生产过程监测与异常追溯方法及系统，解决现有技术中不仅需要操作人员身处生产现场，且原始数据面板信息繁琐，无法做到预警和模拟功能，扩展性差效率低下的问题。
为解决上述发明目的，本发明提供的技术方案如下：一种基无缝钢管连轧生产过程监测与异常追溯方法，其特征在于，步骤包括：
S1、对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
S2、获取实时生产数据，通过实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
S3、建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征；根据信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数；
S4、通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
优选地，步骤S1中，对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模，包括：
根据产线设备设施二维图纸建立三维模型，并综合计算机运行性能与模型表达内容的要求，对各三维模型的点、线、面进行性能优化，从而获得1:1的白模型；
获取生产现场设备照片与视频，根据生产现场设备照片与视频制作三维模型的外观贴图；
利用空间映射关系，以设备现实坐标为基点，计算得到外观材质的二维坐标；
根据三维模型的三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原设备结构和外观静态属性的三维模型；
根据还原设备结构和外观静态属性的三维模型，进行运动属性绑定，获得具有动静态属性的数字化三维模型。
优选地，运动属性，包括：
设备的平移属性、旋转属性以及摆动属性。
优选地，步骤S2中，通过实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，包括：
通过实时生产数据驱动三维生产线设备与物料需热轧生产线，提供出口质量数据支持；
将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，达到虚实同步联动，其中，虚实同步包括：实际生产现场的物料状态与产线情况与数字孪生场景的同步。
优选地，将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，包括：
将设备状态信息映射到数字孪生工厂中，使孪生场景中的设备动作与设备状态与实际状态信息一致；
将全线物料信息映射到数字孪生工厂中，其中全线物料信息包括各物料头部、尾部位置信息；
将生产过程中轧件在生产设备的作用下，外观形状实时发生变化映射到数字孪生工厂中；
根据轧件温度实时变化情况，获取轧件的外观颜色的变化，根据外观颜色的变化对轧件温度信息映射到数字孪生工厂中。
优选地，步骤S2中，对不同层级的数据信息进行汇聚，包括：
在数字孪生工厂中配置存储不同层级数据信息的设备；
获取映射后的数据信息，将不同层级的数据信息进行分层级存储；
对存储后的不同层级的数据信息进行汇聚，并对各类信息进行分类和预处理。
优选地，步骤S3中，建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征，根据信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数，包括：
制定评级规则；根据评级规则的评价标准选取优秀样本，构建优秀样本训练集；获取优秀样本训练集中的单根钢管生产长度；
通过线性插值的方法，在保证原有曲线特征的情况下等间距抽出或插入值，使样本采样点长度与设定的规范长度相等，将所有用于过程监控的生产过程变量构成一个数据矩阵；
采用主成分分析法，将数据矩阵进行重要度排序降维，对数据的异常特征进行提取，建立主元矩阵；
根据数据矩阵和主元矩阵计算残差矩阵；
基于过程数据差异性分析的统计过程监控方法DISSIM，计算测试批次与优秀样本训练集中的优秀样本批次之间，各自主元矩阵和残差矩阵的相异度，对连轧生产过程的异常情况进行监测。
优选地，步骤S4中，通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因，包括：
根据异常贡献率法对主元矩阵进行异常贡献率计算，将异常采样点贡献率相加，则得到各项生产数据的异常贡献率和，获得异常成因排序；
将出现的异常因素与异常原因串联，对异常贡献度进行数值分析，结合轧机参数设定与尺寸曲线特征，根据不同异常因素组合获得不同的异常原因，进行异常成因分析，追溯无缝钢管连轧生产过程异常成因。
一种基无缝钢管连轧生产过程监测与异常追溯系统，系统用于上述的基无缝钢管连轧生产过程监测与异常追溯方法，系统包括：
数字化建模模块，用于对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
数据汇聚模块，用于获取实时生产数据，通过实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
异常监测模块，用于建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征；根据信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数；
成因追溯模块，用于通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
优选地，数字化建模模块，用于根据产线设备设施二维图纸建立三维模型，并综合计算机运行性能与模型表达内容的要求，对各三维模型的点、线、面进行性能优化，从而获得1:1的白模型；
获取生产现场设备照片与视频，根据生产现场设备照片与视频制作三维模型的外观贴图；
利用空间映射关系，以设备现实坐标为基点，计算得到外观材质的二维坐标；
根据三维模型的三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原设备结构和外观静态属性的三维模型；
根据还原设备结构和外观静态属性的三维模型，进行运动属性绑定，获得具有动静态属性的数字化三维模型。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基无缝钢管连轧生产过程监测与异常追溯方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基无缝钢管连轧生产过程监测与异常追溯方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，本发明提出一种无缝钢管连轧生产过程监测与异常追溯策略。对连轧生产过程异常实时预警并给出成因，实现无缝钢管连轧机组稳定、高效生产，减少非计划停机时间，全面提升产线运行稳定性。通过开发热轧无缝钢管数字孪生生产线，实现多元数据的汇聚，然后设计过程状态监测模型对实时生产数据进行监控，实现连轧生产过程异常实时预警及成因自动追溯，提升产线运行稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的无缝钢管连轧生产过程监测与异常追溯方法流程示意图；
图2是本发明实施例提供的材质贴图效果图；
图3是本发明实施例提供的无缝钢管数字孪生生产线图；
图4是本发明实施例提供的过程监测模型输出结果图；
图5是本发明实施例提供的单变量异常追溯结果图；
图6是本发明实施例提供的无缝钢管连轧生产过程监测与异常追溯系统框图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明针对现有技术中原始数据面板信息繁琐，无法做到预警和模拟功能，扩展性差效率低下的问题，提供了一种无缝钢管连轧生产过程监测与异常追溯方法和系统。
如图1所示，本发明实施例提供了一种基无缝钢管连轧生产过程监测与异常追溯方法，该方法可以由电子设备实现。如图1所示的基无缝钢管连轧生产过程监测与异常追溯方法流程图，该方法的处理流程可以包括如下的步骤：
S101、对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
一种可行的实施方式中，步骤S101中，对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模，包括：
根据产线设备设施二维图纸建立三维模型，并综合计算机运行性能与模型表达内容的要求，对各三维模型的点、线、面进行性能优化，从而获得1:1的白模型；
获取生产现场设备照片与视频，根据生产现场设备照片与视频制作三维模型的外观贴图；
利用空间映射关系，以设备现实坐标为基点，计算得到外观材质的二维坐标；
根据三维模型的三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原设备结构和外观静态属性的三维模型；
根据还原设备结构和外观静态属性的三维模型，进行运动属性绑定，获得具有动静态属性的数字化三维模型。
一种可行的实施方式中，根据生产现场设备照片与视频，制作三维模型外观贴图，用于提高模型的外观还原度，包含色彩与透明度、表面材质、表面纹理等。
根据3D模型三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原结构和外观静态属性的3D模型，如图2所示；
将模型的主要运动部件绑定必要的运动属性，运动属性，包括：设备的平移属性、旋转属性以及摆动属性。
S102、获取实时生产数据，通过实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
一种可行的实施方式中，步骤S102中，通过实时生产数据驱动三维生产线设备与物料，对产线运转状态的进行映射，包括：
通过实时生产数据驱动三维生产线设备与物料需热轧生产线，提供出口质量数据支持；
将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，达到虚实同步联动。实现实际生产现场的物料状态与产线情况与数字孪生场景的同步以某钢管厂Φ258PQF连轧生产线为实施案例，具体效果如图3所示。
一种可行的实施方式中，将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，包括：
将设备状态信息映射到数字孪生工厂中，使孪生场景中的设备动作与设备状态与实际状态信息一致；
将全线物料信息映射到数字孪生工厂中，其中全线物料信息包括各物料头部、尾部位置信息；
将生产过程中轧件在生产设备的作用下，外观形状实时发生变化映射到数字孪生工厂中；如在轧机处，厚壁毛管轧制成薄壁(接近成品壁厚)荒管；
根据轧件温度实时变化情况，获取轧件的外观颜色的变化，根据外观颜色的变化对轧件温度信息映射到数字孪生工厂中。
一种可行的实施方式中，步骤S102中，对不同层级的数据信息进行汇聚，包括：
在数字孪生工厂中配置存储不同层级数据信息的设备；
获取映射后的数据信息，将不同层级的数据信息进行分层级存储；
对存储后的不同层级的数据信息进行汇聚，并对各类信息进行分类和预处理。
S103、建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征；根据特征对无缝钢管连轧生产过程的异常情况进行判断，获得监测参数；
一种可行的实施方式中，步骤S103中，建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征，根据特征对无缝钢管连轧生产过程的异常情况进行判断，获得监测参数，包括：
制定评级规则，利用尺寸检测数据，根据全长壁厚、外径、不均度以及偏心率质量参数与目标值的绝对值差值，经过加权统计后，计算各支钢管品级得分，设置百分比数(通常设为1％)，得到得分值高于99％样本的优秀样本，根据评价标准选取优秀样本，构建优秀样本训练集，获取优秀样本训练集中的单根钢管生产长度；通过线性插值的方法，在保证原有曲线特征的情况下等间距抽出或插入值，使样本采样点长度与设定的规范长度相等，将所有用于过程监控的生产过程变量构成一个数据矩阵；；
采用主成分分析法，将数据矩阵进行重要度排序降维，对数据的异常特征进行提取，建立主元矩阵；提取公式如下：
Var(t1)＝Var(Xnxpl1)→max
其中，t1为第一主成分；th为第h主成分；Var(t1)为第一主成分方差；→max表示第一个主成分方向必须使第一主成分方差最大，即数据矩阵在第一主成分方向上投影方差最大，后续主成分同理。l1为第一主方向；E为总数据矩阵；Eh为残差数据矩阵；为主成分构成的主元矩阵，包含了数据矩阵中的主要信息；SPE为残差矩阵，包含了矩阵中的非主元信息。
根据数据矩阵和主元矩阵计算残差矩阵；
基于过程数据差异性分析的统计过程监控方法DISSIM，计算测试批次与优秀样本训练集中的优秀样本批次之间，各自主元矩阵和残差矩阵的相异度，对连轧生产过程的异常情况进行监测。
一种可行的实施方式中，以同一规格炉号的无缝钢管(总计290余支)生产连轧生产数据作为实验训练集和测试集，以连轧入口温度，六机架轧制力、速度、转矩、电流，芯棒小车速度、电流、转矩，作为过程监测数据，进行过程状态监测模型验证运行实验：
根据故障生产记录表，已知第194根钢管出现严重轧制问题，整个钢管在连轧过程中发生了轧裂情况，最终作为废品处理。使用前80根钢管数据作为训练集，后200根钢管作为测试集，进行过程监测；
过程状态监测模型输出结果如图4所示，由实验结果发现在第114根钢管处出现生产异常，因使用前80根钢管作为训练集，在加上训练集个数后刚好为第194根钢管；
至此，实现无缝钢管连轧过程生产异常精准监控。
S104、通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
一种可行的实施方式中，步骤S104中，通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因，包括：
根据异常贡献率法对主元矩阵进行异常贡献率计算，将异常采样点贡献率相加，则得到各项生产数据的异常贡献率和，获得异常成因排序：
其中，为主元矩阵统计量贡献率；/>为残差贡献率；/>为总异常贡献率；xij为原始数据矩阵第i行第j列数据项；ljk为第j个主方向的第k个元素；为主元矩阵第k列数据方差；/>为主元矩阵第i行第j列元素；α、β为贡献度权值系数，取值在0到1之间。
将出现的异常因素与异常原因串联，对异常贡献度进行数值分析，结合轧机参数设定与尺寸曲线特征，根据不同异常因素组合获得不同的异常原因，进行异常成因分析，追溯无缝钢管连轧生产过程异常成因。
一种可行的实施方式中，使用正常生产100批次作为训练集，200正常批次200异常批次作为测试集进行异常成因追溯分析：参数异常实验结果如图5所示，变量3在200时刻发生阶跃变化，与实际生产异常原因一致。至此，实现了无缝钢管连轧生产过程异常成因自动追溯。
本发明实施例中，提出一种无缝钢管连轧生产过程监测与异常追溯策略。对连轧生产过程异常实时预警并给出成因，实现无缝钢管连轧机组稳定、高效生产，减少非计划停机时间，全面提升产线运行稳定性。通过开发热轧无缝钢管数字孪生生产线，实现多元数据的汇聚，然后设计过程状态监测模型对实时生产数据进行监控，实现连轧生产过程异常实时预警及成因自动追溯，提升产线运行稳定性。
图6是本发明的一种基无缝钢管连轧生产过程监测与异常追溯系统示意图，所述系统200用于上述的无缝钢管连轧生产过程监测与异常追溯方法，所述系统200包括：
数字化建模模块210，用于对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
数据汇聚模块220，用于获取实时生产数据，通过实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
异常监测模块230，用于建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征；根据信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数；
成因追溯模块240，用于通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
优选地，数字化建模模块210，用于根据产线设备设施二维图纸建立三维模型，并综合计算机运行性能与模型表达内容的要求，对各三维模型的点、线、面进行性能优化，从而获得1:1的白模型；
获取生产现场设备照片与视频，根据生产现场设备照片与视频制作三维模型的外观贴图；
利用空间映射关系，以设备现实坐标为基点，计算得到外观材质的二维坐标；
根据三维模型的三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原设备结构和外观静态属性的三维模型；
根据还原设备结构和外观静态属性的三维模型，进行运动属性绑定，获得具有动静态属性的数字化三维模型。
优选地，运动属性，包括：
设备的平移属性、旋转属性以及摆动属性。
优选地，数据汇聚模块220，用于通过实时生产数据驱动三维生产线设备与物料需热轧生产线，提供出口质量数据支持；
将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，达到虚实同步联动，其中，虚实同步包括：实际生产现场的物料状态与产线情况与数字孪生场景的同步。
优选地，将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，包括：
将设备状态信息映射到数字孪生工厂中，使孪生场景中的设备动作与设备状态与实际状态信息一致；
将全线物料信息映射到数字孪生工厂中，其中全线物料信息包括各物料头部、尾部位置信息；
将生产过程中轧件在生产设备的作用下，外观形状实时发生变化映射到数字孪生工厂中；
根据轧件温度实时变化情况，获取轧件的外观颜色的变化，根据外观颜色的变化对轧件温度信息映射到数字孪生工厂中。
优选地，数据汇聚模块220，用于在数字孪生工厂中配置存储不同层级数据信息的设备；
获取映射后的数据信息，将不同层级的数据信息进行分层级存储；
对存储后的不同层级的数据信息进行汇聚，并对各类信息进行分类和预处理。
优选地，异常监测模块230，用于制定评级规则，根据评级规则的评价标准选取优秀样本；构建优秀样本训练集，获取优秀样本训练集中的单根钢管生产长度；
通过线性插值的方法，在保证原有曲线特征的情况下等间距抽出或插入值，使样本采样点长度与设定的规范长度相等，将所有用于过程监控的生产过程变量构成一个数据矩阵；
采用主成分分析法，将数据矩阵进行重要度排序降维，对数据的异常特征进行提取，建立主元矩阵；
根据数据矩阵和主元矩阵计算残差矩阵；
基于过程数据差异性分析的统计过程监控方法DISSIM，计算测试批次与优秀样本训练集中的优秀样本批次之间，各自主元矩阵和残差矩阵的相异度，对连轧生产过程的异常情况进行监测。
优选地，成因追溯模块240，用于根据异常贡献率法对主元矩阵进行异常贡献率计算，将异常采样点贡献率相加，则得到各项生产数据的异常贡献率和，获得异常成因排序；
将出现的异常因素与异常原因串联，对异常贡献度进行数值分析，结合轧机参数设定与尺寸曲线特征，根据不同异常因素组合获得不同的异常原因，进行异常成因分析，追溯无缝钢管连轧生产过程异常成因。
本发明实施例中，提出一种无缝钢管连轧生产过程监测与异常追溯策略。对连轧生产过程异常实时预警并给出成因，实现无缝钢管连轧机组稳定、高效生产，减少非计划停机时间，全面提升产线运行稳定性。通过开发热轧无缝钢管数字孪生生产线，实现多元数据的汇聚，然后设计过程状态监测模型对实时生产数据进行监控，实现连轧生产过程异常实时预警及成因自动追溯，提升产线运行稳定性。
图7是本发明实施例提供的一种电子设备300的结构示意图，该电子设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)301和一个或一个以上的存储器302，其中，所述存储器302中存储有至少一条指令，所述至少一条指令由所述处理器301加载并执行以实现下述无缝钢管连轧生产过程监测与异常追溯方法的步骤：
S1、对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
S2、获取实时生产数据，通过实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
S3、建立过程状态监测模型，通过过程状态监测模型提取不同层级数据的信息特征；根据信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数；
S4、通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基无缝钢管连轧生产过程监测与异常追溯方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

Claims (10)

1.一种无缝钢管连轧生产过程监测与异常追溯方法，其特征在于，方法步骤包括：
S1、对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
S2、获取实时生产数据，通过所述实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
S3、建立过程状态监测模型，通过所述过程状态监测模型提取不同层级数据的信息特征；根据所述信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数；
S4、通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模，包括：
根据产线设备设施二维图纸建立三维模型，并综合计算机运行性能与模型表达内容的要求，对各三维模型的点、线、面进行性能优化，从而获得1:1的白模型；
获取生产现场设备照片与视频，根据生产现场设备照片与视频制作所述三维模型的外观贴图；
利用空间映射关系，以设备现实坐标为基点，计算得到外观材质的二维坐标；
根据三维模型的三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原设备结构和外观静态属性的三维模型；
根据还原设备结构和外观静态属性的三维模型，进行运动属性绑定，获得具有动静态属性的数字化三维模型。
3.根据权利要求2所述的方法，其特征在于，所述运动属性，包括：
设备的平移属性、旋转属性以及摆动属性。
4.根据权利要求2所述的方法，其特征在于，所述步骤S2中，通过所述实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，包括：
通过实时生产数据驱动三维生产线设备与物料需热轧生产线，提供出口质量数据支持；
将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，达到虚实同步联动，其中，所述虚实同步包括：实际生产现场的物料状态与产线情况与数字孪生场景的同步。
5.根据权利要求4所述的方法，其特征在于，所述将生产线的设备状态、物料状态、工艺过程实时映射到数字孪生工厂中，包括：
将设备状态信息映射到数字孪生工厂中，使孪生场景中的设备动作与设备状态与实际状态信息一致；
将全线物料信息映射到数字孪生工厂中，其中所述全线物料信息包括各物料头部、尾部位置信息；
将生产过程中轧件在生产设备的作用下，外观形状实时发生变化映射到数字孪生工厂中；
根据轧件温度实时变化情况，获取所述轧件的外观颜色的变化，根据所述外观颜色的变化对轧件温度信息映射到数字孪生工厂中。
6.根据权利要求5所述的方法，其特征在于，所述步骤S2中，对不同层级的数据信息进行汇聚，包括：
在所述数字孪生工厂中配置存储不同层级数据信息的设备；
获取映射后的数据信息，将不同层级的数据信息进行分层级存储；
对存储后的不同层级的数据信息进行汇聚，并对各类信息进行分类和预处理。
7.根据权利要求6所述的方法，其特征在于，所述步骤S3中，建立过程状态监测模型，通过所述过程状态监测模型提取不同层级数据的信息特征，根据所述信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数，包括：
制定评级规则；根据评级规则的评价标准选取优秀样本，构建优秀样本训练集；获取所述优秀样本训练集中的单根钢管生产长度；
通过线性插值的方法，在保证原有曲线特征的情况下等间距抽出或插入值，使样本采样点长度与设定的规范长度相等，将所有用于过程监控的生产过程变量构成一个数据矩阵；
采用主成分分析法，将所述数据矩阵进行重要度排序降维，对数据的异常特征进行提取，建立主元矩阵；
根据数据矩阵和主元矩阵计算残差矩阵；
基于过程数据差异性分析的统计过程监控方法DISSIM，计算测试批次与优秀样本训练集中的优秀样本批次之间，各自主元矩阵和残差矩阵的相异度，对连轧生产过程的异常情况进行监测。
8.根据权利要求7所述的方法，其特征在于，所述步骤S4中，通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因，包括：
根据异常贡献率法对主元矩阵进行异常贡献率计算，将异常采样点贡献率相加，则得到各项生产数据的异常贡献率和，获得异常成因排序；
将出现的异常因素与异常原因串联，对异常贡献度进行数值分析，结合轧机参数设定与尺寸曲线特征，根据不同异常因素组合获得不同的异常原因，进行异常成因分析，追溯无缝钢管连轧生产过程异常成因。
9.一种无缝钢管连轧生产过程监测与异常追溯系统，其特征在于，所述系统用于如权利要求1～8任意一项所述的无缝钢管连轧生产过程监测与异常追溯方法，所述系统包括：
数字化建模模块，用于对无缝钢管连轧产线设备与车间的三维空间信息进行数字化建模；
数据汇聚模块，用于获取实时生产数据，通过所述实时生产数据驱动的数字化建模三维生产线设备与物料，对产线运转状态的进行映射，对产线运转状态的进行映射，根据不同来源与类型的数据进行分层，对不同层级的数据信息进行汇聚；
异常监测模块，用于建立过程状态监测模型，通过所述过程状态监测模型提取不同层级数据的信息特征；根据所述信息特征对无缝钢管连轧生产过程的异常情况进行判断，获得用来控制监测模型的监测参数；
成因追溯模块，用于通过异常贡献率法分析监测参数，追溯无缝钢管连轧生产过程异常成因。
10.根据权利要求9所述的系统，其特征在于，所述数字化建模模块，用于根据产线设备设施二维图纸建立三维模型，并综合计算机运行性能与模型表达内容的要求，对各三维模型的点、线、面进行性能优化，从而获得1:1的白模型；
获取生产现场设备照片与视频，根据生产现场设备照片与视频制作所述三维模型的外观贴图；
利用空间映射关系，以设备现实坐标为基点，计算得到外观材质的二维坐标；
根据三维模型的三维坐标与外观材质二维坐标的空间转换关系，将外观材质基于UV坐标应用于三维模型表面，获得还原设备结构和外观静态属性的三维模型；
根据还原设备结构和外观静态属性的三维模型，进行运动属性绑定，获得具有动静态属性的数字化三维模型。
CN202311402334.7A 2023-10-26 2023-10-26 一种无缝钢管连轧生产过程监测与异常追溯方法及系统 Pending CN117473439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311402334.7A CN117473439A (zh) 2023-10-26 2023-10-26 一种无缝钢管连轧生产过程监测与异常追溯方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311402334.7A CN117473439A (zh) 2023-10-26 2023-10-26 一种无缝钢管连轧生产过程监测与异常追溯方法及系统

Publications (1)

Publication Number Publication Date
CN117473439A true CN117473439A (zh) 2024-01-30

Family

ID=89628552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311402334.7A Pending CN117473439A (zh) 2023-10-26 2023-10-26 一种无缝钢管连轧生产过程监测与异常追溯方法及系统

Country Status (1)

Country Link
CN (1) CN117473439A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117670578A (zh) * 2024-02-02 2024-03-08 山东新时代药业有限公司 一种基于信息自动化的颗粒冲剂生产监管方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117670578A (zh) * 2024-02-02 2024-03-08 山东新时代药业有限公司 一种基于信息自动化的颗粒冲剂生产监管方法
CN117670578B (zh) * 2024-02-02 2024-05-10 山东新时代药业有限公司 一种基于信息自动化的颗粒冲剂生产监管方法

Similar Documents

Publication Publication Date Title
CN111337768B (zh) 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN114813105A (zh) 一种基于工况相似性评估的齿轮箱故障预警方法及系统
CN117473439A (zh) 一种无缝钢管连轧生产过程监测与异常追溯方法及系统
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN113657660B (zh) 基于分站负荷和热网滞后模型的热源负荷预测方法
CN111461431A (zh) 一种基于手机制造中锁螺丝工艺的优化方法和系统
CN113219910A (zh) 一种全流程的生产自诊断及优化系统
CN109507972B (zh) 基于分层式非高斯监测算法的工业生产过程故障监测方法
CN109675935A (zh) 一种变控制限的ipca轧制过程在线故障诊断方法
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN115034554B (zh) 一种基于时序网络的连铸坯质量预测方法及系统
CN116822353A (zh) 一种制造工艺过程的数字孪生模型快速构建方法
CN115841004A (zh) 基于多维数据的带钢热轧过程力学性能软测量方法及装置
CN110717273B (zh) 一种工艺过程仿真边界条件构建方法
CN117454656A (zh) 一种动态环境下的制造系统产能数字孪生预测方法和装置
CN116213095B (zh) 一种基于重介质分选的精煤产品灰分智能调节方法及系统
CN114881202A (zh) 基于大数据分析的嵌入式dcs监盘系统
CN109032097A (zh) 一种冷轧带钢镀锌线过程控制方法
CN103236383B (zh) 等离子显示屏制造过程参数重要性的动态确定与优化方法
Meng et al. Design and implementation of intelligent integrated measuring and controlling system for sugar cane crystallization process
CN112884205A (zh) 一种机电设备故障预测方法
CN118192479B (zh) 基于数据采集的工厂车间数字孪生模型校正方法及系统
CN116910681B (zh) 一种基于物联网的电力数据分析方法及系统
CN118132996B (zh) 一种基于工业数字孪生的自适应生产调度优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination