[发明专利]一种基于深度学习算法的连退机组故障诊断方法及系统

说明书

本申请公开了一种基于深度学习算法的连退机组故障诊断方法及系统，该系统包括数据采集模块、故障机理数学模型模块、深度学习模块和机组故障诊断控制模块，本申请利用实时在线参数、关键离线数据和以往存储的典型案例数据，协同故障机理数学模型模块，利用栈式自编码深度学习算法实现连退机组故障诊断的智能深度学习和关键参数的智能训练，最大限度降低或弱化连退机组的各个调控参数之间的矛盾耦合关系，有利于实现连退机组加热炉内带钢打滑、带钢跑偏、带钢热瓢曲等故障信息的在线协同诊断控制，保证连退机组的长期稳定、高效的运行，以获得满足要求的、具有良好组织形态和机械性能的高等级带材产品。

技术领域

本发明涉及带钢连续退火故障智能测控领域，尤其适用于连续退火(连退)机组工艺的智能化故障检测诊断及智能处理过程。

背景技术

随着现代工业技术领域高速发展以及人工智能、深度学习等重要大数据分析手段在实际工业生产领域的应用化，对冷轧连退机组的故障诊断技术的要求也越来越趋于自动化、智能化、数字化。冷轧带钢连退机组的主要工艺作用是：通过高温加热的方式改变带钢的金属微观组织，从而改变金属的韧性、塑性、抗拉性、强度等宏观性能，以此来得到高质量极薄带材工业原材料。

目前，对于连退机组的工艺故障主要集中在加热过程中出现的带钢打滑、带钢跑偏，带钢热瓢曲等故障缺陷，相关的研究人员对此进行了大量的理论研究及实验测试。研究表明，钢带在加热炉内出现的打滑、跑偏、热瓢曲等缺陷之间存在着极强的耦合关系，这是由于退火过程中各个工艺参数如温度、张力、摩擦系数之间存在着强耦合关系。在生产过程中，过大或过小的电机速率可改变炉辊的实际前后张力，张力的改变可影响带材的实际摩擦力从而使带材出现打滑现象，甚至偏离炉辊中心线出现跑偏现象。同时加热炉的实际温度对带钢的横向张应力分布有着极其重要的影响，过大的横向温差会导致过大的横向载荷偏差，非对称的载荷会导致带钢向边部产生牵引力从而出现跑偏现象，当横向载荷差值超出带钢的屈服强度时更会产生严重的带钢热瓢曲缺陷从而生产出具有板形缺陷的不合格带材。因此严格来说，连退机组故障系统实现实时同步协同控制才是解决某类单一故障问题或几种复合故障缺陷的最佳途径，否则非常容易顾此失彼，单纯追求实现某一项故障的单一控制而忽略各个故障之间的协同控制，长此以往，不仅会导致机组故障综合控制效果不佳、生产成品效果不佳、控制效率低下等问题，还会产生重要故障信息未能从根本解决而长期存在的问题，严重影响生产效率并引起较高的带材残次率。

现如今，连退机组故障自动控制处理系统已经应用于大多数工厂，如加热炉内出现的带钢打滑问题，机组可通电机的功率换算来实现判断电机是否发生打滑现象的功能，同时可通过调节电机的负载功率进而实现打滑故障的预防。对于连退机组加热炉内出现的带钢跑偏故障，现有调控手段多为机组利用CPC对中装置实现带钢的自动纠偏功能，原理是利用钢带上下布置的特殊的激光打出的线路来判断带钢是否出现跑偏现象，出现跑偏时，可利用调节特定参数来实现带钢的自动纠偏功能。对于连退机组加热炉内出现的带钢热瓢曲缺陷，目前并未具有特定的控制手段，多数是利用理论研究结合实际生产经验，以此对瓢曲缺陷进行防治措施，且防治效果有待提升。

此外，从介观、微观角度来讲，连退机组的本质特点是利用高温使金属的金相组织发生奥氏体相变，并利用高温快速淬火等手段使金属金相组织发生马氏体相变得到具有高强度、高塑性、高韧性等诸多良好品质的成品带钢。事实上，要想得到具有良好金属性能的成品带钢，各个加热段的温度控制需要严格把控，这样才能达到生产过程中最佳淬火温度的目的。然而，在实际的生产过程中，即便加热炉内布置有现成的温度测控点，但是测得的温度为炉膛内实际温度，并不能准确得到高速运行下的通板的实际温度及温度分布。因此对于带钢实际温度及温度分布的预测仍有很多的工作需要完善。