[发明专利]一种大型轧机状态跟踪方法和系统

说明书

本发明提出了一种大型轧机状态跟踪方法和系统，该方法包括获取轧机状态数据，并在保证数据一致性的前提下保存至服务器；对分类标注后的轧机状态数据进行降维和归一化处理；归一化处理后进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；将特征矩阵与最优分析模型进行对比，评估轧机设备的健康状态；对评估后健康状态的轧机设备进行资源共享和全寿命周期管理。基于该方法，还提出了一种大型轧机状态跟踪系统。本发明可对影响产品质量的异常工况行为进行实时检测和预防，从而提高故障检测与诊断效率。

技术领域

本发明属于冶金工业设备的智能监测技术领域，特别涉及一种大型轧机状态跟踪方法和系统。

背景技术

轧机故障的发生是由于工艺操作、控制、设备三方面协调不当而引起的异常工况。如果不及时处理，就会使系统的性能、产品质量变坏，甚至造成生产系统的瘫痪。因此，工业过程参数的数据变化，往往能够反映系统当前的工况状态。以往对轧机状态的研究主要集中在机理分析、控制预防和振动信号处理等方面，而对包含大量设备运行状态信息的工艺过程监测数据关注较少。钢板轧制与生俱来的非线性、动态、多模态、多时段、高维度、间歇等特性,使得传统的基于机械振动的过程监控方法很难适应实际轧制过程。轧机设备装有大量传感器等仪表设备，在生产运行过程中积累了海量历史数据，包括设备状态数据、过程数据、指标数据等多种数据，在这些海量数据中，设备故障信号很容易被掩盖，导致故障很难被检测到。如何从海量数据中挖掘有用信息，发现过程数据中隐藏的故障隐患，进行设备状态评估，指导过程操作与运维决策，是当前建立各类数据关系模型，驱动设备可靠安全、使用价值最大化面临的挑战，也是强烈时代背景下的现实需求。

为了适应市场对多品种、多规格、高附加值产品的需求,现代工业过程正朝着高效、大型和集成化方向发展.随着生产规模的扩大及复杂性的增加,采用合理的质量相关的故障检测与诊断方法来保障复杂工业过程的安全稳定运行及连续稳定的产品质量，已经逐渐成为过程控制领域的首要任务。因此，针对现有的采用机械振动的监测方法存在无法全面诊断故障源的短板，需要对生产工况数据和设备数据进行融合分析，发现不同工况下的故障、设备、生产工艺之间的映射关系，以提供一种全面有效地轧机状态跟踪方法，从而提高故障检测与诊断效率。

发明内容

为了解决上述技术问题，本发明提出了一种大型轧机状态跟踪方法和系统。可对影响产品质量的异常工况行为进行实时检测和预防，从而提高故障检测与诊断效率。

为实现上述目的，本发明采用以下技术方案：

一种大型轧机状态跟踪方法，包括以下步骤：

获取轧机状态数据，并在保证数据一致性的前提下保存至数据应用服务器；所述轧机状态数据包括轧机设备运行数据、轧机工艺过程控制数据和轧机设备振动监测数据；

对分类标注后的轧机状态数据进行降维和归一化处理；然后对归一化处理后的数据进行体征提取得到特征矩阵，同时将特征矩阵中不同维度的数据生成样本集，进而通过数据挖掘技术对所述样本集进行关联性，分析得出轧机设备不同工况下的差异化状态分析模型库，并评估出最优分析模型；

将所述特征矩阵与最优分析模型进行对比，通过机器深度学习方法进行迭代优化，找出过程参数与故障之间的映射关系评估轧机设备的健康状态；

对评估后健康状态的轧机设备进行资源共享和对设备进行全寿命周期管理，形成数据资产。

进一步的，所述设备运行数据包括工作辊轴承座滑板间隙、冷却水温度流量、轧机刚度、推床对中性、轧机两侧弯辊力、两侧辊缝值、主电机扭矩、主电机电流和轧机各监测点振动值。

进一步的，所述工艺过程控制数据包括钢板成品钢种、厚度、长度、宽度，每道次轧制温度、轧制力、两侧轧制力差值，轧制速度和轧制时间。