一種熱軋帶鋼層冷區段典型故障智能預警方法及預警系統與流程
2023-04-26 12:51:53 1
1.本發明屬於冶金生產技術領域，具體涉及一種熱軋帶鋼層冷區段典型故障智能預警方法及預警系統。
背景技術：
2.在熱軋產線，層流冷卻(簡稱層冷)區段直接影響軋後帶鋼的力學性能，並在一定程度上對帶鋼板形狀態以及表面質量造成不良影響。在以往生產工藝過程中，通常比較關注層流冷卻水量對卷取溫度的影響，然而總是忽視了層冷區段對帶鋼質量的影響規律，比如橫向流量的分布規律、側噴對邊部溫度的影響規律、輥道故障對帶鋼下表面質量的影響特徵等等。由於現場工況的複雜性和耦合性，單純利用數學模型分析上述問題是非常困難且不全面的，因此在理論模型的基礎上，利用大數據的聚類學習，進行層冷區段故障的準確識別是非常有必要的。基於上述思路，構建一種熱軋層冷區段的故障預警系統，對於提高層冷效率、帶鋼冷卻效率以及避免下表面劃傷，具有深遠的工程意義。
技術實現要素：
3.本發明為解決公知技術中存在的技術問題，提供一種熱軋帶鋼層冷區段典型故障智能預警方法及預警系統，旨在解決層冷區段的故障預警問題，及時進行人工維護或零部件替換，避免帶鋼板形惡化、溫度超差以及下表面劃傷等問題，從而獲得穩定高效的層流冷卻狀態和良好的軋後帶鋼質量。
4.本發明的第一目的是提供一種熱軋帶鋼層冷區段典型故障智能預警方法，包括：
5.步驟一、基於現場工況實際情況，實時檢測層冷區段的數據，對數據進行同工況的聚類統計分析；得到同工況聚類參數；
6.步驟二、將同工況聚類參數代入層冷模型、板形模型和故障預警模型中，進行故障特徵預報；
7.步驟三、利用大數據的神經網絡學習，對故障特徵進行樣本識別和訓練，獲得良好樣本和故障樣本；
8.步驟四、基於良好樣本和故障樣本的對比結果，判別當前工況的故障類型，進行故障信號輸出。
9.優選地，步驟一中聚類統計分析包括：將層冷區參數分為溫度參數、板形參數、層冷水量參數和電機轉動參數；將各類參數分別代入到步驟二的層冷模型、板形模型和故障預警模型中進行運算得到的結果參數供後續判別模型使用。
10.優選地，步驟二中的層冷模型、板形模型和故障預警模型是基於現有的各類模型，對層冷模型、板形模型和故障預警模型進行熱力耦合求解，實現參數的同步耦合計算，並為後續故障診斷過程提供更加符合實際情況的樣本數據。
11.優選地，步驟三中所述的神經網絡學習，通過大數據訓練，獲得層流冷卻的正常工作閾值，供產線在線使用；通過對實時採集到的生產數據與正常工作閾值的數據進行對比，
來判定層流冷卻區的實時工作狀態。
12.優選地，步驟四中的對比結果，將實時生產數據與正常工作閾值樣本數據進行對比，以對故障進行判定，通過彈窗、文字、聲音的提示方法提醒產線工人對生產狀態進行人工幹預，及早排除故障隱患。
13.本發明的第二目的是提供一種熱軋帶鋼層冷區段典型故障智能預警系統，包括：
14.聚類模塊：基於現場工況實際情況，實時檢測層冷區段的數據，對數據進行同工況的聚類統計分析；得到同工況聚類參數；
15.特徵預報模塊：將同工況聚類參數代入層冷模型、板形模型和故障預警模型中，進行故障特徵預報；
16.學習模塊：利用大數據的神經網絡學習，對故障特徵進行樣本識別和訓練，獲得良好樣本和故障樣本；
17.故障判定模塊：基於良好樣本和故障樣本的對比結果，判別當前工況的故障類型，進行故障信號輸出。
18.優選地，聚類模塊中聚類統計分析包括：將層冷區參數分為溫度參數、板形參數、層冷水量參數和電機轉動參數；將各類參數分別代入到步驟二的層冷模型、板形模型和故障預警模型中進行運算得到的結果參數供後續判別模型使用。
19.優選地，特徵預報模塊中的層冷模型、板形模型和故障預警模型是基於現有的各類模型，對層冷模型、板形模型和故障預警模型進行熱力耦合求解，實現參數計算，並為後續故障診斷過程提供樣本數據。
20.優選地，學習模塊中所述的神經網絡學習，通過大數據學習，分析層流冷卻正常工作閾值，供產線使用；利用實時採集到的生產數據與正常工作閾值的對比來得判定層流冷卻區的實時工作狀態。
21.優選地，故障判定模塊中的對比結果，以實時生產數據與正常工作閾值樣本數據之間進行對比，對故障進行判定，通過各類提示方法提醒產線工人對生產狀態進行人工幹預，排除故障隱患。
22.本發明具有的優點和積極效果是：
23.本發明通過前期對層冷區段歷史數據的分析與整理，形成聚類統計基本數據集，以及各類數據樣本庫；建立層冷模型、板形模型和故障預警模型，對樣本數據進行理論計算，形成更加直觀的樣本資料庫，通過大數據訓練，擇優對故障特徵記性訓練，形成各類典型故障的判定標準，最終實現在線的層冷區段典型故障的實時智能預警，並通過數據處理終端對進行進行聲音、圖形、文字的預警預報，提醒人工參與，及時處理隱患，避免故障實際發生。
24.基於層冷區段實測的同工況聚類大數據，利用溫度場、冷卻水量、輥道轉速數學模型對軋後帶鋼的冷卻過程進行故障預報和智能識別，對比良好樣本和故障樣本的數據統計情況，在線實時獲得當前工況的故障特徵和惡劣程度，及時提醒人工參與維護或更換設備，同時利用數學模型在線優化層冷工藝參數，從而獲得最佳的冷卻效率和帶鋼質量。
附圖說明
25.圖1是本發明優選實施例中特徵識別流程圖；
26.圖2是本發明優選實施例中預警流程圖。
具體實施方式
27.為能進一步了解本發明的發明內容、特點及功效，茲例舉以下實施例，並配合附圖詳細說明如下：
28.下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的技術方案，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
29.請參閱圖1至圖2。
30.一種熱軋帶鋼層冷區段典型故障智能預警方法，主要用於軋後帶鋼層流冷卻過程中的故障識別、診斷和預警，根據故障原因及時給出解決措施，進行人工的及時調整，避免故障或事故發生；包括如下步驟：
31.步驟一、基於現場工況實際，實時檢測層流區段的所有數據，對其進行必要的聚類統計分析；通過聚類統計，將層冷段各類參數分為溫度/板形參數、層冷水量參數和電機轉動參數，並分別建立樣本數據集，供後續使用。
32.步驟二、根據實測數據的聚類參數，分別代入層冷模型、板形模型和故障預警模型中，進行故障特徵參數預報；基於軋制過程中層冷區段的基本理論模型，建立層冷計算模型、板形模型，以及電機工作的故障預警模型，對故障特徵參數進行計算和分析，選取故障特徵參數作為故障預報的判定條件，進行後續使用。
33.步驟三、利用大數據的神經網絡學習，對故障特徵進行樣本識別和擇優訓練，獲得最佳或更優的樣本數據；
34.步驟四、基於樣本對比結果，判別當前工況的故障類型，進行聲音、圖形、文字的預警預報，提醒人工參與，及時處理隱患，避免故障實際發生。通過對歷史數據的聚類統計與訓練分析，行程基本的判別標準，在結合實時生產數據對層冷區進行故障預報，並實時進行模型更新，不斷優化各項標準參數。
35.如圖1所示，首先獲得層冷區的實測數據，對其進行必要的聚類對比，利用板形、層冷及輥道數學模型獲得典型的工藝參數和特徵數據；其次分類分析帶鋼板形、溫度參數，評價層冷水冷參數，觀察輥道轉速、力矩參數，對比標準樣本或閾值條件，判斷是否異常，如果所有參數正常，則正常實時檢測，如果參數異常，則分別進行故障識別；然後，根據判斷條件，分析是否出現表觀局部板形缺陷、水冷不夠或管路堵塞、輥道軸承抱死(潤滑油別洗掉)、電機故障，在此基礎上，進一步分析是否發生局部積水或側噴異常、局部無層冷、部分輥道停滯；最後，利用預警系統，及時彈出窗口，給出上述故障特徵和可能原因，及時進行人工調整，同時及時進行故障特徵對比和聚類分析，以獲得更好的樣本數據，便於給出更準確的故障特徵值。
36.圖2給出了典型的熱軋層冷區段預警過程。基於實測數據獲得聚類參數後，分別代入軋後板形模型、層冷模型和輥道模型中，進行故障特徵的預報和邏輯關係判斷，同時獲得帶鋼溫度、熱應力的分布特徵。同時，根據輥道模型判別輥道是否停滯，對應離線觀察的帶鋼下表面情況，判斷是否發生劃傷缺陷；其中層冷模型為軋後板形模型提供換熱係數和瞬
state disk(ssd))等。
44.以上所述僅是對本發明的較佳實施例而已，並非對本發明作任何形式上的限制，凡是依據本發明的技術實質對以上實施例所做的任何簡單修改，等同變化與修飾，均屬於本發明技術方案的範圍內。