一种热轧带钢层冷区段典型故障智能预警方法及预警系统与流程

1.本发明属于冶金生产技术领域，具体涉及一种热轧带钢层冷区段典型故障智能预警方法及预警系统。


背景技术：

2.在热轧产线，层流冷却(简称层冷)区段直接影响轧后带钢的力学性能，并在一定程度上对带钢板形状态以及表面质量造成不良影响。在以往生产工艺过程中，通常比较关注层流冷却水量对卷取温度的影响，然而总是忽视了层冷区段对带钢质量的影响规律，比如横向流量的分布规律、侧喷对边部温度的影响规律、辊道故障对带钢下表面质量的影响特征等等。由于现场工况的复杂性和耦合性，单纯利用数学模型分析上述问题是非常困难且不全面的，因此在理论模型的基础上，利用大数据的聚类学习，进行层冷区段故障的准确识别是非常有必要的。基于上述思路，构建一种热轧层冷区段的故障预警系统，对于提高层冷效率、带钢冷却效率以及避免下表面划伤，具有深远的工程意义。


技术实现要素：

3.本发明为解决公知技术中存在的技术问题，提供一种热轧带钢层冷区段典型故障智能预警方法及预警系统，旨在解决层冷区段的故障预警问题，及时进行人工维护或零部件替换，避免带钢板形恶化、温度超差以及下表面划伤等问题，从而获得稳定高效的层流冷却状态和良好的轧后带钢质量。
4.本发明的第一目的是提供一种热轧带钢层冷区段典型故障智能预警方法，包括：
5.步骤一、基于现场工况实际情况，实时检测层冷区段的数据，对数据进行同工况的聚类统计分析；得到同工况聚类参数；
6.步骤二、将同工况聚类参数代入层冷模型、板形模型和故障预警模型中，进行故障特征预报；
7.步骤三、利用大数据的神经网络学习，对故障特征进行样本识别和训练，获得良好样本和故障样本；
8.步骤四、基于良好样本和故障样本的对比结果，判别当前工况的故障类型，进行故障信号输出。
9.优选地，步骤一中聚类统计分析包括：将层冷区参数分为温度参数、板形参数、层冷水量参数和电机转动参数；将各类参数分别代入到步骤二的层冷模型、板形模型和故障预警模型中进行运算得到的结果参数供后续判别模型使用。
10.优选地，步骤二中的层冷模型、板形模型和故障预警模型是基于现有的各类模型，对层冷模型、板形模型和故障预警模型进行热力耦合求解，实现参数的同步耦合计算，并为后续故障诊断过程提供更加符合实际情况的样本数据。
11.优选地，步骤三中所述的神经网络学习，通过大数据训练，获得层流冷却的正常工作阈值，供产线在线使用；通过对实时采集到的生产数据与正常工作阈值的数据进行对比，
来判定层流冷却区的实时工作状态。
12.优选地，步骤四中的对比结果，将实时生产数据与正常工作阈值样本数据进行对比，以对故障进行判定，通过弹窗、文字、声音的提示方法提醒产线工人对生产状态进行人工干预，及早排除故障隐患。
13.本发明的第二目的是提供一种热轧带钢层冷区段典型故障智能预警系统，包括：
14.聚类模块：基于现场工况实际情况，实时检测层冷区段的数据，对数据进行同工况的聚类统计分析；得到同工况聚类参数；
15.特征预报模块：将同工况聚类参数代入层冷模型、板形模型和故障预警模型中，进行故障特征预报；
16.学习模块：利用大数据的神经网络学习，对故障特征进行样本识别和训练，获得良好样本和故障样本；
17.故障判定模块：基于良好样本和故障样本的对比结果，判别当前工况的故障类型，进行故障信号输出。
18.优选地，聚类模块中聚类统计分析包括：将层冷区参数分为温度参数、板形参数、层冷水量参数和电机转动参数；将各类参数分别代入到步骤二的层冷模型、板形模型和故障预警模型中进行运算得到的结果参数供后续判别模型使用。
19.优选地，特征预报模块中的层冷模型、板形模型和故障预警模型是基于现有的各类模型，对层冷模型、板形模型和故障预警模型进行热力耦合求解，实现参数计算，并为后续故障诊断过程提供样本数据。
20.优选地，学习模块中所述的神经网络学习，通过大数据学习，分析层流冷却正常工作阈值，供产线使用；利用实时采集到的生产数据与正常工作阈值的对比来得判定层流冷却区的实时工作状态。
21.优选地，故障判定模块中的对比结果，以实时生产数据与正常工作阈值样本数据之间进行对比，对故障进行判定，通过各类提示方法提醒产线工人对生产状态进行人工干预，排除故障隐患。
22.本发明具有的优点和积极效果是：
23.本发明通过前期对层冷区段历史数据的分析与整理，形成聚类统计基本数据集，以及各类数据样本库；建立层冷模型、板形模型和故障预警模型，对样本数据进行理论计算，形成更加直观的样本数据库，通过大数据训练，择优对故障特征记性训练，形成各类典型故障的判定标准，最终实现在线的层冷区段典型故障的实时智能预警，并通过数据处理终端对进行进行声音、图形、文字的预警预报，提醒人工参与，及时处理隐患，避免故障实际发生。
24.基于层冷区段实测的同工况聚类大数据，利用温度场、冷却水量、辊道转速数学模型对轧后带钢的冷却过程进行故障预报和智能识别，对比良好样本和故障样本的数据统计情况，在线实时获得当前工况的故障特征和恶劣程度，及时提醒人工参与维护或更换设备，同时利用数学模型在线优化层冷工艺参数，从而获得最佳的冷却效率和带钢质量。
附图说明
25.图1是本发明优选实施例中特征识别流程图；
26.图2是本发明优选实施例中预警流程图。
具体实施方式
27.为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的技术方案，本领域普通技术人员在没有做出创造性劳动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。
29.请参阅图1至图2。
30.一种热轧带钢层冷区段典型故障智能预警方法，主要用于轧后带钢层流冷却过程中的故障识别、诊断和预警，根据故障原因及时给出解决措施，进行人工的及时调整，避免故障或事故发生；包括如下步骤：
31.步骤一、基于现场工况实际，实时检测层流区段的所有数据，对其进行必要的聚类统计分析；通过聚类统计，将层冷段各类参数分为温度/板形参数、层冷水量参数和电机转动参数，并分别建立样本数据集，供后续使用。
32.步骤二、根据实测数据的聚类参数，分别代入层冷模型、板形模型和故障预警模型中，进行故障特征参数预报；基于轧制过程中层冷区段的基本理论模型，建立层冷计算模型、板形模型，以及电机工作的故障预警模型，对故障特征参数进行计算和分析，选取故障特征参数作为故障预报的判定条件，进行后续使用。
33.步骤三、利用大数据的神经网络学习，对故障特征进行样本识别和择优训练，获得最佳或更优的样本数据；
34.步骤四、基于样本对比结果，判别当前工况的故障类型，进行声音、图形、文字的预警预报，提醒人工参与，及时处理隐患，避免故障实际发生。通过对历史数据的聚类统计与训练分析，行程基本的判别标准，在结合实时生产数据对层冷区进行故障预报，并实时进行模型更新，不断优化各项标准参数。
35.如图1所示，首先获得层冷区的实测数据，对其进行必要的聚类对比，利用板形、层冷及辊道数学模型获得典型的工艺参数和特征数据；其次分类分析带钢板形、温度参数，评价层冷水冷参数，观察辊道转速、力矩参数，对比标准样本或阈值条件，判断是否异常，如果所有参数正常，则正常实时检测，如果参数异常，则分别进行故障识别；然后，根据判断条件，分析是否出现表观局部板形缺陷、水冷不够或管路堵塞、辊道轴承抱死(润滑油别洗掉)、电机故障，在此基础上，进一步分析是否发生局部积水或侧喷异常、局部无层冷、部分辊道停滞；最后，利用预警系统，及时弹出窗口，给出上述故障特征和可能原因，及时进行人工调整，同时及时进行故障特征对比和聚类分析，以获得更好的样本数据，便于给出更准确的故障特征值。
36.图2给出了典型的热轧层冷区段预警过程。基于实测数据获得聚类参数后，分别代入轧后板形模型、层冷模型和辊道模型中，进行故障特征的预报和逻辑关系判断，同时获得带钢温度、热应力的分布特征。同时，根据辊道模型判别辊道是否停滞，对应离线观察的带钢下表面情况，判断是否发生划伤缺陷；其中层冷模型为轧后板形模型提供换热系数和瞬
state disk(ssd))等。
44.以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。