一种大型轧机状态预测模型的构建方法及构建系统技术方案

本发明专利技术提供一种大型轧机状态预测模型的构建方法及构建系统，在轧机设备的关键部位布置数据采集传感器，获取设备监测数据，将设备监测数据通过有线及5G无线网络传输到数据采集服务器；数据采集服务器将数据存储至数据库；构建机器学习型的分类数据神经网络分析模型；通过分类数据神经网络分析模型挖掘工艺数据、故障征兆与问题类型的量化映射对应规则，构建基于工艺数据变化的故障模型；在故障模型上增加设备故障征兆预警分级推送功能模块，用户通过显示终端查看。本发明专利技术改变传统设备以振动监测方法为主的局限性，使得设备能够在不同工况条件下全面反映机械设备运行状态问题，避免同类问题反复，提升设备保障能力和产品质量稳定性。稳定性。稳定性。

【技术实现步骤摘要】
一种大型轧机状态预测模型的构建方法及构建系统


[0001]本专利技术涉及轧机
，尤其涉及一种大型轧机状态预测模型的构建方法及构建系统。

技术介绍

[0002]钢铁制造领域大型关键设备状态智能识别、高精度工业制造过程故障诊断一直是行业领域内攻关难点。钢铁轧机设备处在几千吨交变冲击载荷、上千度持续高温环境等恶劣工况下，导致系统级故障问题反复。
[0003]系统级故障中因素比较复杂，既包括设备故障、工艺型故障，也包括原材料品质波动引起的扰动型故障。现有设备故障监测方法一般只采集设备本体运行数据进行分析，基本上未与生产工艺信息和过程参数融合分析，这就导致设备状态分析结果同实际问题根由相差较大。
[0004]而且由于缺少灵活的分析工具，系统级故障只能是依靠根据表现出的症状进行人工分析和故障定位，因此造成事故分析周期长、事故原因定性难度大。与此同时，一些未知的风险和不确定性因素往往给忽视掉，给生产管控和运行决策带来困扰，也给商品质量带来极大不确定性。

技术实现思路

[0005]为解决现有钢铁大型轧机设备状态监测技术中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大型轧机状态预测模型的构建方法，其特征在于，方法包括：步骤1：在轧机设备的关键部位布置数据采集传感器，获取设备监测数据轧件工艺参数和过程控制参数数据，将获取的数据通过有线及5G无线网络传输到数据采集服务器；步骤2：数据采集服务器将数据存储至数据库；步骤3：构建机器学习型的分类数据神经网络分析模型；步骤4：通过分类数据神经网络分析模型挖掘工艺数据、故障征兆与问题类型的量化映射对应规则，构建基于工艺数据变化的故障模型；步骤5：在故障模型上增加设备故障征兆预警分级推送功能模块，用户通过显示终端查看。2.根据权利要求1所述的大型轧机状态预测模型的构建方法，其特征在于：数据采集传感器安装在设备转动部位，接口设置在各设备运行系统和信息系统上。3.根据权利要求1所述的大型轧机状态预测模型的构建方法，其特征在于：数据库存储采用HBase分布式数据库，数据库内的设备运行监测数据与工艺运行数据时间点一一对应；所述数据库数据存储过程包括以下步骤：步骤11：利用所述设备数据采集传感器采集设备原始数据，原始数据的采集频率在预设时间段内采集预设次数；将轧件工艺参数与过程控制参数采集到数据采集服务器进行存储，采集频率在每秒采集预设次数；步骤12：将服务器内的历史数据和实时数据进行清洗、去燥、去冗余，且通过傅里叶变换与小波变换计算得到数据的特征值，并对特征数据做无量纲化处理，为提高BP神经网络准确率和速度，选用归一化方法；步骤13：建立HBase分布式数据库，把设备与工艺状态特征数据存入到数据库。4.根据权利要求1所述的大型轧机状态预测模型的构建方法，其特征在于：分类数据神经网络分析模型为基于BP_Adaboost的强分类器设计的BP神经网络模型，用于对数据库数据进行分析与分类，通过调节模型迭代次数、学习率获得数据诊断结果，并与当前正常指标值进行对比，预测设备状态。5.根据权利要求4所述的大型轧机状态预测模型的构建方法，其特征在于：分类数据神经网络分析模型的算法步骤如下：步骤21：从数据样本空间中随机选择m组训练数据，初始化测试数据的分布权值S
p
(p)＝1/m，根据样本输入输出维数确定神经网络结构，使用激活函数sigmoid(x)得到初始化BP神经网络的权值和阈值；步骤22：弱分类器预测；训练第n个弱分类器时，用训练数据训练BP神经网络并且预测训练数据检出，得到预测序列Z(n)的预测误差和e
n
；步骤23：计算预测序列权重；步骤24：测试数据权重调整；步骤25：强分类函数；训练N轮后用到N...

【专利技术属性】
技术研发人员：周平，霍宪刚，李新东，李庆华，黄少文，王成镇，杨恒，张长宏，宋程文，胡猛，袁小康，
申请(专利权)人：山东钢铁股份有限公司，
类型：发明
国别省市：