CN116719293B - 一种冷轧钢带的生产监测方法及*** - Google Patents
一种冷轧钢带的生产监测方法及*** Download PDFInfo
- Publication number
- CN116719293B CN116719293B CN202310973500.2A CN202310973500A CN116719293B CN 116719293 B CN116719293 B CN 116719293B CN 202310973500 A CN202310973500 A CN 202310973500A CN 116719293 B CN116719293 B CN 116719293B
- Authority
- CN
- China
- Prior art keywords
- production
- node
- nodes
- monitoring
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 263
- 238000000034 method Methods 0.000 title claims abstract description 188
- 238000012544 monitoring process Methods 0.000 title claims abstract description 150
- 239000010960 cold rolled steel Substances 0.000 title claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 148
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 61
- 230000003993 interaction Effects 0.000 claims description 48
- 238000012216 screening Methods 0.000 claims description 33
- 238000012423 maintenance Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 15
- 238000012482 interaction analysis Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000002910 structure generation Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 5
- 238000005498 polishing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000011958 production data acquisition Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种冷轧钢带的生产监测方法及***,涉及智能监测控制技术领域,基于冷轧钢带的目标生产工艺生成工艺拓扑结构,若流程节点的实时监测数据不满足初始偏差区间,基于工艺拓扑结构调用目标关联体系,锁定待执行节点,生成协同控制参数进行生产控制与监测预警,解决现有技术中对于冷轧钢带的生产监测方法只针对生产监测方面,无法针对异常监测数据进行实质性的生产调整,导致监测预警范围受限,无法满足当前的生产需求的技术问题。将流程节点实时监测数据应用到实际生产进程中,进行后续相关流程节点的控制调整,以弱化当前异常生产节点造成的全局性影响,最大化提高生产质量,对调整后的相关流程节点继续进行生产监测与异常预警。
Description
技术领域
本发明涉及智能监测控制技术领域,具体涉及一种冷轧钢带的生产监测方法及***。
背景技术
冷轧钢带因其尺寸精度高、机械性能优和表面质量好等性能优选性,广泛应用于汽车、建筑等领域,为保障冷轧钢带的应用能效,需严格进行生产监测,以确保质量达标。现如今,主要基于传统的监测方式进行冷轧钢带的生产监测,基于多维监测装置进行实时生产数据的采集,进行数据分析以确定实际生产状况,其执行范围过于片面,有待进一步进行优化革新。
现有技术中,对于冷轧钢带的生产监测方法只针对生产监测方面,无法针对异常监测数据进行实质性的生产调整,导致监测预警范围受限,无法满足当前的生产需求。
发明内容
本申请提供了一种冷轧钢带的生产监测方法及***,用于针对解决现有技术中存在的对于冷轧钢带的生产监测方法只针对生产监测方面,无法针对异常监测数据进行实质性的生产调整,导致监测预警范围受限,无法满足当前的生产需求的技术问题。
鉴于上述问题,本申请提供了一种冷轧钢带的生产监测方法及***。
第一方面,本申请提供了一种冷轧钢带的生产监测方法,所述方法包括:
获取冷轧钢带的目标生产工艺,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,其中,所述工艺拓扑结构标识有多个关联体系;
连接生产监测***,基于所述传感监测装置获取流程节点的实时监测数据;
设定初始偏差区间,判断所述实时监测数据是否满足所述初始偏差区间;
若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,其中,所述目标关联体系包含多个互影响节点;
基于所述多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,其中,所述协同控制参数为调整后的所述待执行节点的生产控制参数;
基于所述协同控制参数,遍历所述目标生产工艺进行定位覆盖,获取更新工艺流程,其中,所述更新工艺流程为单次生产工艺;
基于所述更新工艺流程进行生产监测分析,执行异常生产预警。
第二方面,本申请提供了一种冷轧钢带的生产监测***,所述***包括:
拓扑结构生成模块,所述拓扑结构生成模块用于获取冷轧钢带的目标生产工艺,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,其中,所述工艺拓扑结构标识有多个关联体系;
数据获取模块,所述数据获取模块用于连接生产监测***,基于所述传感监测装置获取流程节点的实时监测数据;
区间判断模块,所述区间判断模块用于设定初始偏差区间,判断所述实时监测数据是否满足所述初始偏差区间;
体系调用模块,所述体系调用模块用于若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,其中,所述目标关联体系包含多个互影响节点;
参数调整模块,所述参数调整模块用于基于所述多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,其中,所述协同控制参数为调整后的所述待执行节点的生产控制参数;
工艺更新模块,所述工艺更新模块用于基于所述协同控制参数,遍历所述目标生产工艺进行定位覆盖,获取更新工艺流程,其中,所述更新工艺流程为单次生产工艺;
监测预警模块,所述监测预警模块用于基于所述更新工艺流程进行生产监测分析,执行异常生产预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种冷轧钢带的生产监测方法,获取冷轧钢带的目标生产工艺,对各个流程节点进行互影响分析生成工艺拓扑结构,所述工艺拓扑结构标识有多个关联体系,获取流程节点的实时监测数据,设定初始偏差区间,并判断所述实时监测数据是否满足所述初始偏差区间,若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,包含多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,基于所述协同控制参数,对所述目标生产工艺进行定位覆盖,获取更新工艺流程并进行生产监测分析,执行异常生产预警,解决现有技术中存在的对于冷轧钢带的生产监测方法只针对生产监测方面,无法针对异常监测数据进行实质性的生产调整,导致监测预警范围受限,无法满足当前的生产需求的技术问题。将流程节点实时监测数据应用到实际生产进程中,进行后续相关流程节点的控制调整,以弱化当前异常生产节点造成的全局性影响,最大化提高生产质量,对调整后的相关流程节点继续进行生产监测与异常预警。
附图说明
图1为本申请提供了一种冷轧钢带的生产监测方法流程示意图;
图2为本申请提供了一种冷轧钢带的生产监测方法中工艺拓扑结构获取流程示意图;
图3为本申请提供了一种冷轧钢带的生产监测方法中待执行节点获取流程示意图;
图4为本申请提供了一种冷轧钢带的生产监测***结构示意图。
附图标记说明:拓扑结构生成模块11,数据获取模块12,区间判断模块13,体系调用模块14,参数调整模块15,工艺更新模块16,监测预警模块17。
具体实施方式
本申请通过提供一种冷轧钢带的生产监测方法及***,基于冷轧钢带的目标生产工艺生成工艺拓扑结构,获取流程节点的实时监测数据并判定是否满足初始偏差区间,若不满足,基于所述工艺拓扑结构调用目标关联体系,锁定待执行节点,结合协同调整模型生成协同控制参数,对目标生产工艺进行定位覆盖,获取更新工艺流程并进行生产监测分析,执行异常生产预警,用于解决现有技术中存在的对于冷轧钢带的生产监测方法只针对生产监测方面,无法针对异常监测数据进行实质性的生产调整,导致监测预警范围受限,无法满足当前的生产需求的技术问题。
实施例一
如图1所示,本申请提供了一种冷轧钢带的生产监测方法,所述方法应用于冷轧钢带的生产监测***,所述***与传感监测装置通信连接,所述方法包括:
步骤S100:获取冷轧钢带的目标生产工艺,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,其中,所述工艺拓扑结构标识有多个关联体系;
具体而言,冷轧钢带因其尺寸精度高、机械性能优和表面质量好等性能优选性,广泛应用于汽车、建筑等领域,为保障冷轧钢带的应用能效,需严格进行生产监测,以确保质量达标。本申请提供的一种冷轧钢带的生产监测方法应用于所述冷轧钢带的生产监测***,所述***为进行生产全周期监测管理的总控***,所述***与所述传感监测装置通信连接,所述传感监测装置为进行实时生产监测的功能性辅助采集装置,包括多维监测设备,可依据监测需求进行自定义配置。
具体的,对所述冷轧钢带目前的生产工艺进行采集,作为所述目标生产工艺,针对所述目标生产工艺的各个流程节点,进行流程节点间的生产次序进行关联连接,生成所述工艺拓扑结构。对各个流程节点分别进行生产影响分析,确定存在直接影响关系的两个流程节点,对其进行汇总整合,即确定各个流程节点存在直接影响管理的至少一个流程节点,作为该流程节点对应的关联体系,于所述工艺拓扑结构中进行映射标识,用于后续进行生产影响分析时快速进行关联性识别。所述工艺拓扑结构为所述冷轧钢带生产的整体架构,为后续进行流程节点的关联分析夯实了基础。
进一步而言,如图2所示,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,本申请步骤S100还包括:
步骤S110:基于所述目标生产工艺,确定主体流程节点,生成主体工艺序列;
步骤S120:确定所述多个主体流程节点的子流程节点,与所述主体工艺序列进行定位关联,生成工艺拓扑结构;
步骤S130:基于所述工艺拓扑结构,进行节点间互影响分析,生成多个互影响组合,其中,所述多个互影响组合为两两流程节点之间的互影响分析结果;
步骤S140:遍历所述多个互影响组合,将各个流程节点作为响应目标,识别提取映射性流程节点,生成所述多个关联体系;
步骤S150:在所述工艺拓扑结构中,标识所述多个关联体系,其中,所述多个关联体系的标识信息不同。
具体而言,所述目标生产工艺为目前生产执行的工艺流程,基于所述目标生产工艺,提取关键性流程节点,例如材料预备、退火酸洗、轧制等,作为所述主体流程节点。基于工艺流程先后次序进行序列化调整,生成所述主体工艺序列。各个主体流程节点可能存在至少一个子流程节点,例如,原料预备包括了原料检验、热处理、拉伸等子流程节点,确定所述多个主体流程节点包含的子流程节点,***所述主体工艺序列中进行流程节点连接,构成节点网络,作为所述工艺拓扑结构。
进一步的,基于所述工艺拓扑结构,对任意两个流程节点分别进行互影响分析,即当前流程节点的生产是否会直接影响后续各个流程节点的生产,例如,修磨效果会直接影响后续抛光剪切的生产效果,但不考虑抛光剪切的后续流程节点影响,可将修磨与抛光剪切作为一组互影响组合,其中,任一流程节点至少存在一组互影响组合,生成所述多个互影响组合。基于所述多个互影响组合,分别提取各个流程节点对应的至少一个互影响组合,确定同一流程节点对应的多个互影响节点,作为一项关联体系,生成所述多个关联体系。
对所述多个关联体系分别配置不同标识信息,例如,将不同颜色或同颜色不同色度作为标识信息,于所述工艺拓扑结构中进行映射标识,以完善所述工艺拓扑结构,便于后续快速进行流程节点的关联识别。
步骤S200:连接生产监测***,基于所述传感监测装置获取流程节点的实时监测数据;
进一步而言,本申请步骤S200还包括:
步骤S210:所述实时监测数据包括各个流程节点的生产环境信息、设备控制信息、生产能效信息;
步骤S220:所述生产能效信息包括外观特征、色泽特征、表面状态特征。
具体而言,所述生产监测***为进行冷轧钢带生产监测的管控***,所述传感监测装置为进行实时生产监测的辅助监测设备,例如图像监测设备、温度传感设备、动力传感设备等,可基于流程节点的监测需求进行所述传感监测设置与装配位置的自定义布设。
进一步的,连接所述生产监测***,调取所述传感监测装置的监测数据,其中,调取的监测数据带有流程节点标识。具体的,由于所述传感监测设备的布设类型不同,对应的监测数据模式不同,例如数组、图像等,对监测数据进行识别提取,例如对采集图像进行特征增强与识别提取等,确定需求监测信息,示例性的,提取生产温度、环境噪音、灰尘含量等,作为所述生产环境信息;提取设备控制参数、控制精度等作为所述设备控制信息;进行对应流程节点的可视化生产特征提取,例如将尺寸、表面瑕疵作为外观特征,识别颜色、光泽度等作为所述色泽特征,识别表面残留物、表面平整度等作为所述表面状态特征,将所述外观特征、所述色泽特征与所述表面状态特征作为所述生产能效信息。将所述生产环境信息、所述设备控制信息与所述生产能效信息作为所述实时监测数据。所述实时监测数据具有统一数据模式,用于进行实时生产状态分析。
步骤S300:设定初始偏差区间,判断所述实时监测数据是否满足所述初始偏差区间;
步骤S400:若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,其中,所述目标关联体系包含多个互影响节点;
具体而言,冷轧钢带生产过程中,允许存在一定的生产偏离,对于生产可控范围内的偏差可进行忽略。针对各流程节点,基于冷轧钢带的生产标准直接进行生产偏离采集确定,基于采集结果设定所述初始偏差区间,其中,所述初始偏差区间与多个流程节点映射对应。基于所述实时监测数据,识别提取当前流程节点的监测数据,遍历所述初始偏差区间进行映射校对,判断是否满足所述初始偏差区间,当满足时,表明当前流程节点处于正常生产状态,基于既定生产流程进行推进即可;当不满足时,表明当前流程节点处于异常生产状态,同时,最终的流程节点生产效果会导致后续直接影响性关联节点生产受限,通过对其进行生产调整,以弱化当前流程节点的生产异常带来的全局影响。
具体的,将所述节点实时监测数据对应的流程节点作为索引目标,于所述工艺拓扑结构中,遍历所述多个关联体系,识别提取所述索引目标对应的标识信息,将所述标识信息所覆盖的关联体系,即包括多个与所述索引目标存在直接性互影响关系的流程节点,作为所述目标关联体系,所述目标关联体系的获取为后续进行生产控制调整提供了基本依据。
步骤S500:基于所述多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,其中,所述协同控制参数为调整后的所述待执行节点的生产控制参数;
进一步而言,如图3所示,基于所述多个互影响节点,锁定待执行节点,本申请步骤S500还包括:
步骤S510:搭建全局影响度分析模型,其中,所述全局影响度分析模型包括全局分析层、序列调整层与节点筛选层,所述节点筛选层内嵌有预设筛选比例;
步骤S520:将所述多个互影响节点输入所述全局影响度分析模型,输出所述待执行节点,其中,所述待执行节点为满足所述预设筛选比例的所述多个互影响节点的序列化截取结果。
具体而言,由于实时生产进程到达后续生产节点前需完成所述多个互影响节点的参数调整覆盖,对分析效率要求较高,对所述多个互影响节点进行筛选,排除全局影响度较弱关联节点,以提高执行效率,保障后续生产流程跟进的及时性。于所述多个互影响节点中,通过进行全局影响性分析,提取待进行生产控制调整的流程节点,作为所述待执行节点并进行锁定。
具体的,搭建所述全局影响度分析模型,所述全局影响度分析模型为进行所述多个互影响节点筛选的辅助分析工具,包括多层级网络层,对应的执行功能不同。示例性的,基于全局分析算法对所述全局分析层进行训练学习,将所述目标生产工艺嵌入所述全局分析层中,作为全局性分析依据,设定所述预设筛选比例,即用于进行所述多个互影响节点筛选的比例,示例性的,可基于所述多个关联体系中各关联体系包含的节点量值,基于专家生产经验进行自定义设定。将所述预设筛选比例嵌入所述节点筛选等中,用于辅助执行节点筛选。将层级执行机制,即各网络层处理流程嵌入所述多层级网络层,并采集确定样本数据进行模型验证,确保模型的分析精度。进一步将所述多个互影响节点输入所述全局影响度分析模型中,基于所述全局分析层对所述多个互影响节点进行全局影响评估,生成影响度评估结果并与所述多个互影响节点进行映射标识;进一步传输至所述序列调整层中,基于所述影响度评估结果由大到小,对所述多个互影响节点进行排序,生成节点序列;传输至所述节点筛选层中,将所述预设筛选比例作为筛选标准,基于所述节点序列首项,截取满足所述预设筛选比例的多个节点,作为所述待执行节点进行模型输出。通过构建所述全局影响度分析模型进行节点筛选评估,可有效提高筛选结果的准确度,保障与所述目标生产工艺的匹配度。
进一步构建所述协同调整模型,示例性的,采集多组历史生产记录,结合所述工艺拓扑结构进行分析,确定异常生产节点并确定待执行节点,基于实际生产数据进行节点控制调整,确定多个样本协同调整数据,对所述多组历史生产记录与所述多个样本协同调整数据进行映射关联,确定层级识别节点与层级决策节点,将其作为训练样本,通过进行神经网络训练生成所述协同调整模型。进一步的,基于所述实时监测数据与所述初始偏差区间确定节点生产偏离值,将所述节点生产偏离值与所述多个互影响节点输入所述协同控制模型中,通过进行层级匹配与决策分析,直接输出所述协同控制参数,所述协同控制参数为调整后的所述待执行节点的生产控制参数,基于所述协同控制参数进行后续对应的流程节点的生产控制。
步骤S600:基于所述协同控制参数,遍历所述目标生产工艺进行定位覆盖,获取更新工艺流程,其中,所述更新工艺流程为单次生产工艺;
步骤S700:基于所述更新工艺流程进行生产监测分析,执行异常生产预警。
进一步而言,本申请还存在步骤S800,包括:
步骤S810:基于所述更新工艺流程进行产品生产,待各流程节点生产完毕后,生成复位执行指令;
步骤S820:基于所述复位执行指令,对所述待执行节点的所述生产控制参数进行复位控制,其中,复位控制效果即各待执行节点逐步恢复所述目标生产工艺。
具体而言,所述协同控制参数与所述待执行节点一一对应,遍历所述目标生产工艺,确定所述待执行节点对应的流程节点,确定节点控制参数,与所述协同控制参数进行匹配定位,基于匹配结果对所述节点控制参数进行覆盖,将所述协同控制参数作为迭代更新的生产控制参数,生成所述更新工艺流程。进一步的,基于所述更新工艺流程进行生产控制,并继续进行后续流程节点的生产监测,采集生产监测数据并进行异常分析,若还存在流程节点存在生产异常,生成异常生产预警信息,所述异常生产预警信息包含生产预警产品的产品编码。
进一步的,所述更新工艺流程为单次生产工艺,基于所述更新工艺流程进行产品生产,待各流程节点生产完毕后,即所述待执行节点逐步完成生产后,随着各个节点的生产结束,依次生成所述复位执行指令,所述复位执行指令为进行流程节点的覆盖参数恢复的开始指令。随着所述复位执行指令的接收,逐步依次进行所述待执行节点的所述生产控制参数进行复原,各待执行节点逐步恢复所述目标生产工艺,对后续冷轧钢带的生产继续基于所述目标生产工艺进行生产控制。
进一步而言,基于所述更新工艺流程进行生产监测分析,执行异常生产预警,本申请步骤S700还包括:
步骤S710-1:基于所述更新工艺流程进行生产监测,确定节点监测数据;
步骤S720-1:基于所述更新工艺流程,对所述初始偏差区间进行调整,生成更迭偏差区间;
步骤S730-1:对所述更迭偏差区间与所述节点监测数据进行映射判定,基于判定结果进行预警警示,其中,待检产品归属信息为附加输出信息。
具体而言,待对所述待执行节点基于所述协同控制参数进行工艺覆盖后,基于所述更新工艺流程进行后续生产控制。继续进行后续生产监测并采集节点监测数据进行异常分析。具体的,针对所述更新工艺流程,对所述待执行节点进行所述初始偏差区间的匹配提取,对所述协同控制参数与初始的生产控制参数进行映射对应,基于映射结果计算参数差值,以确定调整方向与调整尺度,对所述初始偏差区间进行同频调整,生成所述更迭偏差区间,所述更迭偏差区间为所述更新工艺流程的监测数据的适配性校对分析区间。对所述更迭偏差区间与所述节点监测数据进行映射对应,判断所述节点监测数据的生产偏差是否满足所述更迭偏差区间,若满足,表明处于正常生产状态;若不满足,表明生产调整后还存在生产监测异常,生成异常生产预警信息进行预警警示,同步生成所述待检产品归属信息,即将该生产产品初步判定为瑕疵品,待生产完成后需再次进行质检合格判定,以提高生产能效。
进一步而言,本申请步骤S700还包括:
步骤S710-2:配置设备运维周期,其中,所述设备运维周期为定期运维时区;
步骤S720-2:设定动态监测周期,基于所述动态监测周期,统计协同调整频次;
步骤S730-2:若所述协同调整频次满足预设频次,生成即时运维节点;
步骤S740-2:将所述即时运维节点穿插进所述设备运维周期,进行设备异常运行监测预警。
具体而言,所述冷轧钢带生产过程中,随着生产时序推进,不可避免的会存在一定的生产设备损伤,以影响生产性能。设定生产设备的定期运维时区,作为所述设备运维周期,即进行生产设备定期运维巡检的时间间隔,基于所述设备运维周期进行生产设备的故障监测,所述设备运维周期可基于实际生产状况与设备损耗趋势进行自定义设置。
进一步的,针对生产进程中的异常状况需进行动态故障溯源。具体的,设定所述动态监测周期,即进行设备故障检测判定的分析区间,基于所述动态监测周期,确定初始时间节点与终止时间节点,对所述初始时间节点与所述终止时间节点内的协同调整频次进行统计。设定所述预设频次,即判定是否存在设备检测必要性的临界频次,可根据生产实况基于生产经验进行自定义配置。判断所述协同调整频次是否满足所述预设频次,当小于所述预设频次时,继续基于所述设备运维周期进行设备运行故障检测;当大于等于所述预设频次时,表明异常生产频次过高,可能存在设备异常影响,将当前时间节点作为所述即时运维节点,所述即时运维节点为临时确定的设备检测时间节点。将所述即时运维节点穿插进所述设备运行周期中,进行生产设备的运行故障检测溯源,对故障设备进行设备异常运行监测预警,以保障设备检修的及时性。
实施例二
基于与前述实施例中一种冷轧钢带的生产监测方法相同的发明构思,如图4所示,本申请提供了一种冷轧钢带的生产监测***,所述***包括:
拓扑结构生成模块11,所述拓扑结构生成模块11用于获取冷轧钢带的目标生产工艺,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,其中,所述工艺拓扑结构标识有多个关联体系;
数据获取模块12,所述数据获取模块12用于连接生产监测***,基于所述传感监测装置获取流程节点的实时监测数据;
区间判断模块13,所述区间判断模块13用于设定初始偏差区间,判断所述实时监测数据是否满足所述初始偏差区间;
体系调用模块14,所述体系调用模块14用于若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,其中,所述目标关联体系包含多个互影响节点;
参数调整模块15,所述参数调整模块15用于基于所述多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,其中,所述协同控制参数为调整后的所述待执行节点的生产控制参数;
工艺更新模块16,所述工艺更新模块16用于基于所述协同控制参数,遍历所述目标生产工艺进行定位覆盖,获取更新工艺流程,其中,所述更新工艺流程为单次生产工艺;
监测预警模块17,所述监测预警模块17用于基于所述更新工艺流程进行生产监测分析,执行异常生产预警。
进一步而言,所述***还包括:
工艺序列生成模块,所述工艺序列生成模块用于基于所述目标生产工艺,确定主体流程节点,生成主体工艺序列;
工艺拓扑结构生成模块,所述工艺拓扑结构生成模块用于确定所述多个主体流程节点的子流程节点,与所述主体工艺序列进行定位关联,生成工艺拓扑结构;
组合获取模块,所述组合获取模块用于基于所述工艺拓扑结构,进行节点间互影响分析,生成多个互影响组合,其中,所述多个互影响组合为两两流程节点之间的互影响分析结果;
关联体系生成模块,所述关联体系生成模块用于遍历所述多个互影响组合,将各个流程节点作为响应目标,识别提取映射性流程节点,生成所述多个关联体系;
关联体系标识模块,所述关联体系标识模块用于在所述工艺拓扑结构中,标识所述多个关联体系,其中,所述多个关联体系的标识信息不同。
进一步而言,所述***还包括:
实时监测数据剖析模块,所述实时监测数据剖析模块用于所述实时监测数据包括各个流程节点的生产环境信息、设备控制信息、生产能效信息;
生产能效信息剖析模块,所述生产能效信息剖析模块用于所述生产能效信息包括外观特征、色泽特征、表面状态特征。
进一步而言,所述***还包括:
监测数据确定模块,所述检测数据确定模块用于基于所述更新工艺流程进行生产监测,确定节点监测数据;
区间调整模块,所述区间调整模块用于基于所述更新工艺流程,对所述初始偏差区间进行调整,生成更迭偏差区间;
结果预警模块,所述结果预警模块用于对所述更迭偏差区间与所述节点监测数据进行映射判定,基于判定结果进行预警警示,其中,待检产品归属信息为附加输出信息。
进一步而言,所述***还包括:
指令生成模块,所述指令生成模块用于基于所述更新工艺流程进行产品生产,待各流程节点生产完毕后,生成复位执行指令;
复位控制模块,所述复位控制模块用于基于所述复位执行指令,对所述待执行节点的所述生产控制参数进行复位控制,其中,复位控制效果即各待执行节点逐步恢复所述目标生产工艺。
进一步而言,所述***还包括:
模型搭建模块,所述模型搭建模块用于搭建全局影响度分析模型,其中,所述全局影响度分析模型包括全局分析层、序列调整层与节点筛选层,所述节点筛选层内嵌有预设筛选比例;
待执行节点输出模块,所述待执行节点输出模块用于将所述多个互影响节点输入所述全局影响度分析模型,输出所述待执行节点,其中,所述待执行节点为满足所述预设筛选比例的所述多个互影响节点的序列化截取结果。
进一步而言,所述***还包括:
周期配置模块,所述周期配置模块用于配置设备运维周期,其中,所述设备运维周期为定期运维时区;
频次统计模块,所述频次统计模块用于设定动态监测周期,基于所述动态监测周期,统计协同调整频次;
即时运维节点生成模块,所述即时运维节点生成模块用于若所述协同调整频次满足预设频次,生成即时运维节点;
异常监测模块,所述异常监测模块用于将所述即时运维节点穿插进所述设备运维周期,进行设备异常运行监测预警。
本说明书通过前述对一种冷轧钢带的生产监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种冷轧钢带的生产监测方法及***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种冷轧钢带的生产监测方法,其特征在于,所述方法应用于冷轧钢带的生产监测***,所述***与传感监测装置通信连接,所述方法包括:
获取冷轧钢带的目标生产工艺,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,其中,所述工艺拓扑结构标识有多个关联体系;
连接生产监测***,基于所述传感监测装置获取流程节点的实时监测数据;
设定初始偏差区间,判断所述实时监测数据是否满足所述初始偏差区间;
若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,其中,所述目标关联体系包含多个互影响节点;
基于所述多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,其中,基于所述实时监测数据与所述初始偏差区间确定节点生产偏离值,将所述节点生产偏离值与所述多个互影响节点输入所述协同调整模型中,通过层级匹配与决策分析,输出所述协同控制参数,所述协同控制参数为调整后的所述待执行节点的生产控制参数,构建所述协同调整模型包括:采集多组历史生产记录,结合所述工艺拓扑结构进行分析,确定异常生产节点并确定待执行节点,基于实际生产数据进行节点控制调整,确定多个样本协同调整数据,对所述多组历史生产记录与所述多个样本协同调整数据进行映射关联,确定层级识别节点与层级决策节点,将其作为训练样本,通过进行神经网络训练生成所述协同调整模型;
基于所述协同控制参数,遍历所述目标生产工艺进行定位覆盖,获取更新工艺流程,包括:遍历所述目标生产工艺,确定所述待执行节点对应的流程节点,确定节点控制参数,与所述协同控制参数进行匹配定位,基于匹配结果对所述节点控制参数进行覆盖,将所述协同控制参数作为迭代更新的生产控制参数,生成所述更新工艺流程,其中,所述更新工艺流程为单次生产工艺;
基于所述更新工艺流程进行生产监测分析,执行异常生产预警;
其中,基于所述多个互影响节点,锁定待执行节点,包括:
搭建全局影响度分析模型,其中,所述全局影响度分析模型为进行所述多个互影响节点筛选的辅助分析工具,包括多层级网络层,所述多层级网络层包括全局分析层、序列调整层与节点筛选层,基于全局分析算法对所述全局分析层进行训练学习,将所述目标生产工艺嵌入所述全局分析层中,将预设筛选比例嵌入所述节点筛选层中,用于辅助执行节点筛选,将各网络层处理流程嵌入所述多层级网络层,并采集确定样本数据进行模型验证;
将所述多个互影响节点输入所述全局影响度分析模型,输出所述待执行节点,其中,所述待执行节点为满足所述预设筛选比例的所述多个互影响节点的序列化截取结果。
2.如权利要求1所述的方法,其特征在于,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,包括:
基于所述目标生产工艺,确定主体流程节点,生成主体工艺序列;
确定多个主体流程节点的子流程节点,与所述主体工艺序列进行定位关联,生成工艺拓扑结构;
基于所述工艺拓扑结构,进行节点间互影响分析,生成多个互影响组合,其中,所述多个互影响组合为两两流程节点之间的互影响分析结果;
遍历所述多个互影响组合,将各个流程节点作为响应目标,识别提取映射性流程节点,生成所述多个关联体系;
在所述工艺拓扑结构中,标识所述多个关联体系,其中,所述多个关联体系的标识信息不同。
3.如权利要求1所述的方法,其特征在于,包括:
所述实时监测数据包括各个流程节点的生产环境信息、设备控制信息、生产能效信息;
所述生产能效信息包括外观特征、色泽特征、表面状态特征。
4.如权利要求1所述的方法,其特征在于,基于所述更新工艺流程进行生产监测分析,执行异常生产预警,包括:
基于所述更新工艺流程进行生产监测,确定节点监测数据;
基于所述更新工艺流程,对所述初始偏差区间进行调整,生成更迭偏差区间;
对所述更迭偏差区间与所述节点监测数据进行映射判定,基于判定结果进行预警警示,其中,待检产品归属信息为附加输出信息。
5.如权利要求1所述的方法,其特征在于,包括:
基于所述更新工艺流程进行产品生产,待各流程节点生产完毕后,生成复位执行指令;
基于所述复位执行指令,对所述待执行节点的所述生产控制参数进行复位控制,其中,复位控制效果即各待执行节点逐步恢复所述目标生产工艺。
6.如权利要求1所述的方法,其特征在于,包括:
配置设备运维周期,其中,所述设备运维周期为定期运维时区;
设定动态监测周期,基于所述动态监测周期,统计协同调整频次;
若所述协同调整频次满足预设频次,生成即时运维节点;
将所述即时运维节点穿插进所述设备运维周期,进行设备异常运行监测预警。
7.一种冷轧钢带的生产监测***,其特征在于,所述***与传感监测装置通信连接,所述***包括:
拓扑结构生成模块,所述拓扑结构生成模块用于获取冷轧钢带的目标生产工艺,基于所述目标生产工艺对各个流程节点进行互影响分析,生成工艺拓扑结构,其中,所述工艺拓扑结构标识有多个关联体系;
数据获取模块,所述数据获取模块用于连接生产监测***,基于所述传感监测装置获取流程节点的实时监测数据;
区间判断模块,所述区间判断模块用于设定初始偏差区间,判断所述实时监测数据是否满足所述初始偏差区间;
体系调用模块,所述体系调用模块用于若不满足,基于所述工艺拓扑结构,遍历所述多个关联体系,调用目标关联体系,其中,所述目标关联体系包含多个互影响节点;
参数调整模块,所述参数调整模块用于基于所述多个互影响节点,锁定待执行节点,结合协同调整模型生成协同控制参数,其中,基于所述实时监测数据与所述初始偏差区间确定节点生产偏离值,将所述节点生产偏离值与所述多个互影响节点输入所述协同调整模型中,通过层级匹配与决策分析,输出所述协同控制参数,所述协同控制参数为调整后的所述待执行节点的生产控制参数,构建所述协同调整模型包括:采集多组历史生产记录,结合所述工艺拓扑结构进行分析,确定异常生产节点并确定待执行节点,基于实际生产数据进行节点控制调整,确定多个样本协同调整数据,对所述多组历史生产记录与所述多个样本协同调整数据进行映射关联,确定层级识别节点与层级决策节点,将其作为训练样本,通过进行神经网络训练生成所述协同调整模型;
工艺更新模块,所述工艺更新模块用于基于所述协同控制参数,遍历所述目标生产工艺进行定位覆盖,获取更新工艺流程,包括:遍历所述目标生产工艺,确定所述待执行节点对应的流程节点,确定节点控制参数,与所述协同控制参数进行匹配定位,基于匹配结果对所述节点控制参数进行覆盖,将所述协同控制参数作为迭代更新的生产控制参数,生成所述更新工艺流程,其中,所述更新工艺流程为单次生产工艺;
监测预警模块,所述监测预警模块用于基于所述更新工艺流程进行生产监测分析,执行异常生产预警;
模型搭建模块,所述模型搭建模块用于搭建全局影响度分析模型,其中,所述全局影响度分析模型为进行所述多个互影响节点筛选的辅助分析工具,包括多层级网络层,所述多层级网络层包括全局分析层、序列调整层与节点筛选层,基于全局分析算法对所述全局分析层进行训练学习,将所述目标生产工艺嵌入所述全局分析层中,将预设筛选比例嵌入所述节点筛选层中,用于辅助执行节点筛选,将各网络层处理流程嵌入所述多层级网络层,并采集确定样本数据进行模型验证;
待执行节点输出模块,所述待执行节点输出模块用于将所述多个互影响节点输入所述全局影响度分析模型,输出所述待执行节点,其中,所述待执行节点为满足所述预设筛选比例的所述多个互影响节点的序列化截取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973500.2A CN116719293B (zh) | 2023-08-04 | 2023-08-04 | 一种冷轧钢带的生产监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973500.2A CN116719293B (zh) | 2023-08-04 | 2023-08-04 | 一种冷轧钢带的生产监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116719293A CN116719293A (zh) | 2023-09-08 |
CN116719293B true CN116719293B (zh) | 2023-11-17 |
Family
ID=87868227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973500.2A Active CN116719293B (zh) | 2023-08-04 | 2023-08-04 | 一种冷轧钢带的生产监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116719293B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094605B (zh) * | 2023-10-18 | 2023-12-22 | 南通钢安机械制造有限公司 | 一种铸件质量控制方法及*** |
CN117094608B (zh) * | 2023-10-19 | 2023-12-26 | 江苏甬金金属科技有限公司 | 结合应用需求的钛带生产控制方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116198A (zh) * | 2020-08-04 | 2020-12-22 | 西安交通大学 | 数据驱动的流程工业状态感知网络关键节点筛选方法 |
CN112162528A (zh) * | 2020-09-29 | 2021-01-01 | 广东工业大学 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
WO2021051618A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 异常预警方法、装置、服务器及存储介质 |
CN113807715A (zh) * | 2021-09-23 | 2021-12-17 | 厦门标安科技有限公司 | 一种化工装置风险动态预警方法 |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114841396A (zh) * | 2022-03-16 | 2022-08-02 | 广东石油化工学院 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及*** |
CN116382219A (zh) * | 2023-05-16 | 2023-07-04 | 苏州海卓伺服驱动技术有限公司 | 一种基于在线测量技术的电机生产工艺优化方法及*** |
CN116423005A (zh) * | 2023-06-14 | 2023-07-14 | 苏州松德激光科技有限公司 | 一种提高焊接精度的锡焊工艺优化方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210243069A1 (en) * | 2020-01-31 | 2021-08-05 | Opsramp, Inc. | Alert correlating using sequence model with topology reinforcement systems and methods |
TWI746038B (zh) * | 2020-07-02 | 2021-11-11 | 阿證科技股份有限公司 | 類神經網路人工智慧決策核心系統 |
-
2023
- 2023-08-04 CN CN202310973500.2A patent/CN116719293B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021051618A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 异常预警方法、装置、服务器及存储介质 |
CN112116198A (zh) * | 2020-08-04 | 2020-12-22 | 西安交通大学 | 数据驱动的流程工业状态感知网络关键节点筛选方法 |
CN112162528A (zh) * | 2020-09-29 | 2021-01-01 | 广东工业大学 | 一种数控机床的故障诊断方法、装置、设备和存储介质 |
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN113807715A (zh) * | 2021-09-23 | 2021-12-17 | 厦门标安科技有限公司 | 一种化工装置风险动态预警方法 |
CN114841396A (zh) * | 2022-03-16 | 2022-08-02 | 广东石油化工学院 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
CN116382219A (zh) * | 2023-05-16 | 2023-07-04 | 苏州海卓伺服驱动技术有限公司 | 一种基于在线测量技术的电机生产工艺优化方法及*** |
CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及*** |
CN116423005A (zh) * | 2023-06-14 | 2023-07-14 | 苏州松德激光科技有限公司 | 一种提高焊接精度的锡焊工艺优化方法及*** |
Non-Patent Citations (1)
Title |
---|
钢铁企业全流程质量管控研究;栾绍峻;;冶金经济与管理(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116719293A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116719293B (zh) | 一种冷轧钢带的生产监测方法及*** | |
CN115833400B (zh) | 一种变电站电力设备的监测预警方法及*** | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN116204842B (zh) | 一种电气设备的异常监测方法及*** | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN115643159A (zh) | 一种基于边缘计算的设备异常预警方法及*** | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN106907927A (zh) | 一种核灵活流形嵌入电熔镁炉故障监测方法 | |
CN110677437A (zh) | 基于潜在空间对抗式聚类的用户伪装攻击检测方法及*** | |
CN116224930A (zh) | 一种数控磨床产品的加工控制方法及*** | |
CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及*** | |
CN116092014A (zh) | 一种基于物联网设备的智能巡检控制方法及*** | |
CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN117014817B (zh) | 一种基于物联网的园区设备智能巡检方法及*** | |
CN117252809A (zh) | 一种基于ai工业视觉的识别***及其方法 | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN115983684B (zh) | 一种制冷用铜管生产缺陷管理方法及*** | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警***及方法 | |
CN116449761B (zh) | 智能泵站智慧控制***及方法 | |
CN114077933B (zh) | 蒸汽在线监测数据实时传输***及方法 | |
CN117686757B (zh) | 一种户外电力计量箱的智能预警方法及*** | |
CN113077002B (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
CN117399435B (zh) | 一种铜管轧制过程自适应补偿调整方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |