CN117725541A - 退火炉运行状态智能监控与故障诊断*** - Google Patents
退火炉运行状态智能监控与故障诊断*** Download PDFInfo
- Publication number
- CN117725541A CN117725541A CN202410174327.4A CN202410174327A CN117725541A CN 117725541 A CN117725541 A CN 117725541A CN 202410174327 A CN202410174327 A CN 202410174327A CN 117725541 A CN117725541 A CN 117725541A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- annealing furnace
- temperature
- coefficient
- standard
- 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.)
- Granted
Links
- 238000000137 annealing Methods 0.000 title claims abstract description 325
- 238000012544 monitoring process Methods 0.000 title claims abstract description 137
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 279
- 238000004519 manufacturing process Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 53
- 238000004321 preservation Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 30
- 230000009191 jumping Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000011810 insulating material Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 239000012774 insulation material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000047 product Substances 0.000 description 31
- 238000003860 storage Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Heat Treatment Of Strip Materials And Filament Materials (AREA)
Abstract
本发明公开了退火炉运行状态智能监控与故障诊断***,具体涉及退火炉智能监测技术领域,包括数据采集模块,用于获取第n个退火炉的温度监测系数时间序列集合,基于所述温度监测系数时间序列集合中的历史温度监测系数输入预构建的系数预测模型,预测出未来T时刻的温度监测系数;退火炉异常判断模块,用于预设温度系数梯度阈值,将未来T时刻的温度监测系数与预设温度系数梯度阈值进行对比,以获得m个异常退火炉;异常分析模块,用于获取第m个异常退火炉的异常特征数据,根据异常特征数据确定异常退火炉的异常类型数据;本发明有利于全面监测退火炉整个运行状态,并在发生故障时及时响应并确定发生故障的异常原因,降低了生产时间成本。
Description
技术领域
本发明涉及退火炉智能监测技术领域,更具体地说,本发明涉及退火炉运行状态智能监控与故障诊断***。
背景技术
退火炉是指一种用于进行热处理过程的设备,其中最常见的过程之一是退火,在材料制备领域,退火是一种通过加热和冷却来改变材料性质的过程。退火炉的基本原理是将材料加热到一定温度,然后控制冷却速率,使得材料缓慢冷却,从而改变材料的结构、硬度、强度和其他物理性质,从而得到最终产品。退火炉常用于控制温度、保温时间和冷却速率等参数来改变材料的内部热应力,尤其在生产石英材料时,监测退火炉的运行状况尤为重要,退火结果的好坏决定了最终产品是否符合质量标准。
目前,对退火炉的运行状态和故障检测通常依靠操作人员的经验来决定,难以有效确保退火炉生产出的高质量的产品;现有的退火炉故障诊断方法通过分析加热管接地故障来实现,例如,公开号为CN112505584A的中国专利公开了退火炉加热管接地漏电故障点定位***,上述方法虽能实现退火炉的故障检测,但经发明人对上述方法以及现有技术进行研究和应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)单一的从加热管角度考虑退火炉故障问题,检测退火炉的故障不全面;
(2)在批量生产时,无法及时确定异常退火炉的异常原因,进而难以保证退火炉故障告警信息更快地响应,增加了生产时间成本。
为此,本发明提供了一种退火炉运行状态智能监控与故障诊断***。
发明内容
为了克服现有技术的上述缺陷,本发明提供了退火炉运行状态智能监控与故障诊断***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:退火炉运行状态智能监控与故障诊断***,包括:
数据采集模块,用于获取第n个退火炉的温度监测系数时间序列集合,基于所述温度监测系数时间序列集合中的历史温度监测系数输入预构建的系数预测模型,预测出未来T时刻的温度监测系数;
退火炉异常判断模块,预设温度系数梯度阈值,将未来T时刻的温度监测系数与预设温度系数梯度阈值进行对比,以获得m个异常退火炉;
异常分析模块,用于获取第m个异常退火炉的异常特征数据,根据异常特征数据确定异常退火炉的异常类型数据,基于异常类型数据与异常分析数据之间的预设关系,确定异常类型数据对应的异常分析数据,所述异常分析数据包括多个异常原因以及与多个异常原因关联的标准故障电流波动区间;所述异常类型数据包括异常组件和异常组件位置;所述异常特征数据包括异常温度频谱图和异常气氛压力频谱图;
异常原因分析模块,根据异常组件位置采集异常组件在设定生产周期内的实时电流数据集合,基于实时电流数据确定异常退火炉的异常原因;所述实时电流数据集合包括多个实时电流数据。
进一步地,获得温度监测系数时间序列集合的方法包括:
从退火炉数据库提取第n个退火炉的历史监测过程中的温度监测系数,并标记为历史温度监测系数,将提取的历史温度监测系数构建温度监测系数时间序列集合,温度监测系数时间序列集合包括i个历史温度监测系数,i个历史温度监测系数获取的时间间隔相等,i个历史温度监测系数对应一个退火炉的生产周期;生产周期为小时、日或周;
系数预测模型的预构建逻辑为:根据退火炉工作人员的实际经验预设时间步长J、滑动步长H以及滑动窗口长度C;将温度监测系数时间序列集合中的历史温度监测系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为系数预测模型的输入,预测时间步长J后的温度监测系数作为输出,每个训练样本的后续温度监测系数作为预测目标,以预测准确率作为训练目标,对系数预测模型进行训练;生成根据温度监测系数时间序列集合中的历史温度监测系数预测未来T时刻温度监测系数的系数预测模型;其中,所述系数预测模型为RNN神经网络模型。
进一步地,获取历史温度监测系数的方法包括:
获取第n个退火炉的温度特征数据;所述温度特征数据包括升温速率、产品质量系数和降温速率;
基于退火炉与保温系数的预设关系,提取每个退火炉的保温系数;
基于温度特征数据和保温系数进行无量纲化计算,以获取第n个退火炉的历史温度监测系数;其计算公式为:
;
式中:表示第n个退火炉的历史温度监测系数,/>表示第n个退火炉的产品质量系数,/>表示第n个退火炉的保温系数,/>表示第n个退火炉的升温速率,/>表示第n个退火炉的降温速率,/>表示自然常数,/>表示第n个退火炉的产品质量系数权重因子;/>表示第n个退火炉的保温系数的权重因子;/>表示第n个退火炉的升温速率的权重因子;/>表示第n个退火炉的降温速率权重因子,ln为取对数函数。
进一步地,第n个退火炉的产品质量系数的生成逻辑如下:
通过摄像装置获取每个产品退火后的图像;以及提取预存于退火炉监测数据库中与产品对应的标准退火图像;
将产品退火后的图像作为第一退火图像;
将第一退火图像和标准退火图像均划分为G个区域,G为大于零的正整数;
将第一退火图像和标准退火图像相同位置区域的像素点进行逐一比较,并记录第一退火图像和标准退火图像存在的缺陷区域;
统计每个产品存在差异的缺陷区域的数量,得到缺陷区域总数;将缺陷区域总数标记为,第n个退火炉的生产周期标记为/>,并获取每个产品的退火图像区域总数G;
将缺陷区域总数,第n个退火炉的生产周期/>和每个产品的退火图像区域总数G进行公式化计算,以获得第n个退火炉的产品质量系数/>;公式如下:
;
式中,表示第n个退火炉的生产周期权重因子。
进一步地,获取第n个退火炉的保温特征数据,所述保温特征数据包括炉内密封度、炉内气氛压力/>和保温材料厚度/>;所述第n个退火炉的保温系数的计算公式为:
;
式中:表示第n个退火炉的炉内密封度,/>表示第n个退火炉的炉内气氛压力,表示第n个退火炉的保温材料厚度,/>表示第n个退火炉的炉内密封度权重因子,/>表示第n个退火炉的炉内气氛压力权重因子,/>表示第n个退火炉的保温材料厚度权重因子。
进一步地,获得m个异常退火炉的方法包括:
提取退火炉的预设温度系数梯度阈值和/>,其中/>>/>,将未来T时刻的温度监测系数/>与预设温度系数梯度阈值进行对比;
若>/>,则判定对应的退火炉为异常退火炉;
若,则判定对应的退火炉为正常退火炉;
若,则判定对应的退火炉为异常退火炉;
统计所有异常退火炉,以获得m个异常退火炉。
进一步地,获取异常退火炉的异常特征数据,包括:
101:在设定生产周期内,获取异常退火炉的退火运行组件,以及获取退火运行组件的温度数据;以温度数据中的时间为横轴,以温度数据中的温度值为纵轴,构建温度趋势图;
102:根据K个温度区间对温度趋势图进行等份划分,以获取K个实际温度折线图,所述获取K个实际温度折线图组成实际温度折线图集合;K为大于零的整数;
103:提取实际温度折线图集合中第d个实际温度折线图,d∈K,d的初始值为1;
104:获取退火运行组件的温度区间,提取温度区间相关联的标准温度折线图,计算实际温度折线图与标准温度折线图的相似度,若实际温度折线图与标准温度折线图的相似度大于等于第一预设相似阈值,则跳到步骤105;若实际温度折线图与标准温度折线图的相似度小于第一预设相似阈值,则将实际温度折线图标记为异常温度折线图,并跳到步骤105;
105:令d=d+1,并跳转回步骤103;
106:重复上述步骤103~105,直至d=K时,结束循环,得到A个异常温度折线图,A∈K;
107:提取每个异常温度折线图对应的相似度,将相似度最小的异常温度折线图进行傅里叶变换,以得到异常温度频谱图;
进一步地,获取异常退火炉的异常特征数据,还包括:
201:在设定生产周期内,获取异常退火炉的退火运行组件,以及获取退火运行组件的气氛压力数据;以气氛压力数据中的时间为横轴,以气氛压力数据中的气氛压力值为纵轴,构建气氛压力趋势图;
202:根据W个气氛压力区间对气氛压力趋势图进行等份划分,以获得W个实际气氛压力折线图,W个实际气氛压力折线图组成实际气氛压力折线图集合,W为大于零的整数;
203:提取实际气氛压力折线图集合中第f个实际气氛压力折线图,f∈W,f的初始值为1;
204:获取退火运行组件的对应气氛压力区间,提取对应气氛压力区间相关联的标准气氛压力折线图,计算实际气氛压力折线图与标准气氛压力折线图的相似度,若实际气氛压力折线图与标准气氛压力折线图的相似度大于等于第二预设相似阈值,则跳到步骤205;若实际气氛压力折线图与标准气氛压力折线图的相似度小于第二预设相似阈值,则将实际气氛压力折线图标记为异常气氛压力折线图,并跳到步骤205;
205:令f=f+1,并跳转回步骤203;
206:重复上述步骤203~205,直至f=W时,结束循环,得到B个异常气氛压力折线图,B∈W;
207:提取每个异常气氛压力折线图对应的相似度,将相似度最小的异常气氛压力折线图进行傅里叶变换,以得到异常气氛压力频谱图。
进一步地,根据异常特征数据确定异常退火炉的异常类型数据的方法包括:
获取异常退火炉的异常温度频谱图和异常气氛压力频谱图;
将异常温度频谱图和异常气氛压力频谱图输入第二机器学习模型中,以确定异常退火炉的异常组件,根据异常组件确定异常组件位置。
进一步地,确定异常退火炉的异常原因,包括:
301:根据异常组件与标准电流区间的预设关系,提取标准电流区间;所述标准电流区间最大标准电流和最小标准电流/>;
302:将实时电流数据集合中的个实时电流数据与标准电流区间进行比对,获取实时电流数据集合中大于最大标准电流/>的实时电流数据以及获取实时电流数据集合中小于最小标准电流/>的实时电流数据;
303:将大于最大标准电流的实时电流数据作为第一实时电流数据,以及将小于最小标准电流/>的实时电流数据作为第二实时电流数据;
304:分别统计第一实时电流数据和第二实时电流数据的个数,得到第一实时电流数据的总数和第二实时电流数据的总数;
305:将第一实时电流数据的总数和第二实时电流数据的总数进行比较,若第一实时电流数据的总数大于等于第二实时电流数据的总数,则获取第一实时电流数据的方差和平均值,并跳转到步骤306;若第一实时电流数据的总数小于第二实时电流数据的总数,则获取第二实时电流数据的方差和平均值,并跳转到步骤307;
306:将第一实时电流数据的方差作为第一方差,将第一实时电流数据的平均值作为第一平均值,将第一方差与多个异常原因关联的标准故障电流波动区间的标准方差进行比较,同时将第一平均值与多个异常原因关联的标准故障电流波动区间的标准平均值进行比较,若第一方差以及第一平均值均落入一个标准故障电流波动区间;将对应标准故障电流波动区间的对应异常原因作为异常退火炉的异常原因;
307:将第二实时电流数据的方差作为第二方差,将第二实时电流数据的平均值作为第二平均值,将第二方差与多个异常原因关联的标准故障电流波动区间的标准方差进行比较,同时将第二平均值与多个异常原因关联的标准故障电流波动区间的标准平均值进行比较,若第二方差以及第二平均值均落入一个标准故障电流波动区间;将对应标准故障电流波动区间的对应异常原因作为异常退火炉的异常原因;
308:若第一方差和第一平均值未落入一个标准故障电流波动区间则生成第一预警指令;若第二方差和第二平均值未落入一个标准故障电流波动区间则生成第二预警指令;当生成第一预警指令或第二预警指令时,则通知退火炉管理人员进行检查故障原因。
本发明的技术效果和优点:
本发明通过获取每个退火炉的温度监测系数,基于所述温度监测系数确定预定运行时间内的异常退火炉,然后获取异常退火炉的异常特征数据,根据异常特征数据确定异常退火炉的异常类型数据,基于异常类型数据与异常分析数据之间的预设关系,确定异常类型数据对应的异常分析数据,并根据异常组件位置采集异常组件在设定生产周期内的实时电流数据集合,基于实时电流数据确定异常退火炉的异常原因,有利于全面监测退火炉整个运行状态,并在发生故障时及时响应并确定发生故障的异常原因,降低了生产时间成本。
附图说明
图1为实施例1的***示意图;
图2为实施例1的第一退火图像和标准退火图像对比图;
图3为实施例1的温度折线图;
图4为实施例1的气氛压力折线图;
图5为实施例2的一种电子设备示意图;
图6为实施例3的一种计算机可读存储介质示意图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似的第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
实施例1
请参阅图1所示,本实施例公开提供了退火炉运行状态智能监控与故障诊断***,包括:
数据采集模块,用于获取第n个退火炉的温度监测系数时间序列集合,基于所述温度监测系数时间序列集合中的历史温度监测系数输入预构建的系数预测模型,预测出未来T时刻的温度监测系数;
需要说明的是,在目标工厂中设有n个退火炉,n为大于零的整数,在每个退火炉中均部署有退火运行组件,每个退火运行组件均在各自设定生产周期内执行自动化的产品退火工艺;所述退火炉中内置有多个传感器,所述退火炉安装有监控装置,所述传感器包括但不限于红外线温度传感器、压力传感器、湿度传感器和电流传感器等;
进一步地,获得温度监测系数时间序列集合的方法包括:
从退火炉数据库提取第n个退火炉的历史监测过程中的温度监测系数,并标记为历史温度监测系数,将提取的历史温度监测系数构建温度监测系数时间序列集合,温度监测系数时间序列集合包括i个历史温度监测系数,i个历史温度监测系数获取的时间间隔相等,i个历史温度监测系数对应一个退火炉的生产周期;生产周期可以为小时、日或周。
进一步地,所述系数预测模型的预构建逻辑为:根据退火炉工作人员的实际经验预设时间步长J、滑动步长H以及滑动窗口长度C;将温度监测系数时间序列集合中的历史温度监测系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为系数预测模型的输入,预测时间步长J后的温度监测系数作为输出,每个训练样本的后续温度监测系数作为预测目标,以预测准确率作为训练目标,对系数预测模型进行训练;生成根据温度监测系数时间序列集合中的历史温度监测系数预测未来T时刻温度监测系数的系数预测模型;其中,所述系数预测模型为RNN神经网络模型;通过使用温度监测系数时间序列集合,对n个退火炉的未来T时刻温度监测系数进行预测,从而实现基于未来T时刻的温度监测系数,预测待预测退火炉情况,从多方面进行温度监测系数预测;
需要说明的是,将温度监测系数时间序列集合划分为Z个大小相等的滑动窗口,将每个窗口内的温度监测系数作为一个样本,将该窗口未来T时刻的温度监测系数作为数字标签,需要说明的是,一个样本对应一个数字标签,且一个样本和对应的数字标签构成一个系数训练数据,将多组系数训练数据构成系数训练集;
进一步示例性说明的是,假设温度监测系数时间序列集合A包含10组历史温度监测系数,,/>为第/>组历史温度监测系数,使用滑动窗口构建多个训练样本,设置预测时间步长J为1,滑动窗口的长度H为5以及滑动步长C为1,则生成每个训练样本包含连续的5个历史温度监测系数,将连续的5个历史温度监测系数的下一个温度监测系数作为预测目标;例如:
作为系数训练数据,与其对应的预测目标为/>;
作为系数训练数据,与其对应的预测目标为/>;
以此类推,用于训练预测未来时刻的温度监测系数的系数预测模型。
在实施过程中,获取历史温度监测系数的方法包括:
获取第n个退火炉的温度特征数据;所述温度特征数据包括升温速率、产品质量系数和降温速率;
基于退火炉与保温系数的预设关系,提取每个退火炉的保温系数;
基于温度特征数据和保温系数进行无量纲化计算,以获取第n个退火炉的历史温度监测系数;其计算公式为:
;
式中:表示第n个退火炉的历史温度监测系数,/>表示第n个退火炉的产品质量系数,/>表示第n个退火炉的保温系数,/>表示第n个退火炉的升温速率,/>表示第n个退火炉的降温速率,/>表示自然常数,/>表示第n个退火炉的产品质量系数权重因子;/>表示第n个退火炉的保温系数的权重因子;/>表示第n个退火炉的升温速率的权重因子;/>表示第n个退火炉的降温速率权重因子,ln为取对数函数;
需要说明的是,在生产周期内,升温速率或降温速率的数值越大,产品质量系数或保温系数数值越小,温度监测系数越小,则说明退火炉的温度越不稳定,退火炉产生异常的可能性越大;反之,升温速率或降温速率的数值越小,产品质量系数或保温系数数值越大,温度监测系数越大,则说明退火炉的温度越稳定,退火炉产生异常的可能性越小;
其中,请参阅图2所示,第n个退火炉的产品质量系数的生成逻辑如下:
通过摄像装置获取每个产品退火后的图像;以及提取预存于退火炉监测数据库中与产品对应的标准退火图像;
将产品退火后的图像作为第一退火图像;
将第一退火图像和标准退火图像均划分为G个区域,G为大于零的整数;
将第一退火图像和标准退火图像相同位置区域的像素点进行逐一比较,并记录第一退火图像和标准退火图像存在的缺陷区域;
需要说明的是:所述第一退火图像和标准退火图像中划分区域的划分方式和区域的大小完全相同,然后将第一退火图像和标准退火图像中相同位置的区域进行逐一比较,若两个相同位置的区域存在差异的像素点超过预设的百分比,则判断两个相同部位的区域存在差异;
统计每个产品存在差异的缺陷区域的数量,得到缺陷区域总数;将缺陷区域总数标记为,第n个退火炉的生产周期标记为/>,并获取每个产品的退火图像区域总数G;
将缺陷区域总数,第n个退火炉的生产周期/>和每个产品的退火图像区域总数G进行公式化计算,以获得第n个退火炉的产品质量系数/>;公式如下:
;
式中,表示第n个退火炉的生产周期权重因子;
应当了解的是:第n个退火炉的产品质量系数越小,则说明该退火炉完成退火后的产品的质量越差;相反,第n个退火炉的产品质量系数越大,则说明该退火炉完成退火后的产品的质量越好;
其中,所述第n个退火炉的保温系数的获取方法包括:
获取第n个退火炉的保温特征数据,所述保温特征数据包括炉内密封度、炉内气氛压力/>和保温材料厚度/>;所述第n个退火炉的保温系数的计算公式为:
;
式中:表示第n个退火炉的炉内密封度,/>表示第n个退火炉的炉内气氛压力,表示第n个退火炉的保温材料厚度,/>表示第n个退火炉的炉内密封度权重因子,/>表示第n个退火炉的炉内气氛压力权重因子,/>表示第n个退火炉的保温材料厚度权重因子;
需要说明的是:第n个退火炉的保温系数越大,该退火炉的保温效果越好;第n个退火炉的保温系数越小,该退火炉的保温效果越差;所述第n个退火炉的炉内密封度、第n个退火炉的炉内气氛压力/>和第n个退火炉的保温材料厚度/>分别事先通过气体检测器、压力传感器和超声波测量获得的;
退火炉异常判断模块,用于预设温度系数梯度阈值,将未来T时刻的温度监测系数与预设温度系数梯度阈值进行对比,以获得m个异常退火炉;
在实施过程中,获得m个异常退火炉的方法包括:
提取退火炉的预设温度系数梯度阈值和/>,其中/>>/>,将未来T时刻的温度监测系数/>与预设温度系数梯度阈值进行对比;
需要说明的是:所述预设温度系数梯度阈值的计算过程与所述温度监测系数的生成过程相同,详情参照上文,且预设温度系数梯度阈值和/>由管理人员进行确定,在此对其不再过多赘述;
若,则判定对应的退火炉为异常退火炉;
若,则判定对应的退火炉为正常退火炉;
若,则判定对应的退火炉为异常退火炉;
统计所有异常退火炉,以获得m个异常退火炉。
异常分析模块,用于获取第m个异常退火炉的异常特征数据,根据异常特征数据确定异常退火炉的异常类型数据,基于异常类型数据与异常分析数据之间的预设关系,确定异常类型数据对应的异常分析数据,所述异常分析数据包括多个异常原因以及与多个异常原因关联的标准故障电流波动区间;所述异常类型数据包括异常组件和异常组件位置;
具体的,所述异常特征数据包括异常温度频谱图和异常气氛压力频谱图;
在一个具体实施方式中,获取异常退火炉的异常特征数据,包括:
101:在设定生产周期内,获取异常退火炉的退火运行组件,以及获取退火运行组件的温度数据;以温度数据中的时间为横轴,以温度数据中的温度值为纵轴,构建温度趋势图,请参阅图3所示;
102:根据K个温度区间对温度趋势图进行等份划分,以获取K个实际温度折线图,所述获取K个实际温度折线图组成实际温度折线图集合;K为大于零的整数;所述温度区间是由管理人员基于设定生产周期(加热阶段、保温阶段和冷却阶段)进行温度预先设定的;
103:提取实际温度折线图集合中第d个实际温度折线图,d∈K,d的初始值为1;
104:获取退火运行组件的温度区间,提取温度区间相关联的标准温度折线图,计算实际温度折线图与标准温度折线图的相似度,若实际温度折线图与标准温度折线图的相似度大于等于第一预设相似阈值,则跳到步骤105;若实际温度折线图与标准温度折线图的相似度小于第一预设相似阈值,则将实际温度折线图标记为异常温度折线图,并跳到步骤105;
需要说明的是:退火炉监测数据库中预存有多个温度区间,每个温度区间均关联有一个标准温度折线图,该标准温度折线图反映了退火炉在无故障情况下的正常温度;
105:令d=d+1,并跳转回步骤103;
106:重复上述步骤103~105,直至d=K时,结束循环,得到A个异常温度折线图,A∈K;
107:提取每个异常温度折线图对应的相似度,将相似度最小的异常温度折线图进行傅里叶变换,以得到异常温度频谱图;
应当了解的是:所述傅里叶变换具体为快速傅里叶变换或短时傅里叶变换中的一种;
在一个具体实施方式中,获取异常退火炉的异常特征数据,还包括:
201:在设定生产周期内,获取异常退火炉的退火运行组件,以及获取退火运行组件的气氛压力数据;以气氛压力数据中的时间为横轴,以气氛压力数据中的气氛压力值为纵轴,构建气氛压力趋势图,请参阅图4所示;
202:根据W个气氛压力区间对气氛压力趋势图进行等份划分,以获得W个实际气氛压力折线图,W个实际气氛压力折线图组成实际气氛压力折线图集合,W为大于零的整数;
203:提取实际气氛压力折线图集合中第f个实际气氛压力折线图,f∈W,f的初始值为1;
204:获取退火运行组件的对应气氛压力区间,提取对应气氛压力区间相关联的标准气氛压力折线图,计算实际气氛压力折线图与标准气氛压力折线图的相似度,若实际气氛压力折线图与标准气氛压力折线图的相似度大于等于第二预设相似阈值,则跳到步骤205;若实际气氛压力折线图与标准气氛压力折线图的相似度小于第二预设相似阈值,则将实际气氛压力折线图标记为异常气氛压力折线图,并跳到步骤205;
需要说明的是:每个电流区间还均关联有一个标准气氛压力折线图,该标准气氛压力折线图反映了退火炉在无故障情况下的正常气氛压力表征;
205:令f=f+1,并跳转回步骤203;
206:重复上述步骤203~205,直至f=W时,结束循环,得到B个异常气氛压力折线图,B∈W;
207:提取每个异常气氛压力折线图对应的相似度,将相似度最小的异常气氛压力折线图进行傅里叶变换,以得到异常气氛压力频谱图;
在实施过程中,根据异常特征数据确定异常退火炉的异常类型数据的方法包括:
获取异常退火炉的异常温度频谱图和异常气氛压力频谱图;
将异常温度频谱图和异常气氛压力频谱图输入第二机器学习模型中,以确定异常退火炉的组件,根据异常组件确定异常组件位置。
具体的,第二机器学习模型的生成逻辑为:获取预存于退火炉监测数据库中用于训练第二机器学习模型的第二历史特征数据,所述第二历史特征数据中包括异常温度频谱图、异常气氛压力频谱图和异常组件;将用于训练第二机器学习模型的第二历史特征数据划分为类型训练集和类型测试集,构建第二机器学习模型,将类型训练集中异常温度频谱图和异常气氛压力频谱图作为第二机器学习模型的输入,将类型训练集中的异常组件作为第二机器学习模型的输出,对第二机器学习模型进行训练,以获取初始第二机器学习模型;利用类型测试集对初始第二机器学习模型进行模型测试,筛选大于等于预设测试准确度的对应初始第二机器学习模型作为第二机器学习模型;
其中,所述第二机器学习模型包括但不限于长短期记忆网络模型、卷积神经网络模型或深度神经网络模型等;
需要说明的是,第二历史特征数据中一组异常温度频谱图与异常气氛压力频谱图对应退火炉内的一个异常组件,原因在于退火炉内的组件异常时,对温度和气氛压力造成的影响均不一样,因此每种组件异常时会对应一组异常温度频谱图与异常气氛压力频谱图,通过异常温度频谱图与异常气氛压力频谱图来确定异常组件,相对于现有技术中只通过烧嘴故障的单方面考虑,更加精准;
具体将异常温度频谱图、异常气氛压力频谱图与异常组件关联,可以由技术人员,在退火炉故障时,获取实时的异常温度频谱图与异常气氛压力频谱图,然后对退火炉进行检修,确定具体的异常组件,经过多次收集,获得多组异常温度频谱图与异常气氛压力频谱图对应的异常组件关联数据;
例如,当退火炉的退火运行组件异常时,对应的温度频谱图中出现突然的波动或异常峰值;在气氛压力频谱图中观察到与异常温度频谱图相对应的异常峰值或变化。
需要说明的是,异常组件包括r种异常组件名称,例如:退火运行组件(例如电阻器、电容器、线圈等)、电气组件或保温组件等,根据异常组件名称确定异常组件位置,具体可根据退火炉设计图纸获得对应异常组件的安装位置。
异常原因分析模块,根据异常组件位置采集异常组件在设定生产周期内的实时电流数据集合,基于实时电流数据确定异常退火炉的异常原因;所述实时电流数据集合包括多个实时电流数据;
在实施过程中,确定异常退火炉的异常原因,包括:
301:根据异常组件与标准电流区间的预设关系,提取标准电流区间;所述标准电流区间最大标准电流和最小标准电流/>;
需要说明的是:退火炉监测数据库中预存有多个在不同情况下(如生产周期和设备功率)的标准电流区间,每个标准电流区间反映了退火炉在无异常情况下的标准电流波动范围;
302:将实时电流数据集合中的个实时电流数据与标准电流区间进行比对,获取实时电流数据集合中大于最大标准电流/>的实时电流数据以及获取实时电流数据集合中小于最小标准电流/>的实时电流数据;
303:将大于最大标准电流的实时电流数据作为第一实时电流数据,以及将小于最小标准电流/>的实时电流数据作为第二实时电流数据;
304:分别统计第一实时电流数据和第二实时电流数据的个数,得到第一实时电流数据的总数和第二实时电流数据的总数;
305:将第一实时电流数据的总数和第二实时电流数据的总数进行比较,若第一实时电流数据的总数大于等于第二实时电流数据的总数,则获取第一实时电流数据的方差和平均值,并跳转到步骤306;若第一实时电流数据的总数小于第二实时电流数据的总数,则获取第二实时电流数据的方差和平均值,并跳转到步骤307;
306:将第一实时电流数据的方差作为第一方差,将第一实时电流数据的平均值作为第一平均值,将第一方差与多个异常原因关联的标准故障电流波动区间的标准方差进行比较,同时将第一平均值与多个异常原因关联的标准故障电流波动区间的标准平均值进行比较,若第一方差以及第一平均值均落入第一标准故障电流波动区间;将对应标准故障电流波动区间的对应异常原因作为异常退火炉的异常原因;
307:将第二实时电流数据的方差作为第二方差,将第二实时电流数据的平均值作为第二平均值,将第二方差与多个异常原因关联的标准故障电流波动区间的标准方差进行比较,同时将第二平均值与多个异常原因关联的标准故障电流波动区间的标准平均值进行比较,若第二方差以及第二平均值均落入第二标准故障电流波动区间;将对应标准故障电流波动区间的对应异常原因作为异常退火炉的异常原因;
308:若第一方差和第一平均值未落入对应的标准故障电流波动区间则生成第一预警指令;若第二方差和第二平均值未落入一个标准故障电流波动区间则生成第二预警指令;
进一步地,当生成第一预警指令或第二预警指令时,则通知退火炉管理人员进行检查故障原因。
需要说明的是,退火炉中有多个对温度敏感的退火运行组件(例如电阻器、电容器、线圈等),退火运行组件的运行状态都与电流特性紧密相关,当退火运行组件发生故障时,通过监测电流的异常变化相比电压的异常变化更容易直接反映退火运行组件的异常原因;本发明利用实时电流数据的方差落入的对应标准故障电流波动区间,是由于方差对电流数据的离散程度更加准确表征出电流波动性的变化,即使在瞬时的异常也能快速准确的分析出异常原因,有利于退火炉在运行过程中快速分析并及时反馈异常原因,便于管理人员及时调整,保证退火炉的正常运行。
本发明通过获取每个退火炉的温度监测系数,基于所述温度监测系数确定预定运行时间内的异常退火炉,然后获取异常退火炉的异常特征数据,根据异常特征数据确定异常退火炉的异常类型数据,基于异常类型数据与异常分析数据之间的预设关系,确定异常类型数据对应的异常分析数据,并根据异常组件位置采集异常组件在设定生产周期内的实时电流数据集合,基于实时电流数据确定异常退火炉的异常原因,有利于全面监测退火炉整个运行状态,并在发生故障时及时响应并确定发生故障的异常原因,降低了生产时间成本。
上述中涉及的公式均是去除量纲取其数值计算,是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得;权重因子的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于权重因子的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数;只要不影响参数与量化后数值的比例关系即可。
实施例2
请参阅图5所示,本实施例提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行实施例1的退火炉运行状态智能监控与故障诊断***。
实施例3
请参阅图6所示,本实施例提供了一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行实施例1的退火炉运行状态智能监控与故障诊断***。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.退火炉运行状态智能监控与故障诊断***,其特征在于,包括:
数据采集模块,用于获取第n个退火炉的温度监测系数时间序列集合,基于所述温度监测系数时间序列集合中的历史温度监测系数输入预构建的系数预测模型,预测出未来T时刻的温度监测系数;
退火炉异常判断模块,用于预设温度系数梯度阈值,将未来T时刻的温度监测系数与预设温度系数梯度阈值进行对比,以获得m个异常退火炉;
异常分析模块,用于获取第m个异常退火炉的异常特征数据,根据异常特征数据确定异常退火炉的异常类型数据,基于异常类型数据与异常分析数据之间的预设关系,确定异常类型数据对应的异常分析数据,所述异常分析数据包括多个异常原因以及与多个异常原因关联的标准故障电流波动区间;所述异常类型数据包括异常组件和异常组件位置;所述异常特征数据包括异常温度频谱图和异常气氛压力频谱图;
异常原因分析模块,用于根据异常组件位置采集异常组件在设定生产周期内的实时电流数据集合,基于实时电流数据确定异常退火炉的异常原因;所述实时电流数据集合包括多个实时电流数据。
2.根据权利要求1所述的退火炉运行状态智能监控与故障诊断***,其特征在于,获得温度监测系数时间序列集合的方法包括:
从退火炉数据库提取第n个退火炉的历史监测过程中的温度监测系数,并标记为历史温度监测系数,将提取的历史温度监测系数构建温度监测系数时间序列集合,温度监测系数时间序列集合包括i个历史温度监测系数,i个历史温度监测系数获取的时间间隔相等,i个历史温度监测系数对应一个退火炉的生产周期;生产周期为小时、日或周。
3.根据权利要求2所述的退火炉运行状态智能监控与故障诊断***,其特征在于,系数预测模型的预构建逻辑为:预设时间步长J、滑动步长H以及滑动窗口长度C;将温度监测系数时间序列集合中的历史温度监测系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为系数预测模型的输入,预测时间步长J后的温度监测系数作为输出,每个训练样本的后续温度监测系数作为预测目标,以预测准确率作为训练目标,对系数预测模型进行训练;生成根据温度监测系数时间序列集合中的历史温度监测系数预测未来T时刻温度监测系数的系数预测模型;其中,所述系数预测模型为RNN神经网络模型。
4.根据权利要求3所述的退火炉运行状态智能监控与故障诊断***,其特征在于,获取历史温度监测系数的方法包括:
获取第n个退火炉的温度特征数据;所述温度特征数据包括升温速率、产品质量系数和降温速率;
基于退火炉与保温系数的预设关系,提取每个退火炉的保温系数;
基于温度特征数据和保温系数进行无量纲化计算,以获取第n个退火炉的历史温度监测系数;其计算公式为:
;
式中:表示第n个退火炉的历史温度监测系数,/>表示第n个退火炉的产品质量系数,/>表示第n个退火炉的保温系数,/>表示第n个退火炉的升温速率,/>表示第n个退火炉的降温速率,/>表示自然常数,/>表示第n个退火炉的产品质量系数权重因子;/>表示第n个退火炉的保温系数的权重因子;/>表示第n个退火炉的升温速率的权重因子;/>表示第n个退火炉的降温速率权重因子,ln为取对数函数。
5.根据权利要求4所述的退火炉运行状态智能监控与故障诊断***,其特征在于,第n个退火炉的产品质量系数的生成逻辑如下:
通过摄像装置获取每个产品退火后的图像;以及提取预存于退火炉监测数据库中与产品对应的标准退火图像;
将产品退火后的图像作为第一退火图像;
将第一退火图像和标准退火图像均划分为G个区域,G为大于零的整数;
将第一退火图像和标准退火图像相同位置区域的像素点进行逐一比较,并记录第一退火图像和标准退火图像存在的缺陷区域;
统计每个产品存在差异的缺陷区域的数量,得到缺陷区域总数;将缺陷区域总数标记为,第n个退火炉的生产周期标记为/>,并获取每个产品的退火图像区域总数G;
将缺陷区域总数,第n个退火炉的生产周期/>和每个产品的退火图像区域总数G进行公式化计算,以获得第n个退火炉的产品质量系数/>;公式如下:
;
式中,表示第n个退火炉的生产周期权重因子。
6.根据权利要求5所述的退火炉运行状态智能监控与故障诊断***,其特征在于,获取第n个退火炉的保温特征数据,所述保温特征数据包括炉内密封度、炉内气氛压力/>和保温材料厚度/>;所述第n个退火炉的保温系数的计算公式为:
;
式中:表示第n个退火炉的炉内密封度,/>表示第n个退火炉的炉内气氛压力,表示第n个退火炉的保温材料厚度,/>表示第n个退火炉的炉内密封度权重因子,/>表示第n个退火炉的炉内气氛压力权重因子,/>表示第n个退火炉的保温材料厚度权重因子。
7.根据权利要求6所述的退火炉运行状态智能监控与故障诊断***,其特征在于,获得m个异常退火炉的方法包括:
提取退火炉的预设温度系数梯度阈值和/>,其中/>>/>,将未来T时刻的温度监测系数/>与预设温度系数梯度阈值进行对比;
若>/>,则判定对应的退火炉为异常退火炉;
若,则判定对应的退火炉为正常退火炉;
若,则判定对应的退火炉为异常退火炉;
统计所有异常退火炉,以获得m个异常退火炉。
8.根据权利要求7所述的退火炉运行状态智能监控与故障诊断***,其特征在于,获取异常退火炉的异常特征数据,包括:
101:在设定生产周期内,获取异常退火炉的退火运行组件,以及获取退火运行组件的温度数据;以温度数据中的时间为横轴,以温度数据中的温度值为纵轴,构建温度趋势图;
102:根据K个温度区间对温度趋势图进行等份划分,以获取K个实际温度折线图,所述获取K个实际温度折线图组成实际温度折线图集合;K为大于零的整数;
103:提取实际温度折线图集合中第d个实际温度折线图,d∈K,d的初始值为1;
104:获取退火运行组件的温度区间,提取温度区间相关联的标准温度折线图,计算实际温度折线图与标准温度折线图的相似度,若实际温度折线图与标准温度折线图的相似度大于等于第一预设相似阈值,则跳到步骤105;若实际温度折线图与标准温度折线图的相似度小于第一预设相似阈值,则将实际温度折线图标记为异常温度折线图,并跳到步骤105;
105:令d=d+1,并跳转回步骤103;
106:重复上述步骤103~105,直至d=K时,结束循环,得到A个异常温度折线图,A∈K;
107:提取每个异常温度折线图对应的相似度,将相似度最小的异常温度折线图进行傅里叶变换,以得到异常温度频谱图。
9.根据权利要求8所述的退火炉运行状态智能监控与故障诊断***,其特征在于,获取异常退火炉的异常特征数据,还包括:
201:在设定生产周期内,获取异常退火炉的退火运行组件,以及获取退火运行组件的气氛压力数据;以气氛压力数据中的时间为横轴,以气氛压力数据中的气氛压力值为纵轴,构建气氛压力趋势图;
202:根据W个气氛压力区间对气氛压力趋势图进行等份划分,以获得W个实际气氛压力折线图,W个实际气氛压力折线图组成实际气氛压力折线图集合,W为大于零的整数;
203:提取实际气氛压力折线图集合中第f个实际气氛压力折线图,f∈W,f的初始值为1;
204:获取退火运行组件的对应气氛压力区间,提取对应气氛压力区间相关联的标准气氛压力折线图,计算实际气氛压力折线图与标准气氛压力折线图的相似度,若实际气氛压力折线图与标准气氛压力折线图的相似度大于等于第二预设相似阈值,则跳到步骤205;若实际气氛压力折线图与标准气氛压力折线图的相似度小于第二预设相似阈值,则将实际气氛压力折线图标记为异常气氛压力折线图,并跳到步骤205;
205:令f=f+1,并跳转回步骤203;
206:重复上述步骤203~205,直至f=W时,结束循环,得到B个异常气氛压力折线图,B∈W;
207:提取每个异常气氛压力折线图对应的相似度,将相似度最小的异常气氛压力折线图进行傅里叶变换,以得到异常气氛压力频谱图。
10.根据权利要求9所述的退火炉运行状态智能监控与故障诊断***,其特征在于,根据异常特征数据确定异常退火炉的异常类型数据的方法包括:
获取异常退火炉的异常温度频谱图和异常气氛压力频谱图;
将异常温度频谱图和异常气氛压力频谱图输入第二机器学习模型中,以确定异常退火炉的异常组件,根据异常组件确定异常组件位置。
11.根据权利要求10所述的退火炉运行状态智能监控与故障诊断***,其特征在于,确定异常退火炉的异常原因,包括:
301:根据异常组件与标准电流区间的预设关系,提取标准电流区间;所述标准电流区间最大标准电流和最小标准电流/>;
302:将实时电流数据集合中的个实时电流数据与标准电流区间进行比对,获取实时电流数据集合中大于最大标准电流/>的实时电流数据以及获取实时电流数据集合中小于最小标准电流/>的实时电流数据;
303:将大于最大标准电流的实时电流数据作为第一实时电流数据,以及将小于最小标准电流/>的实时电流数据作为第二实时电流数据;
304:分别统计第一实时电流数据和第二实时电流数据的个数,得到第一实时电流数据的总数和第二实时电流数据的总数;
305:将第一实时电流数据的总数和第二实时电流数据的总数进行比较,若第一实时电流数据的总数大于等于第二实时电流数据的总数,则获取第一实时电流数据的方差和平均值,并跳转到步骤306;若第一实时电流数据的总数小于第二实时电流数据的总数,则获取第二实时电流数据的方差和平均值,并跳转到步骤307;
306:将第一实时电流数据的方差作为第一方差,将第一实时电流数据的平均值作为第一平均值,将第一方差与多个异常原因关联的标准故障电流波动区间的标准方差进行比较,同时将第一平均值与多个异常原因关联的标准故障电流波动区间的标准平均值进行比较,若第一方差以及第一平均值均落入一个标准故障电流波动区间;将对应标准故障电流波动区间的对应异常原因作为异常退火炉的异常原因;
307:将第二实时电流数据的方差作为第二方差,将第二实时电流数据的平均值作为第二平均值,将第二方差与多个异常原因关联的标准故障电流波动区间的标准方差进行比较,同时将第二平均值与多个异常原因关联的标准故障电流波动区间的标准平均值进行比较,若第二方差以及第二平均值均落入一个标准故障电流波动区间;将对应标准故障电流波动区间的对应异常原因作为异常退火炉的异常原因;
308:若第一方差和第一平均值未落入一个标准故障电流波动区间则生成第一预警指令;若第二方差和第二平均值未落入一个标准故障电流波动区间则生成第二预警指令;当生成第一预警指令或第二预警指令时,则通知退火炉管理人员进行检查故障原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174327.4A CN117725541B (zh) | 2024-02-07 | 2024-02-07 | 退火炉运行状态智能监控与故障诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174327.4A CN117725541B (zh) | 2024-02-07 | 2024-02-07 | 退火炉运行状态智能监控与故障诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725541A true CN117725541A (zh) | 2024-03-19 |
CN117725541B CN117725541B (zh) | 2024-04-16 |
Family
ID=90207298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410174327.4A Active CN117725541B (zh) | 2024-02-07 | 2024-02-07 | 退火炉运行状态智能监控与故障诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725541B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117978837A (zh) * | 2024-03-22 | 2024-05-03 | 山西辉能科技有限公司 | 一种电力数据采集传输方法及其*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220374325A1 (en) * | 2021-05-18 | 2022-11-24 | International Business Machines Corporation | Goal seek analysis based on status models |
CN115630266A (zh) * | 2022-10-08 | 2023-01-20 | 华电国际电力股份有限公司技术服务分公司 | 一种基于异动系数变化的火电厂壁温统计分析方法 |
CN116990479A (zh) * | 2023-09-27 | 2023-11-03 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、***、设备及介质 |
CN117270514A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于工业物联网的生产过程全流程故障检测方法 |
-
2024
- 2024-02-07 CN CN202410174327.4A patent/CN117725541B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220374325A1 (en) * | 2021-05-18 | 2022-11-24 | International Business Machines Corporation | Goal seek analysis based on status models |
CN115630266A (zh) * | 2022-10-08 | 2023-01-20 | 华电国际电力股份有限公司技术服务分公司 | 一种基于异动系数变化的火电厂壁温统计分析方法 |
CN116990479A (zh) * | 2023-09-27 | 2023-11-03 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、***、设备及介质 |
CN117270514A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于工业物联网的生产过程全流程故障检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117978837A (zh) * | 2024-03-22 | 2024-05-03 | 山西辉能科技有限公司 | 一种电力数据采集传输方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN117725541B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117725541B (zh) | 退火炉运行状态智能监控与故障诊断*** | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及*** | |
EP3270250B1 (en) | Method and system for remote monitoring of power generation units | |
CN114638280B (zh) | 基于本地设备网络的防爆电机轴承温度异常监测*** | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
CN108957385B (zh) | 一种电能计量设备自动化检定线异常表位确认方法及装置 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN108051364A (zh) | 一种epr核能电缆剩余寿命评估方法与预测epr核能电缆剩余使用寿命方法 | |
CN115950609B (zh) | 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 | |
CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
CN112685216A (zh) | 基于趋势分析的设备异常监测***及方法 | |
CN111145895A (zh) | 异常数据的检测方法及终端设备 | |
CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN115855165B (zh) | 一种用于火电设备的多维度精密点检方法及*** | |
CN117309624B (zh) | 一种感温电缆性能评价方法及*** | |
CN116738859B (zh) | 一种铜管在线无损寿命评估方法及*** | |
EP3923094A1 (en) | Inspection rate adaptation | |
CN117808052B (zh) | 基于真空环境机械臂负载自适应方法及*** | |
CN117093821B (zh) | 一种洗衣机能效、水效测定***和方法 | |
CN117787072A (zh) | 一种基于长短时记忆网络的电磁线圈绝缘退化监测方法 | |
Efremov et al. | Assessment of the sensors lifetime on the basis of test results | |
CN117972600A (zh) | 一种基于多维故障特征学习的风电机组关键部件异常探测方法 | |
CN118311363A (zh) | 变电站设备缺陷检测方法及*** | |
CN117969760A (zh) | 一种电池热失控气体的检测方法 | |
CN118243240A (zh) | 一种带电电缆的热缺陷检测***及方法 |
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 |