精轧机异常工况检测系统设计与实现

摘要

随着大数据、人工智能、物联网等技术发展，钢铁企业积极开展智能制造，以实现产业升级。设备智能运维作为智能制造核心要素，其目的是保证设备可靠运行，合理降低维护维修投入。热轧产线关键设备复杂度高、自动化程度高且造价高昂，生产中伴随着高温、高速、高粉尘，给设备运维带来了巨大挑战。传统设备运维主要依赖于点检运维和定期维修。点检运维工作不但不能实时掌控生产工况，而且恶劣环境影响点检人员的安全与健康；而定期维修存在着维护不足和维护过度，浪费大量资源。热于热轧产线关键设备精轧机的工况监测与维护尤为重要。　　采集精轧机工况参数，进行实时监测，结合工艺和故障诊断技术分析产线异常，将传统设备运维方式转化为以数据驱动运维方式。本文基于堆叠LSTM建立时序异常检测模型，实现对精轧机工况参数自动检测，并对精轧机系统结构进行层次划分，实现了精轧机结构与状态信息集成与建模，结合生产工艺设计了精轧机异常工况检测系统。本文主要研究内容如下：　　①基于堆叠LSTM的异常检测方法研究。以LSTM神经网络理论为基础，针对工业生产中异常样本少的情况下，提出了基于堆叠LSTM无监督异常检测方法。以精轧机主电机产生的振动时序数据作为研究对象，首先对正常样本进行学习，提取时序数据内在分布与趋势特征，然后计算预测残差并构建异常检测指标，最后通过实验验证该算法的有效性。　　②精轧机异常处理方法研究。本文以精轧机作为研究对象，分析了精轧机结构与工艺，将精轧机系统参数进行分层，每个参数作为一个节点，并对节点的位置、属性、状态、异常传播方向、异常程度信息进行集成，并建立节点与节点之间的抽象模型。通过节点定位与异常追踪，提出了层次异常处理方法。　　③精轧机异常工况检测系统设计与实现。根据需求和热轧工艺设计了精轧机系统异常工况检测系统总体架构。该系统包括工况监测、异常检测、故障诊断、根因分析等模块，可以实现数据采集与传输，工况异常检测，旋转设备振动监测与故障诊断，轧机状态综合评估等功能。

目录

1 绪论

1.1研究背景及意义

1.2国内外研究现状

1.2.1设备健康管理技术研究现状

1.2.2基于时间序列的异常检测研究现状

1.2.3信息集成与建模研究现状

1.3 设备健康管理技术应用现状

1.4 论文章节安排

1.5本章小结

2 基于时间序列的精轧机工况异常检测

2.1引言

2.2异常检测

2.2.1数据集介绍

2.2.2异常检测方法选择

2.2.3基于预测的异常检测

2.3基于堆叠LSTM的时序异常检测方法

2.3.1基于堆叠LSTM的时序异常检测算法设计

2.3.2时序预测模型构建

2.3.3异常检测算法设计

2.4.1实验环境

2.4.2数据预处理

2.4.3预测模型训练

2.4.5结果分析

2.5本章小结

3 精轧机信息集成建模及异常处理分析

3.1引言

3.2.1精轧机系统及元件

3.2.2精轧机常见故障及原因

3.3精轧机系统信息集成与建模

3.3.1精轧机系统层次划分

3.3.2状态信息集成与建模

3.4 精轧机系统异常处理与分析

3.4.1精轧机主电机状态传播与评估举例

3.4.2精轧机主电机异常处理方法与分析举例

4.4本章小结

4 精轧机异常工况检测系统设计与实现

4.1热轧工艺介绍

4.2需求分析

4.3 精轧机异常工况检测系统总体设计

5.3.1数据采集层

5.3.2数据存储与处理层

5.3.3系统层

5.3.4业务层

4.4.1测点配置

4.4.2系统硬件网络架构

4.4.3基础数据采集

4.4.4基础数据传输

4.5.1软件架构设计

4.5.2数据库设计

4.6.1精轧机系统全局看板

4.6.2精轧机工况异常检测

4.6.3旋转部件振动监测与分析

4.6.4轧机状态综合评估

4.7本章小结

5 总结与展望

5.1工作总结

5.2展望

参考文献

附录

A. 作者在攻读学位期间参加的科研项目目录

B. 学位论文数据集

致谢