用于板坯的曲柄飞剪工艺的监测方法与流程

1.本发明涉及一种用于板坯的曲柄飞剪工艺的监测方法


背景技术：

2.曲柄飞剪工艺/设备是热轧生产线上常见且关键的工艺/设备。其独特的间歇旋转条件和较大的冲击载荷会导致许多失效模式的产生。从经济和生产角度来看，计划外停机将造成巨大损失。而且曲柄飞剪机的故障会造成巨大的经济损失和人员伤亡。但由于曲柄飞剪设备的特点，工作状态不稳定，瞬态冲击大，现有的基于电压和温度等的解决方案，不能很好地对该曲柄飞剪工艺和设备进行监测和诊断。因此，目前还不具备完善且有效的监测系统和方法。而且还没有针对曲柄飞剪区域监控的状态监控解决方案。通常采用人工抽查和过度预防性维护。


技术实现要素：

3.有鉴于此，本发明提供一种用于板坯的曲柄飞剪工艺的监测方法，包括：获取曲柄飞剪设备的控制系统的控制信号，并根据该控制信号确定曲柄飞剪工艺的剪切阶段；获得剪切阶段中的实际剪刃速度曲线，并根据实际剪刃速度曲线将剪切阶段进一步划分为多个子过程；获得与曲柄飞剪工艺相关的参数的实际数据，针对所述多个子过程中的一个或多个，分别将所述参数的实际数据与所述参数的典型数据进行比较，以估计异常风险。
4.根据本发明，在已经使用了几个基本传感器来检测一些关键部件的状态的情况下，同时还从iba系统中获得关键参数，且参数数据被用来确定和划分不同的阶段，包括切头阶段、切尾阶段和过渡过程。对于每个阶段，外部传感器数据和参数数据被组合以提取关键曲柄飞剪部件的关键指标和诊断规则。因此，本发明提供了针对曲柄飞剪机的一种新的解决方案，其对于金属热轧过程是非常重要的。
附图说明
5.图1是根据本发明优选实施例的针对切头阶段划分的多个子过程的示意图；
6.图2是根据本发明优选实施例的针对切尾阶段划分的多个子过程的示意图；
7.图3是根据本发明优选实施例的示例性监测方法流程图。
具体实施方式
8.曲柄飞剪是热轧的一个工艺段，处在粗轧和精轧之间，将粗轧后的高温板坯(例如钢坯)切割成整齐的一段。因为粗轧过程会使板坯的头部和尾部呈凸或者凹的形状，并不整齐。曲柄飞剪工艺可以将板坯头部和尾部的不平整部分切除。所以曲柄飞剪工艺通常包括切头阶段和切尾阶段这样的剪切阶段，以及在切头剪段和切尾间断之间的过渡阶段，其中切头阶段用于切掉板坯的头部，切尾阶段用于切掉板坯的尾部，在过渡阶段中板坯在曲柄飞剪设备中运动而不发生剪切。
9.对于曲柄飞剪过程来说，可以采用iba系统(其是本领域常用的工艺数据采集系统)或任何其他合适的工艺数据采集系统来获得与曲柄飞剪工艺相关的参数的数据。与曲柄飞剪工艺相关的参数例如包括但不限于：曲柄飞剪设备的控制信号、从例如iba系统这样的工艺数据采集系统及其传感器获得剪刃位置、板坯位置、剪刃速度、温度等信号、从曲柄飞剪设备的剪刃驱动装置的电机、齿轮箱、驱动轴和轴承等处获得的振动数据和电机电流数据、和/或从曲柄飞剪设备的润滑系统获得的润滑剂流量、润滑剂压力、润滑剂供应频率等润滑剂数据等。在一些现有技术中，基于振动和温度来监测曲柄飞剪设备和工艺是否正常。
10.但是在曲柄飞剪过程中，有时会出现不稳定且间歇的工况和较大瞬态载荷冲击的情况，这两种情况会导致传统的基于振动和温度的监测无效。因此，本发明提出了一种监测方法来解决这两个关键问题，且能用于检测曲柄飞剪工艺和设备的其他异常风险和故障原因。
11.根据优选实施例，本发明的监测方法包括基于剪刃剪切速度的精确工况分段方法，其可以包括后文所述的两个层次；和在分段之后，对与曲柄飞剪工艺相关的参数进行处理和监测，以判断异常风险，甚至确定故障原因。
12.首先，根据曲柄飞剪设备的控制系统(其例如是分布式控制系统)的控制信号确定曲柄飞剪工艺的剪切阶段，该剪切阶段例如包括如上所述的切头阶段和/或切尾阶段。所述控制信号例如是曲柄飞剪设备的启动/停止信号，根据该启动/停止信号，曲柄飞剪设备将自动实现剪刃驱动、板坯进给等复杂操作。因此，也可以说，控制信号规定了曲柄飞剪过程的时间序列。
13.其次，可以进一步获得剪切阶段中的实际剪刃速度曲线，并基于实际剪刃速度曲线，更精确地再次对剪切阶段进行进一步划分，如后文针对切头阶段和切尾阶段所述。实际剪刃速度曲线通过实际剪刃速度数据形成，该实际剪刃速度数据是在单次剪切过程中通过曲柄飞剪设备的工艺数据采集系统获得的，例如通过iba系统或任何其他合适的工艺数据采集系统实时获得。优选地，可以按一定的采样时间间隔来获取实际剪刃速度数据，例如每0.01s采集一次实际剪刃速度数据，进而获得所述实际剪刃速度曲线。
14.对于切头阶段，优选可以根据实际剪刃速度曲线将其进一步划分为以下多个子过程：1)加速准备过程、2)切入过程、3)切离过程、4)减速过程。具体说，在1)加速准备过程中，剪刃被曲柄飞剪设备的剪刃驱动装置加速并将要对板坯头部进行剪切；在2)切入过程中，剪刃接触并切入板坯；在3)切离过程中，剪刃切断板坯并从板坯离开；在4)减速过程中，高速运动的剪刃被减速，以用于下一次剪切。这种划分的一个例子如图1所示，其中纵坐标代表(m/s)，横坐标代表采样点数。可以理解，采样点数随时间增加而增加，因此也相当于一种时间序列。
15.应注意，因为在曲柄飞剪过程中板坯总是处于运动中，切头阶段结束后，为了避免剪刃阻挡板坯运动或者损伤板坯，需要快速抬起剪刃。而在切尾阶段，因为板坯会运动离开曲柄飞剪设备，所以在切尾阶段中，剪刃的运动与切头阶段中剪刃的运动有所不同。
16.因此，对于切尾过程，优选可以根据实际剪刃速度曲线将其进一步划分为以下多个子过程：1)剪刃准备过程、2)加速准备过程、3)剪切过程、4)减速过程。具体说，在1)剪刃准备过程中，剪刃进入准备剪切板坯尾部的位置(该位置通常较高，且在剪刃位置调整时会
出现与剪切方向相反的运动，故在图2的1)所指的部分会出现速度的负值)；在2)加速准备过程中，剪刃被剪刃驱动装置加速并将要对板坯尾部进行剪切；在3)剪切过程中，剪刃接触并切入板坯，随后切断并离开板坯；在4)减速过程中，高速运动的剪刃被减速，以用于下一次剪切或停止工作。这种划分的一个例子如图2所示。
17.根据本发明的原理，本领域技术人员可以理解，上述的剪切阶段(切头阶段和/或切尾阶段)的进一步详细划分目的是按曲柄飞剪工艺的特点将剪切阶段划分为特征化的多个子过程，每个子过程对应不同的剪刃行为或动作。因此，还应理解，对于不同的板坯、剪切目的、工艺条件、曲柄飞剪设备本身的特点等可以按不同的方式对剪切阶段进行子过程划分，而不限于上述的子过程。例如可以划分出不同数量的子过程，按不同的时间间隔来划分子过程等。还应理解，尽管本发明针对切头阶段和切尾阶段这两个剪切阶段进行了子过程划分并施加后文所述的监测方法，但根据需要可以仅针对切头阶段进行子过程划分并施加监测方法，也可以仅针对切尾阶段进行子过程划分并施加监测方法。
18.在如上所述地划分了曲柄飞剪过程的剪切阶段及其子过程后，可以进一步针对已获得的与曲柄飞剪工艺相关的参数的实际数据，并针对所述多个子过程中的一个或多个，分别将所述参数的实际数据与所述参数的典型数据进行比较，以估计异常风险。
19.根据本发明的研究，剪刃实际速度、剪刃驱动装置的振动数据、润滑系统的润滑剂数据、剪刃驱动装置的电机的电流数据通常对曲柄飞剪设备或工艺的故障监测和判断来说有重要作用。下文也将针对这些参数的来描述根据本发明的监测方法。
20.根据本发明的一实施例，优选利用聚类分析方法来确定典型曲柄飞剪工艺条件，并根据该典型曲柄飞剪工艺条件获得与曲柄飞剪工艺相关的所述参数的典型数据。例如利用一定的历史数据(例如常用3个月的数据)，对板坯在曲柄飞剪工艺中的操作条件进行聚类分析，该操作条件包括但不限于板坯运动速度、板坯材料、加工温度、板坯厚度等变量。另外，还可以在这些变量输入之前，对这些变量做归一化处理，将所有变量归一化到[0,1]之间。聚类分析的结果将得到多个比较稳定的典型工艺类。不同的工艺类对应于不同的板坯条件，因此可以确定所述与曲柄飞剪工艺相关的所述参数的典型数据。例如，可以基于曲柄飞剪设备的控制信号、来自iba这样的工艺数据系统或其他额外传感器的历史数据来获得的所述参数的典型数据。随后，可以根据不同的板坯条件构建不同的异常检测模型(如下所述)。在本发明中采用的具体聚类算法可以是任何一种常用的聚类分析算法，包括但不限于k-means,dbscan，birch等。
[0021]
异常检测方法用于针对如上获得的不同的板坯条件来独立构建异常检测模型，异常检测模型的输入是不同板坯条件下的正常工艺波动数据(即没有设备及工艺故障的情况下的数据)。通常需要1～3个月的正常工艺波动数据，该数据可以用于构建正常工艺条件下的数据分布模型。基于该分布模型还可以识别设备状态的概率，当小概率的设备状态发生时，则检测为异常。
[0022]
使用异常检测模型进行异常检测和故障判断的示例性方法步骤例如包括：首先对所获得的与曲柄飞剪工艺相关的参数的实际数据进行预处理；随后将所有数据与如上所述的切头阶段和/或切尾阶段的子过程按时间进行同步，并针对所有的切头阶段和切尾阶段中不同的子过程1)～4)将所述参数的实际数据做归一化处理，即将所述参数的实际数据按时间尺度进行同步处理，以与剪切阶段及其子过程正确对应；然后基于已获得的所述参数
的典型数据，计算所述参数的实际数据与典型数据之间的偏差。应理解，任何偏差向量的距离计算方法都可以作为偏差的计算方法，例如欧式距离、向量余弦、k-l散度等。
[0023]
进一步优选地，多个子过程的偏差向量还可以进行组合，以得到异常检测的特征向量。例如偏差的特征向量的形状和方向可以代表偏差模式。例如，在得到如上所述的切入过程和切离过程中的偏差模式后，还能区分出剪刃磨损和不良剪切故障。
[0024]
最后，还可以基于异常检测特征向量构建异常检测模型，包括简单的阈值模型、趋势阈值模型、和基于多参数异常诊断的模型，如one class model,mset(multivariate state estimation technique)等等。
[0025]
对于不稳定且间歇工况来说，可以通过对剪刃速度进行如上所述的划分和处理，来检测并判断异常风险，甚至可以确定故障原因。具体说，将实际剪刃速度曲线作为如上所述的方法中的所述参数的实际数据，而将典型剪刃速度曲线作为所述参数的典型数据。
[0026]
所述典型剪刃速度曲线一般可以通过剪刃的驱动控制信号获得，例如可以根据用于控制剪刃速度的驱动信号获得控制参考曲线以作为典型剪刃速度曲线；或者在没有这种控制参考曲线的情况下，也可以根据历史数据和经验计算得到针对某些工况的典型剪刃速度曲线，例如通过多次平均等方法获得。这种典型剪刃速度曲线代表了在正常工况下剪刃应遵循的速度曲线。
[0027]
所述实际剪刃速度曲线强烈依赖于被加工的板坯的操作条件，如板坯材料、温度、运动速度、厚度等。采用如上所述的聚类分析方法和异常检测法，可以针对所述多个子过程分别获得实际剪刃速度曲线与典型剪刃速度曲线之间的偏差，从而估计异常风险。而且还可以通过与正常状态下的剪刃速度偏差分布进行比较来具体计算出异常风险。所述正常状态下的剪刃速度偏差分布是指在没有设备和工艺故障的情况下的正常速度偏差波动的概率分布。当有设备或工艺存在故障时，实际剪刃速度曲线和典型剪刃速度曲线将存在显著偏离这种正常偏差波动的异常偏差，进而可以根据这种异常偏差来计算异常风险，设置确定故障原因。因此，可以说，实际剪刃速度曲线与典型剪刃速度曲线之间的偏差反映了曲柄飞剪设备和工艺故障的整体系统性响应。
[0028]
对于较大瞬态冲击的情况，本发明还提出将上述的曲柄飞剪过程的划分与剪刃驱动装置振动的检测相结合，来进行故障诊断。
[0029]
根据一优选实施例，例如，在剪刃驱动装置的适当位置安装振动传感器，以获得相关部件的振动数据。曲柄飞剪设备的剪刃驱动装置通常包括驱动电机、齿轮箱和驱动轴等，因此可以在驱动电机、齿轮箱和/或驱动轴处安装振动传感器，以获得相关部件的振动数据。进一步优选地，振动传感器还可以安装在剪刃驱动装置的齿轮箱高速轴上，使得振动传感器的安装位置远离剪切区域。应理解，该振动数据例如包括但不限于所有振动相关的原始数据和经提取的特征数据，如加速度频率、包络频率、振幅、故障频率等。
[0030]
在这种情况下，如上所述的方法中的所述参数的实际数据还包括来自剪刃驱动装置的实际振动数据，所述参数的典型数据包括典型振动状态监测指标。进而，采用如上所述的聚类分析方法和异常检测法，可以针对所述多个子过程获得所述实际振动状态监测指标与所述典型振动状态监测指标之间的偏差。
[0031]
具体说，振动数据采集过程需要与分布式控制系统按时间同步，从而利用这种同步技术，可以将实际振动数据与如上所述的剪切阶段及其子过程相对应。进而，利用剪切阶
段及其子过程中的振动数据，并通过对振动数据进行分析来获得与设备和工艺故障相关的振动状态监测指标。该振动状态监测指标例如包括但不限于：总振动、振动峰峰值、齿故障频率、轴承故障频率、驱动电机的转速、振动波形包络谱(env)及其振动谐波等。因此，与坚韧速度参数类似，根据如上所述的方法，可以获得正常状态下的典型振动状态监测指标。进而，将实际振动状态监测指标与典型振动状态监测指标进行比较，可以获得二者之间的偏差。
[0032]
例如，利用切头阶段的切入过程中的峰峰值来监测瞬态冲击。又例如，可以利用env在切头阶段和/或切尾阶段的减速过程中的特殊偏差模式来监测齿轮箱和电机中的齿轮齿和轴承的故障。
[0033]
根据本发明的进一步优选实施例，例如根据需要，还可以收集与曲柄飞剪工艺相关的各种其他参数，例如从针对各种其他部件额外设置的传感器获得额外参数的数据，并参照上述聚类分析方法和异常监测方法针对这些数据进行处理并获得相关参数的实际数据与典型数据之间的偏差，按照相应的逻辑来估计异常风险和确定准确的故障原因。
[0034]
例如，可以类似地针对润滑剂数据和剪刃驱动装置的电机电流数据进行监测。优选地，可以额外测量润滑剂注入量、润滑剂高低压力、和/或润滑剂供给频率等，以用于结合上述速度偏差来识别曲柄轴承的潜在故障。例如，还可以将实际剪刃速度曲线的形状和电机的估计驱动功率(通过电机电流计算)相结合来估计出典型的剪切载荷，以用于故障判断。
[0035]
具体说，与针对剪刃速度和振动数据所实施的方法类似，根据一优选实施例，所述参数的实际数据还包括来自曲柄飞剪设备的润滑系统的实际润滑剂数据，该实际润滑剂数据包括润滑剂流量、润滑剂压力、和/或润滑剂供应频率，所述参数的典型数据包括润滑系统的典型润滑剂状态监测指标，即在正常状态下润滑剂流量、润滑剂压力、和/或润滑剂供应频率等的典型值。因此，针对润滑剂数据的监测方法包括：将所述实际润滑剂数据与所述多个子过程按时间进行同步；根据所述实际润滑剂数据获得实际润滑剂状态监测指标；针对所述多个子过程将所述实际润滑剂状态监测指标与所述典型润滑剂状态监测指标进行比较，以获得二者之间的偏差。
[0036]
根据又一优选实施例，与针对剪刃速度和振动数据所实施的方法类似，所述参数的实际数据还包括来自曲柄飞剪设备的剪刃驱动装置的电机的实际电流数据，而所述参数的典型数据包括典型电流状态监测指标，即在正常状态下电机电流的典型值。因此，针对电流数据的监测方法包括：将所述实际电流数据与所述多个子过程按时间进行同步；根据所述实际电流数据获得实际电流状态监测指标；针对所述多个子过程将所述实际电流状态监测指标与所述典型电流状态监测指标进行比较，以获得二者之间的偏差。
[0037]
图3示意性地示出了根据本发明优选实施例的示例性曲柄飞剪监测方法的流程图，该监测方法合并了如上所述的针对不稳定且间歇工况和较大瞬态载荷冲击等情况的故障监测。
[0038]
具体地，在步骤s1从iba系统或任何其他曲柄飞剪工艺数据采集系统和相关传感器(例如振动传感器、润滑剂传感器、电流传感器等)获取相关参数的实际数据，例如如上所述的控制信号、振动数据、剪刃速度数据、润滑剂数据、电机电流数据等。在步骤s2，对相关参数的实际数据进行数据清理，以删除掉异常数据，并用插值方法将数据补充完善，随后对
所述参数的实际数据进行如上所述的同步处理。在步骤s3，根据实际剪刃速度数据获得实际剪刃速度曲线，并据此确定切头阶段和/或切尾阶段的子过程。在步骤s4，通过如上所述的聚类方法确定针对被加工板坯的工艺类，进而确定相关参数的典型数据。在步骤s5，构建异常检测模型，从而计算切头阶段和/或切尾阶段的不同子过程中相关参数的实际数据与典型数据之间的偏差，进而还可以获得如上所述的偏差向量，随后还可以根据偏差/偏差向量来估计异常风险，和/或根据偏差向量对应的偏差模式来估计故障原因。
[0039]
应理解，尽管以上的步骤是按照s1-s5的顺序进行，但在其他优选实施例中，根据设备和工艺等的实际需求，可以省略、添加、改变步骤及其顺序。例如步骤s3和步骤s4之间没有严格的顺序关系，二者可以互换或并行进行。
[0040]
下表给出了根据本发明的示例性监测方法的故障诊断表。可见，根据不同阶段/子过程的偏差模式/状态监测指标等，可以准确地识别故障原因。
[0041][0042][0043]
应理解，根据本发明的原理，可以基于不同客户、设备、工艺的飞剪过程的差异来根据需要调整详细的飞剪过程分段。如上的故障诊断表仅是一种实例，可以根据机器零件及其所选的附加传感器的进行调整。
[0044]
本发明实现许多优点。首先，实现了曲柄飞剪区域状态监测与诊断。第二，本发明的原理也可以按比例放大以开发用于整个热轧机工艺设备的解决方案。第三，本发明的方法也可以被调整以适合需要过程数据和状态监控数据组合的其他应用。第四，可以监控曲柄飞剪刀剪刃的寿命，建议合适的更换时间，这有助于减少系统的停机时间，否则会造成巨大的维护成本。
[0045]
上文中参照优选的实施例详细描述了本公开所提出的方案的示范性实施方式，然而本领域技术人员可理解的是，在不背离本公开理念的前提下，可以对上述具体实施例做出多种变型和改型，且可以对本公开提出的各种技术特征、结构进行多种组合，而不超出本公开的保护范围，本公开的保护范围由所附的权利要求确定。