基于數(shù)字孿生的寬厚板軋機(jī)狀態(tài)智能識(shí)別技術(shù)研究

2024-03-20 04:18:14霍憲剛黃少文李新東

山東冶金 2024年1期

周平，楊恒，霍憲剛，黃少文，李新東

（1 山東鋼鐵集團(tuán)有限公司研究院，山東濟(jì)南 271104；2 萊蕪鋼鐵集團(tuán)銀山型鋼有限公司板帶廠，山東濟(jì)南 271104）

1 前言

鋼鐵制造領(lǐng)域大型關(guān)鍵設(shè)備數(shù)字化、智能化已成為重要研究方向，開展基于數(shù)字孿生的大型設(shè)備狀態(tài)智能識(shí)別、融合工藝和設(shè)備數(shù)據(jù)的故障診斷等關(guān)鍵共性技術(shù)研究，開發(fā)設(shè)備與工藝共享平臺(tái)，將對(duì)促進(jìn)鋼鐵制造設(shè)備的穩(wěn)定可靠運(yùn)行、精準(zhǔn)控制，低成本、高效率、高精度、柔性化生產(chǎn)高端鋼鐵產(chǎn)品提供技術(shù)支撐[1］。

寬厚板軋機(jī)由機(jī)械、電氣控制、液壓等系統(tǒng)組成，是產(chǎn)品成型軋制過程中大型關(guān)鍵核心設(shè)備，需要在“毫米”級(jí)、±5 ℃窄溫度波動(dòng)的工藝窗口內(nèi)，完成成品鋼板寬度、厚度和平直度的精準(zhǔn)控制，實(shí)現(xiàn)溫度和道次壓下控制等耦合工藝參數(shù)同步命中。軋機(jī)需要在交變沖擊載荷、低速循環(huán)重載、軋件持續(xù)高溫環(huán)境等工況下完成熱軋鋼板的高精度軋制，復(fù)雜多變因素制約設(shè)備控制精度提高，致使設(shè)備和工藝問題反復(fù)發(fā)生，從而最終影響到產(chǎn)品質(zhì)量和作業(yè)效率提升。據(jù)不完全統(tǒng)計(jì)，軋鋼生產(chǎn)中工藝、設(shè)備和原材料質(zhì)量原因引起的系統(tǒng)級(jí)故障占50%～60%，設(shè)備故障占30%～40%，其他故障合計(jì)不足10%，而在系統(tǒng)級(jí)故障中無法分清具體原因的占50%以上。因此，及時(shí)準(zhǔn)確識(shí)別軋機(jī)狀態(tài)，提升關(guān)鍵設(shè)備保障能力和產(chǎn)品質(zhì)量穩(wěn)定性成為亟待解決的問題。隨著數(shù)字孿生、大數(shù)據(jù)等新一代信息技術(shù)的發(fā)展，使軋機(jī)狀態(tài)智能精準(zhǔn)識(shí)別成為可能，本文以某鋼鐵企業(yè)寬厚板軋機(jī)為研究對(duì)象，開展基于數(shù)字孿生的軋機(jī)狀態(tài)智能識(shí)別技術(shù)研究和應(yīng)用，取得了顯著的應(yīng)用效果。

2 需求分析

（1）高負(fù)荷生產(chǎn)條件下，咬鋼、過鋼、空轉(zhuǎn)等高頻非穩(wěn)態(tài)過程對(duì)軋機(jī)沖擊非常大，設(shè)備、電氣、工藝、品種規(guī)格等耦合因素影響下的系統(tǒng)問題比例高，無法及時(shí)準(zhǔn)確獲得問題征兆（如軸承振動(dòng)值異常、工藝異常波動(dòng)）與問題類型（軸承損壞、鐮刀彎）之間的量化映射關(guān)系，系統(tǒng)級(jí)故障不能準(zhǔn)確定位，導(dǎo)致軋機(jī)設(shè)備損壞、抱輥、刮框、鐮刀彎等問題反復(fù)出現(xiàn)。

（2）軋機(jī)狀態(tài)及故障通常會(huì)受到設(shè)備、工藝和生產(chǎn)等多重因素的疊加影響，而目前多數(shù)企業(yè)軋機(jī)狀態(tài)分析將設(shè)備因素和工藝因素分割，僅根據(jù)旋轉(zhuǎn)部件振動(dòng)信號(hào)進(jìn)行簡(jiǎn)單分析，這對(duì)人工經(jīng)驗(yàn)依賴較大且研究方法單一傳統(tǒng)，與大數(shù)據(jù)、人工智能等技術(shù)融合不夠，在多源數(shù)據(jù)挖掘、軋機(jī)狀態(tài)特征提取等方面存在較大差距，一些未知風(fēng)險(xiǎn)和不確定性因素往往受到忽視，無法做到全生命周期的軋機(jī)設(shè)備狀態(tài)跟蹤。

（3）寬厚板產(chǎn)線需要適應(yīng)產(chǎn)量規(guī)模增大、品種規(guī)格復(fù)雜、軋制工藝多變等新發(fā)展要求，軋機(jī)設(shè)備可靠性、運(yùn)行精度對(duì)工藝質(zhì)量保證能力顯得尤為重要，而軋機(jī)狀態(tài)具有多因素、強(qiáng)耦合等特點(diǎn)，特別是在高溫、低速、重載等惡劣工況影響下，無法及時(shí)準(zhǔn)確掌握狀態(tài)并及時(shí)對(duì)異常情況做出處理，已表現(xiàn)出對(duì)軋制過程支撐力度不夠等問題。

綜上所述，為了保障寬厚板產(chǎn)線的穩(wěn)定高效生產(chǎn)，需要在對(duì)數(shù)據(jù)知識(shí)挖掘利用基礎(chǔ)上，開發(fā)“機(jī)理+數(shù)據(jù)”模型驅(qū)動(dòng)的軋機(jī)多時(shí)空尺度等模型，進(jìn)而構(gòu)建數(shù)字孿生體和狀態(tài)智能識(shí)別平臺(tái)，精準(zhǔn)在線識(shí)別軋機(jī)運(yùn)行狀態(tài)，有效解決軋制過程出現(xiàn)的鐮刀彎和刮框等異常問題，最終實(shí)現(xiàn)軋機(jī)全生命周期的設(shè)備狀態(tài)管理目標(biāo)[2］。

3 軋機(jī)數(shù)字孿生體構(gòu)建

3.1 多源數(shù)據(jù)知識(shí)規(guī)律挖掘

軋機(jī)狀態(tài)數(shù)據(jù)信息主要包括設(shè)備運(yùn)轉(zhuǎn)數(shù)據(jù)、工藝過程數(shù)據(jù)，這些數(shù)據(jù)來源于與軋制相關(guān)的不同系統(tǒng)，具有量綱多、級(jí)別大小不一、碎片化嚴(yán)重、數(shù)據(jù)間存在強(qiáng)耦合關(guān)系等特點(diǎn)。完成數(shù)據(jù)采集、分析處理，可以實(shí)現(xiàn)數(shù)據(jù)價(jià)值的深度利用，從而發(fā)掘其中的知識(shí)規(guī)律。

對(duì)軋機(jī)數(shù)據(jù)的分析需要完成數(shù)據(jù)分布和特征分析。數(shù)據(jù)變量的分布分析各變量的數(shù)據(jù)變化趨勢(shì)、機(jī)理特征、異常情況和不同變量間的關(guān)聯(lián)關(guān)系等，發(fā)掘其中的規(guī)律。以厚度數(shù)據(jù)與鐮刀彎數(shù)據(jù)為例，0～25 mm 鋼板厚度鐮刀彎絕對(duì)值約93%在0～100 mm，極個(gè)別接近200 mm；25 mm以上厚度鋼板鐮刀彎絕對(duì)值約7%在0～60 mm。通過分析得出，鋼板厚度越大，軋制過程也穩(wěn)定，鐮刀彎偏移量越小[3］。

特征分析是利用數(shù)據(jù)領(lǐng)域的相關(guān)知識(shí)來創(chuàng)建能夠使機(jī)器學(xué)習(xí)算法達(dá)到最佳性能的過程。為了有效屏蔽不同量綱、不同數(shù)據(jù)類型對(duì)算法效果的影響，分析過程使用了方差閾值法、相關(guān)性分析法、卡方檢驗(yàn)法和模型篩選法對(duì)數(shù)據(jù)特征進(jìn)行分析并選擇最終建模相關(guān)參量。

（1）方差閾值法是一種單變量特征選擇方法，用于衡量每個(gè)單獨(dú)變量中包含信息量的多少，可以過濾出信息量較少的特征。它顯示了分布是如何分散的，并顯示了平均距離的平方。在特征工程中主要關(guān)心該分布中實(shí)際包含的有用信息，方差越大越適合作為特征。

（2）相關(guān)性分析法分析每個(gè)變量和目標(biāo)變量之間的相關(guān)性，以及變量間的兩兩相關(guān)性，過濾出和目標(biāo)變量無關(guān)的變量，以及變量間高度相關(guān)的變量，表達(dá)兩變量線性相關(guān)程度及方向的統(tǒng)計(jì)指標(biāo)。特征選擇時(shí)通常計(jì)算各個(gè)特征值和目標(biāo)值的相關(guān)系數(shù)，選取相關(guān)性強(qiáng)的特征。

（3）卡方檢驗(yàn)專門針對(duì)離散型標(biāo)簽進(jìn)行相關(guān)性過濾，它計(jì)算每個(gè)非負(fù)特征和目標(biāo)標(biāo)簽之間的卡方值，取出與分類目標(biāo)無關(guān)的變量，獲得當(dāng)前統(tǒng)計(jì)量及更極端情況的概率P，如果當(dāng)前統(tǒng)計(jì)量大于P值，說明觀察值與理論值偏離程度太大，表示比較資料之間有顯著差異；否則就不能拒絕無效假設(shè)，不能認(rèn)為樣本所代表的實(shí)際情況和理論假設(shè)有差別?？ǚ綑z驗(yàn)的基本公式如下：

式中：A為觀察頻數(shù)（即觀察值），E為期望頻數(shù)。

（4）模型篩選法是一種特征選擇和算法訓(xùn)練同時(shí)進(jìn)行的方法，根據(jù)分類效果給出每個(gè)變量的特征重要程度得分。本研究中基于隨機(jī)森林模型做特征選擇，選擇該模型的優(yōu)勢(shì)在于它可以處理高維、稀疏的特征，避免傳統(tǒng)特征選擇方法對(duì)于維度災(zāi)難的困擾。隨機(jī)森林算法本質(zhì)是對(duì)決策樹算法的一種改進(jìn)，將多個(gè)決策樹合并在一起，每棵樹的建立依賴于一個(gè)獨(dú)立抽取的樣品，森林中的每棵樹具有相同的分布，分類誤差取決于每一棵樹的分類能力和它們之間的相關(guān)性。特征選擇采用隨機(jī)的方法去分裂每一個(gè)節(jié)點(diǎn)，然后比較不同情況下產(chǎn)生的誤差。能夠檢測(cè)到的內(nèi)在估計(jì)誤差、分類能力和相關(guān)性決定選擇特征的數(shù)目。

3.2 多尺度、多維度“機(jī)理+數(shù)據(jù)”模型開發(fā)

建立數(shù)字孿生體不僅要在多時(shí)空尺度上對(duì)軋機(jī)實(shí)體進(jìn)行建模，還要從幾何、物理、化學(xué)等多維度對(duì)軋機(jī)物理實(shí)體特征進(jìn)行映射，然后將形變力學(xué)/熱力學(xué)等理論與人工智能/大數(shù)據(jù)（神經(jīng)元網(wǎng)絡(luò)算法等）等技術(shù)融合后，對(duì)軋機(jī)設(shè)備的動(dòng)作機(jī)理與規(guī)律進(jìn)行深入研究，從而建立“機(jī)理+數(shù)據(jù)”驅(qū)動(dòng)的軋機(jī)多時(shí)空尺度模型，在時(shí)間尺度和空間尺度上全方位地精確描述出軋機(jī)軋制過程中主要設(shè)備的運(yùn)行狀態(tài)與物料流通的變化情況，全面映射出實(shí)際軋機(jī)軋制過程中輸出量與輸入量之間的準(zhǔn)確關(guān)系。

在空間幾何模型構(gòu)建過程中，可以采用基于三維激光掃描技術(shù)的掃描儀輔助完成。三維激光掃描技術(shù)對(duì)被測(cè)目標(biāo)的三維信息進(jìn)行采集，其測(cè)量步驟主要分為：測(cè)距、測(cè)角位移、掃描和定向。測(cè)距方法主要分為三角測(cè)距法、結(jié)構(gòu)光測(cè)距、脈沖測(cè)距法和相位測(cè)距法。

軋機(jī)數(shù)據(jù)模型構(gòu)建時(shí)，需要梳理明確狀態(tài)數(shù)據(jù)構(gòu)成，對(duì)數(shù)據(jù)信息進(jìn)行分類（見圖1），并基于神經(jīng)元網(wǎng)絡(luò)構(gòu)建軋制過程與數(shù)據(jù)間的數(shù)據(jù)驅(qū)動(dòng)模型，同時(shí)結(jié)合生產(chǎn)經(jīng)驗(yàn)以及專家經(jīng)驗(yàn)對(duì)數(shù)據(jù)進(jìn)行特征標(biāo)注，通過數(shù)據(jù)的反復(fù)迭代進(jìn)行優(yōu)化和調(diào)參，以提高模型的穩(wěn)定性和準(zhǔn)確性。

圖1 軋機(jī)狀態(tài)數(shù)據(jù)

3.3 軋機(jī)數(shù)字孿生體構(gòu)建

軋機(jī)數(shù)字孿生體是在靜態(tài)數(shù)據(jù)基礎(chǔ)上，融合生產(chǎn)過程工藝質(zhì)量、設(shè)備等動(dòng)態(tài)數(shù)據(jù)形成的數(shù)字孿生體。該孿生體需要以軋機(jī)本體入口側(cè)機(jī)架輥面為基準(zhǔn)面對(duì)軋機(jī)本體、壓下系統(tǒng)、支撐輥、工作輥、傳動(dòng)系統(tǒng)進(jìn)行部件級(jí)三維建模，其他部件和周邊環(huán)境進(jìn)行示意級(jí)三維建模。孿生體包含軋機(jī)物理模型、幾何模型、材料模型等多尺度、多維度集成模型，含有高維零件級(jí)設(shè)備三維模塊、部件級(jí)低維模塊和設(shè)備性能模塊，該模型能與設(shè)備同步映射，可實(shí)時(shí)反映軋機(jī)內(nèi)部結(jié)構(gòu)和狀態(tài)。數(shù)字孿生體通過設(shè)備數(shù)據(jù)和實(shí)時(shí)生產(chǎn)過程數(shù)據(jù)驅(qū)動(dòng)軋機(jī)高真度仿真，并建立設(shè)備運(yùn)行邏輯/工藝流程數(shù)據(jù)與模型的通信，完成與云平臺(tái)數(shù)據(jù)庫(kù)和傳感器的連接，形成虛實(shí)映射關(guān)系，實(shí)現(xiàn)對(duì)可視化模型的動(dòng)態(tài)驅(qū)動(dòng)[4］。壓下裝置孿生體構(gòu)建如圖2所示。

圖2 軋機(jī)壓下裝置孿生體

4 軋機(jī)狀態(tài)智能識(shí)別平臺(tái)開發(fā)

4.1 平臺(tái)架構(gòu)

軋機(jī)狀態(tài)智能識(shí)別平臺(tái)架構(gòu)包括數(shù)據(jù)層、服務(wù)層、應(yīng)用層（見圖3）。其中數(shù)據(jù)層采集設(shè)備數(shù)據(jù)、工藝數(shù)據(jù)及特征數(shù)據(jù)等數(shù)據(jù)；服務(wù)層完成特征提取、數(shù)據(jù)清洗、融合、智能診斷及查詢中轉(zhuǎn)等服務(wù)，構(gòu)建對(duì)象化的分析模型；應(yīng)用層將分析結(jié)果通過數(shù)據(jù)終端推送給相關(guān)的人員，滿足不同的使用需求，主要分為三維可視化應(yīng)用、軋機(jī)狀態(tài)分析、軋機(jī)狀態(tài)智能識(shí)別三類。以平臺(tái)為基礎(chǔ)完成軋機(jī)狀態(tài)可視化監(jiān)測(cè)、告警、分析和報(bào)告等功能，實(shí)現(xiàn)對(duì)軋機(jī)狀態(tài)精準(zhǔn)識(shí)別，大幅提高軋機(jī)狀態(tài)穩(wěn)定性。

圖3 狀態(tài)智能識(shí)別平臺(tái)整體架構(gòu)

4.2 數(shù)據(jù)流轉(zhuǎn)

平臺(tái)從生產(chǎn)控制系統(tǒng)、設(shè)備狀態(tài)系統(tǒng)、邊緣網(wǎng)關(guān)等設(shè)備采集數(shù)據(jù)，同時(shí)考慮到后續(xù)擴(kuò)充數(shù)據(jù)采集需求，預(yù)留數(shù)據(jù)采集接口和設(shè)備，為不影響生產(chǎn)數(shù)據(jù)效率，在中轉(zhuǎn)數(shù)據(jù)庫(kù)完成數(shù)據(jù)預(yù)處理；智能診斷系統(tǒng)融合設(shè)備數(shù)據(jù)、工藝數(shù)據(jù)、電氣參數(shù)等，實(shí)現(xiàn)模型建立、故障預(yù)判等功能，完成數(shù)據(jù)集成和轉(zhuǎn)化，為系統(tǒng)數(shù)據(jù)庫(kù)提供數(shù)據(jù)，并為平臺(tái)應(yīng)用和其他應(yīng)用提供相應(yīng)的服務(wù)；系統(tǒng)數(shù)據(jù)庫(kù)存儲(chǔ)設(shè)備配置、診斷模型、特征數(shù)據(jù)、業(yè)務(wù)相關(guān)數(shù)據(jù)等過程和結(jié)果的數(shù)據(jù)，直接為上層應(yīng)用提供數(shù)據(jù)服務(wù)；監(jiān)測(cè)平臺(tái)采用B/S架構(gòu)，直接面向用戶的訪問窗口，主要提供設(shè)備三維可視化等服務(wù)功能；考慮到功能完善和擴(kuò)展，在其他應(yīng)用中為系統(tǒng)深化應(yīng)用預(yù)留擴(kuò)展功能，如手機(jī)APP監(jiān)測(cè)、告警短信發(fā)送、郵件提示等[5］。

4.3 接口設(shè)計(jì)

平臺(tái)接口集成方式主要有：數(shù)據(jù)庫(kù)訪問、功能頁(yè)面連接、WebService 接口方式、HTTP 接口方式等。數(shù)據(jù)庫(kù)連接信息配置時(shí)需要指定數(shù)據(jù)源的數(shù)據(jù)庫(kù)類型、連接數(shù)據(jù)庫(kù)的必要信息（服務(wù)器地址、端口、服務(wù)名、用戶名、密碼）等。界面提供添加、修改、刪除、測(cè)試功能，添加時(shí)需要指定數(shù)據(jù)源對(duì)應(yīng)那個(gè)系統(tǒng)，刪除時(shí)需要判斷是否已經(jīng)有屬性定義使用了該數(shù)據(jù)源。

4.4 可視化展示

可視化平臺(tái)使用Python開發(fā)，采用B/S架構(gòu)，主要提供設(shè)備三維可視化、設(shè)備狀態(tài)監(jiān)測(cè)、專業(yè)圖譜分析、測(cè)點(diǎn)相關(guān)性分析、自動(dòng)診斷、告警管理、運(yùn)維管理、狀態(tài)分析報(bào)告等功能。

為了實(shí)現(xiàn)更精細(xì)、更精準(zhǔn)的綜合分析，開發(fā)軋機(jī)狀態(tài)分析系統(tǒng)，該系統(tǒng)包含全部采集信息，具有監(jiān)測(cè)、預(yù)警和分析功能。操作人員可對(duì)軋制過程有影響的因素進(jìn)行單獨(dú)分析，也可通過“拖、拉、拽”實(shí)現(xiàn)多因素在同一界面內(nèi)進(jìn)行綜合分析，并可配置和管理測(cè)點(diǎn)標(biāo)準(zhǔn)閾值、查看歷史測(cè)點(diǎn)圖譜、歷史告警信息，實(shí)現(xiàn)了數(shù)據(jù)自由組合和合適的圖譜類型選擇分析。同時(shí)該系統(tǒng)預(yù)留有設(shè)備監(jiān)測(cè)信息接口，可隨時(shí)接入設(shè)備振動(dòng)監(jiān)測(cè)信息與軋制過程信息進(jìn)行同步分析[6］。

5 結(jié) 論

5.1 針對(duì)軋機(jī)運(yùn)行過程中生產(chǎn)工藝問題分析及時(shí)性和準(zhǔn)確性不夠、多源數(shù)據(jù)挖掘分析模型欠缺等問題，深入分析運(yùn)行過程鋼種、精軋道次等數(shù)據(jù)特征，應(yīng)用大數(shù)據(jù)分析算法完成數(shù)據(jù)知識(shí)規(guī)律挖掘及特征提取，并使用神經(jīng)元網(wǎng)絡(luò)深度學(xué)習(xí)模型對(duì)各種生產(chǎn)數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析，完成了“機(jī)理+數(shù)據(jù)”的智能分析模型開發(fā)。

5.2 基于數(shù)字孿生技術(shù)成功開發(fā)軋機(jī)狀態(tài)智能識(shí)別系統(tǒng)，通過設(shè)備、生產(chǎn)過程實(shí)時(shí)數(shù)據(jù)的動(dòng)態(tài)驅(qū)動(dòng)，實(shí)現(xiàn)了軋機(jī)系統(tǒng)運(yùn)行狀態(tài)虛擬真實(shí)呈現(xiàn)，可直觀地展現(xiàn)運(yùn)行過程關(guān)鍵特征，生產(chǎn)人員可獲取并共享軋機(jī)運(yùn)行狀態(tài)信息，實(shí)現(xiàn)軋制過程的精準(zhǔn)管控。據(jù)不完全統(tǒng)計(jì)，系統(tǒng)應(yīng)用后軋制過程鐮刀彎和刮框等異常問題比例降低25%以上。