板带在线实时质量预测数据预处理技术

刘 博，王学敏

(宝山钢铁股份有限公司，上海 201900)

0 前言

在智慧制造大潮中，企业数字化转型是关键的一步。商业领域数字化应用较普遍，工业领域由于其工况的复杂性、不确定性以及对精度的高要求，导致数字化和数据应用的实施落后于商业领域。目前，各工业企业都在紧随智慧制造发展的大方向积极推进企业数字化和智能化的转型[1-3]。

生产装备的高度自动化、计算机的高性能、高存储以及高速发展的互联互通技术，为企业数字化提供条件，各大钢铁企业纷纷开展数据整合以推动工厂数字化转型，如中国的宝钢、美国的大河钢厂等。

在现有架构下，传统钢铁企业实现数字化转型是项复杂的、长期的巨大工程，不仅仅是实现各源数据的整合和存储，更重要的是如何从顶层设计来满足不同的应用需求，对数据进行有效预处理，进而开展各类不同的应用，以满足企业降本增效、提高质量、提高生产效率等需求。

钢铁企业是复杂的流程性工业，尽管利用生产数据分析进行设备状态监控、跟踪、诊断，优化工艺过程，实现了技术能力和产品质量的提升，但是传统的生产过程工艺数据利用程度较低，跨机组数据应用基本停留在事后的离线历史数据分析[4]。随着大数据技术的兴起与硬件处理速度的提高，在线大数据应用成为可能，实现了前后机组、前后工序数据的流动和传承，开展大数据应用与分析，对产品质量进行及时预警。本文提供了一种思路和方法，旨在将流动的数据进行匹配，用于产品质量的在线实时预警，尤其是最复杂的冷轧工序产品质量预测(如性能)。

1 确定目标与数据分析

不同的分析目标，所涉及的机组和数据项不同，有的分析需要跨机组数据，有的只用本机组数据即可，有的可能同时涉及工艺数据和设备状态数据，需要先根据不同的分析目标，结合行业经验和背景知识，确定数据项及其对应的工序和机组。

数据流动包含机组内各工序间的数据流动和跨机组的数据流动。钢铁生产工艺流程长且复杂，从炼铁、炼钢、连铸、热轧，到冷轧、连退、热镀锌等机组，实现全流程的数据流动。以炉号、卷号或材料号为关键字，实现前后机组的勾联与数据传承。

对于炼铁、炼钢、连铸，一炉钢对应一组数据，跟随炉号或卷号传递到下游机组；但对于热轧和冷轧，尤其是冷轧，由于板带较长，生产过程中，工艺数据和设备状态数据的波动会影响板带质量，因此，一卷一组数据不能满足精准的数据应用需求，需要将数据落位到板带相对应的具体位置，能够体现板带全长范围内的数据波动情况及其对质量的影响规律，高速连续生产的板带，经过某一工序时，利用机组内的带头跟踪仪或焊缝跟踪仪、以及机组内的计长编码器[5-9]，将该工序瞬时工艺和设备状态数据映射到板带具体位置，将数据与板带长度位置匹配起来，一组数据与板带位置呈一一对应关系，并跟随实物板带向下游工序、下游机组、甚至下游用户流动，下游可以利用传承过来的数据，开展各类应用。

2 在线数据预处理关键技术

利用大数据技术开展在线板带质量实时预测技术，表面上看，是利用时序数据开展实时质量预测(如性能)，但实际上，并非将实时采集上来的数据汇聚在一起，作为模型输入用以对板带质量进行预测那么简单。对板带质量进行实时预测(如板带机械性能)，实际上是对板带各个位置的质量进行预测，由于各设备安装空间位置不同，在线实时获得的各工序数据并非对应板带同一位置，如图1所示，因此实时获得的数据并非同一组数据，无法直接使用。

图1 高速生产的板带数据落位示意图

如图1所示，某热镀锌机组板带从右往左前进，开卷后，板带依次穿过焊机、退火炉各炉段、锌锅、平整机和拉矫机等设备。对于任一时刻，这些设备产生的瞬时数据并非对应板带同一位置。如焊机数据对应板带位置1,退火炉加热段对应板带位置2，退火炉均热段对应板带位置3，退火炉冷却段对应板带位置4，锌锅数据对应板带位置5，平整机数据对应板带位置6，拉矫机数据对应板带位置7。为了实时对板带各位置质量进行预测，首先需要将这些数据映射到板带物理位置上，每个物理位置对应一组数据，利用该物理位置的数据预测该位置的质量。

假设需要预测某位置的质量，如机械性能， 影响机械性能的工序包括退火炉(加热段、均热段、缓冷段和快冷段)、平整机和拉矫机，拉矫机是该机组影响性能的最后一道工序，那么，需要待该位置到达拉矫机后，才能搜集完该位置的全部数据，才能开始对该位置的性能进行预测。

但在数据采集时，采集到的实时数据是时序数据，不管是热轧还是冷轧，需要利用带头检测仪(如冷轧的焊缝跟踪仪)和计长编码器相结合，实时计算带头移动距离，定义为变量wplen，才能把实时采集到的数据与位置对应起来，且每个工序对应的实时wplen值不同。

如图2所示，假设需要预测距离带头wplen=100 m位置的性能，则需要收集完全部数据后，才能开始该位置的性能预测，假设：

T1时刻，带头离开退火炉加热段wplen=100 m位置时，对应的退火炉加热段工艺数据集为X1；

T2时刻，带头离开退火炉均热段wplen=100 m位置时，对应的退火炉均热段工艺数据集为Y1；

T3时刻，带头离开退火炉缓冷段wplen=100 m位置时，对应的退火炉缓冷段工艺数据集为Z1；

T4时刻，带头离开退火炉快冷段wplen=100 m位置时，对应的退火炉快冷段工艺数据集为K1；

T5时刻，带头离开平整机段wplen=100 m位置时，对应的平整机工艺数据集为N1；

T6时刻，带头离开拉矫机段wplen=100 m位置时，对应的拉矫机工艺数据集为P1；

当T6时刻采集到拉矫机数据后，即意味着获得了该位置wplen=100 m的性能预测所需要的全部工艺数据，此时可以开始该位置的性能预测。

图2 带头离开各工序100 m时各工序数据落位示意图

图2是距离带头100 m即wplen=100 m时的数据采集与匹配的情况，以此类推，可以获得wplen=L1，L2，L3，……，Ln时分别对应的数据集。

假设需要预测性能的各点距离带头的长度依次为：L1，L2，L3，L4，L5，……，Ln；

各位置所对应的退火炉加热段瞬时工艺数据集依次为：X1，X2，X3，X4，X5，……，Xn；

各位置所对应的退火炉均热段瞬时工艺数据集依次为：Y1，Y2，Y3，……，Yn；

各位置所对应的退火炉缓冷段瞬时工艺数据集依次为：Z1，Z2，Z3，……，Zn；

各位置所对应的退火炉快冷段瞬时工艺数据集依次为：K1，K2，K3，……，Kn；

各位置所对应的退火炉平整机瞬时工艺数据集依次为：N1，N2，N3，……，Nn；

各位置所对应的退火炉拉矫机瞬时工艺数据集依次为：P1，P2，P3，……，Pn；

以此类推，可得板带各长度位置所对应的相关工序数据集，每一行表示一组，对应板带一个位置，参考表1(部分数据格式样张)。

表1 各相关工序数据集样张

需要说明的是：采集数据时，采集到的数据是离散的，不同工序数据不一定落位在板带同一位置，但可以通过就近插值的方法统一长度位置。比如，变量X1和变量Y1在落位时不一定全部准确落位在L1位置，但可以利用就近插值的方法获得L1位置的对应值，进而获得如表1所示的矩阵。

当收集到L1位置的全部数据后，L1位置对应的数据集为一组，作为模型的输入，调用质量预测模型(如性能预测模型)，计算输出L1位置的性能值；

当收集到L2位置的全部数据后，通过调用性能预测模型，输出L2位置的性能值，可以在线实时显示L2位置的机械性能预测值。

……

依次类推，板带全长为Ln，当收集到Ln位置的全部数据后，通过调用质量预测模型(如性能)，输出Ln位置的性能值。

通过在线实时显示画面，可以将这些实时预测值呈显给操作人员，若出现异常则可以及时对工艺数据进行调整。

3 应用案例

对某热镀锌机组板带机械性能(含屈服强度、抗拉强度、延伸率)进行预测。

数据源1：前工序传承下来的数据，包含具体位置数据或整卷数据(含钢种、热轧温度等)。

数据源2：本机组各工序数据(含退火炉、平整机、拉矫机)。

对各源数据实施在线匹配，以米级精度(每米一组)在线实时对各点性能进行匹配和预测，匹配与预测结果见表2。

表2 在线性能实时预测结果展示

4 结论

本文创新点在于：改变过去时序数据的思维[10-20]。将时间和空间统一起来，基于质量与位置的实时对应关系，实现数据在线实时应用。带钢生产时，由于不同设备安装位置不同，因此同时取到的数据并不是对应带钢同一位置，若想预测带钢某个位置的性能，用同时取到的数据是不对的，需要对取到的时序数据做一定的转化和处理方可使用。本文提出的一种在线流式实时数据预处理方法，以板带长度位置为纽带，将相关数据匹配成一组数据集作为模型输入，然后调用模型计算，对板带质量进行在线实时预测，该方法实时性高，对于出现质量异常时，可以及时提示操作人员进行干预，避免大批量产品质量异常所带来的经济损失，改进了离线分析、事后处理的弊端，应用案例证明了该方法具有可实施性。