CN109996615B - 轧制设备的异常诊断方法及装置 - Google Patents

Abstract

本发明提供轧制设备的异常诊断的方法及装置。本发明的轧制设备的异常诊断装置与按照时间序列收集并记录轧制设备的工艺数据的数据收集装置连接，基于数据收集装置所记录的数据对轧制设备的异常进行诊断。异常诊断装置至少具备数据提取部、判断部以及判断结果评价部。数据提取部从数据收集装置所记录的数据中提取与同一轧制制品对应的数据。判断部判断所提取出的数据是否处于由蓄积于第1数据库的正常数据组规定的正常范围内。判断结果评价部基于与所提取出的数据对应的轧制制品的轧制结果对判断部的判断结果进行评价。详细地说，在判断部的判断结果与轧制结果不匹配的情况下，判断结果评价部对规定正常范围的判断基准进行变更。

Description

轧制设备的异常诊断方法及装置

技术领域

本发明涉及对金属材料进行轧制而制造轧制制品的轧制设备的异常诊断方法及装置。

背景技术

近年来，顾客对轧制制品要求的规格越来越严格。尤其是，除了轧制制品的尺寸形状之外，使强度以及延展性等机械性质收敛到允许范围内，在满足顾客所要求的规格方面变得重要。但是，在热轧中，还没有对机械性质进行直接控制。由于机械性质与轧制时的温度履历密切相关，因此现状是通过轧制时的温度信息来间接地管理机械性质。

通过自动化的设备来控制轧制制品的尺寸形状、温度，以保持所需要的精度。但是，在实际情况下，轧制制品的尺寸形状、温度被设备的维护状态较大地影响。尤其是在设备维修员的人员不足的情况下，有时因维护延迟而对轧制制品的品质造成不良影响。因此，期望构建对轧制时的工艺数据进行监视而自动地判断异常状态的结构。例如，在日本专利5158018号中提出了如下内容：根据设备的时间序列数据来检测其特征量，并根据与过去的异常现象相比较特征量是否类似来判断异常状态。

在上述公报所记载的方法中，为了进行正确的诊断而需要预先蓄积过去的异常现象。但是，对于事先收集异常现象及其特征量来说存在极限。当以热轧生产线为例时，来自设备以及传感器的信号数量达到几万个。另一方面，发生异常现象的频率不太高。因此，收集异常现象及其特征量需要大量的劳力。进一步说，为了收集异常现象及其特征量需要对异常现象进行定义，因此无法应对未知的异常现象。

现有技术文献

专利文献

专利文献1：日本专利第5158018号

发明内容

发明要解决的课题

本发明是鉴于上述那样的课题而完成的，提供在轧制装置的异常诊断中，无需为了高精度的异常诊断而预先蓄积过去的异常现象的数据，且还能够应对未知的异常的方法以及装置。

用于解决课题的手段

本发明的轧制设备的异常诊断方法为，通过数据收集装置按照时间序列收集并记录轧制设备的工艺数据，基于数据收集装置所记录的数据对轧制设备的异常进行诊断，至少具备以下的三个步骤。

第1步骤是从数据收集装置所记录的数据中提取与同一轧制制品对应的数据的步骤。第2步骤是判断所提取出的数据是否处于由蓄积于第1数据库的正常数据组规定的正常范围内的步骤。然后，第3步骤是基于与所提取出的数据对应的轧制制品的轧制结果对第2步骤的判断结果进行评价，在该判断结果与轧制结果不匹配的情况下，对规定正常范围的判断基准进行变更的步骤。

由于具备上述三个步骤中的尤其是第1步骤与第2步骤，由此即便不蓄积过去的异常现象的数据，只要具有正常数据、即得到了良好的轧制结果时的数据，就能够进行异常诊断。与收集异常数据相比较，收集正常数据更容易，且收集不需要劳力。另外，如果基于正常数据进行异常诊断，则还能够应对未定义的未知异常。并且，由于具备第3步骤，因此是否为正常范围内的判断基准以与实际的轧制结果相匹配的方式被更新，因此能够提高使用了正常数据的异常诊断的精度。

本发明的轧制设备的异常诊断方法也可以具备以下的第4步骤或者第5的步骤。第4步骤是在判断为所提取出的数据处于正常范围内、且轧制制品的轧制结果良好的情况下，将所提取出的数据登记到第1数据库中的步骤。第5的步骤是在判断为所提取出的数据未处于正常范围内、且轧制制品的轧制结果不良好的情况下，将所提取出的数据登记到蓄积异常数据的第2数据库中的步骤。在具备第4步骤的情况下，能够增加在判断基准的设定中使用的正常数据的蓄积量，由此能够提高判断基准的精度。在具备第5步骤的情况下，能够将未定义的未知异常也包括在内地将与在轧制设备中产生的异常相关的数据蓄积到第2数据库中。

在第3步骤中也可以为，在虽然判断为所提取出的数据处于正常范围内、但轧制制品的轧制结果不良好的情况下，将判断基准朝严格的方向变更。另外，在第3步骤中也可以为，在虽然判断为所提取出的数据不处于正常范围内、但轧制制品的轧制结果良好的情况下，将判断基准朝宽松的方向变更。或者，也可以具备第6步骤：在虽然判断为所提取出的数据不处于正常范围内、但轧制制品的轧制结果良好的情况下，向显示装置输出警报。

在第1步骤中提取出的数据也可以是将关联的多个尺度作为成分的数据。在该情况下，在第2步骤中也可以为，基于以多个尺度为轴的空间上的正常数据组与所提取出的数据之间的距离，判断所提取出的数据是否处于正常范围内。此外，也可以通过多维尺度法来计算正常数据组与所提取出的数据之间的距离。并且，在第2步骤中也可以为，使用动态时间伸缩算法来修正正常数据组与提取出的数据之间的距离。

此外，根据本发明，还提供用于使计算机执行上述轧制设备的异常诊断方法中的各步骤的处理的程序、以及存储了该程序的存储介质。

另外，本发明的轧制设备的异常诊断装置为，与按照时间序列收集并记录轧制设备的工艺数据的数据收集装置连接，基于数据收集装置所记录的数据对轧制设备的异常进行诊断，详细来说如以下那样构成。

即，本发明的轧制设备的异常诊断装置构成为，具备数据提取部、判断部以及判断结果评价部。数据提取部构成为，从数据收集装置所记录的数据中提取与同一轧制制品对应的数据。判断部构成为，判断由数据提取部提取出的数据是否处于由蓄积于第1数据库的正常数据组规定的正常范围内。判断结果评价部构成为，基于与由数据提取部提取出的数据对应的轧制制品的轧制结果，对判断部的判断结果进行评价。更详细来说，判断结果评价部构成为，在判断部的判断结果与轧制结果不匹配的情况下，对规定正常范围的判断基准进行变更。

根据上述构成，尤其是通过具备数据提取部与判断部，即便不蓄积过去的异常现象的数据，只要具有正常数据、即得到了良好的轧制结果时的数据，就能够进行异常诊断。与收集异常数据相比较，收集正常数据更容易，且收集不需要劳力。另外，如果基于正常数据进行异常诊断，则还能够应对未定义的未知异常。并且，通过具备判断结果评价部，由此是否为正常范围内的判断基准以与实际的轧制结果相匹配的方式被更新，因此能够提高使用了正常数据的异常诊断的精度。

也可以使构成异常诊断装置的计算机执行数据提取部、判断部以及判断结果评价部的各处理。即，也可以通过具备处理器及存储程序的存储器的计算机来构成异常诊断装置，并将程序构成为，在通过处理器执行从存储器读出的程序时，计算机作为数据提取部、判断部以及判断结果评价部进行动作。

判断结果评价部也可以构成为，在由判断部判断为所提取出的数据处于正常范围内、且轧制制品的轧制结果良好的情况下，将所提取出的数据登记到第1数据库中。通过如此构成，能够增加在判断基准的设定中使用的正常数据的蓄积量，由此能够提高判断基准的精度。

另外，判断结果评价部也可以构成为，在由判断部判断为所提取出的数据不处于正常范围内、且轧制制品的轧制结果不良好的情况下，将所提取出的数据登记到蓄积异常数据的第2数据库中。通过如此构成，能够将未定义的未知异常也包括在内地将与在轧制设备中产生的异常相关的数据蓄积到第2数据库中。

判断结果评价部也可以构成为，在虽然由判断部判断为所提取出的数据处于正常范围内、但轧制制品的轧制结果不良好的情况下，将判断基准朝严格的方向变更。另外，判断结果评价部也可以构成为，在虽然由判断部判断为所提取出的数据不处于正常范围内、但轧制制品的轧制结果良好的情况下，将判断基准朝宽松的方向变更。或者，判断结果评价部也可以构成为，在虽然由判断部判断为所提取出的数据不处于正常范围内、但轧制制品的轧制结果良好的情况下，向显示装置输出警报。

数据提取部也可以构成为，提取将关联的多个尺度作为成分的数据。在该情况下，判断部也可以构成为，基于以多个尺度为轴的空间上的正常数据组与所提取出的数据之间的距离，判断所提取出的数据是否处于正常范围内。此外，也可以通过多维尺度法来计算正常数据组与所提取出的数据之间的距离。并且，判断部也可以构成为，使用动态时间伸缩算法来修正正常数据组与所提取出的数据之间的距离。

发明的效果

根据本发明，即便不蓄积过去的异常现象的数据，只要具有正常数据、即得到了良好的轧制结果时的数据，就能够进行异常诊断。与收集异常数据相比较，收集正常数据更容易，且收集不需要劳力。另外，通过基于正常数据进行异常诊断，还能够应对未定义的未知异常。并且，根据本发明，是否为正常范围内的判断基准以与实际的轧制结果相匹配的方式被更新，因此能够提高使用了正常数据的异常诊断的精度。

附图说明

图1是表示应用本发明的实施方式的异常诊断装置的轧制设备的构成例的图。

图2是表示本发明的实施方式的异常诊断装置的硬件构成例的框图。

图3是表示本发明的实施方式的异常诊断装置所具有的一部分功能的功能框图。

图4是表示与轧制制品的品质相关的保证值的范围的图。

图5是表示在异常判定中使用的得分的计算处理流程的框图。

图6是表示时间序列数据的例子与基于其的得分的计算例的图。

图7是表示根据得分来判定异常的方法的一例的图。

图8是表示本发明的实施方式的异常诊断装置的异常判定的方法的图。

图9是对判定基准的变更进行说明的图。

图10是对判定基准的变更进行说明的图。

图11是通过表来表示判断结果、轧制结果与所选择的处理之间的对应关系的图。

图12是表示本发明的实施方式的异常诊断装置所执行的异常诊断的顺序的流程图。

具体实施方式

参照附图对本发明的实施方式进行说明。但是，以下所示的实施方式例示了用于将本发明的技术思想具体化的装置、方法，除了特别明示的情况以外，并不意图将构成部件的构造、配置、处理的顺序等限定于下述内容。本发明并不限定于以下所示的实施方式，能够在不脱离本发明的主旨的范围内进行各种变形来实施。

<轧制设备的构成例>

图1是表示应用本发明的实施方式的异常诊断装置的轧制设备的构成例的图。此处，作为轧制设备的典型例，例示被普遍广泛使用的用于制作钢板的热轧生产线20。图中的箭头表示所轧制的材料的流动方向。热轧生产线20是用于从轧制原料(以下，称作“板坯”)制造轧制制品的生产线。

热轧生产线20具备沿着所轧制的材料的流动方向配置的加热炉2、HSB(Hot ScaleBreaker：热除鳞机)3、粗轧边机4、粗水平轧机5、边缘加热器8、FSB(Finisher ScaleBreaker：精轧机除鳞机)11、F1轧边机12、精轧机13、输出辊道16以及下卷取机19等多个设备。这些设备通过未图示的输送台连结，分别由电动机、液压装置驱动。另外，热轧生产线20具备粗出侧温度计6、热成像装置7、精入侧温度计10、多用测量仪14、精出侧温度计15、热成像装置17、卷取机入侧温度计18等多个计测装置。以下，对构成热轧生产线20的设备以及计测装置的概要进行说明。

加热炉2是用于对板坯进行加热的炉。HSB3用于除去由于加热炉2中的加热而在板坯表面形成的氧化膜。主要通过从喷嘴向板坯喷射高压水来除去氧化膜。

粗轧边机4是主要为了确保宽度精度而用于将被轧制材料(也包括从板坯作为制品完成的中途的状态，以下相同)在宽度方向上压下的装置。粗轧边机4构成为，从生产线上方俯视，使辊在宽度方向上与被轧制材料接触。粗水平轧机5由一个或者多个机架构成。为了缩短生产线长度，而且由于粗轧需要多个道次，因此，粗水平轧机5包括可逆式轧机而构成的情况较多。在粗水平轧机5中具备被称作去鳞机的装置，去鳞机用于对作为半成品的被轧制材料1喷射高压水而除去表面的氧化膜。由于轧制在高温下进行，因此容易形成氧化膜，需要适当使用这样的氧化膜除去装置。粗出侧温度计6配置于粗水平轧机5的出侧，对作为轧制中的半成品的被轧制材料的表面温度进行计测。

边缘加热器8是通过电磁力的感应加热使被轧制材料的宽度方向的端部的温度上升的装置。在边缘加热器8的入侧与出侧分别配置有热成像装置7。在被轧制材料流动的方向的进一步下游、且是精轧机13的入侧，配置有精入侧温度计10。精轧机13的入侧温度与材料的变形阻力的预测密切相关。因此，需要通过精入侧温度计10计测加工紧前的温度。或者，需要使用粗出侧温度计6的实测值，求出将从粗出侧温度计6到精轧机13为止的输送时间考虑在内的高精度的温度预测值。

FSB11是对被轧制材料的表面的氧化膜进行除去的装置。FSB11用于除去在粗轧的结束后、由于被轧制材料到达精轧机13的入侧为止需要距离和时间而产生的氧化皮，使精轧后的轧制制品的表面性能良好。轧边机12设置于精轧机13的入侧，用于确保精轧后的轧制制品的宽度方向的尺寸精度。另外，轧边机12通过基于压下的塑性加工，有助于被轧制材料的宽度方向的端部的温度上升。

精轧机13是将被称作机架的轧机排列多个而构成的串列式轧机。在精轧机13中，进行用于得到轧制制品的目标制品精度的轧制。在精轧机13的出侧配置有多用测量仪14以及精出侧温度计15。多用测量仪14具有沿着宽度方向排列有X射线的检测器的方式。多用测量仪14能够计测宽度方向的板厚分布，因此是能够通过1台来计测板厚、凸起、板宽等的复合型计测器。多用测量仪14在其内部具有热成像装置，通过热成像装置计测轧制制品的宽度方向的温度，用于修正基于X射线的检测值。精出侧温度计15计测轧制后的被轧制材料的表面温度。轧制制品的温度与制品的金属组织的形成、材质密切相关，因此需要管理成适当的温度。

输出辊道16是为了控制轧制制品的温度而通过冷却水冷却轧制制品的装置。此外，也可以代替通常的输出辊道冷却装置或者在且基础上，具备强制冷却装置。在输出辊道16中，为了防止轧制制品的宽度方向的端部的温度降低，有时应用使冷却水不达到宽度方向的边缘屏蔽。在输出辊道16的出侧且是下卷取机19的入侧，配置有热成像装置17以及卷取机入侧温度计18。卷取机入侧温度计18计测轧制后的轧制制品的表面温度。轧制制品的温度与制品的金属组织的形成、材质密切相关，因此需要管理成适当的温度。下卷取机19是用于为了输送轧制制品而对其进行卷取的装置。将由下卷取机19卷取而成的滚筒状的轧制制品称作卷材。

在热轧生产线20中设置有数据收集装置22。数据收集装置22始终或者间歇地收集对于构成热轧生产线20的各设备的设定值、实际值、计测装置的计测值、以及用于使设备适当地动作的操作量等，并记录在硬盘等记录装置中。例如，对于由下卷取机19卷取的轧制制品，关于由多用测量仪14、精出侧温度计15、卷取机入侧温度计18等计测出的板厚、板宽、凸起、精出侧温度、卷取机入侧温度等品质指标，确定有向客户的保证值。数据收集装置22按照时间序列收集并记录将这些品质指标作为成分而包含的工艺数据。此外，数据收集装置22可以由单个计算机构成，也可以由与网络连接的多个计算机构成。

<异常诊断装置的硬件构成例>

图2是表示本实施方式的异常诊断装置30的硬件构成例的框图。异常诊断装置30是具备CPU(Central Processing Unit)31、ROM(Read Only Memory)32、RAM(RandomAccess Memory)33、输入输出接口34、系统总线35、存储器36、输入装置37、显示装置38以及通信装置39的计算机。

CPU31是使用ROM32、RAM33所存储的程序、数据等来执行各种运算处理的处理装置。ROM32是存储用于使计算机实现各功能的基本程序、环境文件等的只读的存储装置。RAM33是存储CPU31执行的程序以及执行各程序所需要的数据的主存储装置，能够进行高速的读出和写入。输入输出接口34是对各种硬件与系统总线35之间的连接进行中介的装置。系统总线35是由CPU31、ROM32、RAM33以及输入输出接口34共有的信息传递路。

另外，在输入输出接口34连接有输入装置37、显示装置38、存储器36以及通信装置39等硬件。输入装置37是对来自用户的输入进行处理的装置。显示装置38是显示与诊断结果、异常诊断相关的信息的装置。存储器36是对程序、数据进行蓄积的大容量的辅助存储装置，例如是硬盘装置、非易失性的半导体存储器等。通信装置39是能够通过有线或者无线与数据收集装置22进行数据通信的装置。

<异常诊断装置所具有的功能>

图3是表示本实施方式的异常诊断装置30所具有的一部分功能的功能框图。异常诊断装置30具备数据提取部101、判断部102以及判断结果评价部103。通过由异常诊断装置30的CPU31(参照图2)执行从ROM32(图2参照)读出的程序，由此在计算机中实现这些功能部101、102、103的功能、即作为异常诊断装置30的功能。另外，异常诊断装置30具备作为第1数据库的正常模式数据库104以及作为第2数据库的异常模式数据库105。正常模式数据库104与异常模式数据库105被构建在存储器36(参照图2)内。此外，使计算机作为异常诊断装置30发挥功能的程序，经由网络或者能够由计算机读取的存储介质(例如CD-ROM、DVD、USB存储器等)提供。

数据提取部101构成为，以卷材为单位切取数据收集装置22所记录的数据。在数据收集装置22中按照时间序列记录有各项目的数据。数据提取部101基于数据的时间信息，从数据收集装置22所记录的数据中提取与同一卷材对应的数据。此外，由数据提取部101提取出的数据是如板厚和载荷那样将关联的多个尺度作为成分的数据。

判断部102构成为，判断由数据提取部101提取出的数据是否处于正常范围内。此处，图4是表示由数据提取部101提取出的数据、对该数据设定的保证值的容限的图。对于轧制制品，按照每个品质指标确定有保证值的容限。在轧制时，各设备被控制为，使各品质指标成为该容限内。但是，由于由维护不足引起的装置的不良情况、不适当的控制增益等各种原因，有时品质指标会脱离容限。判断部102在判断中使用的正常范围与品质指标的保证值的容限相关联。

判断部102构成为，根据由数据提取部101提取出的数据计算得分。此处，图5是表示在异常判定中使用的得分的计算处理流程的框图。首先，根据到此为止所得到的数据对数据产生分布的模型进行学习。模型可以是概率模型也可以是统计模型。并且，使用学习后的模型对数据的异常程度或者模型的异常变化程度进行评分。图6是表示由数据提取部101提取出的时间序列数据的例子以及基于该时间序列数据的得分的计算例的图。

作为根据计算出的得分来判定异常的方法，可以说基于阈值的判定是普遍的方法。图7是表示根据得分来判定异常的方法的一例的图。在图7中，用虚线描绘的直线表示对于得分的阈值。但是，在该方法中，异常判定的精度依赖于阈值的决定方法，因此难以说在该方法中能够充分担保异常判定的精度。

判断部102构成为，不仅根据一个尺度来进行判断，而是组合能够进行从属判断的尺度来判定异常。图8是表示由判断部102进行的异常判定的方法的图。此处，在由尺度1与尺度2定义的平面上，描绘出由尺度1与尺度2各自的得分(得分的代表值)的组合定义的点。在图8中，被分组为“正常数据组”的数据组是蓄积于正常模式数据库104的数据组。在正常模式数据库104中仅蓄积有正常数据，该正常数据是到此为止由数据提取部101提取出的数据中、由接下来说明的判断结果评价部103最终判断为正常的数据。

判断部102通过多维尺度法、k近邻法或者密度比推定法等，计测由尺度1与尺度2定义的平面上的数据间的距离、详细地说是由数据提取部101提取出的数据与正常数据组之间的距离。并且，也可以使用动态时间伸缩算法进行距离的修正。在图8中，用虚线描绘的曲线是规定正常范围的判断基准线，以正常模式数据库104中所蓄积的正常数据组为基准进行设定。判断部102判断为与正常数据组之间的距离比判断基准线近的数据为正常范围内，并判断为与正常数据组之间的距离比判断基准线远的数据为正常范围外。在作为尺度1例如采用板厚的情况下，作为尺度2优选采用与板厚具有密切关系的载荷。当在板厚出现异常的情况下，在与板厚具有密切关系的载荷也出现该异常的可能性较高，因此通过如上述那样采用尺度1与尺度2，能够排除单个传感器的噪声，能够更明确地判断异常。

判断结果评价部103构成为，对判断部102的判断结果进行评价。作为该评价的基准而使用的，是与由数据提取部101提取出的数据、即在判断部102中成为是否为正常范围内的判断对象的数据对应的轧制制品的实际的轧制结果。具体而言，轧制结果是在轧制结束后，对于板厚、板宽、温度、形状等检查其分别是否处于品质管理值以内而得到的结果。用于得到轧制结果的检查优选通过专用的装置等自动地进行，并经由通信装置39在线地取得。但是，也可以经由输入装置37输入人进行检查而得到的结果。

详细来说，判断结果评价部103将判断部102的判断结果与作为品质基准的轧制结果进行比较，评价判断结果与轧制结果是否匹配。然后，进行与该评价结果相应的处理。此处，图11是通过表来表示判断结果、轧制结果与所选择的处理之间的对应关系的图。以下，参照图11说明根据评价结果进行怎样的处理。

首先，为正常范围内的判断结果与良好的轧制结果相匹配。在该情况下，判断结果评价部103将由判断部102判断为处于正常范围内的数据登记到正常模式数据库104中。如此，能够增加在判断基准的设定中使用的正常数据的蓄积量，由此能够提高判断基准的精度。此外，此处所登记的数据是由数据提取部101提取出的与同一轧制制品(卷材)对应的数据，在每个数据中，尺度(品质指标)相对于卷材的长度方向的偏差的模式存在差异。在正常模式数据库104中蓄积有具有各种模式的正常数据。

另一方面，为正常范围内的判断结果与不良的轧制结果不匹配。在该情况下，判断结果评价部103为了提高下一次以后的判断精度而变更判断部102的判断基准。具体而言，将判断基准向严格的方向变更，以使这次被判断为处于正常范围内的数据被判断为处于正常范围外。举例说明，在图9中，在由尺度1与尺度2定义的平面上描绘出数据A。相对于表示判断基准1的曲线，该数据A与正常数据组位于相同侧。因此，根据图9所示的判断基准1，数据A被判断为处于正常范围内。但是，在与数据A对应的轧制制品的实际的轧制结果不良的情况下，不能说数据A处于正常范围内这样的判断是正确的。因此，在该情况下，如图10所示，从判断基准1向判断基准2进行变更。根据判断基准2，数据A被判断为处于正常范围外，变得与实际的轧制结果相匹配。

不处于正常范围内的判断结果与不良的轧制结果相匹配。在该情况下，判断结果评价部103将由判断部102判断为处于正常范围外的数据登记到异常模式数据库105中。如此，能够将未定义的未知异常也包括在内地、将与在热轧生产线20中产生的异常相关的数据蓄积到异常模式数据库105中。此外，通过对新登记的数据的模式、详细地说是尺度(品质指标)相对于卷材的长度方向的偏差的模式、与已经登记在异常模式数据库105中的异常数据组的模式进行比较，能够判断是否产生了未定义的未知异常。

另一方面，处于正常范围外的判断结果与良好的轧制结果不匹配。在该情况下，判断结果评价部103为了提高下一次以后的判断精度而变更判断部102的判断基准。具体而言，将判断基准朝宽松的方向变更，以使这次被判断为处于正常范围外的数据被判断为处于正常范围内。但是，在虽然轧制结果良好但数据处于正常范围外的情况下，有可能是设备内部存在潜在的故障。因此，在该情况下，也可以向显示装置38输出警报画面，以使操作人员调查设备的故障。

<异常诊断的顺序>

根据具有以上说明了的功能的异常诊断装置30，通过以下的顺序执行轧制设备的异常诊断。以下，使用图12所示的流程图来说明异常诊断装置30进行的异常诊断的顺序。

在步骤S1中，异常诊断装置30从数据收集装置22所记录的数据中提取与同一轧制制品对应的数据。

接着，在步骤S2中，异常诊断装置30判断在步骤S1中提取出的数据是否处于由正常模式数据库104中所蓄积的正常数据组规定的正常范围内。详细地说，异常诊断装置30通过多维尺度法等计测正常数据组与在步骤S1中提取出的数据之间的距离。此时，优选使用动态时间伸缩算法(DTW)进行距离的修正。然后，基于计测出的距离来判断在步骤S1中提取出的数据是否处于正常范围内。

接着，异常诊断装置30基于与在步骤S1中提取出的数据对应的轧制制品的轧制结果，对步骤S2中的判断结果进行评价。详细地说，在步骤S2中判断为在步骤S1中提取出的数据处于正常范围内的情况下，异常诊断装置30在步骤S3中判定步骤S2中的肯定的判断结果是否与实际的轧制结果相匹配。

在步骤S2中的肯定的判断结果与实际的轧制结果相匹配的情况、即实际的轧制结果良好的情况下，异常诊断装置30选择步骤S4的处理。在步骤S4中，异常诊断装置30将在步骤S1中提取出的数据登记到正常模式数据库104中。

在步骤S2的肯定的判断结果与实际的轧制结果不匹配的情况、即实际的轧制结果不良好的情况下，异常诊断装置30选择步骤S5的处理。在步骤S5中，异常诊断装置30将在步骤S2中进行的判断的判断基准朝严格的方向变更，并且将在步骤S1中提取出的数据登记到异常模式数据库105中。

另外，当在步骤S2中判断为在步骤S1中提取出的数据不处于正常范围内的情况下，异常诊断装置30在步骤S6中判定步骤S2中的否定的判断结果是否与实际的轧制结果相匹配。

在步骤S2中的否定的判断结果与实际的轧制结果相匹配的情况、即实际的轧制结果不良好的情况下，异常诊断装置30选择步骤S7的处理。在步骤S7中，异常诊断装置30将在步骤S1中提取出的数据登记到异常模式数据库105中。

在步骤S2的否定的判断结果与实际的轧制结果不匹配的情况、即实际的轧制结果良好的情况下，异常诊断装置30选择步骤S8的处理。在步骤S8中，异常诊断装置30将在步骤S2中进行的判断的判断基准朝被宽松的方向变更。或者，异常诊断装置30向显示装置38输出警报。

根据按照上述顺序执行的异常诊断，为了根据每日变化的轧制状态来确定异常卷材与正常卷材的判断基准，而活用正常模式数据库104与异常模式数据库105。如此，通过组合正常模式数据库104与异常模式数据库105，能够提高异常检测的精度，此外，通过与正常模式数据库104中所蓄积的正常数据组进行比较，能够应对未知的异常。

符号的说明

20：热轧生产线(轧制设备)；22：数据收集装置；30：异常诊断装置；36：存储器；37：输入装置；38：显示装置；39：通信装置；101：数据提取部；102：判断部；103：判断结果评价部；104：正常模式数据库；105：异常模式数据库。

Claims (16)

1.一种轧制设备的异常诊断方法，通过数据收集装置按照时间序列收集并记录轧制设备的工艺数据，基于上述数据收集装置所记录的数据对上述轧制设备的异常进行诊断，其特征在于，具备：

第1步骤，从上述数据收集装置所记录的数据中提取与同一轧制制品对应的数据；

第2步骤，判断上述提取出的数据是否处于由蓄积于第1数据库的正常数据组规定的正常范围内；以及

第3步骤，基于与上述提取出的数据对应的轧制制品的轧制结果对上述第2步骤中的判断结果进行评价，在该判断结果与上述轧制结果不匹配的情况下，对规定上述正常范围的判断基准进行变更。

2.如权利要求1所述的轧制设备的异常诊断方法，其特征在于，

还具备如下的第4步骤：在判断为上述提取出的数据处于上述正常范围内、且上述轧制制品的轧制结果良好的情况下，将上述提取出的数据登记到上述第1数据库中。

3.如权利要求1或2所述的轧制设备的异常诊断方法，其特征在于，

还具备如下的第5步骤：在判断为上述提取出的数据不处于上述正常范围内、且上述轧制制品的轧制结果不良好的情况下，将上述提取出的数据登记到蓄积异常数据的第2数据库中。

4.如权利要求1或2所述的轧制设备的异常诊断方法，其特征在于，

在上述第3步骤中，在虽然判断为上述提取出的数据处于上述正常范围内、但上述轧制制品的轧制结果不良好的情况下，将上述判断基准朝严格的方向变更。

5.如权利要求1或2所述的轧制设备的异常诊断方法，其特征在于，

在上述第3步骤中，在虽然判断为上述提取出的数据不处于上述正常范围内、但上述轧制制品的轧制结果良好的情况下，将上述判断基准朝宽松的方向变更。

6.如权利要求1或2所述的轧制设备的异常诊断方法，其特征在于，

还具备如下的第6步骤：在虽然判断为上述提取出的数据不处于上述正常范围内、但上述轧制制品的轧制结果良好的情况下，向显示装置输出警报。

7.如权利要求1或2所述的轧制设备的异常诊断方法，其特征在于，

在上述第1步骤中提取出的数据是将关联的多个尺度作为成分的数据，

在上述第2步骤中，计测以上述多个尺度为轴的空间上的上述正常数据组与上述提取出的数据之间的距离，基于该距离来判断上述提取出的数据是否处于上述正常范围内。

8.如权利要求7所述的轧制设备的异常诊断方法，其特征在于，

在上述第2步骤中，使用动态时间伸缩算法来修正上述距离。

9.一种轧制设备的异常诊断装置，与按照时间序列收集并记录轧制设备的工艺数据的数据收集装置连接，基于上述数据收集装置所记录的数据对上述轧制设备的异常进行诊断，其特征在于，具备：

数据提取部，构成为从上述数据收集装置所记录的数据中提取与同一轧制制品对应的数据；

判断部，构成为判断上述提取出的数据是否处于由蓄积于第1数据库的正常数据组规定的正常范围内；以及

判断结果评价部，构成为基于与上述提取出的数据对应的轧制制品的轧制结果，对上述判断部的判断结果进行评价，

上述判断结果评价部构成为，在上述判断部的上述判断结果与上述轧制结果不匹配的情况下，对规定上述正常范围的判断基准进行变更。

10.如权利要求9所述的轧制设备的异常诊断装置，其特征在于，

上述判断结果评价部构成为，在由上述判断部判断为上述提取出的数据处于上述正常范围内、且上述轧制制品的轧制结果良好的情况下，将上述提取出的数据登记到上述第1数据库中。

11.如权利要求9或10所述的轧制设备的异常诊断装置，其特征在于，

上述判断结果评价部构成为，在由上述判断部判断为上述提取出的数据不处于上述正常范围内、且上述轧制制品的轧制结果不良好的情况下，将上述提取出的数据登记到蓄积异常数据的第2数据库中。

12.如权利要求9或10所述的轧制设备的异常诊断装置，其特征在于，

上述判断结果评价部构成为，在虽然由上述判断部判断为上述提取出的数据处于上述正常范围内、但上述轧制制品的轧制结果不良好的情况下，将上述判断基准朝严格的方向变更。

13.如权利要求9或10所述的轧制设备的异常诊断装置，其特征在于，

上述判断结果评价部构成为，在虽然由上述判断部判断为上述提取出的数据不处于上述正常范围内、但上述轧制制品的轧制结果良好的情况下，将上述判断基准朝宽松的方向变更。

14.如权利要求9或10所述的轧制设备的异常诊断装置，其特征在于，

上述判断结果评价部构成为，在虽然由上述判断部判断为上述提取出的数据不处于上述正常范围内、但上述轧制制品的轧制结果良好的情况下，向显示装置输出警报。

15.如权利要求9或10所述的轧制设备的异常诊断装置，其特征在于，

上述数据提取部构成为，提取将关联的多个尺度作为成分的数据，

上述判断部构成为，计测以上述多个尺度为轴的空间上的上述正常数据组与上述提取出的数据之间的距离，基于该距离来判断上述提取出的数据是否处于上述正常范围内。

16.如权利要求15所述的轧制设备的异常诊断装置，其特征在于，

上述判断部构成为，使用动态时间伸缩算法来修正上述距离。

Images