CN117491000A - 一种轧钢过程异常工况的诊断方法 - Google Patents

Abstract

本发明提供一种轧钢过程异常工况的诊断方法，涉及轧钢生产监控技术领域，本发明根据轧钢机的结构，分别采集轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号，并将信号从时域转化为频域，辨识分别信号中存在的频率分量以及它们的强度，从频域中判断各个振动信号的异常信号情况，并根据三个主要部件的振动情况构建了振动偏差系数，来评价轧钢机的振动情况，能够准确地判断轧钢机的振动情况是否异常，通过轧钢机生产出的钢材的温度和厚度数据，生成厚度波动指数和温度波动系数，从轧钢机的异常工况的结果和异常信号两个维度出发，构建了工况评价模型生成工况风险系数，并依据工况风险系数，判断轧钢机的轧钢过程工况。

Description

一种轧钢过程异常工况的诊断方法

技术领域

本发明涉及轧钢生产监控技术领域，具体为一种轧钢过程异常工况的诊断方法。

背景技术

轧钢生产是指将连续铸钢坯或预制坯通过轧钢机进行一系列的轧制工艺，最终将钢坯变形成具有所需尺寸、形状和性能的钢材的过程，轧制过程中，各个部件之间摩擦会产生振动，但是由于轧钢设备工作的原理，轧钢过程中必然会存在正常的振动，出现异常情况时也会产生异常的振动，轧钢过程的异常振动会对钢材的厚度均匀性和应力分布产生影响，在钢材轧制过程中，异常振动会导致轧钢机辊缝的不稳定性，使得辊缝在轧制过程中产生变化，这会导致钢材在不同位置的轧制力和形变不均匀，进而影响钢材的厚度分布，造成钢材表面不平整，在轧制过程中，轧制力会在钢材内部产生应力，而异常振动会导致轧钢机和工作辊之间的相对运动不稳定，导致应力收缩不均匀或残余应力，从而改变钢材在轧制过程中所受的应力分布。

但是在出现异常工况时，正常的振动和异常的振动相互耦合叠加，很难仅通过振动判断轧钢过程是否存在异常的工况。

现有技术中的，公开号为CN112528753 A提供的一种针对轧钢机轧钢过程冲击振动信号的预处理方法，其通过从振动信号中提取异常因子特征，用以表征信号中包含的冲击波数量，进而通过冲击波数量甄别轧钢冲击与设备真实异常故障，异常因子指标准确有效地表征了信号中的冲击波数量，但是该方法统一检测整个轧钢机的振动情况，但是由于结构和形状的区别，在异常工况下，轧钢机的不同结构振动的情况是不同的，因此只通过一个整体的振动信号来进行判断十分容易产生由于振动信号耦合产生的误差，而且，该方案并没有将振动信号进行分解，仍旧没有解决该正常的振动和异常的振动相互耦合叠加，不容易辨识的问题，因此该方案只从一个振动的维度进行判断，十分容易出现误告警的情况，现有技术无法结合轧钢机的异常工况的结果进行综合判断，判断的结果不准确。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种轧钢过程异常工况的诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种轧钢过程异常工况的诊断方法，具体步骤包括：

S1: 采集轧钢机的离散时域振动信号，包括轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号，并对轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号进行离散傅里叶变换，将各个振动信号从时域信号变化为频域信号；

S2: 针对轧钢机主轴频域振动信号，设定主轴频率梯度范围，分别判断主轴频率梯度范围内的频率成分和范围外的频率成分，针对轧辊频域振动信号，设定轧辊频率梯度范围，分别判断轧辊频率梯度范围内的频率成分和范围外的频率成分，针对弹簧频域振动信号，设定弹簧频率梯度范围，分别判断弹簧频率梯度范围内的频率成分和范围外的频率成分；

S3: 针对主轴频率梯度、轧辊频率梯度和弹簧频率梯度范围内的频率成分和范围外的频率成分，针对频率成分中的频率信息采用常用对数函数进行拟合后，生成振动偏差系数，评价轧钢机的振动情况；

S4: 沿着轧钢机加工输出侧输出钢材的方向，测量组轧钢机输出的钢材的温度和厚度，相邻温度测量点之间的距离相同，相邻厚度测量点之间的距离相同，且距离钢轧钢机最近的温度测量点和厚度测量点距离钢轧钢机的距离相同；

S5: 根据测量的温度数据和厚度数据的变化值生成轧钢机生产出的钢材的厚度波动指数，根据测量的温度数据的变化值生成厚度波动系数；

S6: 将测量的组轧钢机输出的钢材的温度数据中相邻的温度数据依次进行相减得到/>组温度变化数据，并根据/>组温度变化数据生成温度波动系数，判断钢材的冷却情况；

S7: 依据振动偏差系数、厚度波动指数和温度波动系数构建工况评价模型，依据工况评价模型生成工况风险系数，并将工况风险系数和预设的风险阈值进行对比，对工况情况进行风险评级。

进一步地，所述主轴频率梯度的范围为，判断的主轴频率梯度范围的内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，轧辊频率梯度的范围为/>，判断的轧辊频率梯度范围内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，弹簧频率梯度的范围为/>，判断的弹簧频率梯度范围的内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目。

进一步地，生成振动偏差系数的具体逻辑为：依次计算主轴频率梯度范围内的最大频率距离范围两侧的欧氏距离、轧辊频率梯度范围内的最大频率距离范围两侧的欧氏距离、弹簧频率梯度范围内的最大频率距离范围两侧的欧氏距离，并均采用常用对数函数进行拟合，将三个范围外频率信号数目，分别采用以为底的指数函数进行拟合；

对于三个频率幅度，分别生成其与三个参照振动幅度之间的差值，并分别结合三个欧氏距离、三个指数函数拟合后的频率信号数目以及三个振动权重，综合生成振动偏差系数，依据的公式为：

其中，为振动偏差系数，/>、/>、/>分别为主轴振动权重、轧辊振动权重和弹簧振动权重，/>，且，/>,/>、/>和/>分别为主轴参考振动幅值、轧辊参考振动幅值和弹簧系统参考振动幅值，均为常数，/>、/>、/>分别为主轴频率梯度的范围内频率最大信号成分的频率信息、频率幅值及范围外的不同频率信号的数目，/>、/>、分别为轧辊频率梯度的范围内频率最大信号成分的频率信息、频率幅值及范围外的不同频率信号的数目，/>、/>、/>分别为弹簧频率梯度的范围内频率最大信号成分的频率信息、频率幅值及范围外的不同频率信号的数目。

进一步地，生成厚度波动数据时首先根据测量的厚度数据：、/>、…、/>、…、/>，为第/>个厚度测量点测量的钢材的厚度数据，将相邻的厚度数据依次进行相减得到/>组厚度变化数据，并结合测量的温度数据，消除温度热胀冷缩的影响，生成/>组厚度波动数据。

进一步地，生成钢材的厚度波动指数所依据的逻辑为：

计算组厚度波动数据的方差为/>，然后计算/>组厚度波动数据的幅度值，然后将方差和幅度值进行结合，生成能够根据全局的厚度变化范围和厚度数据的分散程度评价钢材的厚度波动情况的厚度波动指数/>。

进一步地，测量的温度数据为、/>、…、/>、…、/>，其中/>为第j个温度测量点测量的温度数据，得到/>组温度变化数据所依据的公式为：

其中，为第j个温度变化数据，/>，且/>;

生成温度波动系数所依据的公式为：

其中，为温度波动系数。

进一步地，测量温度数据为的测量点在所有温度测量点中距离轧钢机加工输出钢材的输出侧的距离最近，测量厚度数据为/>的厚度测量点在所有厚度测量点中距离轧钢机加工输出钢材的输出侧距离最近，相邻的温度测量点之间的距离为/>，相邻的厚度测量点之间的距离也为/>。

进一步地，构建的工况评价模型的具体逻辑为：

将振动偏差系数采用振动校准系数进行加权后采用以为底的指数函数进行拟合，将厚度波动指数和厚度校准系数之和采用自然对数函数进行拟合，将温度波动系数采用温度校准系数进行加权，然后将所有数据进行相加即可得到工况评价模型，工况评价模型的输出为工况风险系数，所依据的公式为：

其中，为工况风险系数，/>、/>和/>分别为振动校准系数、厚度校准系数和温度校准系数，且/>，/>为振动偏差系数，/>为厚度波动指数，/>为温度波动系数。

进一步地，将工况风险系数和预设的风险阈值进行对比，对工况情况进行风险评级所依据的具体逻辑为：

设定风险阈值，并将风险阈值/>采用相应的比例进行加权，构成三个评估区间，每个区间对应一个工况的风险等级，判断工况风险系数落在评估空间内的情况，判断当前异常工况的风险等级，具体为：

当，判断当前的异常工况属于高风险等级，需要立即停止轧钢机的运行；

当，判断当前的异常工况属于中风险等级，轧钢机可能出现故障，需要进行检查；

当，判断当前的异常工况属于低风险等级，轧钢机的运行状态正常。

与现有技术相比，本发明的有益效果是：

本发明根据轧钢机的结构，分别采集轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号，并将信号从时域转化为频域，从而更好的辨识分别信号中存在的频率分量以及它们的强度，并构建主轴频率梯度、轧辊频率梯度和弹簧频率梯度，从频域中判断各个振动信号的异常信号情况，从三个主要结构的振动信号能够更好的判断轧钢机的振动情况，并根据三个主要部件的振动情况构建了振动偏差系数，来评价轧钢机的振动情况，能够准确地判断轧钢机的振动情况是否异常；

本发明还通过轧钢机生产出的钢材的温度和厚度数据，生成厚度波动指数和温度波动系数，从轧钢机生产出的钢材的情况判断轧钢机的工况，从轧钢机的异常工况的结果和异常信号两个维度出发，构建了工况评价模型生成工况风险系数，并依据工况风险系数，判断轧钢机的轧钢过程工况，对于轧钢过程异常工况进行准确的判断。

附图说明

图1为本发明整体方法流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

请参阅图1，本发明提供一种技术方案：

一种轧钢过程异常工况的诊断方法，具体步骤包括：

S1: 采集轧钢机的离散时域振动信号，包括轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号，并对轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号进行离散傅里叶变换，将各个振动信号从时域信号变化为频域信号。

本实施例中，轧钢机主轴是轧钢机的核心部件，它连接主传动系统和轧辊，主轴承负责承受轧制力和转矩，并将其传递给轧辊，使轧辊能够旋转并对钢材施加压力，除了自身工作的震动外，主轴的不平衡会、主轴轴承故障等因素均会引起异常的振动。

轧辊是轧钢机中最重要的工作部件，它们与主轴连接并旋转，负责对钢材进行形变和压制，轧辊的传动系统松动或失效可能导致轧辊的振动；轧钢机的弹簧系统用于支撑和控制轧辊的振动和变形，弹簧系统可调整轧辊之间的压力、间隙和接触状态，以确保稳定的轧制过程和钢材的质量，弹簧系统中的松动或失效、弹簧的调节不当可能均可能导致不稳定的振动。

本实施例在轧制过程中对于轧钢机主轴振动、轧辊振动和弹簧系统振动进行振动监测和分析，判断轧钢机的工况情况。

本实施例中，采集的轧钢机主轴、轧辊和弹簧系统的分别为：、/>和/>，其中/>、/>和/>分别表示轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号在离散时间点/>的取样值，进行离散傅里叶变换后的轧钢机主轴、轧辊和弹簧系统的频域振动信号分别为/>、/>和/>，其中/>、/>和/>分别表示机主轴、轧辊和弹簧系统的频域振动信号在离散频率点/>、/>和/>的频率成分。

离散傅里叶变换将轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号的时域采样点映射到频域采样点，它提供了轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号在各个频率上的幅度和相位信息，便于了解信号的频域特性。

S2: 针对轧钢机主轴频域振动信号，设定主轴频率梯度范围，分别判断主轴频率梯度范围内的频率成分和范围外的频率成分，针对轧辊频域振动信号，设定轧辊频率梯度范围，分别判断轧辊频率梯度范围内的频率成分和范围外的频率成分，针对弹簧频域振动信号，设定弹簧频率梯度范围，分别判断弹簧频率梯度范围内的频率成分和范围外的频率成分。

本实施例中，轧钢机主轴的振动信号主要和轧钢机主轴的旋转速度，以及主轴转速频率与轧钢机的设计和运行参数有关，轧钢机主轴正常振动的频率在100Hz—600Hz之间，轧辊的振动频率取决于其几何尺寸、质量和支撑结构等，轧辊的频率通常在20Hz—700Hz之间，在弹簧系统的频率与轧钢机设计有关，弹簧系统正常振动的频率在通常在50Hz—550Hz之间。

本实施例中，主轴频率梯度的范围为，判断的主轴频率梯度范围内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，其中最大的成分的频率信息和频率幅值表示为：/>、/>，范围外的各个频率信号数目表示为/>。

轧辊频率梯度的范围为，判断的轧辊频率梯度范围内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，其中最大的成分的频率信息和频率幅值表示为：/>、/>，范围外的各个频率信号数目表示为。

弹簧频率梯度的范围为，判断的弹簧频率梯度范围内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，其中最大的成分的频率信息和频率幅值表示为：/>、/>，范围外的各个频率信号数目表示为/>。

S3: 针对主轴频率梯度、轧辊频率梯度和弹簧频率梯度范围内的频率成分和范围外的频率成分，针对频率成分中的频率信息采用常用对数函数进行拟合后，生成振动偏差系数，评价轧钢机的振动情况。

本实施例中，生成振动偏差系数所依据的公式为：

其中，为振动偏差系数，/>、/>、/>分别为主轴振动权重、轧辊振动权重和弹簧振动权重，/>，且，/>,/>、/>和/>分别为主轴参考振动幅值、轧辊参考振动幅值和弹簧系统参考振动幅值，均为常数。

本实施例中，表示主轴频率梯度范围内的最大频率距离范围两侧的距离，当位于正中间时距离最小，此时振动偏差系数/>较小，表示主轴的振动信号的频率较为稳定，当/>较大时，说明主轴的振动信号内叠加的异常振动频率越多，此时振动偏差系数/>越大。

表示轧辊频率梯度范围内的最大频率距离范围两侧的距离，当位于正中间时距离最小，此时振动偏差系数/>较小，表示轧辊的振动信号的频率较为稳定，当/>较大时，说明轧辊的振动信号内叠加的异常振动频率越多，此时振动偏差系数越大，/>表示弹簧频率梯度范围内的最大频率距离范围两侧的距离，当位于正中间时距离最小，此时振动偏差系数/>较小，表示弹簧系统的振动信号的频率较为稳定，当/>较大时，说明轧辊的振动信号内叠加的异常振动频率越多，此时振动偏差系数/>越大。

振动偏差系数能够系统反应轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号的振动频率和外部异常因素造成的异常振动频率情况，能够通过振动情况综合反应轧钢过程中的异常工况。

S4: 沿着轧钢机加工输出侧输出钢材的方向，测量组轧钢机输出的钢材的温度和厚度，相邻温度测量点之间的距离相同，相邻厚度测量点之间的距离相同，且距离钢轧钢机最近的温度测量点和厚度测量点距离钢轧钢机的距离相同。

本实施例中，温度测量点和厚度测量点的数目相同，均为组，测量的温度数据为、/>、…、/>、…、/>，单位为摄氏度，测量的厚度数据为/>、/>、…、/>、…、/>，单位为毫米，其中/>为第j个温度测量点测量的温度数据，/>为第j个厚度测量点测量的钢材的厚度数据。

本实施例中，测量温度数据为的测量点在所有温度测量点中距离轧钢机加工输出钢材的输出侧的距离最近，测量厚度数据为/>的厚度测量点在所有厚度测量点中距离轧钢机加工输出钢材的输出侧距离最近，相邻的温度测量点之间的距离为/>，单位为米，相邻的厚度测量点之间的距离为/>，随着轧钢机钢材的输出，钢材的温度会逐渐降低，距离轧钢机越远的钢材，温度越低。

S5: 根据测量的温度数据和厚度数据的变化值生成轧钢机生产出的钢材的厚度波动指数，根据测量的温度数据的变化值生成厚度波动系数。

本实施例中，生成厚度波动指数时首先根据测量的厚度数据为、/>、…、/>、…、，将相邻的厚度数据依次进行相减得到/>组厚度变化数据，并结合测量的温度数据，消除温度热胀冷缩的影响，生成/>组厚度波动数据，生成厚度波动数据所依据的公式为：

其中，为第j个厚度波动数据，/>，且/>,/>为钢材的线膨胀系数。

本实施例中，由于轧钢的过程中，生产出的钢材的温度较高，因此钢材的厚度也会随着热胀冷缩发生变化，在常温下钢材的热胀冷缩效果不明显，但是在轧钢机生产后的钢材处于高温的环境下，因此热胀冷缩效果较为明显，所以计算厚度波动数据引入测量的温度值，减小热胀冷缩的情况对于计算厚度波动的影响。

生成钢材的厚度波动指数所依据的公式为：

其中，为厚度波动指数，/>为/>组厚度波动数据的平均数，/>为/>组厚度波动数据的方差，/>为/>组厚度波动数据的幅度值。

本实施例中，厚度波动指数结合幅度值和方差构成，方差提供了组厚度波动数据的变异程度的度量，数值越大表示数据的离散程度越高，幅度值为/>组厚度波动数据最大值与最小值之间的差值，提供了数据的全局变化范围，在正常状态下钢材的厚度是均匀的，因此方差和幅度值均较小，则对应的厚度波动指数也越小，本实施例通过将方差和幅度值进行结合，能够根据全局的厚度变化范围和厚度数据的分散程度评价钢材的厚度的波动情况。

S6: 将测量的组轧钢机输出的钢材的温度数据中相邻的温度数据依次进行相减得到/>组温度变化数据，并根据/>组温度变化数据生成温度波动系数，判断钢材的冷却情况。

本实施例中，得到组温度变化数据所依据的公式为：

其中，为第j个温度变化数据，/>，且/>;

生成温度波动系数所依据的公式为：

本实施例中，为温度波动系数。

轧钢过程正常的情况下，温度的冷却是呈线性的，即每一组的温度变化数据均是相同的，因此温度波动系数应为0，但是在异常的工况下，轧制过程中，如果压下力在不同部位分布不均匀，会导致钢材的变形程度不同，这会影响钢材内部的应力分布，使得不同部位的应力不均匀，钢材会受到外界力的作用，产生残余应力，这些残余应力会影响钢材的热传导和冷却速度，从而导致冷却不均匀。因此当轧制的应力分布不均匀的情况越严重时，会造成温度波动系数越大。

因此，通过温度波动系数能够反映轧钢过程中轧制的压力是否均匀，据此判断轧钢过程的工况。

S7: 依据振动偏差系数、厚度波动指数和温度波动系数构建工况评价模型，依据工况评价模型生成工况风险系数，并将工况风险系数和预设的风险阈值进行对比，对工况情况进行风险评级。

本实施例中，构建的工况评价模型为：

其中，为工况风险系数，/>、/>和/>分别为振动校准系数、厚度校准系数和温度校准系数，且/>。

由公式可知，振动偏差系数越大、厚度波动指数越大、温度波动系数越大，工况风险系数的表现值越大，表明轧钢过程中，工况越差，轧钢机生产出的钢材的质量越差，振动偏差系数越小、厚度波动指数越小、温度波动系数越小，工况风险系数的表现值越小，表明轧钢过程中，工况较好，轧钢机生产出的钢材的质量越好。

本实施例中，将工况风险系数和预设的风险阈值进行对比，对工况情况进行风险评级所依据的具体逻辑为：

设定风险阈值，并将风险阈值/>采用相应的比例进行加权，构成三个评估区间，每个区间对应一个工况的风险等级，判断工况风险系数落在哪个空间内，从而判断当前异常工况的风险等级，具体为：

当，判断当前的异常工况属于高风险等级，需要立即停止轧钢机的运行；

当，判断当前的异常工况属于中风险等级，轧钢机可能出现故障，需要进行检查；

当，判断当前的异常工况属于低风险等级，轧钢机的运行状态正常。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (9)

1.一种轧钢过程异常工况的诊断方法，其特征在于，具体步骤包括：

S1: 采集轧钢机的离散时域振动信号，包括轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号，并对轧钢机主轴振动信号、轧辊振动信号和弹簧系统振动信号进行离散傅里叶变换，将各个振动信号从时域信号变化为频域信号；

S2: 针对轧钢机主轴频域振动信号，设定主轴频率梯度范围，分别判断主轴频率梯度范围内的频率成分和范围外的频率成分，针对轧辊频域振动信号，设定轧辊频率梯度范围，分别判断轧辊频率梯度范围内的频率成分和范围外的频率成分，针对弹簧频域振动信号，设定弹簧频率梯度范围，分别判断弹簧频率梯度范围内的频率成分和范围外的频率成分；

S3: 针对主轴频率梯度、轧辊频率梯度和弹簧频率梯度范围内的频率成分和范围外的频率成分，针对频率成分中的频率信息采用常用对数函数进行拟合后，生成振动偏差系数，评价轧钢机的振动情况；

S4: 沿着轧钢机加工输出侧输出钢材的方向，测量组轧钢机输出的钢材的温度和厚度，相邻温度测量点之间的距离相同，相邻厚度测量点之间的距离相同，且距离钢轧钢机最近的温度测量点和厚度测量点距离钢轧钢机的距离相同；

S5: 根据测量的温度数据和厚度数据的变化值生成轧钢机生产出的钢材的厚度波动指数，根据测量的温度数据的变化值生成厚度波动系数；

S6: 将测量的组轧钢机输出的钢材的温度数据中相邻的温度数据依次进行相减得到组温度变化数据，并根据/>组温度变化数据生成温度波动系数，判断钢材的冷却情况；

S7: 依据振动偏差系数、厚度波动指数和温度波动系数构建工况评价模型，依据工况评价模型生成工况风险系数，并将工况风险系数和预设的风险阈值进行对比，对工况情况进行风险评级。

2.根据权利要求1所述的一种轧钢过程异常工况的诊断方法，其特征在于：所述主轴频率梯度的范围为，判断的主轴频率梯度范围的内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，轧辊频率梯度的范围为/>，判断的轧辊频率梯度范围内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目，弹簧频率梯度的范围为/>，判断的弹簧频率梯度范围的内的频率成分为频率最高的成分的频率信息和频率幅度，范围外的频率成分为各个频率的信号数目。

3.根据权利要求2所述的一种轧钢过程异常工况的诊断方法，其特征在于：生成振动偏差系数的具体逻辑为：依次计算主轴频率梯度范围内的最大频率距离范围两侧的欧氏距离、轧辊频率梯度范围内的最大频率距离范围两侧的欧氏距离、弹簧频率梯度范围内的最大频率距离范围两侧的欧氏距离，并均采用常用对数函数进行拟合，将三个范围外频率信号数目，分别采用以为底的指数函数进行拟合；

对于三个频率幅度，分别生成其与三个参照振动幅度之间的差值，并分别结合三个欧氏距离、三个指数函数拟合后的频率信号数目以及三个振动权重，综合生成振动偏差系数，依据的公式为：

其中，为振动偏差系数，/>、/>、/>分别为主轴振动权重、轧辊振动权重和弹簧振动权重，，且，/>,/>、/>和/>分别为主轴参考振动幅值、轧辊参考振动幅值和弹簧系统参考振动幅值，均为常数，/>、/>、/>分别为主轴频率梯度的范围内频率最大信号成分的频率信息、频率幅值及范围外的不同频率信号的数目，/>、/>、/>分别为轧辊频率梯度的范围内频率最大信号成分的频率信息、频率幅值及范围外的不同频率信号的数目，/>、/>、/>分别为弹簧频率梯度的范围内频率最大信号成分的频率信息、频率幅值及范围外的不同频率信号的数目。

4.根据权利要求1所述的一种轧钢过程异常工况的诊断方法，其特征在于：生成厚度波动数据时首先根据测量的厚度数据：、/>、…、/>、…、/>，/>为第j个厚度测量点测量的钢材的厚度数据，将相邻的厚度数据依次进行相减得到/>组厚度变化数据，并结合测量的温度数据，消除温度热胀冷缩的影响，生成/>组厚度波动数据。

5.根据权利要求4所述的一种轧钢过程异常工况的诊断方法，其特征在于：生成钢材的厚度波动指数所依据的逻辑为：

计算组厚度波动数据的方差为/>，然后计算/>组厚度波动数据的幅度值/>，然后将方差和幅度值进行结合，生成能够根据全局的厚度变化范围和厚度数据的分散程度评价钢材的厚度波动情况的厚度波动指数/>。

6.根据权利要求1所述的一种轧钢过程异常工况的诊断方法，其特征在于：测量的温度数据为、/>、…、/>、…、/>，其中/>为第j个温度测量点测量的温度数据，得到/>组温度变化数据所依据的公式为：

其中，为第j个温度变化数据，/>，且/>;

生成温度波动系数所依据的公式为：

其中，为温度波动系数。

7.根据权利要求1所述的一种轧钢过程异常工况的诊断方法，其特征在于：测量温度数据为的测量点在所有温度测量点中距离轧钢机加工输出钢材的输出侧的距离最近，测量厚度数据为/>的厚度测量点在所有厚度测量点中距离轧钢机加工输出钢材的输出侧距离最近，相邻的温度测量点之间的距离为/>，相邻的厚度测量点之间的距离也为/>。

8.根据权利要求1所述的一种轧钢过程异常工况的诊断方法，其特征在于：构建的工况评价模型的具体逻辑为：

将振动偏差系数采用振动校准系数进行加权后采用以为底的指数函数进行拟合，将厚度波动指数和厚度校准系数之和采用自然对数函数进行拟合，将温度波动系数采用温度校准系数进行加权，然后将所有数据进行相加即可得到工况评价模型，工况评价模型的输出为工况风险系数，所依据的公式为：

其中，为工况风险系数，/>、/>和/>分别为振动校准系数、厚度校准系数和温度校准系数，且/>，/>为振动偏差系数，/>为厚度波动指数，/>为温度波动系数。

9.根据权利要求8所述的一种轧钢过程异常工况的诊断方法，其特征在于：将工况风险系数和预设的风险阈值进行对比，对工况情况进行风险评级所依据的具体逻辑为：

设定风险阈值，并将风险阈值/>采用相应的比例进行加权，构成三个评估区间，每个区间对应一个工况的风险等级，判断工况风险系数落在评估空间内的情况，判断当前异常工况的风险等级，具体为：

当，判断当前的异常工况属于高风险等级，需要立即停止轧钢机的运行；

当，判断当前的异常工况属于中风险等级，轧钢机可能出现故障，需要进行检查；

当，判断当前的异常工况属于低风险等级，轧钢机的运行状态正常。