On-line diagnostic tool for hot strip mill

Abstract

A indústria siderúrgica está em constante evolução. O processo de laminação a quente, introduzido no início do século XX, revolucionou a indústria do aço, tornando o custo de produção de laminas de aço significativamente menores. O processo consiste em transformar grandes barras de aço em chapas extremamente finas através de uma série de rolos. Com o advento dos sistemas de controle, a automatização do processo de laminação a quente deixou o processo ainda mais eficiente e rápido. Novas tecnologias trazem novos desafios, nos processos de laminação a quente atuais, os rolos compressores chegam a uma velocidade de 120 metros por minuto. Nessas condições, qualquer defeito ou falha no sistema deve ser detectado o mais rápido possível, para evitar danos ou produtos defeituosos. O presente trabalho apresenta diferentes métodos para implementar um sistema de detecção de falhas. Primeiramente é desenvolvido um sistema para detecção de falha nos "loopers". Esse sistema consiste em analisar os sinais adquiridos nas fábricas com diferentes métodos de processamento de sinal, notadamente estatística descritiva, STFT e EMD, e usando técnicas de aprendizado de máquina, classificar as informações extraídas dos sinais em dois grupos: nominal (quando o sistema está em seu funcionamento normal) e falho (quando há alguma falha no sistema). Esse método provou-se eficaz na detecção de falhas. Em seguida, foi proposto um método baseado em modelo para identificação de falhas no subsistema de "strip steering". No entanto, a implementação desse método pode ser terminada devido a ausência de dados experimentais, necessários para a validação do modelo matemático do sistema.

The steel industry is constantly evolving. The hot strip mill process, introduced in the early twentieth century, reshaped the steel industry, making the cost of producing steel sheets significantly lower. The process consists in transform thick steel slabs into thin coils using a series of compressing rolls. With the advent of control systems, the automation of the hot rolling process has made it even more efficient and faster. Nowadays, the rolling speed can reach 120 meters per minute. In this condition, any default or failure must be detected as soon as possible to avoid damages and non-quality products. This document present different method to implement a fault detection system. First, it is developed one fault detection system on loopers. This system analyses the signals recorded by the plant’s data acquisition system with data processing methods, notably descriptive statistics, STFT and EMD. By using machine learning techniques, the features extracted from the signals are separated into two groups: the nominal (when the system has no default) and the fault (when the system has a fault). This method proved to be efficient for fault detection on loopers. Then, it was proposed a model-based method for fault detection on the strip steering subsystem. Although, the method implementation wasn’t possible due to the lack of experimental data. Those data are necessary to validate the mathematical model of the system.