一种连续退火炉炉温预警方法及系统
阅读说明：本技术 一种连续退火炉炉温预警方法及系统 (Method and system for early warning furnace temperature of continuous annealing furnace ) 是由 王鲁 祁鹏 张世虎 罗克炎 杨玉林 薛世旭 张亚明 于 2020-10-15 设计创作，主要内容包括：本申请提供了一种连续退火炉炉温预警方法及系统,所述预警方法包括数据采集,将数据按照不同的采集时间段生成样本,对所有的样本进行数据质量检查,生成样本集合,对样本集合进行特征提取,判定其稳定性、劣化趋势,并基于BP神经网络算法,预测退火炉内各炉段的炉温变化情况。本申请将传统报警方式与SPC过程控制统计及神经网络预测算法方式相结合,在做到超限报警的同时还可以对炉子健康度做趋势预测,同时采用BP神经网络算法对炉温进行预测,为热镀锌机组连续退火炉提供一种全新的温度健康监控及预警方法。运用本方法的预警系统可以辅助操作人员在出现问题时提前报警并及时发现故障点,争取早发现、早干预。(The early warning method comprises the steps of collecting data, generating samples according to different collecting time periods, carrying out data quality inspection on all the samples, generating a sample set, carrying out feature extraction on the sample set, judging the stability and the degradation trend of the sample set, and predicting the furnace temperature change condition of each furnace section in the annealing furnace based on a BP neural network algorithm. The method combines the traditional alarm mode with the SPC process control statistics and neural network prediction algorithm mode, can predict the furnace health degree while realizing the ultralimit alarm, and simultaneously predicts the furnace temperature by adopting the BP neural network algorithm, thereby providing a brand-new temperature health monitoring and early warning method for the continuous annealing furnace of the hot galvanizing unit. The early warning system using the method can assist operators to give an alarm in advance when problems occur and find fault points in time so as to strive for early finding and early intervention.)
技术领域
本发明涉及冷轧工艺领域，尤其涉及一种连续退火炉(热镀锌机组退火炉)炉温(退火炉温度)预警方法及系统，适用于卧式连续退火炉的炉内数据自动采集存储，并通过基于BP神经网络算法和SPC过程控制图理论模型对炉子稳态进行预警监控。
背景技术
通常，连续退火炉是这样的一种装置，也即在连续退火炉中执行热处理工序，以根据预设温度方案来升高或降低室温或低温金属带的温度，以获得所需的材料特性。连续退火炉主要分为加热段和冷却段，加热段分为预热段(Pre Heating Section)、加热段(Heating Section)和均热段(Soaking Section)，冷却段分为缓冷段(Slow CoolingSection)、快冷段(Rapid Cooling Section)、过时效段(OAS)和终冷段(Final CoolingSection)。退火炉的温度控制要根据工艺要求和设定的曲线对带钢进行精确的升温、保温和降温控制，在此过程中还需要确保退火炉的炉温均匀性，它直接决定着产品的质量。
现有技术中专利号为CN201710828269.2的中国专利公开了一种退火炉温度控制方法及系统，通过获取退火炉内M个加热控制区中的每个加热控制区的实际所需加热负载，分别判断M个加热控制区中的每个加热控制区的实际所需加热负载是否小于预设负载阈值，将M个加热控制区中实际所需加热负载小于预设负载阈值的每个加热控制区所对应的燃气流量控制器均保持在第一恒定流量，并控制同一加热控制区内的各个烧嘴进行同时间歇性点燃。
现有技术中专利号为CN201310109424.7的中国专利公开了一种辊底式退火炉温度控制方法，包括六个步骤，第一步，计算工艺给定的升温曲线对应的产品加热段出口的目标温度；第二步，计算钢坯温度；第三步，计算钢坯到加热段段末的剩余加热时间；第四步，对加热温度进行前馈控制，以步骤二计算的钢坯温度为起点，利用步骤三计算的钢坯剩余加热时间t，以工艺曲线作为炉温输入，按照给定的时间步长Δt，预报钢坯到达加热段段末的温度T，然后求出预报温度和目标温度的偏差，进而求出钢坯所在段的前馈温度控制量；第五步，利用加热段出口位置钢坯温度跟踪模型的计算结果和与钢坯在该处的目标温度的偏差，确定加热温度的反馈控制量；第六步，对辊底炉加热段进行“前馈+反馈”的温度设定控制。
上述现有技术中，按照工艺曲线对炉温进行监控仅能做超限报警，无法做到预警与劣化趋势提醒，现有技术已不能满足高生产要求的产线。
发明内容
本发明的目的在于提供一种连续退火炉(热镀锌机组退火炉)炉温预警方法及系统，将传统报警方式与SPC过程控制统计及神经网络预测算法方式相结合，为热镀锌机组连续退火炉提供一种全新的温度健康监控及预警方法。
为实现上述目的，本发明采用以下技术方案：
本申请第一个方面提供了一种连续退火炉炉温预警方法，包括：
实时采集退火炉内各炉段设定的工艺点位的工艺参数，所述设定的工艺点位包括氧气含量、氢气含量、炉内气氛的露点、炉压、目标板温、辊轴张力、钢卷卷号、炉温、钢卷规格、机组速度、板温、废气中的一种或更多种，优选为至少两种或更多种；
将采集到的数据传递给SPC系统，所述SPC系统将采集到的数据按照工艺点位的类别进行分组，各分组独立地设置其样本采集时间段，对每个样本采集时间段的数据按照其工艺点位类别对应的预设的样本采集方法进行处理，形成单个的样本；
对所有的样本进行数据质量检查，仅保留机组正常运行时段内的数据，剔除故障时段内的数据，对正常运行时段少数缺漏数据进行插补，形成样本集合；
对样本集合进行特征提取，计算预设时间内样本的平均值和标准差；
根据第一判异规则对样本集合进行统计判定，若判定结果为超限异常，则触发超限报警；否则，根据第二判异规则对样本集合进行统计判定，若判定结果为波动异常，表明退火炉存在劣化趋势，非稳定情况出现，则触发劣化趋势预警；
基于BP神经网络算法，预测退火炉内各炉段的炉温变化情况。
优选地，所述预设的样本采集方法包括样本采集时间段的平均值、样本采集时间段的最大值中的一种或更多种。
优选地，所述各设定工艺点位的辊轴张力包括开卷机张力、清洗段张力、入口活套张力、退火炉预热段张力、退火炉加热段入口张力、退火炉加热段出口张力、退火炉均热段张力、退火炉缓冷段张力、退火炉快冷段张力、锌锅段张力、中央活套张力、平整机入口张力、平整机出口张力、拉矫机张力、后处理段张力、出口活套张力、圆盘剪段张力、卷取机张力中的几种或更多种。
优选地，所述钢卷规格包括钢卷的厚度、宽度、卷号、钢种中的一种或更多种。
优选地，所述废气包括颗粒物、SO2、NOX、O2、以及废气温度中的一种或几种，其中，x为NOx中O与N的原子数比值。
优选地，在对炉火内的工艺参数进行实时采集之前，所述预警方法还包括：设定各炉段的各工艺点位的标准值，该标准值为其对应的工艺点位的健康度评价的参考范围。
优选地，所述第一判异规则包括：若预设时间内样本的平均值超出了其预设的异常阈值，判为异常点；如果当前时刻之前的一预设时间段内的异常点的个数超过预设值，则判定为超限异常。
更优选地，所述预设的异常阈值可以根据健康状态下的设备运行状态信号值的各自分布模式计算获得，例如电机扭矩信号一般服从正态分布，取其均值加三倍标准差作为异常阈值。
优选地，所述第二判异规则包括：采用自定义的控制界限值，包括第一控制界限、第二控制界限和第三控制界限，第一控制界限为预设时间内样本的标准差的3倍，第二控制界限为所述标准差的2倍，第三控制界限为所述标准差的1倍；根据以下规则进行数据趋势分析，只要符合任意一条规则，则判定为波动异常；
规则1：一个样本落在预设的第一控制界限以外；
规则2：连续K个样本落在中心线的同一侧；
准则3：连续K个样本递增或递减；
规则4：连续K个样本中相邻样本上下交替；
准则5：连续K+1个样本中有K个样本落在中心线同一侧的第二控制界限以外；
准则6：连续K+1个样本中有K个样本落在中心线同一侧的第三控制界限以外；
准则7：连续K个样本落在中心线同两侧的第三控制界限之内；
准则8：连续K个样本落在中心线两侧且无一在第三控制界限以内；
其中，K为正整数。
优选地，基于BP神经网络算法，预测退火炉内各炉段的炉温变化情况，包括：
从样本集合中选取样本训练集；
构建BP神经网络模型，BP神经网络模型包括输入层、隐藏层及输出层，相邻层之间各神经元进行全连接，每层各神经元之间无连接；设置模型参数，包括：设置输入层输入信号的选择，设置隐含层的层数以及各层的节点数，设置输出层的节点数、学习速率、传递函数、动量因子、最大训练次数和最小精度；
利用现有的样本训练集对BP神经网络模型进行训练，包括：按前向传播方向进行，从输入层至隐含层至输出层的方向，得到各神经元的输出值，直至得到最后输出层的输出值，若输出层的输出值与期望输出值不符，则按反向传播方向进行，根据输出层的实际输出和期望输出值之间的误差，按照设定的学习速率来调整神经元之间的连接权值；正向输出计算和反向权值修改交替进行，直到网络输出的误差小于预设的最小精度，或进行到预先设定的最大训练次数为止，以确定当前的炉温变化趋势的预测模型；
根据已经训练完成的BP神经网络模型，将样本集合输入到BP神经网络模型的输入层，经过神经网络的处理，得到当前的炉温变化趋势的预测值。
更优选地，所述BP神经网络模型的学习速率选取范围在0.01-0.8之间，动量因子的选取范围在0-1之间、且比学习速率大。
进一步地，所述BP神经网络模型的学习速率优选为0.06，动量因子优选为0.95。
更优选地，所述BP神经网络模型的传递函数为
本申请第二个方面提供了一种连续退火炉炉温预警系统，包括：
数据采集模块，用于实时采集退火炉内各炉段设定的工艺点位的工艺参数，所述设定的工艺点位包括氧气含量、氢气含量、炉内气氛的露点、炉压、目标板温、辊轴张力、钢卷卷号、炉温、钢卷规格、机组速度、板温、废气中的一种或更多种；优选为至少两种或更多种；
样本生成模块，用于将采集到的数据按照工艺点位的类别进行分组，各分组独立地设置其样本采集时间段，对每个样本采集时间段的数据按照其工艺点位类别对应的预设的样本采集方法进行处理，形成单个的样本；
数据质量检查模块，用于对所有的样本进行数据质量检查，仅保留机组正常运行时段内的数据，剔除故障时段内的数据，对正常运行时段少数缺漏数据进行插补，形成样本集合；
特征提取模块，用于对样本集合进行特征提取，计算预设时间内样本的平均值和标准差；
超限判断报警模块，用于根据第一判异规则对样本集合进行统计判定，若判定结果为超限异常，则触发超限报警；
劣化趋势判断预警模块，用于在样本集合无超限异常的情况下，根据第二判异规则对样本集合进行统计判定，若判定结果为波动异常，表明退火炉存在劣化趋势，非稳定情况出现，则触发劣化趋势预警；
基于BP神经网络算法的炉温预测模块，用于基于BP神经网络算法，对退火炉内各炉段的炉温变化情况进行预测。
优选地，所述各设定工艺点位的辊轴张力包括开卷机张力、清洗段张力、入口活套张力、退火炉预热段张力、退火炉加热段入口张力、退火炉加热段出口张力、退火炉均热段张力、退火炉缓冷段张力、退火炉快冷段张力、锌锅段张力、中央活套张力、平整机入口张力、平整机出口张力、拉矫机张力、后处理段张力、出口活套张力、圆盘剪段张力、卷取机张力中的几种或更多种。
优选地，所述钢卷规格包括钢卷的厚度、宽度、卷号、钢种中的一种或更多种。
优选地，所述废气包括颗粒物、SO2、NOX、O2、以及废气温度中的一种或几种，其中，x为NOx中O与N的原子数比值。
优选地，所述基于BP神经网络算法的炉温预测模块，包括：
BP神经网络模型构建模块，用于设置输入层输入信号的选择，设置隐含层的层数以及各层的节点数，设置输出层的节点数、学习速率、传递函数、动量因子、最大训练次数和最小精度；
BP神经网络模型训练模块，用于利用现有的样本训练集对BP神经网络模型进行训练，得到当前的炉温变化趋势的预测模型；
炉温变化趋势预测模块，用于根据已经训练完成的BP神经网络模型，将样本集合输入到BP神经网络模型的输入层，经过神经网络的处理，得到当前的炉温变化趋势的预测值。
与现有技术相比，本发明的技术方案具有以下有益效果：
本申请提供了一种连续退火炉炉温预警方法及系统，将传统报警方式与SPC过程控制统计及BP神经网络预测算法方式相结合，生成了一套基于SPC控制理论稳态下的温度预测的全新预警方式。本申请的技术方案在做到超限报警的同时还可以对炉子健康度做趋势预测，如递增、递减、混乱、规律性波动等，同时采用BP神经网络算法，对炉温进行预测。运用本方法的预警系统可以辅助操作人员，在出现问题时，提前报警并及时发现故障点，争取早发现、早干预，避免造成因查找故障点而错过故障最佳处理时间。
附图说明
构成本申请的一部分附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请的连续退火炉炉温预警方法的流程示意图；
图2是本申请的一种SPC模型设计示意图；
图3是本申请实施例的退火炉SPC非稳态劣化下钢卷退火温度1的变化曲线图(目标温度830℃)；
图4是本申请实施例的退火炉SPC非稳态劣化下钢卷退火温度2的变化曲线图(目标温度830℃)；
图5是本申请实施例的退火炉SPC稳态健康下钢卷退火温度的变化曲线图(目标温度810℃)；
图6是本申请实施例的退火炉SPC稳态健康下钢卷退火温度的变化曲线图(目标温度835℃)。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的数据在适当情况下可以互换。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参阅图1所示，本申请的一种连续退火炉炉温预警方法，包括：
实时采集退火炉内各炉段设定的工艺点位的工艺参数，所述设定的工艺点位包括氧气含量、氢气含量、炉内气氛的露点、炉压、目标板温、辊轴张力、钢卷卷号、炉温、钢卷规格、机组速度、板温、废气中的一种或更多种；优选为至少两种或更多种；
将采集到的数据传递给SPC系统，所述SPC系统将采集到的数据按照工艺点位的类别进行分组，各分组独立地设置其样本采集时间段，对每个样本采集时间段的数据按照其工艺点位类别对应的预设的样本采集方法进行处理，形成单个的样本；
对所有的样本进行数据质量检查，仅保留机组正常运行时段内的数据，剔除故障时段内的数据，对正常运行时段少数缺漏数据进行插补，形成样本集合；
对样本集合进行特征提取，计算预设时间内样本的平均值和标准差；
根据第一判异规则对样本集合进行统计判定，若判定结果为超限异常，则触发超限报警；否则，根据第二判异规则对样本集合进行统计判定，若判定结果为波动异常，表明退火炉存在劣化趋势，非稳定情况出现，则触发劣化趋势预警；
基于BP神经网络算法，预测退火炉内各炉段的炉温变化情况。
实施例：
炉子健康度的预警本质是各炉段重要指标的预警，因此首先要确认各炉段的重要参数和合理范围，具体内容见表1，表1中主要从工艺参数、质量相关因素判断来设计各炉段的健康度评价方案。
表1各炉段健康度评价方案
冷轧退火炉电气控制单元有两部分，分别为DCS与PLC。确认需求工艺点位的数据地址并自动采集这部分工艺点位。参见表2，这部分工艺点位可以包括氧气含量、氢气含量、炉内气氛的露点、炉压、目标板温、辊轴张力、钢卷卷号、炉温、钢卷规格、机组速度、板温和废气。
表2重要工艺点位及其对应的地址表
现场部署SPC系统，将采集到的数据传递给SPC系统，所述SPC系统的主要工作为SPC样本区间调整，设置样本区间过短极易形成频繁误报，设置样本区间过大则发挥不出预警的提前性。本申请的所述SPC系统将采集到的数据按照工艺点位的类别进行分组，各分组独立地设置其样本采集时间段，对每个样本采集时间段的数据按照其工艺点位类别对应的预设的样本采集方法进行处理，形成单个的样本。参阅表3所示。
表3 SPC采集区间示意表
数据质量检测的目的在于检测输入数据的数据质量是否满足算法需求，数据质量的检查包括两个方面：
(1)检查样本数据中是否存在缺失值或者异常值，对于异常值的检测通常采用基于规则的方法，例如信号是否处于某个数值范围内，PLC信号的判断规则等；
(2)检查样本数据的工况是否符合算法要求，即是否是机组正常运行过程中的数据，需要利用PLC数据中的标志位来进行判断。
接着，对样本集合进行特征提取，计算预设时间内样本的平均值和标准差，其中，计算平均值是用于超限异常判断，计算标准差是用于波动异常判断。
超限判断报警：
SPC系统会自动计算设定异常阈值。异常阈值可以根据健康状态下的设备运行状态信号值的各自分布模式计算获得，例如电机扭矩信号一般服从正态分布，取其均值加三倍标准差作为异常阈值。若预设时间内样本的平均值超出了其预设的异常阈值，判为异常点；为了降低误报率，可以根据当前时刻之前的一预设时间段内的异常点的个数超过预设值，则判定为超限异常，触发超限报警。
劣化趋势判断预警：
当样本集合经超限判断确认在可控范围内的数据将进行劣化趋势判断，判断基于SPC规则。
SPC即统计过程控制，是一种被广泛应用的过程控制方法，是一种借助数理统计方法的过程控制工具。它对生产过程进行分析评价，根据反馈信息及时发现系统性因素出现的征兆，并采取措施消除其影响，使过程维持在仅受随机性因素影响的受控状态，以达到控制质量的目的。
SPC规则(判异准则)如下：
准则1：1个点子落在A区以外(点子越出控制界限)
准则2：连续9点落在中心线同一侧
准则3：连续6点递增或递减
准则4：连续14点中相邻点子总是上下交替
准则5：连续3点中有2点落在中心线同一侧B区以外
准则6：连续5点中有4点子落在中心线同一侧C区以外
准则7：连续15点落在中心线同两侧C区之内
准则8：连续8点落在中心线两侧且无1点在C区中
其中，C区域为预设的第三控制界限，其大小为预设时间内样本的标准差的1倍；B区域为预设的第二控制界限，其大小为预设时间内样本的标准差的2倍；A区域为预设的第三控制界限，其大小为预设时间内样本的标准差的3倍。
参阅图2所示，根据以上规则进行数据趋势分析，当样本集合符合上述任意一条规则，表明退火炉的健康出现劣化，非稳态情况出现，则判定为波动异常，触发劣化趋势预警。
本申请上述预警方法对传统的SPC进行了改进，主要有以下两点：
①SPC控制图的作用是反应生产过程的稳定性，但稳定并不能完全体现数据的优良，稳定的输出错误数据也是一种可能，因此本申请的技术方案新增了上下限条件设置功能，在确保数据在可控范围内的同时再分析数据的趋势。
②样本个数可调整，因为现场数据变化速率不同，所以需根据工艺情况调节相应数据单个样本的采集个数，这样才能更好的反应现场趋势。如炉温板温差采用30分钟求一次平均值做一个样本，并对样本经过SPC XBar图分析，假如连续6个点位上升即为3个小时内炉温板温差有上升趋势。设置合理的样本才能够发挥SPC的真实效果。
本申请还可以基于BP神经网络算法，预测退火炉内各炉段的炉温变化情况。
BP神经网络是一种神经网络学习算法。其由输入层、隐藏层、输出层组成的阶层型神经网络，隐藏层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师监督的方式进行学习。
学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐藏层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围，最终选取传递函数为学习速率0.06，附加动量因子0.95，具体步骤如下：
①从训练样本集合中取出某一样本，把信息输入网络中。
②通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。
③计算网络实际输出与期望输出的误差。
④将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。
⑤对训练样本集合中每一个输入-输出样本对重复以上步骤，直到整个训练样本集合的误差小于预设的精度，或进行到预先设定的次数为止。
根据已经训练完成的BP神经网络模型，将样本集合输入到BP神经网络模型的输入层，经过神经网络的处理，得到当前的炉温变化趋势的预测值。
表4是使用了上述训练得到的BP神经网络模型分别对退火炉非稳态劣化下、稳态健康下的炉温进行预测的预测结果表。
表4模型算法结果表
需要说明的是，表4中的数据为样本的个值，由于样本数量较大，图3～图6中的点为样本在某时刻的均值。
图3为退火炉内SPC非稳态劣化下的钢卷退火温度1的变化曲线图，图4为退火炉内SPC非稳态劣化下的钢卷退火温度2的变化曲线图，其中，图3中的目标温度为830℃，图4中的目标温度为830℃。由表4结合图3可以看出，后行材板温偏低。由表4结合图4可以看出，后行材板温偏低大于10℃。
图5为退火炉内SPC稳态健康下的钢卷退火温度的变化曲线图，图6为退火炉内SPC稳态健康下的钢卷退火温度的变化曲线图，其中，图5中的目标温度为810℃，图6中的目标温度为835℃。由表4结合图5可以看出，后板波动大，后行材板温较好。由表4结合图6可以看出，后板波动大，后行材板温控制较好。
由上述图例和数据可知，预测趋势与实际板温变化趋势大致相同，其预测值与实测值的拟合程度较好。
基于上述实施例相同的发明构思，在另一种优选实施例中，本申请还提供了一种连续退火炉炉温预警系统，包括：
数据采集模块，用于实时采集退火炉内各炉段设定的工艺点位的工艺参数，所述设定的工艺点位包括氧气含量、氢气含量、炉内气氛的露点、炉压、目标板温、辊轴张力、钢卷卷号、炉温、钢卷规格、机组速度、板温、废气中的一种或更多种；优选为至少两种或更多种；
样本生成模块，用于将采集到的数据按照工艺点位的类别进行分组，各分组独立地设置其样本采集时间段，对每个样本采集时间段的数据按照其工艺点位类别对应的预设的样本采集方法进行处理，形成单个的样本；
数据质量检查模块，用于对所有的样本进行数据质量检查，仅保留机组正常运行时段内的数据，剔除故障时段内的数据，对正常运行时段少数缺漏数据进行插补，形成样本集合；
特征提取模块，用于对样本集合进行特征提取，计算预设时间内样本的平均值和标准差；
超限判断报警模块，用于根据第一判异规则对样本集合进行统计判定，若判定结果为超限异常，则触发超限报警；
劣化趋势判断预警模块，用于在样本集合无超限异常的情况下，根据第二判异规则对样本集合进行统计判定，若判定结果为波动异常，表明退火炉存在劣化趋势，非稳定情况出现，则触发劣化趋势预警；
基于BP神经网络算法的炉温预测模块，用于基于BP神经网络算法，对退火炉内各炉段的炉温变化情况进行预测。
综上所述，本申请提供了一种连续退火炉炉温预警方法及系统，将传统报警方式与SPC过程控制统计及BP神经网络预测算法方式相结合，生成了一套基于SPC控制理论稳态下的温度预测的全新预警方式。本申请的技术方案在做到超限报警的同时还可以对炉子健康度做趋势预测，如递增、递减、混乱、规律性波动等，同时采用BP神经网络算法，对炉温进行预测。运用本方法的预警系统可以辅助操作人员，在出现问题时，提前报警并及时发现故障点，争取早发现、早干预，避免造成因查找故障点而错过故障最佳处理时间。本申请应用于宝钢宝日汽车板冷轧热镀锌机组A08连续退火炉设计，通过SPC判定原理分析不同炉段重点工艺参数的趋势，判断退火炉可能存在的健康隐患，根据BP神经网络算法预测炉温变化，协助管理者决策避免了重大故障的产生，降低了停机次数，提高了生产效率。
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围内。