一种高速线材轧机远程在线监测和智能诊断系统及方法

摘要

一种高速线材轧机远程在线监测和智能诊断系统，包括传感器网络、中心节点、工控机（现场处理机）、监测与诊断中心，所述传感器网络由一个轧机机组内数据采集设备组成的一个子网，数据采集设备采集到的数据传输到工控机，所述工控机对数据存储的同时进行去燥、变换处理，工控机对处理后的数据进行高速线材轧机故障有无的判断即预诊断，并输出结果；如果工控机输出的结构判定高速线材轧机为故障，则将此数据传输到监测与诊断中心，反之，工控机不传输数据给监测与诊断中心，监测与诊断中心接收到有故障的数据后对工控机的预诊断再进一步的分析，并输出结果。本发明能够实时在线判断出当前轧机故障的类型及故障位置，延长设备使用寿命。

说明书

技术领域

本发明涉及线材轧机诊断技术领域，特别是涉及一种高速线材轧机远程在线监测和智能诊断系统及方法。

背景技术

轧机是一种广泛使用实现金属轧制过程的设备，高速线材轧机是轧机中普遍使用的一种。轧机运行过程中会伴随各种故障的发生，包括轴承座磨损、箱体变形、轴开裂等。对于这种故障的确定和定位，通常的做法是，由专业技术人员借助各类测试仪器，采集到各种参数，尤其是针对参数，根据这些参数进行分析确定故障类型，进而确定是哪个零部件发送故障。这一过程都是由专业技术人员在轧机停止运行时进行分析确定的，难以在线进行分析诊断。

发明内容

本发明的目的是解决现有技术中的问题，提供一种高速线材轧机远程在线监测和智能诊断系统，实现对高速线材轧机有无故障的确定以及故障类型诊断和定位。

本发明的技术方案为：

一种高速线材轧机远程在线监测和智能诊断系统，包括数据采集设备、中心节点、工控机、监测与诊断中心，其特征在于：所述数据采集设备采集到的数据通过汇集到中心节点后通过局域网络或无线网络传输到工控机，所述工控机将此数据通过局域网络或无线网络传输到监测与诊断中心。

一种高速线材轧机远程在线监测和智能诊断方法，其特征在于，包括如下步骤：

S1数据采集步骤：各数据采集设备采集到的数据通过汇集到中心节点后采用局域网络或无线网络传输到工控机，所述数据采集设备包括在一个轧机机组内的振动传感器、速度传感器、三维加速度传感器、位移传感器、旋转编码器、温度传感器、功率表和功率传感器；

S2预诊断步骤：所述工控机在存储数据的同时对数据进行去除噪音、数据变换以及特征提取处理，同时对处理后的数据进行高速线材轧机故障有无的判断，并输出结果，如果工控机输出的结构判定高速线材轧机为故障，则将此数据传输到监测与诊断中心，反之工控机则不传输数据给监测与诊断中心，以避免将大量的无故障的数据传向诊断中心，造成网络拥塞、加重监测诊断中心服务器的负担；

S3精确诊断步骤：所述监测与诊断中心接收到有故障的数据后对工控机的预诊断结果再作进一步的分析，以确定故障的类型和位置。

所述数据采集步骤S1中，振动传感器安装在箱体、轴系、齿轮、轴承部件位置上并采集包括滚动轴承、传动轴、夹送辊、箱体的三维振动波形，旋转编码器安装在转轴上并采集包括转轴的转动角度、转速，温度传感器安装在轴承、电机上并采集包括轴承部位和电机的工作温度，功率传感器安装在电机上并采集包括电机的功耗。

所述数据采集步骤S1中，旋转编码器按如下规则进行采样：所述采样周期分为Twork和Twait两个时间段，转轴每转动一圈采样16次，Twork时间段为转轴旋转64圈所花费的时间，在Twork时间段采样1024次，Twait时间段不采样，时间为转轴旋转8~512圈所花费的时间。

所述预诊断步骤S2的过程为：将数据采集设备的数据进行存储，所存储的原始数据能直接调取至云端，同时对数据进行变换及特征提取处理，通过二分类器（HSSVM）选择含故障的特征向量并上传至云接口，该含故障的特征向量经精确诊断步骤确认可靠性后重新加入HSSVM参数库进行HSSVM学习训练以优化二分类器，所述二分类器（HSSVM）同时也根据故障判断情况对数据采集设备的各个传感器进行采样控制。

所述预诊断步骤S2中，数据变换及特征提取的方法为：

（1）数据变换：一个传感器在Twork时间段输出的数据系列记为data[k]，k=0，1，…，若来自于振动传感器，则对其进行一维多尺度小波变换，以便提取各尺度下的奇异点，变换结果记为data[k]^(s)，其中s是尺度编号，s=1，2，…，N；本发明取8种尺度，即N=8；

设转轴转动1圈花费的时间（即转动周期）为Tc，每个Tc的定位从旋转编码器的输出数据中可以得到，在一个Tc周期内，试图搜索到上存在的个奇异点，若某奇异点不存在则令其值为0，否则其值为周期内的模极大值；

设一个传感器组中有Q个温度传感器，1个功率传感器；定义>d 维特征向量P>

其中：M=2~5； 为所论周期内对各温度传感器采样的平均值，共个，Q=1~3；为所论周期内对功率传感器采样的平均值，1个。

所述预诊断步骤S2中，采用基于HSSVM的二分类器，轧机生产线中的每个部件均对应一个二分类器，将每个部件的状态分为两类：有故障或无故障，同时给出故障可信度R，所给出的故障可信度R表征了故障的严重程度，用于控制采样间歇期Twait的大小；Twork时段含有64个Tc周期，每个Tc提取一个特征向量Pj，j=1，2，…，64，将Pj送二分类器，以判断是否有故障；若在Twork时段的64次判断中，有故障的次数占多数，则判定该部件为有故障；当判定某部件有故障时，就启动数据选择，将当前的64个Pj传送到云端进行精确诊断；任何时候，机组运行维护人员也能将当前Twork时段的64个Pj或原始数据系列传输到云端进行诊断。

所述预诊断步骤S2中，HSSVM学习训练的过程为：核函数选为Gauss函数，建立HSSVM的特征空间；首先，采集一批具有良好的内聚性的正训练样本P+，存放于HSSVM训练样本库中；再通过迭代，找到一个能包裹所有P+的最小超球面，从而确定超球面的半径与球心等参数，建立起具备初步诊断能力的HSSVM；在实际应用中，运用强化学习的奖惩机制，根据当前训练结果对训练样本库进行优化，从而使系统的诊断性能不断提高；每当采集到的样本经精确诊断获得可靠标签（包括正、负样本）后，则将其加入训练样本库，并对HSSVM重新训练，以确定一个新的超球面；若新的HSSVM具有更好的分类性能，则本次加入的样本有效，否则撤销本次加入，撤销本次训练。

所述精确诊断步骤S3的过程为：先建立存储有训练样本的故障类型样本库，然后建立故障确诊及分类模型，接收到来自预诊断的含故障的特征向量后，依据存储的训练样本将数据和数据库里的训练样本进行比对分析，故障分类依据故障确诊与分类模型来确定故障类型，将分析结果先更新到故障类型样本库的训练样本内再通过强化学习进行优化。

或者，所述精确诊断步骤S3的过程为：先建立存储有训练样本的故障类型样本库、故障分级知识库，然后建立故障确诊及分类模型及故障模糊评价模型，接收到来自预诊断的含故障的特征向量后，依据存储的训练样本将数据和数据库里的训练样本进行比对分析，其中故障分类依据故障确诊与分类模型来确定故障类型，故障分级依据模糊评价模型来对故障的严重程度进行分级，同时依据模糊状态模型来预测故障的发展趋势，将分析结果更新到故障类型样本库和故障分级知识库的训练样本内通过强化学习进行优化。

所述精确诊断步骤S3中，对预诊断初步确定的可能有故障的特征向量，进一步进行故障分类，所述故障类型包括轴承缺陷、轴承座磨损、轴承座孔磨损、轴开裂、轴变形、齿轮断齿、箱体变形。

所述精确诊断步骤S3中，采用SOM实现故障分类，每个部件都对应一个SOM，SOM结构的输入层的节点数为d（特征向量P的维数），输出层的节点个数为训练样本的个数，为16×16个；对SOM的训练过程为：

（1）初始训练样本的选取：初始训练样本来源于：a、领域专家运用动力学理论和经验对各类典型故障进行分析与拟合的样本；b、在轧机部件上设置模拟故障，采集的样本；c、实际故障发生时采集的样本；由上述途经获得256个样本，记为P_l，>

再对P_l的源于振动传感器的N×M个分量作归一化处理，用于SOM的训练；训练完成，结果在输出层平面上，相近的输入样本对应的输出节点位置相邻，一种类型的故障分布于一个子区域；保存好此子区域的分布位置和其对应的故障类型，以备确定故障类型时使用；

（2）训练样本的优化：在实际应用中，每当接收到的真实负样本时，将其加入训练样本库并重新训练SOM；并运用强化学习的奖惩机制，根据当前训练结果对训练样本库进行优化，淘汰劣势样本；从而使系统的诊断性能不断提高。

所述精确诊断步骤S3中，故障分级就是将故障按严重程度划分为5个等级；1级故障最低，5级故障最高。

所述精确诊断步骤S3中，还具有对来自预诊断的原始数据通过辅助分析系统进行辅助诊断的功能。

本发明的有益效果为：通过在轧机各部位合理设置各类传感器，采集到轧机运行数据，对数据进行预诊断和精确诊断，能够实时在线判断出当前轧机故障的类型及故障位置，能够及时发现轧机故障，防止轧机故障往性能恶劣阶段，延长设备使用寿命。

附图说明

图1为本发明的组网结构图；

图2为本发明的整体处理流程图；

图3为本发明的故障预诊断处理流程图；

图4为本发明的故障精确诊断处理流程图；

图5为本发明的SOM的结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

如图1所示，本发明主要由位于各轧机生产现场（客户端）的故障预诊断子系统，位于诊断服务中心（云端）的故障精确诊断子系统组成。

故障预诊断子系统含于图1中的M₁，M₂，…M_n虚线框。每个子系统由传感器网络和现场处理机构成。一条轧机生产线由多个关键部件组成，传感器网络负责采集轧机生产线中各关键部件运行时的物理参数。一个部件上安装的多个传感器称为一个传感器组，记为Gi，i=0，1，…m，见图1。故障预诊断主要以关键部件为独立对象进行。传感器网络类型为RS485和Zigbee混合网络，采用一对多星形结构组网。其中RS485子网采集静止点，Zigbee子网采集运动点。Zigbee的终端节点电源采用电磁耦合无线馈电。传感器网络由一个中心节点、多个终端节点组成。传感器网络中的每个终端均由一个传感器及其控制电路构成。

（1）传感器类型及用途：本发明使用的传感器类型及用途如表1：

表1 传感器类型与用途

传感器类型用 途安装部位振动传感器采集传动轴、夹送辊、箱体等的三维振动波形箱体、轴系、齿轮、轴承温度传感器采集各轴承件、电机的工作温度轴承、电机功率传感器采集各电机的功耗电机旋转编码器采集转轴的转动角度、转速，为采集和分析其他传感器数据时提供同步信息转轴

（2）传感器的控制电路：由AVR系列工业单片机、Zigbee通信模块、RS485接口等组成，控制采样速率、数据位宽、采样模式、网络通信等。各传感器在旋转编码器提供的信息控制下同步采样，所采集的数据汇聚于中心节点。采样速率为：转轴每转动1圈，采样16次。数据位宽为16bit。采样模式为等间歇突发式，即：一个采集周期包括采样期Twork和间歇期Twait。本发明取Twork为转轴旋转64圈所花费的时间，约为1800ms。Twait取转轴旋转8~512圈所花费的时间，约为200ms~16000ms。Twait的大小与故障严重程度有关，故障严重程度越高，Twait越小。

（3）传感器网络的中心节点：由RAM处理器、Zigbee通信模块、RS485接口、Ethernet接口等组成。其功能为：Zigbee组网；管理和协调各终端节点有序地完成数据采集、传输；利用Ethernet接口将各终端采集的原始数据汇集并传输到现场处理机等。传感器网络的中心节点与现场处理机之间使用Ethernet接口传输数据。原始数据也存储于本地存储器，保存最近一段时期的数据，作为历史档案，若云端需要时可远程调取。本地存储器为固态硬盘，容量为1T字节，可以缓冲约12个月的原始数据。

如图2所示，一种高速线材轧机远程在线监测和智能诊断方法，其特征在于，包括如下步骤：

S1数据采集步骤：各数据采集设备采集到的数据通过汇集到中心节点后采用局域网络或无线网络传输到工控机；

S2预诊断步骤：所述工控机在存储数据的同时对数据进行去除噪音、数据变换以及特征提取处理，同时对处理后的数据进行高速线材轧机故障有无的判断，并输出结果，如果工控机输出的结构判定高速线材轧机为故障，则将此数据传输到监测与诊断中心，反之工控机则不传输数据给监测与诊断中心，以避免将大量的无故障的数据传向诊断中心，造成网络拥塞、加重监测诊断中心服务器的负担；

S3精确诊断步骤：所述监测与诊断中心接收到有故障的数据后对工控机的预诊断结果再作进一步的分析，以确定故障的类型和位置。

进一步地，所述振动传感器安装在箱体、轴系、齿轮、轴承部件位置上并采集包括滚动轴承、传动轴、夹送辊、箱体的三维振动波形；所述旋转编码器安装在转轴上并采集包括转轴的转动角度、转速；所述温度传感器安装在轴承、电机上并采集包括轴承部位和电机的工作温度；所述功率传感器安装在电机上并采集包括电机的功耗；进一步地，所述振动波形包括滚动轴承振动波形和轧机振动波形；所述工作温度包括轧机温度、轴承部位温度和滚动轴承温度。

进一步地，所述旋转编码器按如下规则进行采样：采样周期分为Twork和Twait两个时间段，转轴每转动一圈采样16次，采样数据位宽为16bit；Twork时间段为转轴旋转64圈所花费的时间，作为最佳实施例，取值为1800ms，在Twork时间段采样1024次，Twait时间段不采样，时间为转轴旋转8~512圈所花费的时间，作为最佳实施例，取值范围为200ms~

16000ms，具体时间可设定，采样周期最优占空比为50%。

如图3所示，所述预诊断步骤S2的具体过程为：将数据采集设备的数据进行存储，所存储的原始数据能直接调取至云端，同时对数据进行变换及特征提取处理，通过二分类器（HSSVM）选择含故障的特征向量并上传至云接口，该含故障的特征向量经精确诊断步骤确认可靠性后重新加入HSSVM参数库进行HSSVM学习训练以优化二分类器，所述二分类器（HSSVM）同时也根据故障判断情况对数据采集设备的各个传感器进行采样控制。

进一步地，所述预诊断步骤S2中，数据变换采用一维八尺度的小波变换，同时采用支持向量机的二分类器，在本实施例中采用选择树分类器，对采集到的数据进行故障有无的判断，若判定为有故障，则将故障数据传输到监测与诊断中心，并进入下个步骤进行分析。

进一步地，所述预诊断步骤S2中，数据变换及特征提取的方法为：

（1）数据变换：一个传感器在Twork时间段输出的数据系列记为，若来自于振动传感器，则对其进行一维多尺度小波变换，以便提取各尺度下的奇异点，变换结果记为，其中s是尺度编号，s=1,2,…N；本发明取8种尺度，即N=8；

（2）特征提取：设在一个传感器组中，有M个振动传感器，与之对应地，有，设转轴转动1圈花费的时间（即转动周期）为Tc，每个Tc的定位从旋转编码器的输出数据中可以得到，在一个Tc周期内，试图搜索到上存在的个奇异点，若某奇异点不存在则令其值为0，否则其值为周期内的模极大值；

设一个传感器组中有Q个温度传感器，1个功率传感器；定义>d 维特征向量P>

其中： 为所论周期内对各温度传感器采样的平均值，共个；为所论周期内对功率传感器采样的平均值，1个；

本发明中，M=2~5，Q=1~3；即，对于不同部件，特征向量的维数d一般不同。

进一步地，所述预诊断步骤S2中，采用基于HSSVM的二分类器，轧机生产线中的每个部件均对应一个二分类器，将每个部件的状态分为两类：有故障或无故障，同时给出故障可信度R，所给出的故障可信度R表征了故障的严重程度，用于控制采样间歇期Twait的大小；Twork时段含有64个Tc周期，每个Tc提取一个特征向量Pj，j=1，2，…，64，将Pj送二分类器，以判断是否有故障；若在Twork时段的64次判断中，有故障的次数占多数，则判定该部件为有故障；当判定某部件有故障时，就启动数据选择，将当前的64个Pj传送到云端进行精确诊断；任何时候，机组运行维护人员也可以将当前Twork时段的64个Pj或原始数据系列传输到云端进行诊断。

本发明中，二分类器采用一种超球面支持向量机（Hyper-Sphere Support VectorMachine, HSSVM）实现，上述特征向量P为其样本。

进一步地，所述预诊断步骤S2中，采用HSSVM学习训练系统，但通常，训练一个SVM需要正样本和负样本；正样本是轧机部件正常运行时的特征向量，可以大量采集到；负样本是轧机部件带故障运行时的特征向量，采集困难；本发明解决这一问题的方法如下：

（1）鉴于预诊断只是一种前期诊断，仅判断故障有无，且由于正样本具有很好的内聚性，因此本发明采用HSSVM实现此二分类；SVM具有很强的泛化能力，能将有故障错分为无故障的风险控制到很小；

（2）HSSVM的训练：核函数选为Gauss函数，建立HSSVM的特征空间；首先，采集一批具有良好的内聚性的正训练样本P+，存放于HSSVM训练样本库中；再通过迭代，找到一个能包裹所有P+的最小超球面，从而确定超球面的半径与球心等参数，建立起具备初步诊断能力的HSSVM；

在实际应用中，运用强化学习的奖惩机制，根据当前训练结果对训练样本库进行优化，从而使系统的诊断性能不断提高；每当采集到的样本经精确诊断获得可靠标签（包括正、负样本）后，则将其加入训练样本库，并对HSSVM重新训练，以确定一个新的超球面；若新的HSSVM具有更好的分类性能，则本次加入的样本有效，否则撤销本次加入，撤销本次训练。

如图4所示，故障精确诊断由位于云端的系列服务器完成，其功能为：对预诊断结果作进一步精确诊断，得到故障类型和故障级别，所述精确诊断步骤S3的具体过程为：先建立存储有训练样本的故障类型样本库，然后建立故障确诊及分类模型，接收到来自预诊断的含故障的特征向量后，依据存储的训练样本将数据和数据库里的训练样本进行比对分析，故障分类依据故障确诊与分类模型来确定故障类型，将分析结果先更新到故障类型样本库的训练样本内再通过强化学习进行优化。

所述精确诊断步骤S3中，先建立存储有训练样本的故障类型样本库、故障分级知识库，然后建立故障确诊及分类模型及故障模糊评价模型，接收到来自预诊断的含故障的特征向量后，依据存储的训练样本将数据和数据库里的训练样本进行比对分析，其中故障分类依据故障确诊与分类模型来确定故障类型，故障分级依据模糊评价模型来对故障的严重程度进行分级，同时依据模糊状态模型来预测故障的发展趋势，将分析结果更新到故障类型样本库和故障分级知识库的训练样本内通过强化学习进行优化。

所述精确诊断步骤S3中，用于云端和用户端之间的数据与命令传输，具体为：（1）接收用户端上传的特征向量，用于精确诊断；反馈精确诊断结果；（2）需要时可直接命令用户端上传指定的原始故障数据段，作为对某次诊断的辅助和补充分析数据；（3）与用户端交互，实现各种控制与状态信息的传输。

所述精确诊断步骤S3中，对预诊断初步确定的可能有故障的特征向量，进一步进行故障分类，故障类型包括轴承缺陷、轴承座磨损、轴承座孔磨损、轴开裂、轴变形、齿轮断齿、箱体变形；高速线材轧机生产线的主要关键部件有：水平传动箱、立式传动箱、增速箱、锥箱、减定径增速箱、锥箱、夹送辊、吐丝机本体；各个部件均可能发生表2中所列类型的故障。

表2 故障类型表

故障点故障类型箱体轴承座孔磨损，箱体变形轴系轴开裂，轴变形，惰轴啮合异常齿轮打齿，断齿，齿裂纹轴承轴承内外圈或保持架损伤，滚动体缺陷

所述精确诊断步骤S3中，采用基于SOM的故障分类方法：

由于自组织映射神经网络（Self-Organizing Maps，SOM）对样本的畸变和噪声的容限大，本发明采用SOM实现故障分类，每个部件都对应一个SOM；

SOM的结构如图5所示，其输入层的节点数为d（特征向量P的维数），输出层的节点个数为训练样本的个数，为16×16个。

所述精确诊断步骤S3中，对SOM的训练过程为：

（1）初始训练样本的选取：初始训练样本来源于：a、领域专家运用动力学理论和经验对各类典型故障进行分析与拟合的样本；b、在轧机部件上设置模拟故障，采集的样本；c、实际故障发生时采集的样本；

由上述途经获得256个样本，记为P_l，>

再对P_l的源于振动传感器的N×M个分量作归一化处理，用于SOM的训练；训练完成，结果在输出层平面上，相近的输入样本对应的输出节点位置相邻，一种类型的故障分布于一个子区域；保存好此子区域的分布位置和其对应的故障类型，以备确定故障类型时使用；

（2）训练样本的优化：在实际应用中，每当接收到的真实负样本时，将其加入训练样本库并重新训练SOM；并运用强化学习的奖惩机制，根据当前训练结果对训练样本库进行优化，淘汰劣势样本；从而使系统的诊断性能不断提高。

所述精确诊断步骤S3中，故障分级就是将故障按严重程度划分为5个等级；1级故障最低，5级故障最高。

所述精确诊断步骤S3中，还对来自预诊断的原始数据通过辅助分析系统进行辅助诊断，辅助诊断系统为领域专家提供了一个介入诊断的接口；必要时，领域专家可以进行如下工作：

（1）对自动诊断结果给出评价，以帮助机器学习系统完成样本库或知识库的优化；

（2）领域专家可以对疑难故障进行分析，结果可以作为专家知识来优化系统；

（3）为领域专家提供软件分析平台、常用专业测量和分析仪器接口等功能。

以上说明仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，若采用了和我们相同的精神和原则应该视为本发明均应在本发明的保护范围之内。