CN103115668B - 轧机振痕振动信号的故障特征提取方法及识别方法 - Google Patents

Abstract

本发明提出了一种轧机振痕振动信号的故障特征提取方法及识别方法，属于轧机故障监测领域。本发明采用基于二阶循环自相关的解调方法对振痕振动信号进行解调分析，可以有效地对非平稳的振痕振动信号进行频率解调，并且对解调后的二阶循环自相关函数进行时域切片，完整地保留了振痕振动信号的调制信息，由此提高了振痕振动信号故障特征提取的准确度；本发明还采用功率谱信息熵的形式来识别轧机是否存在故障，无需考虑轧机速度波动的影响，识别方法简单且准确度高。

Description

轧机振痕振动信号的故障特征提取方法及识别方法

技术领域

本发明涉及一种轧机振痕振动信号的故障特征提取方法及识别方法，尤其涉及一种基于二阶循环自相关函数的轧机振痕振动信号的故障特征提取方法以及一种基于功率谱信息熵的轧机振痕振动信号的故障识别方法。

背景技术

轧机的振动及振痕振动的在线控制一直是一个世界范围内的技术难题，世界上大多数钢铁公司的轧机或多或少都存在着轧机振动问题。轧机的振动问题，不仅使轧机的机械性能和精度受到严重影响，而且强烈的轧机振动会严重影响产品的表面质量，给企业带来巨大经济损失。为了研究不锈钢带钢产生振痕产生的原因，监测和控制二十辊轧机的振痕振动，进一步提高产品的合格率，有必要在轧机振动测试和振动数据分析的基础上，通过对轧机正常和异常运行振动特征的对比分析，提取轧机振痕振动的有效监测方法，识别轧机振痕振动时的信号特征，从而获取判断轧机是否产生振痕的依据，最终建立一套在线监测二十辊轧机振动与振痕特征识别系统。

世界各国的专家和研究人员都致力于振痕的研究，试图合理的解释振痕产生的可能原因及减少振痕的措施。Paton D L，Chritchley等研究人员针对加拿大Dofasco两套冷连轧机的垂直振动现象进行现场测试与理论分析后认为，轧制过程中张力的波动会诱发轧机的自激振动。日本学者Yarita I提出，工作辊和轧件间润滑不良也是造成轧机的振动重要原因。John J.GasParic针对轧件表面的振纹现象，认为振动的激励可能源于轧辊在磨床上加工时在表面上形成的振痕，当该振痕的波长与振动波长接近时，可能激发轧机的振动。进一步的，Roberts在研究美国某钢铁公司带钢表面明暗相间的振纹时发现，在特定的轧制速度下，当工作辊和支撑辊表面振纹的数目都是整数时，轧件表面更容易形成振纹，该速度为容易引发振纹的“诱导速度”。他还认为振纹的产生是由工作辊和支承辊之间的冲击造成的。Nessler等人通过有限元法研究了辊系弯曲振动特性，认为振纹的产生与上下支承辊的直径差有关，避开“诱导速度”能有效防止振动。

轧机振痕与振动研究已经持续40余年，大多数研究都集中在轧机振痕产生的机理和振动控制方面，关于轧机振痕振动监测的研究很少，事实上关于轧机振动监测其实是一个很重要和热门的课题。目前，通过监测轧机振动信号，识别其振动信号特征，从而判断监测轧机是否正常工作是最有效地途径。然而，轧机在轧制过程中存在着不可避免的速度波动情况，导致测取的振动信号为非平稳随机信号，同时也很可能带来频率调制现象，从而掩盖了轧机振痕振动的信号信息。而现有的大多数解调方法如包络解调，平方解调，绝对值解调主要针对平稳随机的幅值调制信号。

故亟需一种针对轧机振动信号的频率解调算法，揭示轧机振痕振动的故障特征信息；同时也需要提出针对轧机振痕振动的监测方法，及其振动信号特征的有效识别方法，以便为判断轧机在正常生产过程中是否产生振痕提供依据，从而增强轧机系统的产能发挥，提高轧机的生产效率。

发明内容

本发明旨在解决现有技术中存在的技术问题，创新地提出了一种轧机振痕振动信号的故障特征提取方法，采用基于二阶循环自相关函数的解调方法，可以有效地对非平稳的振痕振动信号进行频率解调，并且对解调后的二阶循环自相关函数进行时域切片，完整地保留了振痕振动信号的调制信息，由此提高了振痕振动信号故障特征提取的准确度。

本发明还提出了一种轧机振痕振动信号的故障识别方法，采用功率谱信息熵的形式来识别轧机是否存在故障，无需考虑轧机速度波动的影响，识别方法简单且准确度高。

为了实现本发明的上述目的，本发明提供了一种轧机振痕振动信号的故障特征提取方法，其特征在于由以下步骤组成：

A1、采集轧机的振痕振动信号，并且对该振痕振动信号进行频谱分析，确定该振痕振动信号的共振峰频带；

A2、对该共振峰频带下的振痕振动信号进行带通滤波，滤除将会影响下一步中解调分析过程的频率成分；

A3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析，获得二阶循环自相关函数；

A4、对该二阶循环自相关函数进行时域切片，获得时域切片信号，从而提取出该振痕振动信号的故障特征信息。

所述步骤A4中在对该二阶循环自相关函数进行时域切片的过程中：当切片频率为低频时，该时域切片信号为以载波频率f_z为调制中心，以调制频率f_n及其倍频成分为调制边频带的调制波形；当切片频率为高频时，该时域切片信号为频谱为调制频率f_n的调制波形。

轧机在轧制过程中存在着不可避免的速度波动情况，导致测取的振动信号一般为非平稳的随机信号，同时也可能带来频率调制现象，从而掩盖了真实的轧机振痕振动信号。本发明采用基于二阶循环自相关的解调方法，可以有效地对非平稳的振痕振动信号进行频率解调，并且对解调后的二阶循环自相关函数进行时域切片，完整地保留了振痕振动信号的调制信息，由此提高了振痕振动信号故障特征提取的准确度。

本发明还提供了一种轧机振痕振动信号的故障识别方法，其特征在于由以下步骤组成：

B1、按照权利要求1所述的轧机振痕振动信号的故障特征提取方法，获得时域切片信号；

B2、根据公式计算出该时域切片信号的功率谱S(ω)，其中X(ω)表示该时域切片信号的傅里叶变换，N表示该时域切片信号的长度；

B3、根据公式计算出该时域切片信号的功率谱信息熵H(ω)，并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较：如果H(ω)小于H则表示该轧机存在振痕振动，否则表示该轧机不存在振痕振动。

传统的振痕振动信号故障识别方法通过监测故障特征频率成分谱值来判断轧机是否出现故障，存在一个很大的弊端，即轧机轧制速度的波动致使监测频率不固定，加大了故障诊断和识别的难度。本发明对时域切片信号求功率谱信息熵并通过该功率谱信息熵来识别轧机是否存在故障，无需考虑速度波动的影响，能定量的反映解调信号中故障特征，识别方法简单且准确度高。

所述步骤B3对于正常的振痕振动信号，功率谱信息熵H(ω)较大；对于异常的振痕振动信号，功率谱信息熵H(ω)较小。

所述步骤B3中将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3，并且将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较，其中为H1、H2和H3大于零的任意数值且H1<H2<H3：

当H(ω)≤严重报警阈值H1时，报警灯为红灯，实现严重报警；

当H(ω)≤轻微报警阈值H2时，报警灯为橙灯，实现轻微报警；

当H(ω)≤预警阈值H3时，报警灯为黄灯，实现预警；

否则报警灯为绿灯，表示运行正常。

本发明采用多重报警的形式，设计更加人性化。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明采用基于二阶循环自相关的解调方法，可以有效地对非平稳的振痕振动信号进行频率解调，并且对解调后的二阶循环自相关函数进行时域切片，完整地保留了振痕振动信号的调制信息，由此提高了振痕振动信号故障特征提取的准确度；

2、采用功率谱信息熵的形式来识别轧机是否存在故障，无需考虑轧机速度波动的影响，识别方法简单且准确度高；

3、本发明采用多重报警的形式，设计更加人性化。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是轧机振痕振动信号的故障提取方法的流程图；

图2是二阶循环自相关函数的波形图；

图3是切片频率为低频时，该时域切片信号的波形图；

图4是切片频率为高频时，该时域切片信号的波形图；

图5是在本发明的第一实施例中，该轧机振痕振动信号的故障识别方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，该轧机振痕振动信号的故障提取方法由以下步骤组成：

S1、采集轧机的振痕振动信号，并对该振痕振动信号进行频谱分析，确定该振痕振动信号的共振峰频带。由于在共振峰频带范围内最容易出现调制现象，因此提高了振痕振动信号故障提取的准确度。

S2、对该共振峰频带下的振痕振动信号进行带通滤波，滤除将会影响下一步中解调分析过程的频率成分。

S3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析，获得二阶循环自相关函数，如图2所示。轧机在轧制过程中不可避免地存在速度波动情况，使得采集到的振痕振动信号为非平稳的随机信号，同时可能会带来了频率调制现象，从而掩盖了轧机实际的振痕振动信号，本发明采用基于二阶循环自相关的解调方法可以有效地对非平稳的随机信号进行频率解调，从而准确地获得轧机实际的振痕振动信号，提高振痕振动信号故障提取的准确度。

S4、对该二阶循环自相关函数进行时域切片，获得时域切片信号，从而提取出该振痕振动信号的故障特征。

在本步骤中设定x(t)为一个频率调制信号：x(t)=Acos[2πf_zt+βsin(2πf_nt)]，其中A表示信号幅值；f_z为载波频率，f_n为调制频率，β为调制指数。

将x(t)=Acos[2πf_zt+βsin(2πf_nt)]代入二阶循环自相关函数的计算公式 $R_x^n\left(t\right)=\underset{T\&RightArrow;\&infin;}{1\mathrm{im}\frac{1}{T}}{\&Integral;}_{-T/2}^{T/2}x\left(t\right)x^{*}{(t-\mathrm{\&tau;})e}^{-j2\mathrm{\&pi;\&alpha;t}}\mathrm{dt}=<x\left(t\right)x^{*}(t-\mathrm{\&tau;})e^{-j2\mathrm{\&pi;\&alpha;t}}{>}_t$ 中，获得：

(t)=<Acos[2πf_zt+βsin2πf_nt]Acos[2πf_z(t-τ)+βsin2πf_n(t-τ)]e^-j2παt>_t。

根据欧拉公式 $\cos \left(\mathrm{\&omega;t}\right)=\frac{1}{2}(e^{\mathrm{j\&omega;t}}+e^{-\mathrm{j\&omega;t}})$ 和恒等式二阶循环自相关函数可整理为：

其中J_m(β)为变元β的第一类m阶Bessel函数。

从上式中可以看出二阶循环自相关函数的非零值只存在于循环频率等于调制频率及其各倍频处、2倍载波频率、2倍载波频率与调至频率及其各倍频的和差等地方，而在其他地方均为零。

在对该二阶循环自相函数进行时域切片(时延τ为自变量)的过程中，当切片频率为低频(一般为调制频率f_n)时，该时域切片信号是以载波频率fz为调制中心，以调制频率fn及其倍频成分为调制边频带的调制波形，如图3所示。当切片频率为高频(一般为二倍载波频率f_z)时，该时域切片信号几乎完整展现出调制波形，其频谱即为调制频率，如图4所示。

由此可见，该时域切片信号完整地保留了振痕振动信号的调制信息，提高了振痕振动信号故障提取的准确度。

本发明中该轧机振痕振动信号的识别方法，由以下步骤组成：

步骤一、按照上述步骤S1～S4提取出轧机振痕振动信号的故障特征，获得时域切片信号。

步骤二、根据公式计算出该时域切片信号的功率谱，其中X(ω)表示该时域切片信号的傅里叶变换，N表示该时域切片信号的长度。

步骤三、根据公式计算出该时域切片信号的功率谱信息熵H(ω)，并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较：

如果H(ω)小于H则表示该轧机存在振痕振动，否则表示该轧机不存在振痕振动。

公式中对数底可取任何值，一般取10为底或e。任何一个随机变量的信息熵必然在[0，log n]区间内。随机变量的概率分布越均匀，则其熵越大。特别的，当随机变量为均匀分布时，其熵达到最大值log n;当随机变量取某个特定值时概率为1，取其他任何值时概率为0，则该随机变量的熵达到最小值0。

本发明将功率谱的横坐标频率视为随机变量，功率谱的纵坐标密度视为该随机变量的概率分布，因此，通过计算轧机振动信号功率谱密度函数的信息熵，可判断轧机振动信号各频率成分的分布情况。对于正常的振动信号，可以看成为随机信号，因此其信息熵较大；对于异常的振动信号，一般在其功率谱中存在集中的频率成分，因而其信息熵较小。

在本发明的第一实施例中，本发明还将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3，如图5所示，将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较，其中为H1、H2和H3大于零的任意数值且H1<H2<H3：

当H(ω)≤严重报警阈值H1时，报警灯为红灯，实现严重报警；

当H(ω)≤轻微报警阈值H2时，报警灯为橙灯，实现轻微报警；

当H(ω)≤预警阈值H3时，报警灯为黄灯，实现预警；

否则报警灯为绿灯，表示运行正常。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (1)

1.一种轧机振痕振动信号的故障特征提取和识别方法，其特征在于，由以下步骤组成：

A1、采集轧机的振痕振动信号，并且对该振痕振动信号进行频谱分析，确定该振痕振动信号的共振峰频带；

A2、对该共振峰频带下的振痕振动信号进行带通滤波，滤除将会影响下一步中解调分析过程的频率成分；

A3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析，获得二阶循环自相关函数；

A4、对该二阶循环自相关函数进行时域切片，获得时域切片信号，从而提取出该振痕振动信号的故障特征信息，所述A4中在对该二阶循环自相关函数进行时域切片的过程中：当切片频率为低频时，该时域切片信号为以载波频率f_z为调制中心，以调制频率f_n及其倍频成分为调制边频带的调制波形；当切片频率为高频时，该时域切片信号为频谱为调制频率f_n的调制波形；

设定x(t)为一个频率调制信号：x(t)＝Acos[2πf_zt+βsin(2πf_nt)]，其中A表示信号幅值；f_z为载波频率，f_n为调制频率，β为调制指数；

将x(t)＝Acos[2πf_zt+βsin(2πf_nt)]代入二阶循环自相关函数的计算公式中，获得：

$R_x^n\left(t\right)=<A\cos \&lsqb;2{\mathrm{\&pi;f}}_{z}t+\mathrm{\&beta;}sin2{\mathrm{\&pi;f}}_{n}t\&rsqb;Acos\&lsqb;2{\mathrm{\&pi;f}}_z(t-\mathrm{\&tau;})+\mathrm{\&beta;}sin2{\mathrm{\&pi;f}}_n(t-\mathrm{\&tau;})\&rsqb;e^{-j2\mathrm{\&pi;}\mathrm{\&alpha;}t}{>}_t;$

根据欧拉公式和恒等式二阶循环自相关函数整理为：

其中J_m(β)为变元β的第一类m阶Bessel函数；

B1，根据步骤A1-A4所述的轧机振痕振动信号的故障特征提取方法，获得时域切片信号；

B2、根据公式计算出该时域切片信号的功率谱S(ω)，其中X(ω)表示该时域切片信号的傅里叶变换，N表示该时域切片信号的长度；

B3、根据公式计算出该时域切片信号的功率谱信息熵H(ω)，并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较：如果H(ω)小于H则表示该轧机存在振痕振动，否则表示该轧机不存在振痕振动，所述步骤B3对于正常的振痕振动信号，功率谱信息熵H(ω)较大；对于异常的振痕振动信号，功率谱信息熵H(ω)较小；

公式对数底取任何值，任何一个随机变量的信息熵必然在[0,log N]区间内，随机变量的概率分布越均匀，则其信息熵越大，当随机变量为均匀分布时，其信息熵达到最大值log N；当随机变量取特定值时概率为1，取其他任何值时概率为0，则该随机变量的信息熵达到最小值0；

所述步骤B3中将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3，并且将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较，其中为H1、H2和H3大于零的任意数值且H1<H2<H3：

当H(ω)≤严重报警阈值H1时，报警灯为红灯，实现严重报警；

当H(ω)≤轻微报警阈值H2时，报警灯为橙灯，实现轻微报警；

当H(ω)≤预警阈值H3时，报警灯为黄灯，实现预警；

否则报警灯为绿灯，表示运行正常。