CN104457968B - 一种基于峭度时变信号轧机振痕识别方法 - Google Patents
一种基于峭度时变信号轧机振痕识别方法 Download PDFInfo
- Publication number
- CN104457968B CN104457968B CN201310420202.7A CN201310420202A CN104457968B CN 104457968 B CN104457968 B CN 104457968B CN 201310420202 A CN201310420202 A CN 201310420202A CN 104457968 B CN104457968 B CN 104457968B
- Authority
- CN
- China
- Prior art keywords
- kurtosis
- time varying
- section
- signal
- vibration acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于峭度时变信号轧机振痕识别方法，该识别方法包括以下步骤：采集振动轧机的振动加速度信号x(t)，并将该振动加速度信号划分成N段，使得每段振动加速度信号的容量均等于最佳样本容量Lm；根据公式计算出各段振动加速度信号的峭度值Ki；将各段振动加速度信号的峭度值Ki近似为峭度时变信号K(t)，并根据公式计算出该峭度时变信号的概率密度函数p(x)；根据所述峭度时变信号的概率密度函数p(x)的图像形状识别是否存在振痕。与现有技术相比，由于峭度值是无量纲参数，与振动加速度信号有关而与轧机的工况无关，准确率高；此外，通过分析峭度时变信号概率密度函数图像的形状，从而达到识别轧机振痕的目的，识别方法简单，识别速度快。
Description
技术领域
本发明涉及二十辊轧机振痕识别领域，尤其涉及一种基于峭度时变信号轧机振痕识别方法。
背景技术
轧机的振动及振痕振动的控制一直是一个技术难题，轧机的振动问题，不仅使轧机的机械性能和精度受到影响，而且强烈的轧机振动会严重影响产品的表面质量，给企业带来重大的经济损失。
目前，振动振痕识别已成为该领域的热点和重点，如：2003年A.Swiatoniowski,ABar提出了基于数学建模及其分析的连轧机的参量化激励振动；2005年，Niziol j,Swiatoniowski A.对轧机的垂直振动及其对钢板质量的影响进行了研究；2005年A.Bar，O.Bar研究了再轧制过程中的中频振动的分类；2008年，Kuljanic E,M.Sortino,Totis G,利用多传感器检测磨削过程中产生的振痕；2009年，Brusa E,Lemma L.对多辊轧机冷轧的动力学效应进行了模拟数据和试验研究；2012年，Vladimir Ranjkovic,Ronald Gloss,John Steward等对钢带热轧机的“chatter”机理进行了定量分析和数学建模；2012年AliHeidari,Mohammad R.Forouzan提出在“chatter”振动限制下为提升轧制速度的轧制参数优化；2012年，Xavier Escaler,Oscar de la Torre,Eduard Egusquiza等对造纸机单烘干表面的振纹进行了分析；2002年，Jue Zhong,Hongzhi Yan等对某企业轧机回火冷轧喘振进行了研究，指出轧机平整机的自激振动与钢卷上的振痕有密切关系；2012年，王永涛，臧勇，吴迪平等人提出了CSP轧机的辊面振纹扩展致振机理，认为轧机振纹是工作辊初始振纹在轧制过程中逐渐在辊面扩展形成,轧辊表面振纹引起并加剧了轧机的非正常振动等。
尽管国内外学者对于振痕振动已经做了大量研究，但主要针对研究切削加工机床中的振痕振动，对于二十辊轧机的振痕振动则多停留在振痕产生的机理上，二十辊轧机振痕振动的诊断方法多为频谱分析，如申请号为201310023206.1的中国发明专利《轧机振痕振动信号的故障特征提取方法及识别方法》公开了一种轧机振痕振动信号的故障特征提取方法，包括以下步骤：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；接着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；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；最后对该二阶循环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。但是，由于二十辊轧机结构的复杂性和振动源的多样性和偶然性，使得传统的频谱分析方法的识别准确率低。
发明内容
本发明所要解决的技术问题是针对现有技术而提供一种识别方法简单、准确度高的基于峭度时变信号轧机振痕识别方法。
本发明解决上述技术问题所采用的技术方案为：一种基于峭度时变信号轧机振痕识别方法，其特征在于包括以下步骤：
1)通过安装于所述轧机上的加速度传感器采集振动轧机的振动加速度信号x(t)，并将该振动加速度信号划分成N段，使得每段振动加速度信号的容量均等于最佳样本容量Lm，其中N为大于零的整数；
2)根据公式计算出各段振动加速度信号的峭度值Ki，其中xi(t)表示第i段振动加速度信号，μi表示第i段振动加速度信号的平均值，E(xi(t)-μi)4表示求取第i段振动加速度信号的四阶中心距，σi 4表示第i段振动加速度信号的方差的平方，0<i≤N且i为整数；
3)将各段振动加速度信号的峭度值Ki近似为峭度时变信号K(t)，并根据公式计算出该峭度时变信号的概率密度函数p(x)，其中p[k<K(t)<k+Δk]表示该峭度时变信号K(t)在区间[k，k+Δk]的分布概率，k表示峭度时变信号K(t)的峭度值；
4)根据所述峭度时变信号的概率密度函数p(x)的图像形状识别是否存在振痕。
其中上述步骤1)中最佳样本容量Lm指样本个数应该满足峭度指标的正确计算，即趋近于3，同时又应该尽量少，以满足快速计算处理的需要。
步骤4)中若所述峭度时变信号的概率密度函数p(x)图像呈短宽状，则表示存在振痕；若所述峭度时变信号的概率密度函数p(x)图像呈长窄状，则表示不存在振痕；具体地：所述峭度时变信号的概率密度函数定义f(x)函数图像中横轴区间(μ-σ,μ+σ)内的标准面积为S1，区间(μ-aσ,μ+aσ)内的标准面积为S2，区间(μ-bσ,μ+bσ)内的标准面积为S3，若所得x值即峭度时变信号时的横轴区间内的面积S均小于所述S1、S2、S3则所述函数f(x)的图像呈短宽状，也即所述峭度时变信号的概率密度函数p(x)的图像短宽状；对应地，若所得k值时的横轴区间内的面积S均大于所述S1、S2、S3则所述函数f(x)的图像呈长窄状，也即所述峭度时变信号的概率密度函数p(x)的图像呈长窄状；其中μ为位置参数，σ为宽度参数，所述函数f(x)的图像以x＝μ为对称轴呈左右对称，1<a<2，2<b<3。
与现有技术相比，本发明的优点在于：采用峭度值分析方法对轧机振痕进行识别，由于峭度值是无量纲参数，与振动加速度信号有关而与轧机的工况无关，因此特别适用于表面振痕类损伤的识别，且识别准确率高；此外，在轧机振痕识别过程中将各段的峭度值近似为峭度时变信号，不仅能直观地反映峭度值随轧制进程的变化，而且能通过分析其概率密度函数确定的形状，从而达到识别轧机振痕的目的，识别方法简单，识别速度快。
附图说明
图1为本发明中二十辊轧机结构示意图；
图2为本发明中基于峭度时变信号轧机振痕识别方法流程图；
图3为本发明中函数f(x)图像示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示为一种安装有振动加速度传感器的二十辊轧机，包括上、下相对对称设置的上部分A和下部分B，其中上部分A包括由内到外依次排列设置的工作辊1、中间辊2、驱动辊3和支撑辊4，其中工作辊1为1个，中间辊2为2个，以工作辊1为对称轴对称设置在工作辊1的上方，驱动辊3为3个，支撑辊4为4个，以与中间辊2相同的设置方式依次向外排列。振动加速度传感器用来采集振动二十辊轧机的加速度信号，包括第一振动加速度传感器5和第二振动加速度传感器6，其中第一振动加速度传感器5安装于从左往右的第二个支撑辊4的轴瓦41上，而第二振动加速度传感器6安装于从左往右的第三个支撑辊4的轴瓦41上。
如图2所示为一种基于峭度时变信号二十辊轧机振痕识别方法，识别时首先，通过第一、第二振动加速度传感器5，6采集振动轧机的振动加速度信号x(t)，并将该振动加速度信号划分成N段，使得每段振动加速度信号的容量均等于最佳样本容量Lm，其中，最佳样本容量Lm指样本个数应该满足峭度指标的正确计算，即趋近于3，同时又应该尽量少，以满足快速计算处理的需要，N为大于零的整数。然后，根据公式计算出各段振动加速度信号的峭度值Ki，其中xi(t)表示第i段振动加速度信号，μi表示第i段振动加速度信号的平均值，E(xi(t)-μi)4表示求取第i段振动加速度信号的四阶中心距，σi 4表示第i段振动加速度信号的方差的平方，0<i≤N且i为整数。由于各段振动加速度信号的峭度值Ki可与时间轴对应，而每一峭度值表征一个时间段内的振动评价，因此时间分辨率可表示为△t＝Lm/fs，其中fs表示振动加速度信号的采样频率。由于振动加速度信号的采样频率fs通常较高，时间分辨率△t较小，因此可将各段振动加速度信号的峭度值Ki近似为峭度时变信号K(t)，并根据公式计算出该峭度时变信号的概率密度函数p(x)，其中p[k<K(t)<k+Δk]表示该峭度时变信号K(t)在区间[k，k+Δk]的分布概率，k表示峭度时变信号K(t)的峭度值。
最后，根据峭度时变信号的概率密度函数p(x)的图像形状识别是否存在振痕，即若峭度时变信号的概率密度函数p(x)图像呈短宽状，则表示存在振痕；若峭度时变信号的概率密度函数p(x)图像呈长窄状，则表示不存在振痕。由于测量中的数据与正态分布有着良好的吻合性和相似性，因此采用正态分布来对峭度时变信号的概率密度函数p(k)进行分析。所述峭度时变信号的概率密度函数函数f(x)的图像呈正态分布，如图3所示，μ是该正态分布的位置参数，用来描述整体分布的集中趋势位置，该正态分布以x＝μ为对称轴，左右完全对称，且该正态分布的均数、中位数、众数相同，均等于μ，即μ可用作为轧机信号的中间位置，应用在峭度时变信号的概率密度函数p(x)中即可确定波形的集中趋势位置，可作为判断轧机信号稳定与否的标准之一。σ是宽度参数，用来描述正态分布数据分布的离散程度，σ越大表示数据分布越分散，σ越小表示数据分布越集中，应用于正态分布函数的图像时，σ越大曲线越扁平，而σ越小曲线越窄高，即可通过σ来确定所测量的轧机信号在均值附近是否比较集中。因此定义f(x)函数图像中横轴区间(μ-σ,μ+σ)内的标准面积为S1，区间(μ-aσ,μ+aσ)内的标准面积为S2，区间(μ-bσ,μ+bσ)内的标准面积为S3，其中1<a<2，2<b<3，本实施例中，a＝1.96，b＝2.58，即(μ-σ,μ+σ)内的标准面积为S1＝68.268949％，(μ-1.96σ,μ+1.96σ)内的标准面积为S2＝95.449974％，(μ-2.58σ,μ+2.58σ)内的标准面积为S3＝99.730020％，若所得x值时即峭度时变信号的横轴区间内的面积S均小于S1、S2、S3则函数f(x)的图像呈短宽状，也即峭度时变信号的概率密度函数p(x)的图像短宽状，存在振痕；对应地，若所得k值时的横轴区间内的面积S均大于S1、S2、S3则函数f(x)的图像呈长窄状，也即所述峭度时变信号的概率密度函数p(x)的图像呈长窄状，不存在振痕。
尽管已经示出和描述了本发明的实施例，但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 (2)
1.一种基于峭度时变信号轧机振痕识别方法，其特征在于包括以下步骤：
1)通过安装于所述轧机上的加速度传感器采集振动轧机的振动加速度信号x(t)，并将该振动加速度信号划分成N段，使得每段振动加速度信号的容量均等于最佳样本容量Lm，其中N为大于零的整数；
2)根据公式计算出各段振动加速度信号的峭度值Ki，其中xi(t)表示第i段振动加速度信号，μi表示第i段振动加速度信号的平均值，E(xi(t)-μi)4表示求取第i段振动加速度信号的四阶中心距，σi 4表示第i段振动加速度信号的方差的平方，0<i≤N且i为整数；
3)将各段振动加速度信号的峭度值Ki近似为峭度时变信号K(t)，并根据公式计算出该峭度时变信号的概率密度函数p(x)，其中P[k<K(t)<k+Δk]表示该峭度时变信号K(t)在区间[k，k+Δk]的分布概率，k表示峭度时变信号K(t)的峭度值；
4)根据所述峭度时变信号的概率密度函数p(x)的图像形状识别是否存在振痕。
2.根据权利要求1所述的基于峭度时变信号轧机振痕识别方法，其特征在于：所述峭度时变信号的概率密度函数定义f(x)函数图像中横轴区间(μ-σ,μ+σ)内的标准面积为S1，区间(μ-aσ,μ+aσ)内的标准面积为S2，区间(μ-bσ,μ+bσ)内的标准面积为S3，若所得k值时的横轴区间内的面积S均小于所述S1、S2、S3，则所述函数f(x)的图像呈短宽状，也即所述峭度时变信号的概率密度函数p(x)的图像短宽状，则表示存在振痕；对应地，若所得k值时的横轴区间内的面积S均大于所述S1、S2、S3，则所述函数f(x)的图像呈长窄状，也即所述峭度时变信号的概率密度函数p(x)的图像呈长窄状，则表示不存在振痕；其中μ为位置参数，σ为宽度参数，所述函数f(x)的图像以x＝μ为对称轴呈左右对称，1<a<2，2<b<3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310420202.7A CN104457968B (zh) | 2013-09-13 | 2013-09-13 | 一种基于峭度时变信号轧机振痕识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310420202.7A CN104457968B (zh) | 2013-09-13 | 2013-09-13 | 一种基于峭度时变信号轧机振痕识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104457968A CN104457968A (zh) | 2015-03-25 |
| CN104457968B true CN104457968B (zh) | 2017-11-24 |
Family
ID=52904391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310420202.7A Active CN104457968B (zh) | 2013-09-13 | 2013-09-13 | 一种基于峭度时变信号轧机振痕识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104457968B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275467A (zh) * | 2019-06-25 | 2019-09-24 | 江苏理工学院 | 基于电路物理参数检测的控制系统 |
| CN112784218A (zh) * | 2021-02-03 | 2021-05-11 | 中国工程物理研究院总体工程研究所 | 一种非高斯随机振动信号的峭度估计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1724990A (zh) * | 2004-07-20 | 2006-01-25 | 上海克雷登信息科技有限公司 | 滚动轴承疲劳寿命试验故障在线诊断方法 |
| CN103071685A (zh) * | 2013-01-22 | 2013-05-01 | 重庆大学 | 基于角域的二十辊轧机振痕监测系统及方法 |
| CN103115668A (zh) * | 2013-01-22 | 2013-05-22 | 重庆大学 | 轧机振痕振动信号的故障特征提取方法及识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5903869B2 (ja) * | 2011-12-19 | 2016-04-13 | Ｊｆｅスチール株式会社 | 熱間圧延ラインにおけるミルペーシング制御方法 |
-
2013
- 2013-09-13 CN CN201310420202.7A patent/CN104457968B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1724990A (zh) * | 2004-07-20 | 2006-01-25 | 上海克雷登信息科技有限公司 | 滚动轴承疲劳寿命试验故障在线诊断方法 |
| CN103071685A (zh) * | 2013-01-22 | 2013-05-01 | 重庆大学 | 基于角域的二十辊轧机振痕监测系统及方法 |
| CN103115668A (zh) * | 2013-01-22 | 2013-05-22 | 重庆大学 | 轧机振痕振动信号的故障特征提取方法及识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| SUS430钢带冷却条纹缺陷产生原理及控制;袁意林;《宝钢技术》;20091231(第5期);5-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104457968A (zh) | 2015-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101906029B1 (ko) | 제조 설비 진단 지원 장치 | |
| CN105092467B (zh) | 一种高速铁路车轮踏面擦伤快速监测装置及方法 | |
| Shao et al. | Characteristic recognition of chatter mark vibration in a rolling mill based on the non-dimensional parameters of the vibration signal | |
| US20170050599A1 (en) | Vehicle event assessment | |
| CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
| CN113705412B (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
| CN104457968B (zh) | 一种基于峭度时变信号轧机振痕识别方法 | |
| CN105929025B (zh) | 一种基于时间与空间连续的车轮踏面与轨道故障检测方法 | |
| WO2021042434A1 (zh) | 一种机械加工过程中颤振的监测方法 | |
| CN110991828B (zh) | 一种基于信息熵理论的钢轨紧固件状态检测方法 | |
| CN103433806A (zh) | 一种自适应的刀具微破损监控系统及监控方法 | |
| CN108520125A (zh) | 一种预测刀具磨损状态的方法及系统 | |
| CN108568455A (zh) | 一种轧机振动监测及振动纹缺陷判别的方法 | |
| CN103606221A (zh) | 清分机故障自动诊断方法以及装置 | |
| WO2019192237A1 (zh) | 基于声学信道的个人计算机使用行为监测方法及系统 | |
| SALAU et al. | A survey of accelerometer-based techniques for road anomalies detection and characterization | |
| CN114013957B (zh) | 基于声音信号的输送带纵向撕裂检测方法及相关设备 | |
| CN101251896A (zh) | 一种基于多分类器的物体检测系统及方法 | |
| CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
| CN112067701A (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
| CN106203253B (zh) | 一种基于多源信息的磨机振动与振声特征提取方法 | |
| Huang et al. | Automatic classification of magnetic tiles internal defects based on acoustic resonance analysis | |
| US20170309040A1 (en) | Method and device for positioning human eyes | |
| CN102980536A (zh) | 刹车片钢背平面度检测系统及方法 | |
| CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |