CN108038553B - 轧机设备状态在线监测与诊断系统及监测诊断方法 - Google Patents

Abstract

本发明提供一种轧机设备状态在线监测与诊断系统及监测诊断方法，轧机设备状态在线监测与诊断系统包括：数据解析模块，伺服阀差值分析模块，电气传感器振荡分析模块，旋转部件振动信号分析模块，信息综合处理模块,故障报警模块，监控视图模块，通道管理模块，标准管理模块，以及故障反馈模块。本发明使得系统中的大量加密生产数据文件被解析出来，大幅度节省数据存储空间，有利于故障数据的追溯和基于大数据的深入分析；通过伺服阀、电气传感器、关键旋转部件的不同信号特征提取和分析，可以多维度地在线监测与诊断轧机设备状态；通过轧机设备状态在线监测与诊断系统，实现了轧制稳定性和产品质量指标控制精度的提升。

Description

轧机设备状态在线监测与诊断系统及监测诊断方法

技术领域

本发明涉及一种轧机设备状态在线监测与诊断系统及监测诊断方法，属于监测系统领域。

背景技术

轧机是冶金企业的关键设备，每年都因突发的重大设备事故和“维修过剩”造成巨大经济损失。轧钢过程设备生产线长、工作环境恶劣(高温、噪声、潮湿、多尘、强电磁场)，设备早期故障信号隐含在强噪声背景之中，具有高度的非线性、强耦合的特点，导致轧机的高速回转件故障机理复杂，早期故障识别异常困难，如何实现轧机设备状态的在线监测与诊断，避免突发的重大设备事故及“维修过剩”造成的巨额维修经费，成为冶金企业亟待解决的难题。

传统的轧机设备状态监测一般是针对旋转部件(轴承或齿轮箱等)的振动信号进行分析，提取故障特征，实现早期故障识别。这样就导致了轧机设备状态监测的局限性，无法全面反映轧机设备状态对轧制产品质量精度与轧制稳定性的影响。实际上，影响轧制稳定性的因素众多，涉及生产工艺、控制、设备精度状态、模型、轧辊、工艺通道、仪表等多方面。由于这些因素横跨众多专业、数据分散，且需要不同专业的技术人员进行人工分析和监测，难以做到有效预防和监控。因此，对轧机设备状态进行在线监控、有效评估与智能分析显得尤为必要，对影响轧机设备状态的众多因素进行统一管理，从而提高轧制稳定性和产品质量指标。

文献检索查到相关专利：2014年03月05日公开的申请号为CN201310701841.0的发明专利《一种低速重载机械的早期故障检测系统》，提出了一种低速重载机械的早期故障检测系统，采用压振传感器和超低频锁相环，提取早期故障微弱冲击信号。2016年11月23日公开的申请号为CN201610502764.X的发明专利《一种动设备状态监测及故障诊断安全系统》，提出一种动设备状态监测及故障诊断安全系统，通过数据传输装置和数据采集装置实现对动设备的远程监控。

但是，上述专利只涉及到机械设备振动信号的监测及故障诊断，针对设备电气信号的状态监测及故障诊断，尤其是对轧机设备状态的在线监测与诊断，几乎没有相关的专利涉及到。

发明内容

本发明的目的在于提供一种轧机设备状态在线监测与诊断系统及监测诊断方法，以解决上述问题。实现轧制稳定性和产品质量指标控制精度的提升。

本发明采用了如下技术方案：

一种轧机设备状态在线监测与诊断系统，其特征在于，包括：

数据解析模块，自动将加密的生产数据文件，按照指定的通道、采样频率等方式解析成常规的txt数据文件，

伺服阀差值分析模块，根据已解析的伺服阀实时给定值和实时反馈值，计算出给定值和反馈值的实时差值，采用控制图方法计算出单块钢的控制上下限作为异常上下限，并结合工艺要求设置故障上下限，绘制伺服阀差值控制图，并提取出相应的异常信息和故障信息，

电气传感器振荡分析模块，具有分别采集电机电流、力矩和速度三类传感器，分别根据已解析的电机电流、力矩、速度数据，采用短时傅里叶变换方法计算出频率随时间变化的时频曲线，再结合控制图和工艺要求的频率故障上下限，提取出相应的异常信息和故障信息，

旋转部件振动信号分析模块，首先计算并判断数据的均值和均方根值是否超出给定阈值；然后再将超出阈值的数据通过稀疏分解算法，提取出数据中的稀疏成分，得到振动数据的稀疏表示，

信息综合处理模块,根据伺服阀差值分析模块提取的异常和故障信息、电气传感器振荡分析模块提取的异常和故障信息、旋转部件振动信号分析模块提取的稀疏表示信息，收集大量故障案例样本数据，通过支持向量机算法训练出多特征数据的故障分类器，

故障报警模块，根据提取的故障信息和判断出的故障类型，生成故障报警完整信息，

监控视图模块，故障报警模块生成的故障报警完整信息分别通过系统状态指示灯和数据列表形式展示在各分厂电脑终端。

通道管理模块，对轧线L1控制系统中与轧制稳定性和产品质量指标相关的数据通道进行管理，包括通道编号、通道名称、通道所属设备区域、通道所属产线区域的管理,

标准管理模块，每项与轧制稳定性和产品质量指标相关的数据均会根据工艺要求设置故障标准上下限，通过该模块的授权后，可对标准上下限进行配置和修改，

故障反馈模块，由操作员手动录入故障排除的基本信息，包括故障排除时间、故障排除方法、故障影响因素、故障排除状态。

进一步，本发明的轧机设备状态在线监测与诊断系统，还具有这样的特征，还包括：报表报送模块，将故障信息和反馈处理结果发送至管理服务器，定期向上一级汇报状态信息。

进一步，本发明的轧机设备状态在线监测与诊断系统，还具有这样的特征：其中，所述报表报送模块包含预定周期内的异常发生率、故障发生率、异常排除率、故障排除率、故障信息列表，其中故障信息列表包含故障发生时间、故障位置、处理结果、负责人。

进一步，本发明的轧机设备状态在线监测与诊断系统，还具有这样的特征：其中，所述报警完整信息包括故障时间、所属产线区域、所属设备区域、采集的指标值、计算和设定的上下限、钢卷号以及状态信息。

本发明还提供一种轧机设备状态在线监测与诊断方法，利用上述轧机设备状态在线监测与诊断系统进行轧机设备状态在线监测与诊断，其特征在于，包括如下步骤：

步骤一、通过数据解析模块完成数据服务器加密采集文件的解析，获取轧钢过程各设备状态的准确数据信息，

步骤二、采用基于信号多特征的状态监测与故障诊断处理方法，得到轧钢过程设备的状态信息，

步骤三、电脑终端接收故障报警信息，通过数据管理模块将处理结果反馈至应用程序服务器，构成设备故障的发现-排除-反馈的闭环处理方式，

步骤四、将故障信息和反馈处理结果通过报表报送模块发送至管理服务器，定期向上一级汇报状态信息。

进一步，本发明的轧机设备状态在线监测与诊断方法，还具有这样的特征：步骤一中，通过以太网连接到各分厂数据服务器，经过路径配置、通道配置、文件扫描、文件提取，再通过数据解析得到轧钢过程各设备状态相关的txt数据文件。

进一步，本发明的轧机设备状态在线监测与诊断方法，还具有这样的特征：步骤一中，根据轧机状态监测的需求得到如时间、轧制力、带钢长度、零调偏差、磁尺位移、电流、力矩、速度、刚度、钢卷号等各类信息。

进一步，本发明的轧机设备状态在线监测与诊断方法，还具有这样的特征：步骤一中，根据生产数据文件的构建方式，设计动态链接库，分别从通道号、采样频率、采样点数等配置条件，将生产数据文件解析为状态监测数据文件。

进一步，本发明的轧机设备状态在线监测与诊断方法，还具有这样的特征：步骤二中，包括步骤：首先，在多特征提取部分，根据监测对象的类别，分别采用伺服阀差值分析模块、电气传感器振荡分析模块和旋转部件振动信号分析模块将不同类型设备的多特征信息提取出来；然后结合支持向量机方法，通过信息综合处理模块，将状态信息进行分类并对故障点进行定位；再通过故障报警模块和监控视图模块向电脑终端推送状态信息和故障报警信息。

进一步，本发明的轧机设备状态在线监测与诊断方法，还具有这样的特征：

步骤三中，数据解析的过程如下：首先通过故障报警信息发现故障；然后采用数据追溯、现场故障排查、专家诊断等方式将故障排除后，将解决方案反馈至应用程序服务器，并且将该确认后的故障信息作为新的故障案例样本数据更新步骤二中的信息综合处理模块中的支持向量机样本；最后根据处理结果判断是否需要修正标准值或增减通道，并通过通道管理模块和标准管理模块将结果反馈至应用程序服务器中。

发明的有益效果

本发明的轧机设备状态在线监测与诊断系统及监测诊断方法，使得系统中的大量加密生产数据文件可被解析出来，用于轧机设备状态的深度分析，且大幅度节省了数据的存储空间，提高了数据存储的时间跨度，更加有利于故障数据的追溯和基于大数据的深入分析；通过伺服阀、电气传感器、关键旋转部件的不同信号特征提取和分析，可以多维度地在线监测与诊断轧机设备状态；通过设备故障发现-排除-反馈的闭环处理方式，可有效提高故障数据的可追溯性和故障排除的高效性；通过定期故障报表的报送，更加有利于上一级对轧机设备状态的总体管控。通过轧机设备状态在线监测与诊断系统，实现了轧制稳定性和产品质量指标控制精度的提升。

附图说明

图1是轧机设备状态在线监测与诊断系统总体流程图。

图2是数据解析模块的总体流程图；

图3是伺服阀差值分析的流程；

图4是电气传感器振荡分析的流程；

图5是旋转部件振动信号分析流程；

图6是故障处理流程图。

具体实施方式

以下结合附图来说明本发明的具体实施方式。

如图1所示，轧机设备状态在线监测与诊断系统，包括：数据解析模块10，伺服阀差值分析模块11，电气传感器振荡分析模块12，旋转部件振动信号分析模块13，信息综合处理模块14,故障报警模块15，监控视图模块16，通道管理模块17，标准管理模块18以及故障反馈模块19。

整个轧机设备状态在线监测与诊断系统的架构是基于C/S架构，分为数据服务器、应用程序服务器、管理服务器和电脑终端几个部分。每个部分的连接是通过以太网进行通讯，其中数据服务器和应用程序服务器为单向传输，应用程序服务器和管理服务器为单向传输，应用程序服务器和电脑终端为双向传输。

数据解析模块10，自动将加密的生产数据文件，按照指定的通道、采样频率等方式解析成常规的txt数据文件，存储到应用程序服务器。经过数据解析后，大量与轧机设备状态监测无关的数据将被摒弃，与状态监测有关的数据则被压缩成小文件进行存储，增加了数据存储时间跨度的同时使得数据可直接用于后续的深度处理。

伺服阀差值分析模块11，根据已解析的伺服阀实时给定值和实时反馈值，计算出给定值和反馈值的实时差值，采用控制图方法计算出单块钢的控制上下限作为异常上下限，并结合工艺要求设置故障上下限，绘制伺服阀差值控制图，并提取出相应的异常信息和故障信息，

电气传感器振荡分析模块12，具有分别采集电机电流、力矩和速度三类传感器，分别根据已解析的电机电流、力矩、速度数据，采用短时傅里叶变换方法计算出频率随时间变化的时频曲线，再结合控制图和工艺要求的频率故障上下限，提取出相应的异常信息和故障信息，

旋转部件振动信号分析模块13，首先计算并判断数据的均值和均方根值是否超出给定阈值；然后再将超出阈值的数据通过稀疏分解算法，提取出数据中的稀疏成分，得到振动数据的稀疏表示，

信息综合处理模块14,根据伺服阀差值分析模块11提取的异常和故障信息、电气传感器振荡分析模块12提取的异常和故障信息、旋转部件振动信号分析模块13提取的稀疏表示信息，收集大量故障案例样本数据，通过支持向量机算法训练出多特征数据的故障分类器，

故障报警模块15，根据提取的故障信息和判断出的故障类型，生成故障报警完整信息，

监控视图模块16，故障报警模块15生成的故障报警完整信息分别通过系统状态指示灯和数据列表形式展示在各分厂电脑终端。

通道管理模块17，对轧线L1控制系统中与轧制稳定性和产品质量指标相关的数据通道进行管理，包括通道编号、通道名称、通道所属设备区域、通道所属产线区域的管理,

标准管理模块18，每项与轧制稳定性和产品质量指标相关的数据均会根据工艺要求设置故障标准上下限，通过该模块的授权后，可对标准上下限进行配置和修改，

故障反馈模块19，由操作员手动录入故障排除的基本信息，包括故障排除时间、故障排除方法、故障影响因素、故障排除状态。

轧机设备状态在线监测与诊断方法，包括以下步骤：

步骤一、通过数据解析模块10完成数据服务器加密采集文件的解析，获取轧钢过程各设备状态的准确数据信息。

轧钢生产线的生产数据是轧钢控制系统生成的一个个独立加密文件，每个文件包含几千个通道数据，数据量大且难以通过常规数据分析手段处理这些庞大的数据。通过数据解析模块10自动将加密的生产数据文件，按照指定的通道、采样频率等方式解析成常规的txt数据文件。通过以太网连接到各分厂数据服务器，经过路径配置、通道配置、文件扫描、文件提取，再通过数据解析得到轧钢过程各设备状态相关的txt数据文件。数据解析模块工作的总体流程图如图2所示，包括：

步骤2-1：开始，

步骤2-2：对数据的服务器路径进行配置，

步骤2-3：对状态数据的通道进行配置，

步骤2-4：扫描加密的数据文件，

步骤2-5：判断数据文件是否已经解析过，如果判断结果为“是”，则进入步骤2-7，如果判断结果为“否”，则进入步骤2-6，

步骤2-6：结合动态链接库解析文件，

步骤2-7：判断是否所述数据均已解析，如果判断结果为“是”，则结束，如果判断结果为“否”，则返回步骤2-4。

数据解析是个在线的过程，是随着轧线L1(基础自动化)控制系统不断生成的加密生产数据文件而进行实时处理的，可以根据轧机状态监测的需求得到如时间、轧制力、带钢长度、零调偏差、磁尺位移、电流、力矩、速度、刚度、钢卷号等各类信息。涉及到的关键技术是加密生产数据文件的解析，根据生产数据文件的构建方式，设计动态链接库，分别从通道号、采样频率、采样点数等配置条件，将生产数据文件解析为状态监测数据文件。一个10分钟的生产数据文件的容量是150M左右，每天的数据量高达20G，通过数据解析模块10生成的轧机状态监测数据每天的数据量只占用10M不到的存储空间，大幅度缩减了数据存储量，延长了数据存储的时间跨度，便于后续的轧机设备故障信息追溯。

步骤二、采用基于信号多特征的状态监测与故障诊断处理方法，得到轧钢过程设备的状态信息。

轧机设备状态监测与故障诊断由六个部分组成，分别是伺服阀差值分析模块11、电气传感器振荡分析模块12、旋转部件振动信号分析模块13、信息综合处理模块14、故障报警模块15以及监控视图模块16。首先，在多特征提取部分，根据监测对象的类别，分别采用伺服阀差值分析模块11、电气传感器振荡分析模块12和旋转部件振动信号分析模块13将不同类型设备的多特征信息提取出来；然后结合支持向量机方法，通过信息综合处理模块14，将状态信息进行分类并对故障点进行定位；再通过故障报警模块15和监控视图模块16向电脑终端推送状态信息和故障报警信息。

伺服阀差值分析模块11，根据已解析的伺服阀实时给定值和实时反馈值，计算出给定值和反馈值的实时差值，采用控制图方法计算出单块钢的控制上下限作为异常上下限，并结合工艺要求设置故障上下限，绘制伺服阀差值控制图，并提取出相应的异常信息和故障信息。伺服阀差值分析的流程如图3所示，数据解析模块工作的总体流程图如图2所示，包括：

步骤3-1：获得伺服阀给定值，

步骤3-2：获得伺服阀反馈值，

步骤3-3：计算二者的实时差值，

步骤3-4：与控制上下限进行比较，

步骤3-5：与故障上下限进行比较，

步骤3-6：得到差值控制图，并进行信息提取，

步骤3-7：得到异常信息和故障信息。

电气传感器振荡分析模块12，主要有分别采集电机电流、力矩和速度三类传感器，分别根据已解析的电机电流、力矩、速度数据，采用短时傅里叶变换方法计算出频率随时间变化的时频曲线，再结合控制图和工艺要求的频率故障上下限，提取出相应的异常信息和故障信息。伺服阀振荡分析的流程如图4所示，包括步骤：

步骤4-1：获得电气传感器的电机电流、力矩和速度值，

步骤4-2：与控制上下限进行比较，

步骤4-3：对步骤4-1得到的数据进行短时傅里叶变换，

步骤4-4：根据步骤4-2的结果得到控制图，

步骤4-5：根据步骤4-3的结果绘制时频曲线，

步骤4-6：对步骤4-4和步骤4-5的数据进行信息提取，得到异常信息和故障信息。

旋转部件振动信号分析模块13，根据已解析的旋转部件的振动数据，首先计算并判断数据的均值和均方根值是否超出给定阈值；然后再将超出阈值的数据通过稀疏分解算法，提取出数据中的稀疏成分，得到振动数据的稀疏表示。旋转部件振动信号分析的流程如图5所示，包括：

步骤5-1：获得旋转部件的振动数据，

步骤5-2：计算均值和均方根值，

步骤5-3：判断是否超出阈值，如果判断结果为是，则进入步骤5-4，如果判断结果为“否”，则输出正常结果，

步骤5-4：对数据进行稀疏分解，得到振动数据的稀疏表示。

信息综合处理模块14，根据伺服阀差值分析模块11提取的异常和故障信息、电气传感器振荡分析模块12提取的异常和故障信息、旋转部件振动信号分析模块13提取的稀疏表示信息，收集大量故障案例样本数据，通过支持向量机算法训练出多特征数据的故障分类器，在使用时，提取的故障信息通过该故障分类器即可判断出故障类型。

故障报警模块15，根据提取的故障信息和判断出的故障类型，生成故障报警完整信息，包括故障时间、所属产线区域、所属设备区域、采集的指标值、计算和设定的上下限、钢卷号、及状态等信息。

监控视图模块16，将故障报警模块15生成的故障报警完整信息分别通过系统状态指示灯和数据列表形式展示在各分厂电脑终端。

步骤三、电脑终端接收故障报警信息，通过数据管理模块将处理结果反馈至应用程序服务器，构成设备故障的发现-排除-反馈的闭环处理方式。

数据管理模块由三个部分组成，分别是通道管理模块17、标准管理模块18以及故障反馈模块19。

通道管理模块17，可对轧线L1控制系统中与轧制稳定性和产品质量指标相关的数据通道进行管理，包括通道编号、通道名称、通道所属设备区域、通道所属产线区域的管理。

标准管理模块18，每项与轧制稳定性和产品质量指标相关的数据均会根据工艺要求设置故障标准上下限，通过该模块的授权后，可对标准上下限进行配置和修改。

故障反馈模块19，由操作员手动录入故障排除的基本信息，包括故障排除时间、故障排除方法、故障影响因素、故障排除状态。

各分厂电脑终端在接收到步骤二的故障报警信息后，接下来就要完成故障的排除和反馈。故障处理流程如图6所示，包括：

步骤6-1：获得故障报警信息，

步骤6-2：进行数据追溯、现场排查和专家诊断，

步骤6-3：进行故障排除，

步骤6-4：将排除结果反馈至应用程序服务器，

步骤6-5：更新信息综合处理模块中的故障案例样本数据，

步骤6-6：判断是否需要修正标准值或者增减通道，如果判断结果为“是”则进入步骤6-7，如果判断结果为“否”，则结束，

步骤6-7：对通道管理模块或者标准管模块中的标准值或者通道进行修改，然后结束。

首先通过故障报警信息发现故障；然后采用数据追溯、现场故障排查、专家诊断等方式将故障排除后，将解决方案反馈至应用程序服务器，并且将该确认后的故障信息作为新的故障案例样本数据更新步骤二中的信息综合处理模块14中的支持向量机样本；最后根据处理结果判断是否需要修正标准值或增减通道，并通过通道管理模块17和标准管理模块18将结果反馈至应用程序服务器中。

步骤四、将故障信息和反馈处理结果通过报表报送模块发送至管理服务器，定期向上一级汇报状态信息。

报表报送模块主要包含一定周期内的异常发生率、故障发生率、异常排除率、故障排除率、故障信息列表，其中故障信息列表包含故障发生时间、故障位置、处理结果、负责人。

采用上述方案，系统中的大量加密生产数据文件可被解析出来，用于轧机设备状态的深度分析，且大幅度节省了数据的存储空间，提高了数据存储的时间跨度，更加有利于故障数据的追溯和基于大数据的深入分析；通过伺服阀、电气传感器、关键旋转部件的不同信号特征提取和分析，可以多维度地在线监测与诊断轧机设备状态；通过设备故障发现-排除-反馈的闭环处理方式，可有效提高故障数据的可追溯性和故障排除的高效性；通过定期故障报表的报送，更加有利于上一级对轧机设备状态的总体管控。通过轧机设备状态在线监测与诊断系统，实现了轧制稳定性和产品质量指标控制精度的提升。

Claims (10)

1.一种轧机设备状态在线监测与诊断系统，其特征在于，包括：

数据解析模块，自动将加密的生产数据文件，按照指定的通道和采样频率方式解析成常规的txt数据文件，

伺服阀差值分析模块，根据已解析的伺服阀实时给定值和实时反馈值，计算出给定值和反馈值的实时差值，采用控制图方法计算出单块钢的控制上下限作为异常上下限，并结合工艺要求设置故障上下限，绘制伺服阀差值控制图，并提取出相应的异常信息和故障信息，

电气传感器振荡分析模块，具有分别采集电机电流、力矩和速度三类传感器，分别根据已解析的电机电流、力矩、速度数据，采用短时傅里叶变换方法计算出频率随时间变化的时频曲线，再结合控制图和工艺要求的频率故障上下限，提取出相应的异常信息和故障信息，

旋转部件振动信号分析模块，首先计算并判断数据的均值和均方根值是否超出给定阈值；然后再将超出阈值的数据通过稀疏分解算法，提取出数据中的稀疏成分，得到振动数据的稀疏表示，

信息综合处理模块,根据伺服阀差值分析模块提取的异常和故障信息、电气传感器振荡分析模块提取的异常和故障信息、旋转部件振动信号分析模块提取的稀疏表示信息，收集大量故障案例样本数据，通过支持向量机算法训练出多特征数据的故障分类器，

故障报警模块，根据提取的故障信息和判断出的故障类型，生成故障报警完整信息，

监控视图模块，故障报警模块生成的故障报警完整信息分别通过系统状态指示灯和数据列表形式展示在各分厂电脑终端，

通道管理模块，对轧线L1控制系统中与轧制稳定性和产品质量指标相关的数据通道进行管理，包括通道编号、通道名称、通道所属设备区域、通道所属产线区域的管理,

标准管理模块，每项与轧制稳定性和产品质量指标相关的数据均会根据工艺要求设置故障标准上下限，通过该模块的授权后，可对标准上下限进行配置和修改，

故障反馈模块，由操作员手动录入故障排除的基本信息，包括故障排除时间、故障排除方法、故障影响因素、故障排除状态。

2.如权利要求1所述的轧机设备状态在线监测与诊断系统，其特征在于，还包括：

报表报送模块，将故障信息和反馈处理结果发送至管理服务器，定期向上一级汇报状态信息。

3.如权利要求2所述的轧机设备状态在线监测与诊断系统，其特征在于：

其中，所述报表报送模块包含预定周期内的异常发生率、故障发生率、异常排除率、故障排除率、故障信息列表，其中故障信息列表包含故障发生时间、故障位置、处理结果、负责人。

4.如权利要求1所述的轧机设备状态在线监测与诊断系统，其特征在于：

其中，所述报警完整信息包括故障时间、所属产线区域、所属设备区域、采集的指标值、计算和设定的上下限、钢卷号以及状态信息。

5.一种轧机设备状态在线监测与诊断方法，利用如权利要求1所述轧机设备状态在线监测与诊断系统进行轧机设备状态在线监测与诊断，其特征在于，包括如下步骤：

步骤一、通过数据解析模块完成数据服务器加密采集文件的解析，获取轧钢过程各设备状态的准确数据信息，

步骤二、采用基于信号多特征的状态监测与故障诊断处理方法，得到轧钢过程设备的状态信息，

步骤三、电脑终端接收故障报警信息，通过数据管理模块将处理结果反馈至应用程序服务器，构成设备故障的发现-排除-反馈的闭环处理方式，

步骤四、将故障信息和反馈处理结果通过报表报送模块发送至管理服务器，定期向上一级汇报状态信息。

6.如权利要求5所述的轧机设备状态在线监测与诊断方法，其特征在于：

步骤一中，通过以太网连接到各分厂数据服务器，经过路径配置、通道配置、文件扫描、文件提取，再通过数据解析得到轧钢过程各设备状态相关的txt数据文件。

7.如权利要求5所述的轧机设备状态在线监测与诊断方法，其特征在于：

步骤一中，根据轧机状态监测的需求得到时间、轧制力、带钢长度、零调偏差、磁尺位移、电流、力矩、速度、刚度和钢卷号信息。

8.如权利要求5所述的轧机设备状态在线监测与诊断方法，其特征在于：

步骤一中，根据生产数据文件的构建方式，设计动态链接库，分别从通道号、采样频率和采样点数配置条件，将生产数据文件解析为状态监测数据文件。

9.如权利要求5所述的轧机设备状态在线监测与诊断方法，其特征在于：

步骤二中，包括步骤：首先，在多特征提取部分，根据监测对象的类别，分别采用伺服阀差值分析模块、电气传感器振荡分析模块和旋转部件振动信号分析模块将不同类型设备的多特征信息提取出来；然后结合支持向量机方法，通过信息综合处理模块，将状态信息进行分类并对故障点进行定位；再通过故障报警模块和监控视图模块向电脑终端推送状态信息和故障报警信息。

10.如权利要求5所述的轧机设备状态在线监测与诊断方法，其特征在于：

步骤三中，数据解析的过程如下：首先通过故障报警信息发现故障；然后采用数据追溯、现场故障排查和专家诊断的方式将故障排除后，将解决方案反馈至应用程序服务器，并且将确认后的故障信息作为新的故障案例样本数据更新步骤二中的信息综合处理模块中的支持向量机样本；最后根据处理结果判断是否需要修正标准值或增减通道，并通过通道管理模块和标准管理模块将结果反馈至应用程序服务器中。

Images