CN111611870A

CN111611870A - 冷连轧机故障特征识别方法、系统、装置及介质

Info

Publication number: CN111611870A
Application number: CN202010338034.7A
Authority: CN
Inventors: 张晓涛
Original assignee: Guangdong Mechanical and Electrical College
Current assignee: Guangdong Mechanical and Electrical College
Priority date: 2020-04-26
Filing date: 2020-04-26
Publication date: 2020-09-01
Anticipated expiration: 2040-04-26
Also published as: CN111611870B

Abstract

本发明公开了冷连轧机故障特征识别方法、系统、装置及介质，方法包括：采集轧机位移信号；对所述轧机位移信号进行奇异值分解，得到奇异值谱和奇异值差分谱；根据所述奇异值差分谱获取无随机噪声的降噪信号；根据所述奇异值谱从所述降噪信号中提取直流主分量；根据所述降噪信号和所述直流主分量计算剩余信号；根据所述奇异值谱以递归方式从所述剩余信号中提取电源基波主分量和三次谐波主分量；根据所述降噪信号减去电源基波主分量和三次谐波主分量，以得到电源基波和三次谐波被抑制的轧机位移信号。本发明提高了轧机故障特征信号的信噪比和识别准确率，可广泛应用于轧机故障诊断技术领域。

Description

冷连轧机故障特征识别方法、系统、装置及介质

技术领域

本发明涉及轧机故障诊断技术领域，尤其是冷连轧机故障特征识别方法、系统、装置及介质。

背景技术

随着科学技术不断进步，冶金设备日益向高负载、高自动化、高智能化方向发展，由设备故障所导致事故的严重程度也大幅增加。如何及时发现隐患并加以消除以保证冶金设备安全运行已成为业界迫切需要解决的重大问题。常见的冷连轧机故障包括：轧机轧辊轴轴向窜动、锥齿轮打齿、轧辊轴断、联轴器脱开及锥齿轮脱开等。冷连轧机状态监测与故障诊断装置可有效监测轧机设备的运行状态信息并进行故障识别，避免因故障扩大而带来的巨大经济损失。现有的故障诊断中，因作业现场电磁情况复杂导致采集的冷连轧机信号中同时存在随机噪声干扰和电源谐波噪声干扰，常规噪声抑制方法难以取得理想效果，会存在对真实运行状态的误判。因此抑制轧机信号的随机噪声和电源谐波噪声干扰是冷连轧机信号处理的重要内容。

现有技术中，可以采用奇异值分解方法实现轧机信号的噪声抑制。下面着重说明采用奇异值分解方法实现噪声抑制的过程。

假设采集的位移信号X为：

X＝{x₁，x₂，…，x_N} (1)

将位移信号构造为m×n维的Hankel矩阵A：

通常当N为偶数时取m＝N/2，n＝N/2+1，当N为奇数时取m＝(N+1)/2，n＝(N+1)/2。

对实矩阵A进行奇异值分解生成正交矩阵U∈R^m×m和V∈R^n×n使得下式成立：

A＝UΛV^T (3)

其中Λ为对角阵、r为Λ的秩，r≤min(m，n)，非零对角元素σ_i称为A的奇异值。

因Λ为对角阵，(3)式可表示为r个秩为1的m×n阶子矩阵和的形式，如式(4)所示：

式中u_i和v_i分别称为矩阵的第i个左奇异向量和右奇异向量，σ_i为矩阵A的第i个奇异值。

因此应用奇异值分解方法进行信号噪声抑制就是将全部奇异值分为两部分，一部分是反映噪声的较小奇异值，另一部分是反映有用信号特征的较大奇异值，然后将较小奇异值部分置零并保留较大奇异值部分，达到噪声抑制和特征提取的目的。奇异值分解方法实际上就是选择合适的阶次k值进行重构，重构阶次k的选择至关重要，阶次值过小会使得信号失真严重，其值过大则导致较多的噪声。

但是上述现有奇异值分解方法的降噪效果并不好，主要表现为两点：一是现有方式只能处理较为理想的信号类型，但是因为轧机工作现场环境恶劣，所采集信号会受到各种复杂因素的影响，如果简单地将奇异值划分为有用信号特征的较大奇异值和和反映噪声的较小奇异值两类会产生较大误差；二是电源谐波同轧机有用信号交织在一起而难以分开，因而目前现在的奇异值分解方法并不能准确地完成轧机故障特征信号的识别。

发明内容

有鉴于此，本发明实施例提供一种高准确度的冷连轧机故障特征识别方法、系统、装置及介质。

本发明的第一方面提供了冷连轧机故障特征识别方法，包括：

采集轧机位移信号；

根据所述轧机位移信号进行奇异值分解，得到奇异值谱和奇异值差分谱；

根据所述奇异值差分谱获取无随机噪声的降噪信号；

根据所述奇异值谱从所述降噪信号中提取第一主分量；

根据所述降噪信号和所述第一主分量，计算剩余信号；

根据所述奇异值谱从所述剩余信号中提取第二主分量；

根据所述降噪信号、第一主分量和第二主分量，确定电源基波及三次谐波被抑制的轧机位移信号。

在一些实施例中，根据所述轧机位移信号进行奇异值分解之前，还包括以下步骤：

将所述轧机位移信号构造为位移信号矩阵。

在一些实施例中，所述根据所述奇异值差分谱获取无随机噪声的降噪信号，具体为：

采用最优差分谱峰值方法抑制随机噪声，得到无随机噪声的降噪信号。

在一些实施例中，所述根据所述降噪信号和所述第一主分量，计算剩余信号这一步骤，具体为：

用奇异值分解提取直流主分量，由降噪信号减去主分量得到剩余信号。

在一些实施例中，所述根据所述奇异值谱从所述剩余信号中提取第二主分量这一步骤，包括：

以递归方式用奇异值分解方法从剩余信号中提取第二主分量，具体为：

根据提取到的主分量频谱特征判断当前主分量是否为基波和三次谐波，若是，则保存当前主分量，并用剩余信号减去所述当前主分量后得到新的剩余信号；直至完成对所有剩余信号的主分量提取。

在一些实施例中，所述根据所述降噪信号、第一主分量和第二主分量，确定电源基波及三次谐波被抑制的轧机位移信号这一步骤，具体为：

将所述降噪信号减去所述基波和三次谐波，得到抑制电源基波和三次谐波的轧机位移信号。

根据本发明的第二方面，还提供了一种冷连轧机故障特征识别系统，包括：

信号采集模块，用于采集轧机位移信号；

信号处理模块，用于对所述轧机位移信号进行奇异值分解，依据主分量频谱特征提取基波主分量和三次谐波主分量；

识别模块，对电源基波和三次谐波得以抑制的轧机位移信号进行识别，从而判断冷连轧机的工作状态。

根据本发明的第三方面，还提供了一种装置，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器用于根据所述程序执行如本发明第一方面所述的方法。

根据本发明的第四方面，还提供了一种存储介质，所述存储介质存储有程序，所述程序被处理器执行完成如本发明第一方面所述的方法。

本发明的实施例首先对轧机位移信号进行奇异值分解，得到奇异值谱和奇异值差分谱；然后根据最优奇异值差分谱获取无随机噪声的降噪信号；递归方式提取主分量并依据其频谱特征判断是否为基波和三次谐波；最后识别得到抑制电源基波和三次谐波的轧机位移信号。本发明提高了轧机故障特征信号的信噪比和识别准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的整体步骤流程图；

图2为本发明的采集轧机位移信号的波形图和频谱图；

图3为本发明的降噪信号的波形图和频谱图；

图4为本发明实施例的直流分量x_D(t)波形图及频谱图；

图5为本发明实施例的主分量x₁(t)的波形图及频谱图；

图6为本发明实施例的主分量x₂(t)的波形图及频谱图；

图7为本发明实施例的主分量x₃(t)的波形图及频谱图；

图8为本发明实施例的主分量x₄(t)的波形图及频谱图；

图9为本发明抑制电源基波和三次谐波的轧机位移信号波形图和频谱图。

具体实施方式

下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

针对现有技术中无法准确地完成轧机故障特征信号的识别技术问题，通过深入分析冷连轧机故障信号的特征，本发明实施例提供了一种冷连轧机的基于递归主分量谱估计的故障特征识别方法，以提高故障特征信号的信噪比，进而实现冷连轧机故障的准确诊断。如图1所示，本发明实施例包括以下步骤：

S1、轧机位移信号采集；

具体地，在本实施例中，通过测试试验的方法采集轧机位移信号，冷连轧机主轴的转速为3500转/分，以1000Hz采样率连续采集60秒，截取中间1024个轧机位移信号。图2是本实施例采集到的位移信号的波形图和频谱图。其中，图2(a)轧机位移信号的波形图，图2(b)是轧机位移信号的频谱图。

S2、轧机位移信号作奇异值分解，得到奇异值谱和奇异值差分谱；

本实施例通过构造如式(2)所示的Hankel矩阵，然后按照式(3)进行奇异值分解生成奇异值谱和奇异值差分谱。

S3、用最优差分谱峰值方法抑制随机噪声，得到无随机噪声的降噪信号；

本实施例采用最优差分谱峰值方法对轧机位移信号降噪，降噪信号x₀(t)的波形和频谱如图3所示。其中图3(a)是降噪信号的波形图，图3(b)是降噪信号的频谱图。

S4、用奇异值分解提取直流主分量，由降噪信号减去主分量得到剩余信号；

本实施例首先用奇异值分解从x₀(t)获取直流主分量x_D(t)，其波形和频谱如图4所示。其中图4(a)是直流主分量x_D(t)的波形图，图4(b)是直流主分量x_D(t)的频谱图。x₀(t)减去x_D(t)，剩余信号为

此时递归次数初值：i＝0。

S5、以递归方式用奇异值分解从剩余信号中提取主分量，对主分量谱估计，判断其是否为基波和三次谐波，若是则保存，用剩余信号减去该主分量后得到新的剩余信号，若否则跳过。

本实施例用奇异值分解从

获取主分量x₁(t)，其波形和频谱如图5所示，由频谱特征知其非电源基波成分。其中，图5(a)是主分量x₁(t)的波形图，图5(b)是主分量x₁(t)的频谱图。执行

减去x₁(t)得

递归次数：i＝1。

返回执行上述获取主分量的步骤，即：用奇异值分解从

分离出主分量x₂(t)，其波形和频谱如图6所示，其中，图6(a)是主分量x₂(t)的波形图，图6(b)是主分量x₂(t)的频谱图。根据图6(b)的频谱图，由频谱特征知其为电源基波，记电源基波x^*(t)＝x₂(t)。再执行

减去x₂(t)得

递归次数：i＝2。

进一步的，用奇异值分解从

分离出主分量x₃(t)，其波形和频谱如图7所示，其中，图7(a)是主分量x₃(t)的波形图，图7(b)是主分量x₃(t)的频谱图。由频谱特征知其非电源谐波成分，

减去x₃(t)得

递归次数：i＝3。

再然后，用奇异值分解从

分离出主分量x₄(t)，其波形及频谱如图8所示，其中，图8(a)是主分量x₃(t)的波形图，图8(b)是主分量x₃(t)的频谱图。由频谱特征知其为三次谐波，记x^**(t)＝x₄(t)，

减去x₄(t)得

递归次数：i＝4。

S6、由降噪信号减去基波和三次谐波，得到电源基波及三次谐波被抑制的轧机位移信号。

本实施例用x₀(t)减去x^*(t)和x^**(t)，结果表示为x′(t)，即为抑制电源基波和三次谐波的轧机位移信号，如图9所示，其中，图9(a)是抑制电源基波和三次谐波的主分量x₃(t)的波形图，图9(b)是抑制电源基波和三次谐波的主分量x₃(t)的频谱图。将其与图3比较可见电源基波和三次谐波被抑制，轧机位移特征成分清晰表示出来。奇异值分解共递归执行5次。

至此，本发明实施例提高了故障特征信号信噪比，实现了冷连轧机故障的准确诊断，同传统奇异值分解方法相比具有明显优势。

另外，本发明实施例还提供了一种冷连轧机故障特征识别系统，包括：

信号采集模块，用于采集轧机位移信号；

本发明实施例还提供了一种装置，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器用于根据所述程序执行如本发明所述的方法。

本发明实施例还提供了一种存储介质，所述存储介质存储有程序，所述程序被处理器执行完成如本发明所述的方法。

综上所述，本发明实施例提供了冷连轧机的递归主分量谱估计的故障特征识别方法，先采用最优差分谱峰值方法抑制随机噪声，再由奇异值谱特征提取电源主分量成分，在奇异值谱中直流、交流、噪声分别具有不同特征，直流成分对应于单一奇异值，单个交流成分对应于相邻两个连续奇异值，对应于噪声的奇异值则较小。据此保留较大奇异值而将其余较小奇异值置零并重构为时域信号，该时域信号为位移信号的主分量，基于主分量频谱判断其是否为谐波成分，若是则保存，由原信号减去该主分量而得到剩余信号，对剩余信号按以上类似方式处理，直到获得全部电源谐波成分，进而将全部成分加以抑制。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

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。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.冷连轧机故障特征识别方法，其特征在于，包括：

采集轧机位移信号；

根据所述奇异值差分谱获取无随机噪声的降噪信号；

根据所述奇异值谱从所述降噪信号中提取第一主分量；

根据所述降噪信号和所述第一主分量，计算剩余信号；

根据所述奇异值谱从所述剩余信号中提取第二主分量；

2.根据权利要求1所述的冷连轧机故障特征识别方法，其特征在于，根据所述轧机位移信号进行奇异值分解之前，还包括以下步骤：

将所述轧机位移信号构造为位移信号矩阵。

3.根据权利要求1所述的冷连轧机故障特征识别方法，其特征在于，所述根据所述奇异值差分谱获取无随机噪声的降噪信号，具体为：

4.根据权利要求1所述的冷连轧机故障特征识别方法，其特征在于，所述根据所述降噪信号和所述第一主分量，计算剩余信号这一步骤，具体为：

5.根据权利要求1所述的冷连轧机故障特征识别方法，其特征在于，所述根据所述奇异值谱从所述剩余信号中提取第二主分量这一步骤，包括：

6.根据权利要求5所述的冷连轧机故障特征识别方法，其特征在于，所述根据所述降噪信号、第一主分量和第二主分量，确定电源基波及三次谐波被抑制的轧机位移信号这一步骤，具体为：

7.冷连轧机故障特征识别系统，其特征在于，包括：

信号采集模块，用于采集轧机位移信号；

8.一种装置，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器用于根据所述程序执行如权利要求1-6中任一项所述的方法。

9.一种存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行完成如权利要求1-6中任一项所述的方法。