CN111922095A - 一种冷轧机轧辊扭振故障异常的振动诊断方法 - Google Patents

Abstract

本发明公开了一种冷轧机轧辊扭振故障异常的振动诊断方法。该方法步骤包括：根据历史数据显示的相关性程度，构建轧辊扭振故障特征指标集；根据历史数据、轧机轧辊参数、工作参数等，建立轧辊扭振故障异常特征库；实时采集轧机轧辊上、下支撑辊的振动数据，轧机轧辊上、下工作辊的转速数据，并做边缘计算处理；根据实时采集的样本数据，进行工况学习，更新特征库参数；根据监测数据和轧机设备生成诊断任务，实时诊断处理监测数据，诊断结果同步推送给现场轧机操作人员，对于异常故障信息，提供红黄色预警和声音报警功能；定期检查诊断误差，优化故障异常特征库和诊断程序。本发明成本低、效率高，无需人员值守，诊断结果精准。

Description

一种冷轧机轧辊扭振故障异常的振动诊断方法

技术领域

本发明属于工业设备故障监测技术领域，具体是一种冷轧机轧辊扭振故障异常的振动诊断方法。

背景技术

轧机是钢铁工业的一种重要加工设备，用于锻造和打磨各类金属型材轧件，轧机分冷轧机和热轧机，轧机性能稳定和正常运行对于保证轧件轧制质量非常重要，因此，轧机作业时的状态监测和故障排除工作尤其重要。

目前，行业部分企业实施了轧机在线监测系统，主要监测振动、电流信号，监测部位包括轧机系统的电机端、减速箱、齿轮箱、传动轴、轧辊等部件，通过综合监测，全面管控轧机设备的故障异常情况，保障轧机设备的稳定生产能力。但是，由于轧机设备组成部件众多，每个部件的故障振动特征不同，特别是轧机轧辊部件的故障振动特征极其复杂，根据行业经验以及我司设备振动智能诊断系统产品在数家轧机厂的实际应用案例总结，轧辊故障原因包括并不限于传动振动、扭振、拍振、横向低频振动、第三倍频程颤振、第五倍频程颤振、带材横向振动、自激振动、辊轴承故障、液压系统故障、机械松动等，且每类轧辊故障的振动参数特征差异较大。因此，针对轧机轧辊的每个故障类型，需要分析基物理发生机制，构建其个性振动特征知识库。扭振故障是轧辊常见的一种故障，轧辊扭振是轧机上下工作辊在其旋转方向上产生的一种旋转振动，经常出现在轧件咬入打滑、咬钢、穿带、抛钢、跳闸、轧制中打滑、轧件受冲击和机电系统耦合震荡的情况下。扭振问题会给轧机设备及轧件生产带来严重后果，扭振造成的尖峰力矩会在轴系内产生很高的交变应力，缩短轴系部件的疲劳寿命，增加设备维修成本；生产过程中导致传动部件损坏事故发生，给钢厂造成经济损失；轧机扭振会引起电流和速度震荡，破坏控制系统的稳定性，使得轧机设备无法正常工作。

为此，我司专门对冷轧机轧辊扭振故障异常的监测布点、振动特征知识库建立和故障异常诊断方法进行了深入研究，提出了利用监测振动、转速等参数，及时识别发现振动特征知识库特征，在此基础，发明了一种冷轧机轧辊扭振故障异常的振动诊断方法。

发明内容

为了解决上述现有技术中存在的问题，本发明提供了一种冷轧机轧辊扭振故障异常的振动诊断方法。

第一方面，本发明提供了一种冷轧机轧辊扭振故障异常的振动诊断方法，请参阅图1为本发明方法示意图。其特征在于，包括下述步骤：

步骤一：S01，根据历史数据显示的相关性程度，构建轧辊扭振故障特征指标集；

步骤二：S02，根据历史数据、轧机轧辊参数、工作参数等，建立轧辊扭振故障异常特征库；

步骤三：S03，实时采集轧机轧辊上、下支撑辊的振动数据，轧机轧辊上、下工作辊的转速数据，并做边缘计算处理；

步骤四：S04，根据实时采集的样本数据，进行工况学习，更新特征库参数；

步骤五：S05，根据监测数据和轧机设备生成诊断任务，实时诊断处理监测数据，诊断结果同步推送给现场轧机操作人员，对于异常故障信息，提供红黄色预警和声音报警功能；

步骤六：S06，定期检查诊断误差，优化故障异常特征库和诊断程序。

可选地，在根据本发明的方法中，所述构建轧辊扭振故障特征指标集，其特征在于，根据历史数据或现场实验数据，按照指标与轧辊扭振故障的相关性强度，提炼出一套可有效表征冷轧机轧辊扭振故障异常的参数指标集，主要特征指标有：振动时域均方根sqrt(∑x(i)*x(i)/N)；振动峰频频率f(k)、振动峰频功率值w{f(k)}；上下轧辊的速度差△v，轧制速度v，轧制力P等指标组合。

可选地，在根据本发明的方法中，所述建立轧辊扭振故障异常特征库，其特征在于，根据历史数据或现场实验数据，建立一套较为完善的冷轧机轧辊扭振故障异常振动特征知识库，基于该特征库，构建可有效识别冷轧机轧辊扭振故障异常的AI诊断算法模型，支持对冷轧机轧辊扭振故障异常源数据进行预处理、指标计算、诊断计算和模型深度优化自学习。

具体包括：

1）冷轧机轧辊扭振故障异常振动特征知识库。根据现场试验和行业经验总结，初步建立了每个参数指标与冷轧机轧辊扭振故障异常的初步函数关系，构建了冷轧机轧辊扭振故障异常振动特征知识库。库内容如下：

频谱特征1：f=10-21Hz及其倍频n*f，n为正整数，轧制响应频率=轴系振动固有频率；频率不随转速变化而显著变化。频率值与轧机张力σ、压下率β和轧制速度v密切相关；

频谱特征2：f=42-60Hz及其倍频n*f，n为正整数，辊速差频率，因轧辊速差引起。频率值与上下轧辊的速度差△v、轧制力P、轧制速度v、轧辊转速ɷ有密切关系。且存在计算关系：f=a*(△v*v)/[ɷ*P(b*P-c)],其中，a、b、c为待定系数，需要用实际数据进行拟合；

请参阅图5本发明轧辊上支撑辊单次实时采集的振动频谱示意图，图6本发明轧辊上支撑辊4次实时采集的振动频谱叠加示意图，图7本发明轧辊上支撑辊振动频谱瀑布图。

2）AI诊断算法模型。根据诊断评估需求，建立起了适合冷轧机轧辊扭振故障异常诊断场景的算法模型：K-邻近算法模型（KNN）。KNN算法中的K值选取为训练样本数的平方根取其整数部分；KNN算法中的分类决策规则中，选择最近的K个样本的样本输出的均方根值作为回归预测值。

K近邻算法是一种基本的分类和回归方法。在分类问题中，KNN算法假设给定的训练集的实例类别已经确定，对于新来的实例，KNN算法根据其k个最近邻的训练集实例的类别，通过多数表决等方式对新实例的类别进行预测。

KNN算法的三个基本要素是：k值的选择（即输入新实例要取多少个训练实例点作为近邻），距离度量方式（欧氏距离，曼哈顿距离等）以及分类的决策规则（常用的方式是取k个近邻训练实例中类别出现次数最多者作为输入新实例的类别）。

算法实现。输入：训练数据集

，

其中

为训练实例的特征向量，

为训练实例的类别。 输出： 新输入实例X所属类别Y。 (1) 根据给定的距离度量，在训练集T中找到与最近的k个点，涵盖这k个点的邻域记为

； (2) 在

中根据分类决策规则（如多数表决）决定所属的类别：

其中I为指示函数，仅当

时I(*)的值为1，否则为0。

距离度量方式。较为常用的距离度量方式是欧式距离，定义可以使用其他更为一般的

距离或闵科夫斯基（Minkowski）距离.

设特征空间

为n为实数向量空间

，

，

，

的距离可定义为： 闵科夫斯基距离，

欧氏距离，p取2，

曼哈顿距离，p取1，

p取∞，

k值选择。一般会先选择较小的k值，然后进行交叉验证选取最优的k值。k值较小时，整体模型会变得复杂，且对近邻的训练实例点较为敏感，容易出现过拟合。k值较大时，模型则会趋于简单，此时较远的训练实例点也会起到预测作用，容易出现欠拟合，特殊的，当k取N时，此时无论输入实例是什么，都会将其预测为属于训练实例中最多的类别。

分类决策规则。常采用多数表决规则。对于给定的实例

，其最近邻的k个训练实例点构成集合

，若涵盖

的区域的类别为

，则误分类率为

要使误分类率最小即经验风险最小，此时要使得

最大，因此多数表决规则等价与经验风险最小化。

可选地，在根据本发明的方法中，所述实时采集轧机轧辊上、下支撑辊的振动数据，其特征在于，在轧机轧辊上、下支撑辊两端的外侧，分别安装一个三轴速度测振传感器（0-1KHZ），实时采集轧机作业时轧辊上、下支撑辊两端三个轴向上的振动数据，请参阅图2本发明冷轧机轧辊设备部件结构示意图，图3本发明振动传感器（1）安装示意图；

可选地，在根据本发明的方法中，所述实时采集轧机轧辊上、下工作辊的转速数据，其特征在于，在轧机轧辊上、下工作辊的一侧，各安装一个转速传感器，转速传感器采用接触式转速仪，实时测量上、下工作辊的转速，请参阅图2本发明冷轧机轧辊设备部件结构示意图，图4本发明转速传感器（2）安装示意图。

可选地，在根据本发明的方法中，所述边缘计算处理，提供对振动数据做互校验和去噪处理，其特征在于，1）对照和比较上、下支撑辊两端振动传感器的振动监测数据，是否一致，进行互校验，保证采集数据的有效性；2）利用双传感器数据的相关性进行数据去噪，剔除干扰信号。

可选地，在根据本发明的方法中，所述根据实时采集的样本数据，进行工况学习，更新特征库参数，其特征在于，初次诊断一台轧机时，需测试不少于100个样本数据，检验原特征库中特征指标的参数值实际值域，如果与原库设立的值域偏离超过一定范围，需要更新原库的特征值值域范围，以适应新工况环境，具体更新内容包括频谱特征频率值、频谱特征频率的功率谱值、KNN迭代次数、KNN的K值选取等等。

可选地，在根据本发明的方法中，所述根据监测数据和轧机设备生成诊断任务，其特征在于，具体诊断时，根据轧机设备号、监测点、监测数据、时间信息，生成某次诊断任务。

可选地，在根据本发明的方法中，所述诊断结果同步推送给现场轧机操作人员，其特征在于，实时诊断处理监测数据，将扭振诊断结果信息实时同步给轧机操作人员，对于异常故障信息，提供红黄色预警和声音报警功能，以监控大屏和声音警报方式提示轧机操作人员。

可选地，在根据本发明的方法中，所述定期检查诊断误差，优化故障异常特征库和诊断程序，其特征在于，定期检查该时段轧机扭振故障诊断的偏差，动态持续优化轧辊扭振故障特征库和诊断程序，让轧机扭振故障智能诊断程序具有学习记忆功能。

第二方面，本发明提供了本发明方法的实施流程图，请参阅图8。

第三方面，本发明提供了支撑本发明方法实施所依托的信息系统架构图，请参阅图9。

本发明提供的一种冷轧机轧辊故障异常的振动诊断方案，能够有效解决冷轧机轧辊扭振故障异常的及时发现与养护问题，对保障冷轧机正常作业减少产品次品率具有重大经济价值。

本发明和现有技术相比，其优点在于：

优点一：本技术方案提出的振动传感器（1）方案利用四个测振传感器+边缘计算技术，可以有效采集冷轧机轧辊上、下支撑辊振动数据信号（0-1KHZ），该振动数据采集方案具有唯一性，先进性。

优点二：本技术方案建立了较为完善的冷轧机轧辊扭振故障异常振动特征知识库，有效覆盖所有冷轧机轧辊扭振故障异常的振动特征，该库具有唯一性，内容较全面特征。

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

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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，还可根据这些附图获得其他的附图。

图1为本发明方法示意图；

图2为本发明冷轧机轧辊设备部件结构示意图。101机架、102液压油缸、103上支撑辊及轴承座、104上工作辊及轴承座、105下工作辊及轴承座、106下支撑辊及轴承座、107轧制工件（轧件）；

图3为本发明振动传感器（1）安装示意图。103上支撑辊及轴承座、104上工作辊及轴承座、105下工作辊及轴承座、106下支撑辊及轴承座；

图4为本发明转速传感器（2）安装示意图。103上支撑辊及轴承座、104上工作辊及轴承座、105下工作辊及轴承座、106下支撑辊及轴承座；

图5为本发明轧辊上支撑辊单次实时采集的振动频谱示意图。这是本司在某铝厂轧机轧辊设备上2019年04月01日06时41分采集的振动频谱记录；

图6为本发明轧辊上支撑辊4次实时采集的振动频谱叠加示意图。这是本司在某铝厂轧机轧辊设备上2019年04月01日01时55分、04时17分、06时41分、10时30分采集的振动频谱记录；

图7为本发明轧辊上支撑辊振动频谱瀑布图。这是本司在某铝厂轧机轧辊设备上2019年02月01日至08月31日采集的振动频谱记录；

图8为本发明方法的实施流程图；

图9为支撑本发明方法实施例的信息系统架构图，振动传感器（1）、转速传感器（2）、数据传输装置（3）、云端数据库（4）、云端智能诊断子系统（5）、诊断结果预警提示（6）。

具体实施方式

下面将参照附图更详细地描述本发明公开的示例性实施例，这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，本发明而不应被这里阐述的实施例所限制。

请参阅图1，本发明实施例提供冷轧机轧辊扭振故障异常的一种振动诊断方法。该方法步骤包括：根据历史数据显示的相关性程度，构建轧辊扭振故障特征指标集；根据历史数据、轧机轧辊参数、工作参数等，建立轧辊扭振故障异常特征库；实时采集轧机轧辊上、下支撑辊的振动数据，轧机轧辊上、下工作辊的转速数据，并做边缘计算处理；根据实时采集的样本数据，进行工况学习，更新特征库参数；根据监测数据和轧机设备生成诊断任务，实时诊断处理监测数据，诊断结果同步推送给现场轧机操作人员，对于异常故障信息，提供红黄色预警和声音报警功能；定期检查诊断误差，优化故障异常特征库和诊断程序。

请参阅图8所示，本发明实施例提供了冷轧机轧辊扭振故障异常振动诊断方法的实施流程，流程如下：

F81，实验数据采集。选择需要进行监测诊断的冷轧机设备，在轧辊上下支撑辊两端安装好振动传感器（1），在轧辊上下工作辊一侧安装好转速传感器（2），数据传输装置（3）将数据传输到云端。

F82，测试实验数据质量。调通系统，先采集5-10份样本实验数据，检查振动数据、转速数据的质量和稳定性情况，查看边缘计算前后数据质量的差异情况，若数据质量较差，检查传感器安装情况或者换个安装位置，待数据质量稳定后，正式采集实验数据。

F83，构建轧辊扭振故障特征指标集。观察轧辊出现扭振故障时振动振幅、波形、峭度，振动频谱特征、频率功率谱等指标的变化特征，分析这些特征与转频、上下轧辊的速度差△v，轧制速度v，轧制力P等之间的关联关系，分析强关联指标，有效识别出与轧辊扭振故障紧密相关的特征指标集，从而构建出一套可有效表征冷轧机轧辊扭振故障异常的参数指标集，主要特征指标有：振动时域均方根sqrt(∑x(i)*x(i)/N)；振动峰频频率f(k)、振动峰频功率值w{f(k)}；上下轧辊的速度差△v，轧制速度v，轧制力P等指标组合。

F84，建立轧辊扭振故障特征库。基于轧辊扭振故障特征指标集及其每个指标与故障之间的关联关系，建立轧辊扭振故障异常特征库和故障AI诊断算法，并将其产品软件化。

具体包括：

1）冷轧机轧辊扭振故障异常特征库

频谱特征1：f=10-21Hz及其倍频n*f，n为正整数，轧制响应频率=轴系振动固有频率；频率不随转速变化而显著变化。频率值与轧机张力σ、压下率β和轧制速度v密切相关；

频谱特征2：f=42-60Hz及其倍频n*f，n为正整数，辊速差频率，因轧辊速差引起。频率值与上下轧辊的速度差△v、轧制力P、轧制速度v、轧辊转速ɷ有密切关系。且存在计算关系：f=a*(△v*v)/[ɷ*P(b*P-c)],其中，a、b、c为待定系数，需要用实际数据进行拟合。

2）AI诊断算法。K-邻近算法模型（KNN）。KNN算法中的K值选取为训练样本数的平方根取其整数部分；KNN算法中的分类决策规则中，选择最近的K个样本的样本输出的均方根值作为回归预测值。

3）产品软件化。将轧辊扭振故障特征指标集管理、计算、故障特征库、故障AI诊断算法编制成故障诊断软件系统产品，方便计算机自动化处理。

F85，实验数据采集。实验数据在轧机开机的情况下每5分钟采集1次，每次采集1分钟时长的数据，初次采集时需检查数据质量，质量不达标的要调整采集装置直至数据质量达标为止。

F86，特征库工况学习。采集不少于100个实验样本数据，提取其频谱特征数据，和已设定好的原有故障异常特征库进行比较，观察样本数据频谱特征与原库故障特征库的频谱频率、功率谱阀值的匹配情况，若频率对不上，需要调整原库的频率值范围，若功率谱差异较大，需要调整功率谱阀值，重新配置新的轧机故障异常特征库，如果有新的故障特征指标，还需要增加KNN诊断程序算法的决策树判断节点，具体规则如下：

F8601，原有特征库中，频谱特征1：f=10-21Hz及其倍频n*f，n为正整数，其中，f为轧制响应频率，等于轴系振动固有频率，该频率值与轧机张力σ、压下率β和轧制速度v密切相关，与转速无关，设定功率谱E0为其能量阀值。对照100个测试样本数据在10-21HZ及其倍频附近的频谱信号，计算其频率偏离平均值，以及该频率处功率谱与E0的平均比值，若频率偏离平均值超过3HZ，需要用测试频率值域重置原有特征库的频谱特征1的频率范围，若功率谱与E0的平均比值小于15%，需要更新E0值，将比值调整到40%的水平；

F8602，原有特征库中，频谱特征2：f=42-60Hz及其倍频n*f，n为正整数，又叫辊速差频率，该频谱特征因轧辊速差引起。频率值与上下轧辊的速度差△v、轧制力P、轧制速度v、轧辊转速ɷ有密切关系，且存在计算关系：f=a*(△v*v)/[ɷ*P(b*P-c)],其中，a、b、c为待定系数，设定功率谱E1为其能量阀值。对照100个测试样本数据在42-60Hz及其倍频附近的频谱信号，计算其频率偏离平均值，以及该频率处功率谱与E1的平均比值，若频率偏离平均值超过5HZ，需要用测试频率值域重置原有特征库的频谱特征2的频率范围，若功率谱与E1的平均比值小于20%，需要更新E1值，将比值调整到50%的水平；

F8603，若上下轧辊的速度差△v、轧制力P、轧制速度v、轧辊转速ɷ等几个参数已知，以100个测试样本数据中42-60Hz区域的峰频信号为参照，拟合出辊速差频率f=a*(△v*v)/[ɷ*P(b*P-c)]中的待定系数a、b、c，从而，可以精准确定该轧辊扭振频谱特征2：辊速差频率的中心值和值域范围，让后续的轧辊扭振故障诊断更准确。

F87，加载更新后的特征库和诊断程序。经过特征库工况学习步骤之后，系统将加载更新后的特征库和诊断程序，系统会自动调用新库和新诊断程序处理诊断请求。

F88，诊断过程。实际生产过程中，在冷轧机的轧辊上下支撑辊两端安装好振动传感器（1），在轧辊上下工作辊一侧安装好转速传感器（2），每10分钟采集一次振动数据，每次采集时长1分钟，数据传输装置（3）将数据传输到云端，云端智能诊断子系统（5）中的诊断程序和特征库，实时处理轧机监测数据，比照特征库中的频谱特征值和功率谱值，得到实时诊断结果，存入云端数据库（4）。

F89，预警提示。诊断结果同步推送到现场监控大屏，如果诊断出扭振故障异常信息，诊断结果预警提示（6）会在监控大屏上标注红、黄预警信息，同时声音报警，提示现场操作人员关注检修。

F810，特征库和诊断模块优化。如果现场检查发现诊断结果与实际情况之间有出入，技术人员在系统中录入反馈数据，云端智能诊断子系统（5）会定期学习反馈数据，优化故障异常特征库和诊断模型。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (5)

1.一种冷轧机轧辊扭振故障异常的振动诊断方法，其特征在于，包括下述步骤：

步骤一：根据历史数据或现场实验数据显示的相关性程度，构建轧辊扭振故障特征指标集；

步骤二：根据历史数据或现场实验数据、轧机轧辊参数、工作参数等，建立轧辊扭振故障异常特征库；

步骤三：实时采集冷轧机轧辊上、下支撑辊的振动数据，轧机轧辊上、下工作辊的转速数据，并做边缘计算处理，作为实验的样本数据；

步骤四：根据实时采集的样本数据，进行工况学习，更新特征库参数；

步骤五：在冷轧机实际运行过程中，实时诊断处理监测数据，诊断结果同步推送给现场轧机操作人员，对于异常故障信息，提供红黄色预警和声音报警功能；

步骤六：定期检查诊断误差，优化故障异常特征库和诊断程序。

2.根据权利要求1所述的构建轧辊扭振故障特征指标集，其特征在于，根据历史数据或现场实验数据，按照指标与轧辊扭振故障的相关性强度，提炼出一套可有效表征冷轧机轧辊扭振故障异常的参数指标集，主要特征指标有：振动时域均方根、振动峰频频率、振动峰频功率值、上下轧辊的速度差、轧制速度、轧制力等指标组合。

3.根据权利要求1所述的建立轧辊扭振故障异常特征库，其特征在于，根据历史数据或者现场实验数据，建立一套较为完善的冷轧机轧辊扭振故障异常振动特征知识库，基于该特征库，构建可有效识别冷轧机轧辊扭振故障异常的AI诊断算法模型，支持对冷轧机轧辊扭振故障异常源数据进行预处理、指标计算、诊断计算和模型深度优化自学习；

主要包括：

1）冷轧机轧辊扭振故障异常振动特征知识库：频谱特征、功率谱特征；

2）冷轧机轧辊扭振故障异常诊断AI诊断算法模型：K-邻近算法模型（KNN）。

4.根据权利要求1所述的实时采集冷轧机轧辊上、下支撑辊的振动数据，轧机轧辊上、下工作辊的转速数据，并做边缘计算处理，其特征在于，在轧机轧辊上、下支撑辊两端的外侧，分别安装一个三轴速度测振传感器（0-1KHZ），实时采集轧机作业时轧辊上、下支撑辊上的振动数据；

在轧机轧辊上、下工作辊的一侧，各安装一个转速传感器，实时测量上、下工作辊的转速；

所述的边缘计算处理，对振动数据做互校验和去噪处理：1）对照和比较上、下支撑辊两端振动传感器的振动监测数据，是否一致，进行互校验，保证采集数据的有效性；2）利用双传感器数据的相关性进行数据去噪，剔除干扰信号。

5.根据权利要求1所述的根据实验时采集的样本数据，进行工况学习，更新特征库参数，其特征在于，根据样本数据，检验原特征库中特征指标的参数值实际值域，如果与原库设立的值域偏离超过一定范围，需要更新原库的特征值值域范围，以适应新工况环境。

Images