CN113971326A - 连铸结晶器振动装置剩余寿命预测方法 - Google Patents
连铸结晶器振动装置剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113971326A CN113971326A CN202111250777.XA CN202111250777A CN113971326A CN 113971326 A CN113971326 A CN 113971326A CN 202111250777 A CN202111250777 A CN 202111250777A CN 113971326 A CN113971326 A CN 113971326A
- Authority
- CN
- China
- Prior art keywords
- continuous casting
- theta
- residual life
- vibration device
- degradation
- 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.)
- Pending
Links
- 238000009749 continuous casting Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000006731 degradation reaction Methods 0.000 claims abstract description 57
- 230000015556 catabolic process Effects 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 239000013078 crystal Substances 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000005653 Brownian motion process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005537 brownian motion Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000005266 casting Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及一种寿命预测方法,尤其涉及一种连铸结晶器振动装置剩余寿命预测方法。
背景技术
结晶器是承接钢水并使之按规定断面形状凝固成铸坯的铜管及辅件,是连铸机的重要部件,结晶器振动的作用是防止铸坯在凝固过程中与结晶器铜壁发生粘结,减少拉坯阻力并改善铸坯表面质量。结晶器常由机械、液压、电液、电动等类型振动装置带动着振动。随工作时长增加,因装置老化等原因结晶器振动质量将越来越差,铸坯质量将受到严重影响。
若能在线预测结晶器振动装置振动质量不达标的时间,即预测结晶器振动装置剩余使用寿命,便可合理安排维修计划,保证铸坯生产的质量。
而对于连铸结晶器振动装置来说,由于其自身成本及其昂贵,采用现有的算法(比如基于大数据的方式进行预测)难以获得同类型连铸结晶器振动装置的退化数据,而且由于连铸结晶器的工作时间长,也不适宜采用传统的加速老化试验来获得其退化数据以进行振动装置的剩余寿命预测,因此,现有技术中还没有一种有效的技术手段对于连铸结晶器振动装置剩余寿命能够进行准确预测。
发明内容
有鉴于此,本发明的目的是提供一种连铸结晶器振动装置剩余寿命预测方法,仅需监测待测连铸结晶器振动装置的退化数据就能够对振动装置的剩余寿命进行准确预测,有效确保最终预测的精度,为连铸结晶器振动装置的合理的维修计划的制定提供准确的数据支持,确保最终铸坯的产品质量。
本发明提供的一种连铸结晶器振动装置剩余寿命预测方法,包括以下步骤:
S1.获取待测连铸结晶振动装置的振动偏摆并将振动偏摆作为退化数据,其中,退化数据序列表示为Y0:n={y0,y1,...yn},tn为退化数据的第n个监测时刻点,yn为tn时刻所监测的退化数据;
S2.构建连铸结晶器振动装置退化模型:
Y(t)=X(t)+ε(t)
并将退化数据序列Y0:n所对应的隐含退化状态序列表示为:X0:n={x0,x1,...xn};
S4.基于期望最大化EM算法对连铸结晶器振动装置退化模型的先验参数进行估计并确定出最优先验参数θ,其中,先验参数θ表示为:
S5.构建剩余寿命概率密度模型,将先验参数代入到剩余寿命概率密度模型中计算剩余寿命概率值,找出概率值最大时所对应的剩余寿命作为连铸结晶器振动装置剩余寿命的最终预测值。
进一步,步骤S3具体包括:
S31.构建漂移系数函数模型,包括以下三种:
进一步,步骤S4中具体包括:
EM算法的E步:
S41.设置先验参数θ的初始值θ(0):
S42.构建对先验参数θ的似然函数:
EM算法的M步:
S43.基于隐含变量X0:n的期望Q(θ|θ(j)),找出使期望Q(θ|θ(j))最大的先验参数θ作为最优先验参数;
S44.重复EM算法的E步和M步直至收敛,其收敛条件为:
进一步,通过如下方法确定出先验参数θ最优值:
进一步,步骤S42中期望值E()采用卡曼平滑算法进行处理。
进一步,步骤S5中,剩余寿命的概率密度模型为:
本发明的有益效果:通过本发明,仅需监测待测连铸结晶器振动装置的退化数据就能够对振动装置的剩余寿命进行准确预测,有效确保最终预测的精度,为连铸结晶器振动装置的合理的维修计划的制定提供准确的数据支持,确保最终铸坯的产品质量。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图。
图2为本发明的结晶器振动装置的振动性能退化数据示意图。
图3为本发明中对于退化数据进行回归算法(包含了线性回归及非线性回归)得到的回归结果示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明:
本发明提供的一种连铸结晶器振动装置剩余寿命预测方法,包括以下步骤:
S1.获取待测连铸结晶振动装置的振动偏摆并将振动偏摆作为退化数据,其中,退化数据序列表示为Y0:n={y0,y1,...yn},tn为退化数据的第n个监测时刻点,yn为tn时刻所监测的退化数据;y0、y1、yn分别表示初始时刻、第1时刻和第n个时刻的退化数据;其中,振动偏摆是指垂直于振动方向上的位移偏差最大值。振动偏摆可通过加速度传感器、速度传感器、位移传感器等获取结晶器振动原始数据,并进行积分等计算得到;
S2.构建连铸结晶器振动装置退化模型:
Y(t)=X(t)+ε(t) (2)
其中,X(O)表示0时刻振动装置的退化状态,为反映退化趋势的漂移系数,为的参数向量,σB是反映退化过程波动程度的扩散系数,B(t)是标准布朗运动,Y(t)为t时刻监测的退化数据,ε(t)为测量误差;其中,该退化模型为基于非线性Wiener过程的退化模型;
并将退化数据序列Y0:n所对应的隐含退化状态序列表示为:X0:n={x0,x1,...xn};其中,振动装置的退化数据时通过传感器监测获得,因此不可避免地带有随机测量误差,不能完全反映真实的退化状态(或称隐含退化状态)。可用如下模型描述监测退化数据与隐含退化状态的关系,即:
Y(t)=X(t)+ε(t) (3):
Y(t)为t时刻监测的退化数据,X(t)表示t时刻的隐含退化状态,ε(t)为测量误差。一般可认为ε(t)满足:在任意时间点t独立同分布,且ε(t)与B(t)相互独立;在(3)式中表明,对于任意退化数据yi(i=0,1,…,n),均存在与之对应的隐含退化状态xn,其中,xn为一个随机变量,因此,退化数据序列Y0:n对应的隐含退化状态可以表示为X0:n,由于真实数据X0:n为一个随机变量,随着步骤S3和步骤S4的处理迭代,那么,这个真实数据X0:n就会越来越接近于真实值;
S4.基于期望最大化EM算法对连铸结晶器振动装置退化模型的先验参数进行估计并确定出最优先验参数θ,其中,先验参数θ表示为:
S5.构建剩余寿命概率密度模型,将先验参数代入到剩余寿命概率密度模型中计算剩余寿命概率值,找出概率值最大时所对应的剩余寿命作为连铸结晶器振动装置剩余寿命的最终预测值,通过上述方法,仅需监测待测连铸结晶器振动装置的退化数据就能够对振动装置的剩余寿命进行准确预测,有效确保最终预测的精度,为连铸结晶器振动装置的合理的维修计划的制定提供准确的数据支持,确保最终铸坯的产品质量。
本实施例中,由于在使用基于Wiener过程的退化模型进行寿命预测时,模型的选择会较大程度上影响寿命预测的精度,因此,步骤S3具体包括:
S31.构建漂移系数函数模型,包括以下三种:
当然,在实际中,漂移系数函数模型可以设置为更多中类型,也就是说:其模型复杂度更高,虽然模型复杂度更高的情形下能够提升最终的精度,但是,会造成整个算法过程过于复杂,并且存在过拟合的情况,反而会降低最终结果的精度,因此,上述三种模型已经能够确保最终寿命预测的精度。
S32.以0=t0<t1<…<tn为自变量,Y0:n={y0-y0,y1-y0,...yn-y0}为因变量,采用非线性回归算法对进行拟合,此步骤中,可以采用matlab中的lsqcurvefit进行计算,确定每一种漂移系数模型中的参数向量
本实施例中,步骤S4中具体包括:
EM算法的E步:
S41.设置先验参数θ的初始值θ(0):
S42.构建对先验参数θ的似然函数:
C1:卡尔曼前向递推,或称卡尔曼滤波:
C2:卡尔曼后向递推,或称卡尔曼平滑:
C3:基于卡尔曼平滑结果得到E(xtxt)、E(xtxt-1)、E(xt)(t=1,...,n)
EM算法的M步:
S43.基于隐含变量X0:n的期望Q(θ|θ(j)),找出使期望Q(θ|θ(j))最大的先验参数θ作为最优先验参数,即第j+1步迭代的参数θ(j+1);其中:通过如下方法确定出先验参数θ最优值:
S44.重复EM算法的E步和M步直至收敛,其收敛条件为:
本实施例中,步骤S5中,剩余寿命的概率密度模型为:
其中,ln表示从监测时刻tn起振动装置的剩余寿命,为随机变量,ω为振动装置失效阈值,和分别为隐含变量xn的期望和方差并通过卡尔曼滤波算法处理获得,通过上述方法,将随机变量ln代入到(13)式中,找到(13)式获得最大值时所对应的ln作为最终预测的剩余寿命。
仍以图2和图3中给出的距离实例为例:
其中,图4是对的剩余寿命预测结果,图5是时的剩余寿命预测结果,图6是时的剩余寿命预测结果。从图4-6可见,漂移系数函数形式的选择对剩余寿命预测的精度有很大影响。以/及下的预测精度都比较良好。而由S13选择出的下的剩余寿命预测总体精度最好,充分说明了本发明的有效性。
表3示出了在第350小时,使用非线性回归算法初步计算出的参数和随机选择的参数作为EM算法初始值进行剩余寿命预测的耗时情况对比。从中可见,使用回归得到的参数作为EM算法初始值显著地减少了EM算法迭代次数,提高了算法的计算速度。
表3
通过上述结果可以看出,本发明提出的方法可以仅需待预测振动装置的退化数据即进行可靠的剩余寿命预测,同时本发明提出的基于非线性回归的漂移系数函数形式选择及参数计算方法能有效提高剩余寿命预测的精度及运算速度。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种连铸结晶器振动装置剩余寿命预测方法,其特征在于:包括以下步骤:
S1.获取待测连铸结晶振动装置的振动偏摆并将振动偏摆作为退化数据,其中,退化数据序列表示为Y0:n={y0,y1,...yn},tn为退化数据的第n个监测时刻点,yn为tn时刻所监测的退化数据;
S2.构建连铸结晶器振动装置退化模型:
Y(t)=X(t)+ε(t)
并将退化数据序列Y0:n所对应的隐含退化状态序列表示为:X0:n={x0,x1,...xn};
S4.基于期望最大化EM算法对连铸结晶器振动装置退化模型的先验参数进行估计并确定出最优先验参数θ,其中,先验参数θ表示为:
S5.构建剩余寿命概率密度模型,将先验参数代入到剩余寿命概率密度模型中计算剩余寿命概率值,找出概率值最大时所对应的剩余寿命作为连铸结晶器振动装置剩余寿命的最终预测值。
2.根据权利要求1所述连铸结晶器振动装置剩余寿命预测方法,其特征在于:步骤S3具体包括:
S31.构建漂移系数函数模型,包括以下三种:
3.根据权利要求1所述连铸结晶器振动装置剩余寿命预测方法,其特征在于:步骤S4中具体包括:
EM算法的E步:
S41.设置先验参数θ的初始值θ(0):
S42.构建对先验参数θ的似然函数:
EM算法的M步:
S43.基于隐含变量X0:n的期望Q(θ|θ(j)),找出使期望Q(θ|θ(j))最大的先验参数θ作为最优先验参数;
S44.重复EM算法的E步和M步直至收敛,其收敛条件为:
5.根据权利要求3所述连铸结晶器振动装置剩余寿命预测方法,其特征在于:步骤S42中期望值E()采用卡曼平滑算法进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250777.XA CN113971326A (zh) | 2021-10-26 | 2021-10-26 | 连铸结晶器振动装置剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250777.XA CN113971326A (zh) | 2021-10-26 | 2021-10-26 | 连铸结晶器振动装置剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971326A true CN113971326A (zh) | 2022-01-25 |
Family
ID=79588477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111250777.XA Pending CN113971326A (zh) | 2021-10-26 | 2021-10-26 | 连铸结晶器振动装置剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971326A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114603090A (zh) * | 2022-03-11 | 2022-06-10 | 北京海卓博尔科技有限公司 | 一种结晶器振动驱动装置、控制方法及控制系统 |
-
2021
- 2021-10-26 CN CN202111250777.XA patent/CN113971326A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114603090A (zh) * | 2022-03-11 | 2022-06-10 | 北京海卓博尔科技有限公司 | 一种结晶器振动驱动装置、控制方法及控制系统 |
CN114603090B (zh) * | 2022-03-11 | 2023-06-16 | 北京海卓博尔科技有限公司 | 一种结晶器振动驱动装置、控制方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
CN112949026B (zh) | 一种考虑年龄和状态依赖的退化设备剩余寿命预测方法 | |
CN109901153B (zh) | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 | |
CN110008565B (zh) | 基于运行参数关联性分析的工业过程异常工况预测方法 | |
EP2332017B1 (en) | Estimating a state of at least one target | |
CN105740625A (zh) | 一种齿轮的实时剩余寿命预测方法 | |
CN112800616B (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
TW200949596A (en) | Server and system and method for automatic virtual metrology | |
CN113971326A (zh) | 连铸结晶器振动装置剩余寿命预测方法 | |
JP4998039B2 (ja) | 観測データ同化方法 | |
CN110907911A (zh) | 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法 | |
CN112487694B (zh) | 一种基于多退化指标的复杂设备剩余寿命预测方法 | |
CN107704704A (zh) | 一种基于贝叶斯理论的继电器类单机贮存可靠性评估方法 | |
CN110555398A (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
CN114063131A (zh) | 一种gnss/ins/轮速组合定位实时平滑的方法 | |
CN109783832B (zh) | 一种基于贝叶斯修正的液压泵性能退化建模方法 | |
CN104050349B (zh) | 外部空气温度测量设备和方法 | |
US12002549B2 (en) | Knowledge reuse-based method and system for predicting cell concentration in fermentation process | |
CN116680500B (zh) | 水下航行器在非高斯噪声干扰下的位置估计方法及系统 | |
CN115047505B (zh) | 基于载波相位差分辅助的gnss定位方法及导航方法 | |
CN114877926B (zh) | 传感器故障检测与诊断方法、介质、电子设备及系统 | |
CN116482579A (zh) | 一种稳健的噪声量自修正的电连接器剩余寿命预测方法 | |
US9625823B1 (en) | Calculation method for local film stress measurements using local film thickness values | |
Nelson et al. | A two-observation Kalman framework for maximum-likelihood modeling of noisy time series | |
CN115221921A (zh) | 传感器的感知性能评估方法、车辆以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |