CN115238829A

CN115238829A - 一种热轧机的轧辊磨损程度分析方法

Info

Publication number: CN115238829A
Application number: CN202211146796.2A
Authority: CN
Inventors: 谢伟
Original assignee: Nantong Jiashenghong Machinery Parts Co ltd
Current assignee: Nantong Jiashenghong Machinery Parts Co ltd
Priority date: 2022-09-21
Filing date: 2022-09-21
Publication date: 2022-10-25
Anticipated expiration: 2042-09-21
Also published as: CN115238829B

Abstract

本发明涉及一种热轧机的轧辊磨损程度分析方法，属于电子数字数据处理技术领域。方法包括：获取热轧机当前工作时间段内工作辊的第一特征振动数据序列、第二特征振动数据序列和电机的特征功率序列；根据特征振动数据序列和电机的特征功率序列，得到工作辊对应的状态向量；将状态向量输入到训练好的分类器，得到热轧机当前工作时间段内工作辊对应的状态类别；判断状态类别是否为重度磨损，若是，则根据所述状态向量，得到热轧机当前工作时间段内工作辊对应的磨损指数；根据磨损指数和预测网络，预测得到工作辊的剩余使用寿命。本发明能相对可靠的分析出工作辊的磨损程度，基于分析出的磨损程度能可靠的预测工作辊的剩余寿命。

Description

一种热轧机的轧辊磨损程度分析方法

技术领域

本发明涉及电子数字数据处理技术领域，具体涉及一种热轧机的轧辊磨损程度分析方法。

背景技术

热轧机是钢铁工业中的关键设备之一，由于其在轧制过程中具有能耗低、效率高等优点而被广泛使用；但是热轧机在长时间的工作中容易出现复杂的异常现象，如在板带轧制的过程中，轧辊磨损对带钢版型质量以及轧辊的换辊周期都有着很大的影响，热轧机轧辊可以分为支持辊和工作辊，由于工作辊表面的磨损主要是工作辊与扎件之间的摩擦而导致的，进而工作辊的表面磨损程度将直接影响带钢版型质量以及工作辊的使用寿命，因此对工作辊磨损程度进行分析至关重要。

现有的轧辊磨损度检测方法一般是依据人工目检、超声波探头检测以及光纤检测，基于人工对轧辊磨损度进行检测的方法往往是凭借着技术人员的加工经验在现场进行判断，主观性较强，准确性和效率较低，且热轧机现场工作的环境温度较高，会增加工作的危险性；超声波探头在应用时需要用水进行耦合，操作不便；光纤检测受机械振动干扰严重、受环境温度和粉尘微粒影响较大；因此现有技术中对轧辊磨损度进行检测的方法可靠程度较低。

发明内容

本发明提供一种热轧机的轧辊磨损程度分析方法，用于解决现有方法对轧辊磨损度进行检测可靠程度较低的问题，所采用的技术方案具体如下：

本发明实施例提供了一种热轧机的轧辊磨损程度分析方法包括以下步骤：

获取热轧机当前工作时间段内工作辊的第一特征振动数据序列、工作辊的第二特征振动数据序列以及热轧机当前工作时间段内电机的特征功率序列；所述第一特征振动数据序列和第二特征振动数据序列分别为同一工作辊两端的振动数据序列；

根据所述特征振动数据序列以及电机的特征功率序列，构建得到热轧机当前工作时间段内工作辊对应的状态向量；

将所述状态向量输入到训练好的分类器，得到热轧机当前工作时间段内工作辊对应的状态类别；判断所述状态类别是否为重度磨损，若是，则根据所述状态向量，得到热轧机当前工作时间段内工作辊对应的磨损指数；

根据所述磨损指数和预测网络，预测得到所述工作辊的剩余使用寿命。

优选的，构建得到热轧机当前工作时间段内工作辊对应的状态向量的方法，包括：

获取所述第一特征振动数据序列的标准差和极差以及第二特征振动数据序列的标准差和极差；

根据所述第一特征振动数据序列的标准差和极差，得到热轧机当前工作时间段内工作辊的第一波动程度；

根据所述第二特征振动数据序列的标准差和极差，得到热轧机当前工作时间段内工作辊的第二波动程度；

计算所述第一特征振动数据序列的均值以及第二特征振动数据序列的均值；

将所述第一特征振动数据序列的均值记为热轧机当前工作时间段内工作辊的第一振动强度；

将所述第二特征振动数据序列的均值记为热轧机当前工作时间段内工作辊的第二振动强度；

根据所述第一特征振动数据序列中的各参数值以及第二特征振动数据序列中的各参数值，得到热轧机当前工作时间段内工作辊两端的振动差异；

获取所述特征功率序列的标准差和极差；

根据所述特征功率序列的标准差和极差，得到热轧机当前工作时间段内电机功率的波动程度；

计算所述特征功率序列的均值，将所述特征功率序列的均值记为热轧机当前工作时间段内电机的特征功率；

根据热轧机当前工作时间段内工作辊的第一波动程度、工作辊的第二波动程度、工作辊的第一振动强度、工作辊的第二振动强度、工作辊两端的振动差异、电机功率的波动程度以及电机的特征功率，构建得到热轧机当前工作时间段内工作辊对应的状态向量。

优选的，得到热轧机当前工作时间段内工作辊的第一波动程度和得到热轧机当前工作时间段内工作辊的第二波动程度的方法，包括：

将所述第一特征振动数据序列的标准差与1的和，记为第一特征振动数据序列的第一特征值；

将所述第一特征振动数据序列的极差与1的和，记为第一特征振动数据序列的第二特征值；

将所述第一特征振动数据序列的第一特征值与对应的第二特征值的乘积记为热轧机当前工作时间段内工作辊的第一波动程度；

将所述第二特征振动数据序列的标准差与1的和，记为第二特征振动数据序列的第一特征值；

将所述第二特征振动数据序列的极差与1的和，记为第二特征振动数据序列的第二特征值；

将第二特征振动数据序列的第一特征值与对应的第二特征值的乘积记为热轧机当前工作时间段内工作辊的第二波动程度。

优选的，根据如下公式计算热轧机当前工作时间段内工作辊两端的振动差异：

其中，

为热轧机当前工作时间段内工作辊两端的振动差异，exp（）为以自然常数e为底的指数函数，abs（）为取绝对值函数，

为热轧机当前工作时间段内第一特征振动数据序列中第t个参数的值，

为热轧机当前工作时间段内第二特征振动数据序列中第t个参数的值，T为特征振动数据序列中参数的数量；所述第一特征振动数据序列中参数的数量与第二特征振动数据序列中参数的数量相等。

优选的，得到热轧机当前工作时间段内电机功率的波动程度的方法，包括：

将所述特征功率序列的标准差与1的和，记为特征功率序列的第一特征值；

将特征功率序列的极差与1的和，记为特征功率序列的第二特征值；

将特征功率序列的第一特征值与对应的第二特征值的乘积记为热轧机当前工作时间段内电机功率的波动程度。

优选的，状态类别包括未磨损、轻度磨损、中度磨损、重度磨损以及异常振动。

优选的，得到热轧机当前工作时间段内工作辊对应的磨损指数的方法，包括：

获取训练分类器时的各样本状态向量以及各样本状态向量的标签类型；

获取标签类型为重度磨损的各样本状态向量；所述样本状态向量中包含的参数中均有两个振动强度和一个特征功率；

计算标签类型为重度磨损的各样本状态向量中两个振动强度的均值，记为标签类型为重度磨损的各样本状态向量的特征振动强度；

获取标签类型为重度磨损的各样本状态向量的特征振动强度中的最小值和最大值，分别记为最小特征振动强度和最大特征振动强度；

获取标签类型为重度磨损的各样本状态向量的特征功率中的最小值和最大值，分别记为最小特征功率和最大特征功率；

计算热轧机当前工作时间段内工作辊对应的状态向量中的工作辊的第一振动强度和工作辊的第二振动强度的均值，记为热轧机当前工作时间段内工作辊的特征振动强度；

将热轧机当前工作时间段内工作辊的特征振动强度减去最小特征振动强度后的值与最大特征振动强度减去最小特征振动强度后的值的比值记为热轧机当前工作时间段内工作辊的目标特征振动强度；

将热轧机当前工作时间段内工作辊对应的状态向量中的电机的特征功率减去最小特征功率后的值与最大特征功率减去最小特征功率后的值的比值记为热轧机当前工作时间段内电机的目标特征功率；

根据热轧机当前工作时间段内电机的目标特征功率和热轧机当前工作时间段内工作辊的目标特征振动强度，计算得到热轧机当前工作时间段内工作辊的磨损指数。

优选的，根据如下公式计算热轧机当前工作时间段内工作辊的磨损指数：

其中，

为热轧机当前工作时间段内工作辊的磨损指数，

为热轧机当前工作时间段内工作辊的目标特征振动强度，

为热轧机当前工作时间段内电机的目标特征功率，e为自然常数。

有益效果：本发明首先获取热轧机当前工作时间段内工作辊的第一特征振动数据序列、工作辊的第二特征振动数据序列以及热轧机当前工作时间段内电机的特征功率序列；然后对特征振动数据序列以及特征功率序列进行分析，来构建热轧机当前工作时间段内工作辊对应的状态向量，所述状态向量能反映热轧机当前工作时间段内工作辊对应的状态类别，而所述状态类别能表征热轧机当前工作时间段内工作辊表面的磨损程度；因此本发明将所述状态向量输入到训练好的分类器，得到热轧机当前工作时间段内工作辊对应的状态类别；本发明为了减少计算量，只从开始出现重度磨损时进行剩余寿命的预测，即判断所述状态类别是否为重度磨损，若是，则根据所述状态向量，得到热轧机当前工作时间段内工作辊对应的磨损指数，所述磨损指数能反映工作辊的剩余使用寿命；因此本发明最后基于磨损指数和预测网络，能够预测工作辊的剩余使用寿命。因此本发明提供的热轧机的轧辊磨损程度分析方法是一种自动化程度较高的分析方法，能够减少人工参与，操作简单，受周围环境的影响较小，因此能够相对可靠的分析出工作辊的磨损程度，并且基于分析出的磨损程度还能够可靠的预测工作辊的剩余寿命，依据预测的剩余寿命能够帮助工作人员合理的规划换辊的时间。

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和优点，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的介绍，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，还可以根据这些附图获得其它附图。

图1为本发明一种热轧机的轧辊磨损程度分析方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。

除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。

本实施例提供了一种热轧机的轧辊磨损程度分析方法，详细说明如下：

如图1所示，该热轧机的轧辊磨损程度分析方法，包括以下步骤：

步骤S001，获取热轧机当前工作时间段内工作辊的第一特征振动数据序列、工作辊的第二特征振动数据序列以及热轧机当前工作时间段内电机的特征功率序列；所述第一特征振动数据序列和第二特征振动数据序列分别为同一工作辊两端的振动数据序列。

由于工作辊相对于支持辊对带钢版型质量的影响更大，因此本实施例主要是对热轧机工作辊的表面磨损程度进行分析，并且本实施例以下过程只针对一个工作辊进行分析，若热轧机上有多个工作辊，每个工作辊的分析方法相同；工作辊未磨损时表面是有一定粗糙度的，目的是为了增加带钢的摩擦力，但是随着工作辊使用时间的增加，工作辊表面会受到磨损，工作辊和带钢之间的摩擦力会越来越少，进而导致带钢的版型质量较差。因此本实施例提出了一种热轧机的轧辊磨损程度分析方法，通过工作辊的振动和热轧机的电机功率来分析工作辊的磨损程度，并且通过对磨损程度进行分析来预测工作辊的剩余使用寿命，本实施例提供的热轧机的轧辊磨损程度分析方法是一种自动化程度较高的分析方法，能够避免人工参与，操作简单，受周围环境的影响较小，因此能够相对可靠的分析出工作辊的磨损程度，并且基于分析出的磨损程度还能够预测工作辊的剩余寿命，依据预测的剩余寿命能够较准确的帮助工作人员合理的规划换辊的时间。

由于热轧机的工作辊没有磨损时表面有一定的粗糙度，磨损后粗糙度会变小，而当热轧机的工作辊表面没有出现磨损时，工作辊表面的粗糙度以及带钢上的氧化层或者钢铁碎屑等因素会导致采集的振动数据之间的波动程度较大；但是当热轧机的工作辊表面出现磨损时，工作辊表面的粗糙度减小会使得带钢上的氧化层或者钢铁碎屑等因素所导致的振动数据之间的波动程度减小；而且由于热轧机的工作辊工作时对带钢有很大的挤压力，同时自身也承受着高强度的负载，久而久之，会出现工作辊的轴承磨损，轴承磨损会使得工作辊出现振动，但是在工作辊表面未磨损时，由于工作辊与带钢之间有很大的挤压力，就算轴承出现了磨损，工作辊也很难有较大的振动表现，而当工作辊表面出现磨损时，工作辊与带钢之间的挤压力相对就会减少，此时若轴承也出现磨损，就会造成工作辊有较大的振动或者抖动出现；因此热轧机的工作辊表面出现磨损相对于没有出现磨损来说，工作辊的振动会较大，但是此时所采集的振动数据之间的波动较小。

因此本实施例在工作辊的两端分别安装耐高温的振动传感器，为了减少计算量，本实施例不进行实时采集，设置采集时间段，设置每个采集时间段的长度均为1分钟，且相邻采集时间段之间的时间间隔相等，本实施例设置相邻采集时间段之间的时间间隔为两个小时，设置同一工作辊的两端振动传感器的采集频率和采集时刻相同，本实施例设置振动传感器的采集频率为2赫兹，因此本实施例可以得到热轧机工作过程中各采集时间段内工作辊的第一振动数据序列和第二振动数据序列，所述第一振动数据序列为工作辊一端的振动数据序列，第二振动数据序列为该工作辊另一端的振动数据序列；所述采集时间段均为热轧机工作过程中的时间段。

作为其它的实施方式，也可以根据实际情况设置为采集时间段、相邻采集时间段之间的时间间隔以及振动传感器的采集频率设置其它的数值，如可以设置采集时间段的长度为2分钟，相邻采集时间段之间的时间间隔为1个小时，振动传感器的采集频率为1赫兹。

由于工作辊的转动是由电机提供的动力，当电机负载增加时，转矩增加，引起转速降低，转差率上升，引起输入电流变大，电机功率上升；而在工作辊表面没有磨损时，工作辊表面较为粗糙，此时摩擦力较大，此时电机的负载就较大，电机的瞬时功率就比较高，但是当工作辊的表面出现磨损时，工作辊表面的粗糙度会降低，此时摩擦力较小，电机此时的负载相对于工作辊表面没有磨损时的负载会降低一些，进而电机的功率也会出现下降；同时，当热轧机的工作辊表面没有出现磨损时，工作辊表面的粗糙度以及带钢上的氧化层或者钢铁碎屑等因素会导致采集的电机功率数据之间的波动程度较大；但是当热轧机的工作辊表面出现磨损时，工作辊表面的粗糙度减小会使得带钢上的氧化层或者钢铁碎屑等因素所导致的电机功率数据之间的波动程度减小。因此本实施例利用功率计获取热轧机工作过程中各采集时间内热轧机的电机功率序列，采集频率和上述采集振动数据时的采集频率相同，也为2赫兹。

本实施例按照时间的顺序对各采集时间段进行排序，得到采集时间段序列，将采集时间段序列中的最后一个采集时间段内工作辊的第一振动数据序列、第二振动数据序列以及热轧机的电机功率序列分别记为热轧机当前工作时间段内工作辊的第一特征振动数据序列、工作辊的第二特征振动数据序列以及热轧机当前工作时间段内电机的特征功率序列。

步骤S002，根据所述特征振动数据序列以及电机的特征功率序列，构建得到热轧机当前工作时间段内工作辊对应的状态向量。

紧接着本实施例对步骤S001得到的特征振动数据序列以及电机的特征功率序列进行分析，构建热轧机当前工作时间段内工作辊的状态向量，所述状态向量为后续判断热轧机当前工作时间段内工作辊的磨损程度的依据；具体过程为：

获取第一特征振动数据序列的标准差和极差以及第二特征振动数据序列的标准差和极差；将第一特征振动数据序列的标准差与1的和，记为第一特征振动数据序列的第一特征值；将第一特征振动数据序列的极差与1的和，记为第一特征振动数据序列的第二特征值；将第一特征振动数据序列的第一特征值与对应的第二特征值的乘积记为热轧机当前工作时间段内工作辊的第一波动程度；将第二特征振动数据序列的标准差与1的和，记为第二特征振动数据序列的第一特征值；将第二特征振动数据序列的极差与1的和，记为第二特征振动数据序列的第二特征值；将第二特征振动数据序列的第一特征值与对应的第二特征值的乘积记为热轧机当前工作时间段内工作辊的第二波动程度；且工作辊的波动程度越大，表明磨损越不严重，反之，表明磨损越严重。由于极差和标准差结合能更加准确的反映序列的波动程度，因此本实施例将标准差加上1之后的结果与对应极差加上1之后的结果进行相乘操作可以避免标准差和极差中的一个为0，而另外一个不为0时，所导致波动程度为0这种情况的出现，因为这种情况下所得到的波动程度的可靠程度较低。

紧接着计算第一特征振动数据序列的均值以及第二特征振动数据序列的均值；将第一特征振动数据序列的均值记为热轧机当前工作时间段内工作辊的第一振动强度；将第二特征振动数据序列的均值记为热轧机当前工作时间段内工作辊的第二振动强度；且振动强度越小，表明磨损越不严重，反之，表明磨损越严重。

无论工作辊表面是否出现磨损，一般的同一工作辊的两端在同一时刻的振动应该是相近或者相同的，若是在同一采集时刻同一工作辊的两端所采集的振动数据差异较大，则表明当前的振动数据为异常振动数据，若依据当前的振动数据来分析工作辊表面的磨损程度是不可靠的，因为当前振动数据的生成不仅仅与工作辊表面是否出现磨损有关，还可能与其他的因素有关，例如当前振动数据的生成因素中包含工作辊自身的轴承出现了位移；因此本实施例根据第一特征振动数据序列中的各参数值以及第二特征振动数据序列中的各参数值，得到热轧机当前工作时间段内工作辊两端的振动差异；根据如下公式计算热轧机当前工作时间段内工作辊两端的振动差异：

其中，

为热轧机当前工作时间段内第二特征振动数据序列中第t个参数的值，T为特征振动数据序列中参数的数量；所述第一特征振动数据序列中参数的数量与第二特征振动数据序列中参数的数量相等；

越小，表明第一特征振动数据序列中的各参数值和第二特征振动数据序列中的各参数值的之间的差异越大，表明第一特征振动数据序列和第二特征振动数据序列中的各参数值为异常数据的可能性越大，即工作辊出现异常振动的可能性越大，且若依据异常数据来分析工作辊表面的磨损程度是不可靠的；

越大，

越接近于0，则表明

的值越接近于-1，反之，

越接近于1，则表明

的值越接近于0。

接下来获取热轧机当前工作时间段内电机的特征功率序列的标准差和极差；将特征功率序列的标准差与1的和，记为特征功率序列的第一特征值；将特征功率序列的极差与1的和，记为特征功率序列的第二特征值；将特征功率序列的第一特征值与对应的第二特征值的乘积记为热轧机当前工作时间段内电机功率的波动程度；并且当前工作时间段内电机功率的波动程度越大，表明工作辊表面的磨损程度越低，反之，表明工作辊表面的磨损程度越高；然后计算特征功率序列的均值，将特征功率序列的均值记为热轧机当前工作时间段内电机对应的特征功率，电机对应的特征功率越大，表明工作辊表面的磨损程度越低，反之，表明工作辊表面的磨损程度越高。

本实施例中上述过程得到的热轧机当前工作时间段内工作辊的第一波动程度、工作辊的第二波动程度、工作辊的第一振动强度、工作辊的第二振动强度、工作辊两端的振动差异、电机功率的波动程度以及电机的特征功率能反映工作辊是否出现异常振动、以及工作辊表面是否出现磨损和磨损程度。因此本实施例根据热轧机当前工作时间段内工作辊的第一波动程度、工作辊的第二波动程度、工作辊的第一振动强度、工作辊的第二振动强度、工作辊两端的振动差异、电机功率的波动程度以及电机的特征功率，构建得到热轧机当前工作时间段内工作辊对应的状态向量；所述状态向量为后续得到磨损程度的依据，所述状态向量的维度为7维。

作为其它的实施方式，也可以为了降低后续的计算量，对上述得到的各数据进行结合，降低状态向量的维度，例如可以将当前工作时间段内工作辊的第一波动程度、工作辊的第二波动程度的比值作为一个新的参数，将工作辊的第一振动强度和工作辊的第二振动强度的比值作为一个新的参数，然后依据剩余的参数和新的参数构建状态向量，此时的状态向量的维度为5维。

步骤S003，将所述状态向量输入到训练好的分类器，得到热轧机当前工作时间段内工作辊对应的状态类别；判断所述状态类别是否为重度磨损，若是，则根据所述状态向量，得到热轧机当前工作时间段内工作辊对应的磨损指数。

由于工作辊的磨损变化是一个长期的过程，且上述得到的能够判断工作辊磨损状况的状态向量较为复杂，为了能够更加高效的判断磨损程度，本实施例将热轧机当前工作时间段内工作辊的状态向量输入到训练好的SVM分类器中，输出为热轧机当前工作时间段内工作辊的状态类别，所述状态类别包括未磨损、轻度磨损、中度磨损、重度磨损以及异常振动；所述异常振动主要通过热轧机当前工作时间段内工作辊两端的振动差异来反映，当振动差异越小，热轧机当前工作时间段内工作辊出现异常振动的可能性越大，当输出为异常振动时，表明工作辊自身的轴承出现了位移等异常现象，需要停机检修，不需要进行后面的工作辊的剩余使用寿命的预测。

SVM分类器的优点是可以使用超平面和核函数的方式进行线性或非线性分类，输出的结果较为准确。SVM分类器的训练过程为：获取工作辊全生命周期内的1000个样本状态向量，所述全生命周期为一个全新的工作辊开始投入使用到该工作辊由于磨损严重停止使用的过程，所述1000个样本状态向量中包含工作辊的所有状态类别，即包括未磨损、轻度磨损、中度磨损、重度磨损以及异常振动；然后利用1000个样本状态向量对SVM分类器进行训练，且1000个样本状态向量中的百分之九十的向量作为训练样本，剩余的百分之十作为测试样本；使用训练样本进行SVM分类器模型的建立与训练，改变分类器参数的值，计算分类器性能达到最好时所对应的各项参数值，至此分类器完成参数训练；然后将剩余的百分之十测试样本投入到上述训练好的分类器中，测试分类效果，判断分类是否正确，以及正确率是否符合使用要求；若正确率较低则继续修改分类器的参数，直到正确率符合使用要求；所述SVM分类器的结构以及具体训练过程为公知技术，因此不再详细描述。

由于当工作辊开始出现重度磨损时，工作辊的工作性能已经较差，就需要关注工作辊的剩余寿命，帮助工作人员合适的规划更换工作辊的时间；因此本实施例判断输出的热轧机当前工作时间段内工作辊的状态类别是否为重度磨损或者异常振动，若为异常振动，则判定需要对热轧机进行停机检修，不需要进行工作辊剩余使用寿命的预测，若为重度磨损，则根据热轧机当前工作时间段内工作辊的状态向量中的工作辊的第一振动强度、工作辊的第二振动强度以及电机的特征功率，计算得到热轧机当前工作时间段内工作辊的磨损指数，所述磨损指数用于预测工作辊的剩余使用寿命；否则，则让热轧机正常进行工作，直至后续获取的热轧机工作时间段对应的状态向量输入到分类器后，出现分类器输出的状态类别为重度磨损时，才对工作辊的余使用寿命进行预测。

本实施例中计算得到热轧机当前工作时间段内工作辊的磨损指数的具体过程为：

上述在对分类器进行训练时，会对1000个样本状态向量进行打标签，获取标签类型为重度磨损的各样本状态向量，由于每个状态向量中包含的参数中均有两个振动强度和一个特征功率，计算标签类型为重度磨损的各样本状态向量中两个振动强度的均值，记为标签类型为重度磨损的各样本状态向量的特征振动强度；然后获取标签类型为重度磨损的各样本状态向量的特征振动强度中的最小值和最大值，分别记为最小特征振动强度和最大特征振动强度；获取标签类型为重度磨损的各样本状态向量的特征功率中的最小值和最大值，分别记为最小特征功率和最大特征功率；所述最小特征振动强度、最大特征功率、最大特征振动强度和最小特征功率均为重度磨损类型的极限特征值，主要用于后续的归一化。

计算热轧机当前工作时间段内工作辊对应的状态向量中的工作辊的第一振动强度和工作辊的第二振动强度的均值，记为热轧机当前工作时间段内工作辊的特征振动强度；然后对热轧机当前工作时间段内工作辊的特征振动强度进行归一化，将归一化后的结果记为热轧机当前工作时间段内工作辊的目标特征振动强度；所述对工作辊的特征振动强度进行归一化的过程为：将热轧机当前工作时间段内工作辊的特征振动强度减去最小特征振动强度后的值与最大特征振动强度减去最小特征振动强度后的值的比值作为对热轧机当前工作时间段内工作辊的特征振动强度进行归一化后的结果，且归一化后值越接近于1，表明重度磨损越严重，工作辊的剩余使用寿命越短。

对热轧机当前工作时间段内工作辊对应的状态向量中的电机的特征功率进行归一化，将归一化后的结果记为热轧机当前工作时间段内电机的目标特征功率；对电机的特征功率进行归一化的过程为：将热轧机当前工作时间段内工作辊对应的状态向量中的电机的特征功率减去最小特征功率后的值与最大特征功率减去最小特征功率后的值的比值作为对热轧机当前工作时间段内电机的特征功率进行归一化后的结果，归一化后的特征功率越接近于0，表明重度磨损越严重，工作辊的剩余使用寿命越短。

由于热轧机当前工作时间段内电机的目标特征功率和热轧机当前工作时间段内工作辊的目标特征振动强度均能反映工作辊的剩余使用寿命；因此本实施例根据热轧机当前工作时间段内电机的目标特征功率和热轧机当前工作时间段内工作辊的目标特征振动强度，计算得到热轧机当前工作时间段内工作辊的磨损指数；根据如下公式计算热轧机当前工作时间段内工作辊的磨损指数：

其中，

为热轧机当前工作时间段内工作辊的磨损指数，

为热轧机当前工作时间段内工作辊的目标特征振动强度，

为热轧机当前工作时间段内电机的目标特征功率，e为自然常数；

越大，表明工作辊的剩余使用寿命越短；

越大，

越小，表明

越大。

步骤S004，根据所述磨损指数和预测网络，预测得到所述工作辊的剩余使用寿命。

由于磨损指数能表征工作辊的剩余使用寿命，因此本实施例将热轧机当前工作时间段内工作辊的磨损指数输入到训练好的预测网络中，输出为未来时间段的磨损指数；工作人员通过预测的未来时间段的磨损指数的变化趋势，预测得到工作辊的剩余使用寿命，即当预测的未来时间段的磨损指数大于或者等于预设磨损指数阈值时，表明工作辊的使用寿命已经达到极限，需要进行停机更换，且当预测的未来时间段的磨损指数大于或者等于预设磨损指数阈值时的时间到当前时间段的距离为当前时刻工作辊的剩余使用寿命。所述预设磨损指数阈值需要根据实际情况进行设置，本实施例可以将预设磨损指数阈值设置为0.8。

本实施例中使用的预测网络为LSTM神经网络，利用磨损指数样本集对预测网络进行训练，训练时利用均方差损失函数进行监督，所述预测网络的具体结构和具体的训练过程为公知技术，因此本实施例不再详细描述。

本实施例首先获取热轧机当前工作时间段内工作辊的第一特征振动数据序列、工作辊的第二特征振动数据序列以及热轧机当前工作时间段内电机的特征功率序列；然后对特征振动数据序列以及特征功率序列进行分析，来构建热轧机当前工作时间段内工作辊对应的状态向量，所述状态向量能反映热轧机当前工作时间段内工作辊对应的状态类别，而所述状态类别能表征热轧机当前工作时间段内工作辊表面的磨损程度；因此本实施例将所述状态向量输入到训练好的分类器，得到热轧机当前工作时间段内工作辊对应的状态类别；本实施例为了减少计算量，只从开始出现重度磨损时进行剩余寿命的预测，即判断所述状态类别是否为重度磨损，若是，则根据所述状态向量，得到热轧机当前工作时间段内工作辊对应的磨损指数，所述磨损指数能反映工作辊的剩余使用寿命；因此本实施例最后基于磨损指数和预测网络，能够预测工作辊的剩余使用寿命。因此本实施例提供的热轧机的轧辊磨损程度分析方法是一种自动化程度较高的方法，能够减少人工参与，操作简单，受周围环境的影响较小，因此能够相对可靠的分析出工作辊的磨损程度，并且基于分析出的磨损程度还能够可靠的预测工作辊的剩余寿命，依据预测的剩余寿命能够帮助工作人员合理的规划换辊的时间。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。