孫兆兵

(濟鋼集團熱連軋廠,山東濟南250100)

基于支持向量機的軋鋼電機狀態(tài)綜合評價方法

孫兆兵

(濟鋼集團熱連軋廠,山東濟南250100)

提出了一種面向設(shè)備管理的基于支持向量機(SVM)的軋鋼電機狀態(tài)綜合評價方法。選取與電機狀態(tài)密切相關(guān)的參數(shù)為評價指標(biāo),構(gòu)建模擬電機狀態(tài)綜合評價體系的SVM評價模型,輸出電機狀態(tài)綜合評價等級,制定絕對報警和相對報警兩種警情設(shè)置,并建立警情溯源機制,從而為及時準(zhǔn)確掌握電機狀態(tài)和預(yù)報電機狀態(tài)遷移趨勢提供依據(jù),有效防范漸變性故障的發(fā)生。以濟鋼熱連軋廠粗軋上位電機為評價對象,基于歷史監(jiān)測數(shù)據(jù)構(gòu)建電機狀態(tài)SVM評價模型,并檢驗其有效性。實驗結(jié)果表明,粗軋電機狀態(tài)評價方法整體準(zhǔn)確率為96.67%,對異常設(shè)備狀態(tài)捕捉率為88.89%,異常狀態(tài)誤報率為3.33%。

設(shè)備管理;狀態(tài)評價;綜合評價;支持向量機

1 引言

軋機是鋼材軋制的關(guān)鍵設(shè)備,其穩(wěn)定運行依賴于電機的有效拖動,因此,電機良好的運行狀態(tài)對軋鋼產(chǎn)線的順行具有重要意義。作為保障電機穩(wěn)定運行的有效手段,電機狀態(tài)監(jiān)控研究已取得了非常大的成果,如寶鋼2030冷連軋大電機運行狀態(tài)監(jiān)測系統(tǒng)[1],史成江[2]直流大電機在線監(jiān)測系統(tǒng),張克涵[3]等電機狀態(tài)監(jiān)控軟件的設(shè)計,萊鋼厚板軋線PDA數(shù)據(jù)采集系統(tǒng)[4]等。然而,文獻報道的研究與應(yīng)用大多側(cè)重于數(shù)據(jù)采集,且多用于事后故障分析。如果對電機狀態(tài)進行綜合評價并給出可能的遷移趨勢,則可以為設(shè)備管理人員在故障前提前制定有效措施提供依據(jù),從而減少漸變性設(shè)備故障,提高設(shè)備管理水平。

基于設(shè)備管理實踐的需求,本文提出了一種面向設(shè)備管理的軋鋼電機狀態(tài)綜合評價方法,其框架結(jié)構(gòu)見圖1所示。

圖1 軋鋼電機設(shè)備狀態(tài)綜合評價方法框架圖

首先,通過虛箭頭建立評價體系。利用電機歷史監(jiān)測數(shù)據(jù),篩選與電機狀態(tài)密切相關(guān)的參數(shù)為評價指標(biāo),結(jié)合設(shè)備管理經(jīng)驗,進行數(shù)據(jù)預(yù)處理,得到電機歷史狀態(tài)綜合評價等級,基于支持向量機[5](Support Vector Machine,SVM)模擬電機狀態(tài)綜合評價體系,以歷史監(jiān)測數(shù)據(jù)和電機綜合狀態(tài)作為訓(xùn)練數(shù)據(jù)訓(xùn)練SVM模型;然后,通過實箭頭進行外推評價。以SVM評價模型為標(biāo)準(zhǔn),基于電機當(dāng)前監(jiān)測數(shù)據(jù)給出電機當(dāng)前狀態(tài)的綜合評價等級,根據(jù)設(shè)備管理實踐制定設(shè)備狀態(tài)報警機制,輸出報警信息。

值得指出的是,區(qū)別于設(shè)備的現(xiàn)場聯(lián)鎖保護設(shè)置,該方法側(cè)重于在掌握電機當(dāng)前綜合狀態(tài)的基礎(chǔ)上進行漸變性故障的預(yù)報。制定相對報警機制,利用電機狀態(tài)等級時間序列分析,從而使設(shè)備管理人員提前掌握設(shè)備綜合狀態(tài)的遷移變化,有效防范漸變性故障的發(fā)生;提供更加嚴(yán)格的絕對故障報警作為設(shè)備聯(lián)鎖設(shè)置的補充,從而在漸變性的設(shè)備聯(lián)鎖事件發(fā)生前及時采取相應(yīng)措施,保障生產(chǎn)順行。另外,根據(jù)綜合評價等級可追溯各評價指標(biāo)的具體情況,以有利于警情溯源機制的建立和可能故障因素的排查,從而為制定有效措施提供依據(jù)。

2 基于支持向量機的綜合評價方法

電機狀態(tài)監(jiān)控的廣泛研究與應(yīng)用為電機狀態(tài)綜合評價體系的建立提供了數(shù)據(jù)基礎(chǔ),構(gòu)建電機評價體系的關(guān)鍵在于評價指標(biāo)和評價方法的確立。

2.1 評價指標(biāo)的確立

電動機狀態(tài)評價指標(biāo)是表征電機狀態(tài)的關(guān)鍵參數(shù),其確立應(yīng)當(dāng)充分考慮電機各項技術(shù)指標(biāo),涉及電源、工況、設(shè)備本身、相關(guān)外圍設(shè)備狀態(tài)等方面因素,另外,還應(yīng)考慮現(xiàn)場數(shù)據(jù)的獲取能力,最大限度地滿足評價體系對設(shè)備數(shù)據(jù)的需求。

電動機的狀態(tài)與電網(wǎng)電壓、軋機負荷、定子電流、勵磁電流、定轉(zhuǎn)子溫度、軸承溫度、電機絕緣、冷卻風(fēng)機狀態(tài)等因素相關(guān)。一般地,應(yīng)根據(jù)數(shù)據(jù)獲取能力,結(jié)合實際選取與電機狀態(tài)緊密相關(guān)的參數(shù)作為電機狀態(tài)綜合評價的評價指標(biāo)。

2.2 評價方法的確立

關(guān)于如何建立電機狀態(tài)評價方法文獻報道非常少,相關(guān)研究一般側(cè)重于討論如何根據(jù)電機參數(shù)進行故障診斷[1-4],主要用于事后的故障分析處理;而電機狀態(tài)評價旨在通過對電機狀態(tài)評價指標(biāo)進行綜合分析,給出與電機狀態(tài)相符的評價等級,以在事前及時掌握電機狀態(tài),防范漸變性故障的發(fā)生。

評價方法對多個電機評價指標(biāo)進行數(shù)據(jù)融合,最終給出與電機實際狀態(tài)相符的評價等級,是一種多輸入單輸出的評價模型,實質(zhì)上是一種模式分類方法。支持向量機是20世紀(jì)90年代由Vapnik[5]等開發(fā)的一種通用的學(xué)習(xí)網(wǎng)絡(luò),具有很好的模式分類和非線性映射能力,廣泛應(yīng)用于模式分類、回歸和預(yù)測等各類問題。

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的[5],見圖2所示,H為分類超平面,H1、H2分別為過分類中離分類超平面最近的樣本且平行于分類超平面的平面,它們之間的距離叫做分類間隔。所謂最優(yōu)分類面即是將兩類正確分開且分類間隔最大的分類面,距離最優(yōu)分類面最近的向量稱為支持向量。

對于非線性問題,可以通過核函數(shù)進行非線性變化轉(zhuǎn)化為某個高維空間的線性問題,從而解決線性不可分問題。關(guān)于最優(yōu)分類面的數(shù)學(xué)推導(dǎo)此處不再贅述,參見文獻[5]。

圖2 線性可分下的最優(yōu)分類面示意圖

SVM建模的主要問題為模型參數(shù)及核函數(shù)參數(shù)的優(yōu)化,一般采用交叉檢驗(Cross Validation)的方法來進行,交叉檢驗的基本方法是在某種意義下將原始數(shù)據(jù)進行分組,一部分作為訓(xùn)練集,另一部分作為驗證集,首先用訓(xùn)練集對SVM進行訓(xùn)練,再利用驗證集來測試得到的模型,將不同的SVM參數(shù)應(yīng)用于各分組,以此來評價不同參數(shù)下的SVM的性能指標(biāo),從而得出最優(yōu)的模型參數(shù)。基于SVM建立電機狀態(tài)綜合評價方法,即以電機評價指標(biāo)的歷史監(jiān)測數(shù)據(jù)和歷史狀態(tài)作為SVM模型的學(xué)習(xí)數(shù)據(jù)進行模型訓(xùn)練,從而建立電機狀態(tài)評價模型,以此模型為標(biāo)準(zhǔn),對當(dāng)前電機的狀態(tài)進行外推綜合評價,給出電機當(dāng)前狀態(tài)評價等級。

2.3 警情與預(yù)警設(shè)置

考慮到電機狀態(tài)評價應(yīng)當(dāng)為設(shè)備管理服務(wù),因此應(yīng)當(dāng)對電機狀態(tài)等級賦予一定的含義,并制定一定的報警機制,從而為設(shè)備管理提供依據(jù)?；谠O(shè)備管理實踐需求,警情設(shè)置為四級,見表1所示。

警情等級僅給出設(shè)備當(dāng)前狀況,無法反映設(shè)備狀態(tài)的遷移變化,因此需引入絕對警情與相對警情相結(jié)合的機制進行設(shè)備狀態(tài)預(yù)警。即:設(shè)備狀態(tài)為“3級/警示”及以上時,進行絕對報警;當(dāng)設(shè)備狀態(tài)與過去相比,設(shè)備狀態(tài)惡化的情況下,進行相對報警。

表1 警情設(shè)置表

3 實驗驗證

為驗證基于SVM的電機狀態(tài)綜合評價方法的有效性,以濟鋼熱連軋廠粗軋上位電機為對象進行驗證實驗。該電機為凸極式同步電動機,功率7 000k W,采用交-交變頻實現(xiàn)調(diào)速控制,具備關(guān)鍵參數(shù)數(shù)據(jù)采集功能。根據(jù)熱連軋廠設(shè)備管理實踐和數(shù)據(jù)的可獲取情況,選取定子溫度、軸承溫度、碳刷溫度、滑環(huán)溫度、定子電流、勵磁電流為評價指標(biāo);取300組歷史數(shù)據(jù)及對應(yīng)的設(shè)備狀態(tài)作為訓(xùn)練集,利用Matlab支持向量機工具箱進行評價模型構(gòu)建;選取另外30組數(shù)據(jù)進行模擬檢驗實驗,驗證評價方法的有效性。

在300組模型訓(xùn)練數(shù)據(jù)中有1級狀態(tài)253個,2級34個,3級10個,4級3個,30組測試數(shù)據(jù)中有1級狀態(tài)21個,2級7個,3級狀態(tài)1個,4級狀態(tài)1個。SVM評價模型的建立采用Matlab SVM工具箱的svmtrain函數(shù),核函數(shù)采用RBF核函數(shù),并利用SVM-cgClass函數(shù)優(yōu)化模型參數(shù),得到懲罰參數(shù)c =2 048,RBF核函數(shù)中σ=776.15,RBF核函數(shù)的形式如式(1),其中xi,xj為樣本,σ為參數(shù)。

定義評價準(zhǔn)確率為評價正確的次數(shù)與數(shù)據(jù)總數(shù)之比,異常狀態(tài)捕捉率為異常狀態(tài)評價正確次數(shù)與異常狀態(tài)總數(shù)之比,警情誤報率為誤報警次數(shù)與數(shù)據(jù)總數(shù)之比。

利用300組歷史數(shù)據(jù)訓(xùn)練SVM模型,訓(xùn)練整體評價準(zhǔn)確率為99.33%,其中1級狀態(tài)準(zhǔn)確率100%,2級94.12%,3級100%,4級100%,異常狀態(tài)捕捉率為95.74%,警情誤報率為0。利用該模型對另外30組數(shù)據(jù)進行外推評價,模擬檢驗評價模型有效性。評價結(jié)果與電機狀態(tài)對比見圖3所示,其中“實際狀態(tài)”為根據(jù)生產(chǎn)實踐需求人工分析給出的電機狀態(tài),“評價等級”為本文所述評價方法給出的評價等級。

圖3 電機狀態(tài)與SVM模型評價結(jié)果對比圖

由圖3可以看出,利用SVM評價模型進行外推評價,整體準(zhǔn)確率為96.67%,其中1級準(zhǔn)確率為100%,2級為85.71%,3級為100%,4級為100%,異常狀態(tài)捕捉率為88.89%,誤報率為3.33%。其中2級評價準(zhǔn)確率較差,這是由評價模型對2級狀態(tài)的特征模擬不充分造成的,這一問題的改善依賴于訓(xùn)練集數(shù)據(jù)的不斷豐富,隨著設(shè)備管理實踐的深入和評價模型的優(yōu)化,有理由相信這一不足可以不斷改善。

由圖3還可以看出,紅色箭頭表示電機狀態(tài)惡化,且電機狀態(tài)為3級及其以上,應(yīng)進行相對報警,警情級別分別為3級和4級,應(yīng)按照表1所示警情含義采取相應(yīng)措施。對各異常狀態(tài)進行溯源可發(fā)現(xiàn),第21個狀態(tài)碳刷溫度為87℃,第25個狀態(tài)滑環(huán)溫度和碳刷溫度已分別為80℃、142℃,而第29個狀態(tài)定子電流為3 320A,為2級提示級別,未達到3級警示級別,屬于一定程度的誤報警。

4 結(jié)論與展望

基于SVM的電機狀態(tài)綜合評價方法,以電機關(guān)鍵參數(shù)為評價指標(biāo),給出電機狀態(tài)綜合評價等級;通過電機狀態(tài)時間序列進行漸變性故障的預(yù)報,有利于設(shè)備管理人員在掌握設(shè)備當(dāng)前狀態(tài)的基礎(chǔ)上預(yù)知設(shè)備狀態(tài)變化趨勢,及時采取相關(guān)措施,從而保障設(shè)備安全運行,提高設(shè)備管理水平。該評價方法經(jīng)實驗驗證總體準(zhǔn)確率、異常狀態(tài)捕獲率較好,警情誤報率較低。

不過,某些情況下受訓(xùn)練樣本的影響,評價準(zhǔn)確性無法令人滿意,這一狀況的改善依賴于設(shè)備管理實踐經(jīng)驗的不斷積累,從而改進評價指標(biāo)選取和評價模型參數(shù)優(yōu)化,進而進一步提高評價體系的可靠性。

[1] 趙從毅,王健,郁黎揚.軋機大電機運行狀態(tài)監(jiān)測系統(tǒng)[J].電子測量與儀器學(xué)報.2003,17 (2):75-80.

[2] 史成江.直流大電機在線監(jiān)測與故障診斷專家系統(tǒng)[D].湖北,武漢科技大學(xué),2005.

[3] 張克涵,張呼和,顧李馮.VC++環(huán)境下的電機狀態(tài)檢測軟件設(shè)計[J].測控技術(shù).2012,31 (2):23-30.

[4] 張麗,呂霞,王鵬.PDA數(shù)據(jù)采集系統(tǒng)在厚板軋線中的應(yīng)用[J].電子測試.2012,1(1):90 -93

[5] Vapnik V,Golowich S E,Smola A.Support Vector Method for Function Approximation, Regression Estimation,and Signal Processing[C].Advances in Neural Information Processing Systems,1996.

A Method for Rolling Large Motor State Evaluation Based on Support Vector Machine

SUN Zhao-bing

(Jigang Co.,LTD.Hot Strip Mill,Jinan 250100,Shandong,China)

An equipment management oriented method for Rolling Large Motor State Evaluation Based on Support Vector Machine(SVM)is proposed.The method selects the state-related parameters as the evaluation index,and then builds the SVM evaluation model of the motor state which gives the comprehensive evaluation levels.The state levels can help understand the exact motor state even the state trend that can guard against equipment malfunction.To verify the effectiveness of the evaluation method,the experiment for the top rough roll motor is conducted which trains the SVM evaluation model based on the historical monitoring data.According to the results,the total accuracy of the evaluation method is 90%,the capture of the abnormal state is 96.67%,and the false alarm is 6.67%.

equipment management,state evaluation,support vector machine

1001-5108(2016)04-0061-05

TP277

A

孫兆兵,碩士,主要從事控制科學(xué)與工程方面的研究和工作。