鄒 康，容芷君，但斌斌，劉 洋

(1.武漢科技大學(xué)冶金裝備及其控制教育部重點實驗室，湖北 武漢，430081；2.武漢科技大學(xué)機械傳動與制造工程湖北省重點實驗室，湖北 武漢，430081；3.寶鋼股份中央研究院武漢分院(武鋼有限技術(shù)中心)，湖北 武漢，430080)

連鑄是將精煉后的鋼水連續(xù)鑄造成鋼坯的生產(chǎn)工序，連鑄機作為連鑄程序的運行設(shè)備，一旦發(fā)生故障，將會導(dǎo)致批量性鑄坯質(zhì)量缺陷，影響生產(chǎn)進程，進而降低企業(yè)經(jīng)濟收益[1]。因此，提前檢測連鑄機故障對實際連鑄生產(chǎn)具有重要指導(dǎo)意義。

連鑄機設(shè)備故障診斷的一般方法有構(gòu)建數(shù)學(xué)解析模型、構(gòu)建知識庫和依靠專家經(jīng)驗以及利用數(shù)據(jù)驅(qū)動方法來挖掘有用信息等[2]。徐永利[3]基于采集的連鑄生產(chǎn)相關(guān)過程變量構(gòu)建主元分析模型，通過計算控制限和貢獻圖得出設(shè)備故障狀態(tài)及引起故障的主要變量，但該方法沒有考慮各變量之間的相互作用對最終預(yù)測結(jié)果的影響；黃爭艷[4]結(jié)合模糊診斷方法和神經(jīng)網(wǎng)絡(luò)模型，對連鑄機大包回轉(zhuǎn)臺進行在線監(jiān)測與故障診斷，該方法需要專家知識的幫助；都勝朝等[5]基于SIMTAC系統(tǒng)的WINCC在線監(jiān)測技術(shù)，建立了開澆過程雙流拉矯力電流信號的檢測模型，并應(yīng)用該模型對連鑄機故障進行判斷，結(jié)果顯示，該模型能提前發(fā)現(xiàn)連鑄機狀態(tài)異常，但方法實施較繁瑣，需要人工進行曲線比對。

近年來，有研究者提出利用設(shè)備運轉(zhuǎn)過程的電流信號變化來進行故障診斷。如文獻[6-8]報道，利用電機輸出電流與電機拖動系統(tǒng)間的故障聯(lián)系進行故障診斷是可行的；陳峙等[9]利用電流信號監(jiān)測電動機相連設(shè)備，通過調(diào)質(zhì)信號進行雙譜分析，以雙譜波峰的升高作為故障檢測的依據(jù)。但上述研究所采集的電流信號是高頻的，考慮到連鑄機信號特征，有研究從時間序列及分析其變化規(guī)律的角度出發(fā)來進行相應(yīng)的特征提取，如林近山[10]通過濾除非平穩(wěn)時間序列中的各種不相關(guān)趨勢，揭示時間序列內(nèi)部的動力學(xué)機制，根據(jù)標(biāo)度指數(shù)不同進行分類；許海倫[11]通過分析直流伺服電動機彈藥裝填機構(gòu)發(fā)生故障時電流信號的變化規(guī)律，提取相應(yīng)故障特征進行診斷；李廣等[12]對機床刀具故障電流信號進行分析，提取相應(yīng)的時域特征進行故障診斷。

連鑄機拉矯力電流信號可以反映其在不同工況下的拉矯力變化。對于一機兩流連鑄生產(chǎn)而言，正常工作時，拉坯產(chǎn)生的兩流信號不會突然出現(xiàn)明顯差異，但當(dāng)扇形段驅(qū)動輥部分有異常時，兩流信號差異顯著。由此看來，可以基于相同時間段內(nèi)兩流電流信號對比及相應(yīng)的變化規(guī)律，來實現(xiàn)對連鑄機運行狀態(tài)的辨識。為此，本文以采集的拉矯力電流信號為特征來源，基于連鑄機各工況的信號變化規(guī)律對信號進行過濾，提取同時處于正常澆鑄工況的兩流信號，并根據(jù)兩流信號的數(shù)值、趨勢差異判斷規(guī)則對樣本進行標(biāo)記，隨后對兩流信號進行統(tǒng)計特征計算，最后將樣本導(dǎo)入SVM模型進行狀態(tài)分類，實現(xiàn)對連鑄機狀態(tài)的辨識，研究結(jié)果可為實際連鑄生產(chǎn)提供參考。

1 連鑄機拉矯力電流信號特征

1.1 連鑄機拉矯力

連鑄機拉坯過程會產(chǎn)生相應(yīng)的拉矯力，連鑄機總拉矯力指的是鑄機扇形段每根驅(qū)動輥拉矯力之和，而每根驅(qū)動輥的拉矯力由該部分扇形段的電機所提供。當(dāng)連鑄機其中一流的扇形段驅(qū)動輥出現(xiàn)故障時，該流總拉矯力會在經(jīng)過該處時出現(xiàn)數(shù)值突變。一機兩流連鑄生產(chǎn)過程是通過相同的結(jié)晶器裝置和拉坯裝置同時生產(chǎn)兩流鑄坯，因此，在連鑄機正常工作時，兩流拉矯力的變化趨勢近似，數(shù)值差距處于正常范圍內(nèi)；而在不同工況或連鑄機發(fā)生異常時，兩流拉矯力會出現(xiàn)明顯差異，這就需要對兩流信號是否同時處于正常澆鑄工況進行判別，以區(qū)分該差異是由連鑄機異常還是所處工況不同而引起的。因此，連鑄機狀態(tài)辨識可以通過判斷同時處于正常澆鑄的兩流拉矯力信號是否出現(xiàn)明顯差異來實現(xiàn)。

1.2 拉矯力和連鑄機狀態(tài)的關(guān)系

連鑄機工作過程包括開澆、正常澆鑄、換中間包和停澆4個工序。不同工況下拉矯力會有不同的表現(xiàn)特征，大致規(guī)律如圖1所示，圖中開澆區(qū)域?qū)?yīng)開澆工況，澆鑄區(qū)域?qū)?yīng)正常澆鑄和換中間包工況。由圖1可見，連鑄機開始工作時，總拉矯力由0逐漸增大，當(dāng)拉坯長度增至L0(整個扇形段長度)時，開始澆鑄結(jié)束，拉矯力不再增大，拉矯力處于正常澆鑄臨界值F0的范圍(400～600 N)；隨即進入正常澆鑄階段，隨著拉坯的繼續(xù)進行，拉矯力在F0附近波動，當(dāng)拉坯長度達(dá)到L0后，拉坯長度每增加ΔL(250～400 m)則進行一次換中間包操作，整個工作循環(huán)中平均換6次中間包，圖1僅顯示了其中3次(對應(yīng)L1、L2、L3)，實際換中間包過程一般持續(xù)3 min，該過程內(nèi)拉坯長度不變，拉矯力數(shù)值驟降為0，換中間包結(jié)束后，拉矯力迅速恢復(fù)至臨界值范圍，在最后一次換中間包后拉坯長度增加ΔL達(dá)到L4時，正常澆鑄完成，拉矯力從F0左右迅速降至0附近，此時連鑄機進入停澆工況，停澆時拉坯長度降為0，對應(yīng)一個連鑄工作循環(huán)完成。

圖1 拉矯力隨拉坯長度的變化

圖2為實際工況下采集的4個澆鑄周期的拉矯力電流曲線，其中藍(lán)線代表一流拉矯力，紅線代表一流鑄流長度，信號采集間隔為5 s。由圖2可見，在實際的4個澆鑄周期中，每個澆鑄周期都明顯存在上述4種工況；一個澆鑄周期內(nèi)，正常澆鑄時間越長，拉坯長度越長，且第一個周期的拉坯長度明顯大于其他三個周期的相應(yīng)值；在各澆鑄周期中，換中間包時間和開始澆鑄持續(xù)時間較為接近，但正常澆鑄時間明顯不同，正常澆鑄時間越長，對應(yīng)換中間包的次數(shù)越多；在實際停澆過程中，拉矯力在停澆穩(wěn)定前還會波動，停澆穩(wěn)定后，才維持在0左右。

圖2 4個澆鑄周期拉矯力變化曲線

1.3 拉矯力電流信號

對如圖3所示實際采集的兩流拉矯力電流信號進行分析后發(fā)現(xiàn)，其主要特征包括：①信號的采集間隔為5 s，在整個采集時間內(nèi)，信號是隨連鑄機各工況循環(huán)變化的；②兩流拉矯力電流有時存在不同步現(xiàn)象，即一流拉矯力信號對應(yīng)的是開始澆鑄工況，而另一流信號則是對應(yīng)上一澆鑄周期的停澆工況；③有時會存在超過正常拉矯力范圍的異常數(shù)據(jù)；④采集的兩流拉矯力電流信號是兩列高容量的連續(xù)時間序列；⑤現(xiàn)場生產(chǎn)經(jīng)驗表明，當(dāng)兩流電流信號差值較大或兩流電流信號變化趨勢出現(xiàn)明顯差異時，連鑄機往往會出現(xiàn)運行狀態(tài)異常。

圖3 有異常發(fā)生時拉矯力變化曲線

2 連鑄機狀態(tài)評估模型

2.1 兩流電流信號正常時澆鑄樣本的提取

本研究需要處理的對象是每隔5 s實時采集的兩流拉矯力電流信號I1、I2以及兩流澆鑄長度S1、S2。I1t、I2t表示t時刻兩流信號的具體值，It表示t時刻兩流中某一流信號的具體值，S1t、S2t表示t時刻兩流澆鑄長度的具體值。若要從中提取出所需要的正常澆鑄工況樣本，需要根據(jù)信號特征對采集數(shù)據(jù)進行處理，具體步驟為：

(1)基于某廠的實際生產(chǎn)狀況，拉矯力信號值的正常范圍不超過1000 N，當(dāng)I1t或I2t不小于1000 N時，將I1t、I2t同時剔除，從而得到處于正常范圍的I1、I2。

(2)若I1t或I2t驟降至0，維持幾分鐘后又迅速升至正常澆鑄對應(yīng)的I1t、I2t值，且這個過程中S1t、S2t不變，則此時對應(yīng)為換中間包工況，將該部分信號過濾。

(3)在一段時間內(nèi)，若I1t或I2t不大于2 N且S1t、S2t不超過6.5 m時，此時對應(yīng)為停澆狀態(tài)，將該部分信號過濾。

(4)當(dāng)I1、I2表示開始澆鑄時的信號時，I1t、I2t不斷增大，當(dāng)I1、I2表示正常澆鑄時的信號時，I1t、I2t在一段時間內(nèi)不會發(fā)生大的變化；若當(dāng)|I1t-I1(t-2 min)|與|I1t-I1(t+2 min)|剛開始出現(xiàn)且兩者差值在35 N內(nèi)時，將I1t視為兩個狀態(tài)的臨界值，以此得出正常澆鑄信號，且當(dāng)I1t、I2t同時位于臨界值以上時，進一步得到兩流同步且處于正常澆鑄的信號范圍。

(5)對上一步提取的I1、I2，以1 h固定時間段進行劃分，得到具有相同容量的各樣本，并對各樣本的I1t、I2t進行參照比較；若|I1t-I2t|>100 N或I1、I2的變化趨勢存在很大差異，即在連鑄機運行過程中從某一個時刻起，在接下來的5 min內(nèi)，若I1始終有I1(t+5 s)>I1t，并且I2不存在此現(xiàn)象，那么I1異常、I2正常，則為該樣本貼上異常標(biāo)簽，否則貼上正常標(biāo)簽，進而得到特征樣本空間。

2.2 電流信號的特征重構(gòu)

考慮到原始信號只是兩列高容量的連續(xù)時間序列，原本的兩個特征往往是不夠的，亦即不具有代表性和可靠性，故要在原始信號基礎(chǔ)上進行特征重構(gòu)?；谏鲜鰧C力信號和連鑄機之間關(guān)系的描述，當(dāng)連鑄機發(fā)生故障時，其故障特征會在該信號的時域中體現(xiàn)，因而可以對其進行統(tǒng)計特征計算，具體的時域統(tǒng)計指標(biāo)為最大值m、最小值s、均值μ、標(biāo)準(zhǔn)差σ和峭度K。

m、s可以反映信號的范圍變化：

m=max{xi},i=1,2,…,N

(1)

s=min{xi},i=1,2,…,N

(2)

式中：xi為隨機變量的取值。

μ可以反映信號的穩(wěn)定情況：

(3)

σ用來描述數(shù)據(jù)的離散程度：

(4)

K是一個四階統(tǒng)計量，反映信號分布特性：

(5)

對于各樣本，按照式(1)～式(5)進行相應(yīng)時域指標(biāo)計算，從而得到各樣本的特征參數(shù)。

2.3 SVM模型分類

經(jīng)過正常澆鑄樣本提取及特征重構(gòu)后，得到每個樣本的特征參數(shù)，便可應(yīng)用SVM(支持向量機)模型進行分類。SVM模型是一種帶有標(biāo)簽數(shù)據(jù)的監(jiān)督式學(xué)習(xí)算法，對小樣本數(shù)據(jù)和非線性數(shù)據(jù)也有很好的分辨能力，精度較高。算法原理是尋找一個能最大化訓(xùn)練數(shù)據(jù)中分類間距的超平面來進行分類。綜合上述分析，應(yīng)用SVM模型對基于拉矯力電流信號的連鑄機狀態(tài)評估，算法流程如圖4所示。

3 實例驗證與結(jié)果分析

本文以從某廠實際采集的2019年5月1日至2019年7月23日的拉矯力電流信號為研究對象，拉矯力數(shù)據(jù)集包含兩流拉矯力、兩流拉坯速度、兩流澆鑄長度，數(shù)據(jù)采集間隔為5 s。利用圖4中算法流程對實驗數(shù)據(jù)進行處理，以驗證該方法的有效性。

圖4 算法流程圖

3.1 特征樣本空間的構(gòu)造

首先，根據(jù)2.1節(jié)的步驟剔除異常數(shù)據(jù)，并且過濾掉所有的開始澆鑄信號、換中間包信號和停澆信號，從而提取出所需要的兩流同時處于正常澆鑄狀態(tài)的信號，最終得到105個完整周期內(nèi)處于正常澆鑄工況的信號。

對提取出的各澆鑄周期內(nèi)正常澆鑄信號進行分析，為保證各樣本空間容量相同以及降低結(jié)果誤差，從各正常澆鑄信號中提取出多個1 h的連續(xù)數(shù)據(jù)作為新樣本，以兩流信號數(shù)值及趨勢差異為判斷規(guī)則來標(biāo)記樣本，最終得到180個正常樣本和92個異常樣本，異常原因主要是由于實際過程中某部分扇形段的軸承卡阻所致。部分樣本對應(yīng)的I1、I2值如表1所示，然后對樣本進行特征轉(zhuǎn)換，利用式(1)～式(5)分別獲得各樣本內(nèi)I1、I2的最大值m1、m2，最小值s1、s2，均值μ1、μ2，標(biāo)準(zhǔn)差σ1、σ2，峭度K1、K2。用以上10個特征參數(shù)代替原來的特征，最終得到樣本空間前10行數(shù)據(jù)如表2所示。

表1 部分樣本點對應(yīng)的I1和I2值

表2 樣本空間前10行的特征參數(shù)值

3.2 分類結(jié)果

在得到所需特征參數(shù)后，需要根據(jù)數(shù)據(jù)的特征選擇合適的模型，考慮到總樣本個數(shù)只有272個，樣本容量較小且該任務(wù)屬于分類任務(wù)，故選擇對小樣本數(shù)據(jù)仍有較好分辨能力的SVM模型。

特征數(shù)據(jù)導(dǎo)入模型之前，需要進行數(shù)據(jù)預(yù)處理及模型參數(shù)選擇，具體步驟如下：

(1)對標(biāo)簽類數(shù)據(jù)進行編碼，將“正?！本幋a為0，“異?！本幋a為1。

(2)將272個特征樣本以7∶3的比例分為訓(xùn)練集和測試集。訓(xùn)練集中共包含190個樣本，其中正常樣本135個，異常樣本55個；測試集中包括82個樣本，其中正常樣本45個，異常樣本37個。

(3)分別對訓(xùn)練集和測試集進行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化公式為：

(6)

(4)由于徑向基核函數(shù)對線性可分和非線性可分?jǐn)?shù)據(jù)均有較好效果，故選擇該函數(shù)作為模型的核函數(shù)。

(5)模型的懲罰項參數(shù)C通過隨機網(wǎng)格搜索方法確定。

將按照上述方法處理的特征數(shù)據(jù)導(dǎo)入SVM模型，得到當(dāng)模型的懲罰項參數(shù)為4.3時，模型的準(zhǔn)確率達(dá)到最高。模型的預(yù)測分類結(jié)果和實際分類結(jié)果如圖5所示，圖中，橫坐標(biāo)表示測試集中樣本個數(shù)，縱坐標(biāo)表示對應(yīng)測試集的實際標(biāo)簽類別和預(yù)測標(biāo)簽類別。當(dāng)某個測試集樣本上只有藍(lán)色標(biāo)記時，表明紅色標(biāo)記被藍(lán)色標(biāo)記遮蓋了，即預(yù)測類別和實際類別相同；當(dāng)一個測試集樣本上既出現(xiàn)藍(lán)色標(biāo)記又出現(xiàn)紅色標(biāo)記時，表明預(yù)測類別和實際類別不同，出現(xiàn)分類錯誤。

圖5 基于徑向基核函數(shù)的SVM分類結(jié)果

另外，還可以用準(zhǔn)確率和F1分?jǐn)?shù)這兩個指標(biāo)對預(yù)測結(jié)果進行評價。準(zhǔn)確率的計算方法是所有預(yù)測正確的樣本數(shù)除以總測試樣本數(shù)；F1分?jǐn)?shù)是同時兼顧了分類模型精確度和召回率的綜合性指標(biāo)，其計算式為：

通過計算可得，SVM分類模型的準(zhǔn)確率為91.46%，F(xiàn)1分?jǐn)?shù)為89.50%，兩個指標(biāo)的計算值均相對較高。相比于文獻[5]通過在線監(jiān)測和繁復(fù)的對比分析，得到雙流拉矯力模型能識別約90%的連鑄機萌芽期隱患，本研究利用以徑向基函數(shù)為核函數(shù)的SVM分類模型綜合效果良好，不僅能夠以較高的準(zhǔn)確率對連鑄機運行狀態(tài)進行辨識，而且過程較為精簡，可為實際的連鑄生產(chǎn)提供指導(dǎo)。

4 結(jié)語

本文以某廠一機兩流連鑄生產(chǎn)過程采集的連鑄機拉矯力電流信號為特征來源。首先，提取兩流同時處于正常澆鑄狀態(tài)的電流信號，通過兩流拉矯力電流信號的趨勢變化和數(shù)值差異，對目標(biāo)信號進行標(biāo)記，提取時域特征構(gòu)建樣本庫，并對兩流信號進行統(tǒng)計特征計算，最后應(yīng)用SVM模型對經(jīng)特征重構(gòu)的電流信號進行分類，準(zhǔn)確率達(dá)到91.46%。由此可見，本文提出的方法能有效地實現(xiàn)對連鑄機運行狀態(tài)的辨識，可為實際連鑄生產(chǎn)提供指導(dǎo)。