龔敬群,李 杰,黃冬明,周興澤,馬天雨

(1.寶武裝備智能科技有限公司,上海 201999; 2.湖南師范大學(xué),湖南 長(zhǎng)沙 410083;3.湖南安存科技有限公司,湖南 長(zhǎng)沙 410003)

1 概述

熱軋層流冷卻工藝段包括層冷輥道和帶鋼層流冷卻設(shè)備。層冷輥用于將帶鋼從精軋機(jī)運(yùn)送到地下卷取機(jī),輥?zhàn)涌偝杀粖A固在主輥道框架上。層流冷卻設(shè)備安裝在輸出輥道的上面和下面,用于冷卻卷取前的帶鋼以控制帶鋼的機(jī)械性能。層冷輥道由電動(dòng)機(jī)驅(qū)動(dòng)輥?zhàn)訉?shí)現(xiàn)鋼坯運(yùn)輸,1個(gè)輥?zhàn)有枰?臺(tái)電動(dòng)機(jī)帶動(dòng)。層冷輥電動(dòng)機(jī)經(jīng)常出現(xiàn)接地、尼龍接手脫落、潤(rùn)滑油劣化、不對(duì)中、不平衡、基礎(chǔ)松動(dòng)、接地故障、短路斷路、軸承損壞等,故障類型多,且因電動(dòng)機(jī)數(shù)量多導(dǎo)致故障頻發(fā)。電動(dòng)機(jī)故障導(dǎo)致的非計(jì)劃停機(jī)給企業(yè)帶來較大損失,為排除非計(jì)劃停機(jī)損失,現(xiàn)場(chǎng)需要大量的巡檢和維修人員,通過逐個(gè)電動(dòng)機(jī)巡查、“五感”點(diǎn)檢等方法排查故障電動(dòng)機(jī)。人工巡查受工作人員責(zé)任心、工作經(jīng)驗(yàn)、業(yè)務(wù)能力等因素的影響,常常效果并不理想,且人力資源浪費(fèi)嚴(yán)重。為此,現(xiàn)場(chǎng)建立預(yù)防性的電動(dòng)機(jī)批量更換制度,對(duì)于到了一定使用年限的電動(dòng)機(jī)進(jìn)行統(tǒng)一批量更換,這種做法導(dǎo)致大量的過度維修現(xiàn)象,給企業(yè)帶來較大的經(jīng)濟(jì)損失。基于大數(shù)據(jù)分析的方法,通過電流、諧波等特征數(shù)據(jù)分析電動(dòng)機(jī)運(yùn)行情況,實(shí)現(xiàn)預(yù)測(cè)性運(yùn)維,對(duì)降低非計(jì)劃停機(jī)事故、提高企業(yè)經(jīng)濟(jì)效益具有重要意義。

國(guó)內(nèi)外對(duì)電動(dòng)機(jī)進(jìn)行故障診斷的主要方法基于三大類:解析模型[1]、信號(hào)處理[2-3]、數(shù)據(jù)驅(qū)動(dòng)[4]。解析模型方法建立機(jī)理模型需要深入研究電動(dòng)機(jī)機(jī)理、構(gòu)造,耗時(shí)長(zhǎng),難度大且機(jī)理模型難以適應(yīng)時(shí)變的工業(yè)環(huán)境和工況。信號(hào)處理方法基于傅里葉變換、小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解方法提取特征,然后基于頻域+時(shí)域特征混合進(jìn)行故障診斷,實(shí)際生產(chǎn)中,決定故障類型的是特征之間的關(guān)聯(lián)關(guān)系而不是特征數(shù)據(jù)本身,而特征之間的關(guān)系一般都是長(zhǎng)時(shí)間經(jīng)驗(yàn)積累且存在個(gè)體差異。隨著人工智能和機(jī)器學(xué)習(xí)的快速發(fā)展,新型的數(shù)據(jù)驅(qū)動(dòng)方法逐漸越來越多地在復(fù)雜工業(yè)設(shè)備故障診斷中應(yīng)用。其中1DCNN[5]是用在電動(dòng)機(jī)、風(fēng)機(jī)、齒輪箱等旋轉(zhuǎn)設(shè)備故障診斷的主要方法,但1DCNN無法識(shí)別故障時(shí)數(shù)據(jù)異常持續(xù)實(shí)際和空間幅值,而2DCNN[6]直接對(duì)異常數(shù)據(jù)形態(tài)進(jìn)行識(shí)別,基于單特征形態(tài)識(shí)別的方法不能表征整個(gè)電動(dòng)機(jī)的狀態(tài)全部信息,導(dǎo)致診斷精度過低。多特征2DCNN[7]綜合多特征電流信號(hào)數(shù)據(jù)可以充分利用多信號(hào)的故障補(bǔ)充信息,做出更加正確的診斷決策。然而,工業(yè)過程干擾多、異常工況頻發(fā),直接對(duì)電流數(shù)據(jù)及頻譜值進(jìn)行2DCNN識(shí)別會(huì)導(dǎo)致較大誤報(bào),需要對(duì)數(shù)據(jù)圖形進(jìn)行變換。

針對(duì)以上問題,本文提出一種基于CNN電流多特征異常形態(tài)識(shí)別的電動(dòng)機(jī)故障診斷方法。該方法首先提取故障下出現(xiàn)異常的關(guān)鍵電流屬性,對(duì)屬性數(shù)據(jù)進(jìn)行二次特征提取,計(jì)算關(guān)鍵屬性的95分位數(shù)和05分位數(shù),并提取分位數(shù)包絡(luò)線,將包絡(luò)線形態(tài)饋入CNN模型中進(jìn)行形態(tài)識(shí)別,給出二次特征包絡(luò)線異常形態(tài);建立漏報(bào)率和誤報(bào)率最低的優(yōu)化目標(biāo),將各二次特征異常形態(tài)作為基因片段,基于遺傳算法尋優(yōu)電動(dòng)機(jī)接地、軸承卡阻、螺栓松動(dòng)、聯(lián)軸器不良等不同故障類型的二次特征形態(tài)組合模式。本文的主要貢獻(xiàn)如下:①采集電動(dòng)機(jī)電流信號(hào),通過頻譜、統(tǒng)計(jì)分析方法進(jìn)行特征提取,獲得故障診斷關(guān)鍵電流特征;②提取二次特征95、05分位數(shù)包絡(luò)線,通過CNN識(shí)別包絡(luò)線形態(tài),克服現(xiàn)場(chǎng)干擾引起的瞬時(shí)、單點(diǎn)數(shù)據(jù)異常;③建立(漏報(bào)率+誤報(bào)率)最低的優(yōu)化目標(biāo),將二次特征包絡(luò)線形態(tài)作為基因片段,采用遺傳算法挖掘不同故障類型的各特征形態(tài)組合模式。

2 工藝說明

層冷輥道是冶金企業(yè)熱軋區(qū)域的重要設(shè)備之一,布置在熱軋精軋機(jī)和卷取機(jī)之間,用于將帶鋼從精軋區(qū)域輸送到卷取區(qū)域。如圖1所示,層冷輥道由很多輥?zhàn)悠戒佇纬?每根輥?zhàn)佣加奢伒离妱?dòng)機(jī)驅(qū)動(dòng)旋轉(zhuǎn),帶動(dòng)鋼板前進(jìn)。熱軋工藝中,層冷區(qū)域的主要作用是對(duì)帶鋼進(jìn)行噴水冷卻。因此,熱軋層冷區(qū)域電動(dòng)機(jī)工作在充滿水蒸汽和噴濺水的惡劣環(huán)境中,電動(dòng)機(jī)經(jīng)常出現(xiàn)絕緣下降、密封損壞、尼龍接手脫落、鋼渣黏連等故障。由于用戶對(duì)于帶鋼的質(zhì)量要求越來越高,因此一旦電動(dòng)機(jī)發(fā)生故障,層冷輥行進(jìn)不均勻會(huì)給帶鋼表面質(zhì)量造成損傷,造成產(chǎn)線停機(jī)事故,影響生產(chǎn)的穩(wěn)定運(yùn)行,同時(shí)也造成大量不合格鋼材,降低企業(yè)經(jīng)濟(jì)利潤(rùn)。

圖1 寶鋼熱軋2 050 mm產(chǎn)線層冷輥道

基于當(dāng)前以定修、年修為主的預(yù)防性維護(hù)導(dǎo)致大量的過度維修和人工巡檢造成的重大事故漏報(bào)問題,提出一種基于電流數(shù)據(jù)特征形態(tài)識(shí)別的故障診斷方法。

3 基于電流數(shù)據(jù)的電動(dòng)機(jī)故障診斷

3.1 電動(dòng)機(jī)故障診斷框架圖

圖2是基于電流數(shù)據(jù)形態(tài)識(shí)別的電動(dòng)機(jī)故障診斷框架圖。

圖2 基于電流數(shù)據(jù)的電動(dòng)機(jī)故障診斷訓(xùn)練流程圖

將采集到的電流數(shù)據(jù)通過頻譜分析獲取各次電流諧波和轉(zhuǎn)頻諧波,并計(jì)算最大電流和逆序電流?；诖植诩葘傩约s簡(jiǎn)算法加人工經(jīng)驗(yàn)提取電動(dòng)機(jī)故障關(guān)鍵特征,形成{關(guān)鍵特征+日期+故障標(biāo)簽}的拼接表,考慮數(shù)據(jù)形態(tài)主要體現(xiàn)在邊沿線的變化,對(duì)關(guān)鍵特征進(jìn)行二次特征提取,獲取各關(guān)鍵特征的95、05分位數(shù),然后擬合各二次特征包絡(luò)線,將包絡(luò)線2D圖像形態(tài)輸入CNN實(shí)現(xiàn)形態(tài)識(shí)別。每個(gè)關(guān)鍵屬性在故障時(shí)都存在不同的二次特征包絡(luò)線形態(tài),假設(shè)有n個(gè)關(guān)鍵屬性,每個(gè)屬性有m個(gè)二次特征形態(tài),那么就存在mn種形態(tài)組合,而不同的故障類型對(duì)應(yīng)不同的二次特征形態(tài)組合,因此,需要建立優(yōu)化算法模型,尋優(yōu)不同故障類型的二次特征形態(tài)組合模式。

3.2 特征提取

電流采集器提供給云服務(wù)器的各類數(shù)據(jù)有480多個(gè)維度,經(jīng)現(xiàn)場(chǎng)專家提煉出51維數(shù)據(jù),過高的數(shù)據(jù)維度很難建立泛化能力高的模型,除去數(shù)值很小的高次諧波數(shù)據(jù),剩余屬性仍然有30多維。為此,需要對(duì)剩余30維數(shù)據(jù)進(jìn)行屬性約簡(jiǎn),需要找出跟電動(dòng)機(jī)各類故障相關(guān)的關(guān)鍵屬性?；诂F(xiàn)場(chǎng)記錄故障表跟30維數(shù)據(jù)拼接表,綜合專家經(jīng)驗(yàn)和粗糙集分辨矩陣算法結(jié)果,挖掘出數(shù)據(jù)形態(tài)跟故障有比較明顯關(guān)聯(lián)變化的關(guān)鍵屬性。首先將人工篩選剩余的30多維屬性跟故障記錄拼接成一張類似表1的數(shù)據(jù)表;然后對(duì)各屬性根據(jù)公式δ=(xmax-xmin)/k離散化,k代表離散后的數(shù)值類別數(shù),例如:如果ih2值的范圍是0.2～3,那根據(jù)歷史數(shù)據(jù)可將ih2離散為0,1兩類值,[0.2,1]屬于0,[1,3]屬于1,即k=2。基于離散數(shù)據(jù)表計(jì)算粗糙集分辨矩陣,分辨矩陣給出故障發(fā)生時(shí)不同屬性是否發(fā)生數(shù)值躍變的信息;根據(jù)分辨矩陣中屬性出現(xiàn)頻率和故障發(fā)生時(shí)同時(shí)發(fā)生數(shù)值躍變的屬性個(gè)數(shù)對(duì)各屬性進(jìn)行重要度排名,取排名靠前且重要度值較大的屬性作為關(guān)鍵屬性。本文根據(jù)該方法提取出6個(gè)關(guān)鍵屬性:電流二次諧波(ih2)、電流三次諧波(ih3)、轉(zhuǎn)頻二次諧波(mh2)、轉(zhuǎn)頻三次諧波(mh3)、最大電流(imax)、逆相序電流(ineg),6個(gè)屬性的數(shù)據(jù)拼接表如表1,表中“故障類型”屬性根據(jù)現(xiàn)場(chǎng)維修臺(tái)賬記錄的故障日期為準(zhǔn)。

表1 屬性拼接表

考慮工業(yè)電動(dòng)機(jī)數(shù)據(jù)干擾,直接識(shí)別關(guān)鍵屬性形態(tài)容易導(dǎo)致誤報(bào),有必要對(duì)關(guān)鍵屬性進(jìn)行二次特征提取。同時(shí),考慮數(shù)據(jù)邊沿具有比較強(qiáng)的形態(tài)穩(wěn)定性,可提取關(guān)鍵屬性的邊沿特征。分位數(shù)具有很好上下邊沿特征提取能力,考慮更靠近邊界的98分位數(shù)和02分位數(shù)對(duì)干擾數(shù)據(jù)比較敏感,而遠(yuǎn)離邊界的92分位數(shù)和08分位數(shù)又不能很好地提取邊沿形態(tài),故采用1h 95分位數(shù)和1h 05分位數(shù)分別獲取各個(gè)屬性的幅值變化和底部變化特征,而試驗(yàn)驗(yàn)證結(jié)果也證明1h 95和05分位數(shù)能很好地提取邊界形態(tài)且對(duì)現(xiàn)場(chǎng)干擾具有很好的魯棒性。采用1h 95分位數(shù)和1h 05分位數(shù),從而將6個(gè)關(guān)鍵屬性擴(kuò)展為12個(gè)二次特征:ih2_95、ih2_05、mh2_95、mh2_05、imax_95、imax_05、ineg_95、ineg_05等。

3.3 CNN形態(tài)識(shí)別

閾值報(bào)警方式無法識(shí)別現(xiàn)場(chǎng)干擾和真實(shí)電動(dòng)機(jī)故障,會(huì)產(chǎn)生很多誤報(bào)警,給現(xiàn)場(chǎng)巡檢人員帶來很大工作壓力。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)的一個(gè)重要分支,重點(diǎn)識(shí)別語音信號(hào)和圖形圖像,特別在圖像識(shí)別領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)。電動(dòng)機(jī)發(fā)生某些故障時(shí),其電流數(shù)據(jù)及頻譜特征會(huì)有明顯形態(tài)異常。如圖3所示,將各類異常形態(tài)輸入CNN網(wǎng)絡(luò)進(jìn)行識(shí)別,給出某一屬性的異常形態(tài)類型,綜合考慮6個(gè)關(guān)鍵屬性的異常形態(tài),可以診斷電動(dòng)機(jī)故障并給出故障分類類型。

圖3 基于CNN數(shù)據(jù)異常形態(tài)識(shí)別

95分位數(shù)、05分位數(shù)代表數(shù)據(jù)形態(tài)的上下邊沿,但邊界線不夠平滑,直接交給CNN效果不好,提取分位數(shù)的上下包絡(luò)線并做平滑濾波處理,可以很好地提取故障形態(tài)的邊界特征,分析整理包絡(luò)線形態(tài),發(fā)現(xiàn)現(xiàn)場(chǎng)的數(shù)據(jù)異?？蓺w納為幾種代表性的包絡(luò)線形態(tài):雙邊上、下階躍,幅值階躍,雙邊劣化,幅值劣化,底部劣化,階躍劣化,正常等不同波形,數(shù)據(jù)形態(tài)提取過程如圖4所示。將濾波后的二次特征包絡(luò)線交給CNN模型,識(shí)別出各屬性的數(shù)據(jù)異常形態(tài)。故障發(fā)生時(shí),不同屬性會(huì)出現(xiàn)不同的數(shù)據(jù)形態(tài),而故障類型不同,各屬性的形態(tài)組合也會(huì)不同,這種組合非常多,單靠人力很難找到各類故障的優(yōu)化組合。為精確定位故障分類,需要從歷史故障記錄中挖掘不同故障類型對(duì)應(yīng)的屬性形態(tài)組合模式。

圖4 數(shù)據(jù)形態(tài)提取

3.4 故障分類形態(tài)組合優(yōu)化

圖5 遺傳算法挖掘分類故障形態(tài)組合

對(duì)6個(gè)關(guān)鍵屬性以1 h滾動(dòng)的方式截取24 h的數(shù)據(jù)片段得到共6個(gè)數(shù)據(jù)片段,計(jì)算二次特征并繪制其包絡(luò)線圖,通過CNN卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別6個(gè)屬性的數(shù)據(jù)片段形態(tài),每小時(shí)可得到6個(gè)屬性的24 h波形形態(tài)。若6個(gè)形態(tài)都屬于“正?！眲t丟棄本次形態(tài)組合,只要有一種形態(tài)出現(xiàn)異常則將該組合留在形態(tài)組合表,如表2,表中給出了“尼龍接手老化”故障發(fā)生時(shí)出現(xiàn)了二次電流諧波雙劣化形態(tài)和轉(zhuǎn)頻三次諧波幅值劣化形態(tài)。

表2 形態(tài)識(shí)別表

以漏報(bào)率、誤報(bào)率最低為優(yōu)化目標(biāo),采用遺傳算法挖掘分類故障的形態(tài)組合模式。首先初始化遺傳算法種群,種群每個(gè)個(gè)體都由6個(gè)數(shù)字組成,每個(gè)數(shù)字代表不同形態(tài)組合,而數(shù)字所在位置代表6個(gè)關(guān)鍵屬性。初始種群經(jīng)交叉變異等操作產(chǎn)生新的子代種群,將子代種群跟形態(tài)識(shí)別表對(duì)應(yīng)位置做差值,如式(1)。

(1)

建立漏報(bào)率、誤報(bào)率和故障分類錯(cuò)誤率最低為目標(biāo)的綜合優(yōu)化指標(biāo),以基于歷史數(shù)據(jù)計(jì)算的形態(tài)識(shí)別表為樣本數(shù)據(jù),以m個(gè)形態(tài)組合樣本作為識(shí)別模型,計(jì)算式(2)最小值。

(2)

式(2)中(Findnum-Faultnum)表示模型報(bào)警故障除去跟臺(tái)賬記錄對(duì)應(yīng)的故障后的剩余報(bào)警,除以臺(tái)賬記錄故障次數(shù)就是誤報(bào)率;(Faultnum-Findnum)代表臺(tái)賬記錄故障中除去模型正確報(bào)警故障后剩余故障,除以臺(tái)賬記錄故障次數(shù)就代表漏報(bào)率;而式(2)第三項(xiàng)中(Faultl-Findl)代表模型報(bào)的l故障類型跟真實(shí)記錄差異次數(shù)。對(duì)式(2)設(shè)置一個(gè)門檻值,若遺傳算法優(yōu)化所得形態(tài)組合模式能夠保證式(2)值小于閾值則優(yōu)化結(jié)束,否則選擇種群中使得Kn/Tn值最大的前50%組合進(jìn)入下一輪迭代,同時(shí)加入隨機(jī)產(chǎn)生的50%新種群,重新進(jìn)入新一輪優(yōu)化。

3.5 模型驗(yàn)證結(jié)果

選擇熱軋2 050 mm產(chǎn)線39臺(tái)電動(dòng)機(jī)2018年1月到2020年6月數(shù)據(jù)進(jìn)行回測(cè)。截取各種正常數(shù)據(jù)提取邊界線圖像形成正樣本圖例2 000張,截取故障發(fā)生時(shí)的數(shù)據(jù),提取邊界線形態(tài)形成各類故障負(fù)樣本圖例。因分類故障樣本比較稀缺,深度學(xué)習(xí)樣本圖例不夠,把不同類型故障形態(tài)做斜率、幅值等參數(shù)微調(diào),每種分類故障產(chǎn)生100張近似形態(tài)的形態(tài)圖例。然后將正負(fù)樣本放在一起,隨機(jī)挑選30%形態(tài)樣例作為測(cè)試集,其他70%作為訓(xùn)練集,訓(xùn)練CNN卷積神經(jīng)網(wǎng)絡(luò)識(shí)別異常形態(tài)。訓(xùn)練好的CNN模型離線識(shí)別歷史數(shù)據(jù)中各屬性異常形態(tài),然后形成6個(gè)屬性的異常形態(tài)組合,對(duì)應(yīng)故障記錄標(biāo)簽采用遺傳算法尋優(yōu)不同分類故障的形態(tài)組合模式,形成分類故障異常形態(tài)組合模式庫(kù)。在線運(yùn)行時(shí),將各屬性24h數(shù)據(jù)滾動(dòng)數(shù)據(jù)提取邊沿形態(tài),輸入CNN識(shí)別異常形態(tài),然后在形態(tài)組合模式庫(kù)里面匹配是否存在該模式,從而識(shí)別故障類別。

圖6(a)是GF_11_26電動(dòng)機(jī)2020年1月14號(hào)故障記錄,可以看出ih2,mh2,mh3等3個(gè)屬性出現(xiàn)了數(shù)據(jù)異常,模型在2019年11月18號(hào)發(fā)出了報(bào)警信號(hào);圖6(b)是GF_13_72電動(dòng)機(jī)在2019年12月4日搶修換輥的故障記錄,圖中ih2,mh2,mh3等3個(gè)屬性出現(xiàn)了數(shù)據(jù)異常,模型在2019年12月4日當(dāng)天提前6 h報(bào)警;圖6(c)是GF_13_58電動(dòng)機(jī)在2019年8月1日點(diǎn)檢換輥的故障記錄,圖中ih2,mh2出現(xiàn)了明顯的數(shù)據(jù)異常,模型提前1個(gè)半月在2019年6月15號(hào)報(bào)警。統(tǒng)計(jì)2018年1月到2020年6月的所有具有明顯數(shù)據(jù)劣化異常關(guān)鍵故障,模型報(bào)警漏報(bào)率為0,而誤報(bào)率少于15%,完全滿足現(xiàn)場(chǎng)對(duì)漏報(bào)率和誤報(bào)率的要求。

圖6 報(bào)警案例分析

4 結(jié)論

本文提出了一種基于高頻電流采集數(shù)據(jù)的電動(dòng)機(jī)故障診斷方法。首先,從電流數(shù)據(jù)中提取諧波、轉(zhuǎn)頻、最大電流、逆序電流等高維屬性,通過屬性約簡(jiǎn)獲取關(guān)鍵屬性;然后提取關(guān)鍵屬性的二次特征,采用CNN識(shí)別包絡(luò)線形態(tài)的方式判斷各屬性在故障下的異常形態(tài);最后通過遺傳算法基于漏報(bào)、誤報(bào)率最低的目標(biāo)優(yōu)化求解不同故障類型的異常形態(tài)組合模式。經(jīng)熱軋生產(chǎn)線現(xiàn)場(chǎng)驗(yàn)證,所提方法對(duì)具有明顯劣化異常數(shù)據(jù)的故障報(bào)警準(zhǔn)確率較高,完全滿足現(xiàn)場(chǎng)實(shí)際需求。但本文方法還存在對(duì)黏鐵、短時(shí)卡阻等異常工況的少量誤報(bào)警,后續(xù)可考慮將異常工況納入形態(tài)識(shí)別,進(jìn)一步降低誤報(bào)率。