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 長沙 410083;3.湖南安存科技有限公司,湖南 長沙 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運送到地下卷取機,輥子總成被夾固在主輥道框架上。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械性能。層冷輥道由電動機驅(qū)動輥子實現(xiàn)鋼坯運輸,1個輥子需要1臺電動機帶動。層冷輥電動機經(jīng)常出現(xiàn)接地、尼龍接手脫落、潤滑油劣化、不對中、不平衡、基礎(chǔ)松動、接地故障、短路斷路、軸承損壞等,故障類型多,且因電動機數(shù)量多導(dǎo)致故障頻發(fā)。電動機故障導(dǎo)致的非計劃停機給企業(yè)帶來較大損失,為排除非計劃停機損失,現(xiàn)場需要大量的巡檢和維修人員,通過逐個電動機巡查、“五感”點檢等方法排查故障電動機。人工巡查受工作人員責(zé)任心、工作經(jīng)驗、業(yè)務(wù)能力等因素的影響,常常效果并不理想,且人力資源浪費嚴(yán)重。為此,現(xiàn)場建立預(yù)防性的電動機批量更換制度,對于到了一定使用年限的電動機進行統(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)濟損失?；诖髷?shù)據(jù)分析的方法,通過電流、諧波等特征數(shù)據(jù)分析電動機運行情況,實現(xiàn)預(yù)測性運維,對降低非計劃停機事故、提高企業(yè)經(jīng)濟效益具有重要意義。

國內(nèi)外對電動機進行故障診斷的主要方法基于三大類:解析模型[1]、信號處理[2-3]、數(shù)據(jù)驅(qū)動[4]。解析模型方法建立機理模型需要深入研究電動機機理、構(gòu)造,耗時長,難度大且機理模型難以適應(yīng)時變的工業(yè)環(huán)境和工況。信號處理方法基于傅里葉變換、小波變換和經(jīng)驗?zāi)B(tài)分解方法提取特征,然后基于頻域+時域特征混合進行故障診斷,實際生產(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)系一般都是長時間經(jīng)驗積累且存在個體差異。隨著人工智能和機器學(xué)習(xí)的快速發(fā)展,新型的數(shù)據(jù)驅(qū)動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]是用在電動機、風(fēng)機、齒輪箱等旋轉(zhuǎn)設(shè)備故障診斷的主要方法,但1DCNN無法識別故障時數(shù)據(jù)異常持續(xù)實際和空間幅值,而2DCNN[6]直接對異常數(shù)據(jù)形態(tài)進行識別,基于單特征形態(tài)識別的方法不能表征整個電動機的狀態(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數(shù)據(jù)可以充分利用多信號的故障補充信息,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),直接對電流數(shù)據(jù)及頻譜值進行2DCNN識別會導(dǎo)致較大誤報,需要對數(shù)據(jù)圖形進行變換。

針對以上問題,本文提出一種基于CNN電流多特征異常形態(tài)識別的電動機故障診斷方法。該方法首先提取故障下出現(xiàn)異常的關(guān)鍵電流屬性,對屬性數(shù)據(jù)進行二次特征提取,計算關(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模型中進行形態(tài)識別,給出二次特征包絡(luò)線異常形態(tài);建立漏報率和誤報率最低的優(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)電動機接地、軸承卡阻、螺栓松動、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。本文的主要貢獻如下:①采集電動機電流信號,通過頻譜、統(tǒng)計分析方法進行特征提取,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識別包絡(luò)線形態(tài),克服現(xiàn)場干擾引起的瞬時、單點數(shù)據(jù)異常;③建立(漏報率+誤報率)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,布置在熱軋精軋機和卷取機之間,用于將帶鋼從精軋區(qū)域輸送到卷取區(qū)域。如圖1所示,層冷輥道由很多輥子平鋪形成,每根輥子都由輥道電動機驅(qū)動旋轉(zhuǎn),帶動鋼板前進。熱軋工藝中,層冷區(qū)域的主要作用是對帶鋼進行噴水冷卻。因此,熱軋層冷區(qū)域電動機工作在充滿水蒸汽和噴濺水的惡劣環(huán)境中,電動機經(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。由于用戶對于帶鋼的質(zhì)量要求越來越高,因此一旦電動機發(fā)生故障,層冷輥行進不均勻會給帶鋼表面質(zhì)量造成損傷,造成產(chǎn)線停機事故,影響生產(chǎn)的穩(wěn)定運行,同時也造成大量不合格鋼材,降低企業(yè)經(jīng)濟利潤。

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)防性維護導(dǎo)致大量的過度維修和人工巡檢造成的重大事故漏報問題,提出一種基于電流數(shù)據(jù)特征形態(tài)識別的故障診斷方法。

3 基于電流數(shù)據(jù)的電動機故障診斷

3.1 電動機故障診斷框架圖

圖2是基于電流數(shù)據(jù)形態(tài)識別的電動機故障診斷框架圖。

圖2 基于電流數(shù)據(jù)的電動機故障診斷訓(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,并計算最大電流和逆序電流?；诖植诩葘傩约s簡算法加人工經(jīng)驗提取電動機故障關(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,對關(guān)鍵特征進行二次特征提取,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實現(xiàn)形態(tài)識別。每個關(guān)鍵屬性在故障時都存在不同的二次特征包絡(luò)線形態(tài),假設(shè)有n個關(guān)鍵屬性,每個屬性有m個二次特征形態(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多個維度,經(jīng)現(xiàn)場專家提煉出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,需要對剩余30維數(shù)據(jù)進行屬性約簡,需要找出跟電動機各類故障相關(guān)的關(guān)鍵屬性?；诂F(xiàn)場記錄故障表跟30維數(shù)據(jù)拼接表,綜合專家經(jīng)驗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)表計算粗糙集分辨矩陣,分辨矩陣給出故障發(fā)生時不同屬性是否發(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)生時同時發(fā)生數(shù)值躍變的屬性個數(shù)對各屬性進行重要度排名,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)場維修臺賬記錄的故障日期為準(zhǔn)。

表1 屬性拼接表

考慮工業(yè)電動機數(shù)據(jù)干擾,直接識別關(guān)鍵屬性形態(tài)容易導(dǎo)致誤報,有必要對關(guān)鍵屬性進行二次特征提取。同時,考慮數(shù)據(jù)邊沿具有比較強的形態(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)對干擾數(shù)據(jù)比較敏感,而遠離邊界的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)分別獲取各個屬性的幅值變化和底部變化特征,而試驗驗證結(jié)果也證明1h 95和05分位數(shù)能很好地提取邊界形態(tài)且對現(xiàn)場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個關(guān)鍵屬性擴展為12個二次特征:ih2_95、ih2_05、mh2_95、mh2_05、imax_95、imax_05、ineg_95、ineg_05等。

3.3 CNN形態(tài)識別

閾值報警方式無法識別現(xiàn)場干擾和真實電動機故障,會產(chǎn)生很多誤報警,給現(xiàn)場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)的一個重要分支,重點識別語音信號和圖形圖像,特別在圖像識別領(lǐng)域具有獨特的優(yōu)勢。電動機發(fā)生某些故障時,其電流數(shù)據(jù)及頻譜特征會有明顯形態(tài)異常。如圖3所示,將各類異常形態(tài)輸入CNN網(wǎng)絡(luò)進行識別,給出某一屬性的異常形態(tài)類型,綜合考慮6個關(guān)鍵屬性的異常形態(tài),可以診斷電動機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,識別出各屬性的數(shù)據(jù)異常形態(tài)。故障發(fā)生時,不同屬性會出現(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6個關(guān)鍵屬性以1 h滾動的方式截取24 h的數(shù)據(jù)片段得到共6個數(shù)據(jù)片段,計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)模型識別6個屬性的數(shù)據(jù)片段形態(tài),每小時可得到6個屬性的24 h波形形態(tài)。若6個形態(tài)都屬于“正常”則丟棄本次形態(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)識別表

以漏報率、誤報率最低為優(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,種群每個個體都由6個數(shù)字組成,每個數(shù)字代表不同形態(tài)組合,而數(shù)字所在位置代表6個關(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)識別表對應(yīng)位置做差值,如式(1)。

(1)

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

(2)

式(2)中(Findnum-Faultnum)表示模型報警故障除去跟臺賬記錄對應(yīng)的故障后的剩余報警,除以臺賬記錄故障次數(shù)就是誤報率;(Faultnum-Findnum)代表臺賬記錄故障中除去模型正確報警故障后剩余故障,除以臺賬記錄故障次數(shù)就代表漏報率;而式(2)第三項中(Faultl-Findl)代表模型報的l故障類型跟真實記錄差異次數(shù)。對式(2)設(shè)置一個門檻值,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%組合進入下一輪迭代,同時加入隨機產(chǎn)生的50%新種群,重新進入新一輪優(yōu)化。

3.5 模型驗證結(jié)果

選擇熱軋2 050 mm產(chǎn)線39臺電動機2018年1月到2020年6月數(shù)據(jù)進行回測。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)生時的數(shù)據(jù),提取邊界線形態(tài)形成各類故障負樣本圖例。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。然后將正負樣本放在一起,隨機挑選30%形態(tài)樣例作為測試集,其他70%作為訓(xùn)練集,訓(xùn)練CNN卷積神經(jīng)網(wǎng)絡(luò)識別異常形態(tài)。訓(xùn)練好的CNN模型離線識別歷史數(shù)據(jù)中各屬性異常形態(tài),然后形成6個屬性的異常形態(tài)組合,對應(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。在線運行時,將各屬性24h數(shù)據(jù)滾動數(shù)據(jù)提取邊沿形態(tài),輸入CNN識別異常形態(tài),然后在形態(tài)組合模式庫里面匹配是否存在該模式,從而識別故障類別。

圖6(a)是GF_11_26電動機2020年1月14號故障記錄,可以看出ih2,mh2,mh3等3個屬性出現(xiàn)了數(shù)據(jù)異常,模型在2019年11月18號發(fā)出了報警信號;圖6(b)是GF_13_72電動機在2019年12月4日搶修換輥的故障記錄,圖中ih2,mh2,mh3等3個屬性出現(xiàn)了數(shù)據(jù)異常,模型在2019年12月4日當(dāng)天提前6 h報警;圖6(c)是GF_13_58電動機在2019年8月1日點檢換輥的故障記錄,圖中ih2,mh2出現(xiàn)了明顯的數(shù)據(jù)異常,模型提前1個半月在2019年6月15號報警。統(tǒng)計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,模型報警漏報率為0,而誤報率少于15%,完全滿足現(xiàn)場對漏報率和誤報率的要求。

圖6 報警案例分析

4 結(jié)論

本文提出了一種基于高頻電流采集數(shù)據(jù)的電動機故障診斷方法。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、誤報率最低的目標(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)場驗證,所提方法對具有明顯劣化異常數(shù)據(jù)的故障報警準(zhǔn)確率較高,完全滿足現(xiàn)場實際需求。但本文方法還存在對黏鐵、短時卡阻等異常工況的少量誤報警,后續(xù)可考慮將異常工況納入形態(tài)識別,進一步降低誤報率。