基于异常检测和分类算法的张力辊组故障预测方法与流程

1.本发明涉及设备故障诊断和预测性维护技术领域，尤其涉及一种基于异常检测和分类算法的张力辊组故障预测方法。


背景技术：

2.在冶金冷轧线中张力辊组设备占有极重要的位置，张力辊的正常运行保证了生产的有序进行和冷轧板的质量，而如果一旦张力辊出现故障并且没有得到及时维修，那么会造成生产线的非计划停修，且生产的产品质量达不到标准，带来巨大的经济损失。
3.在传统的张力辊检维修工作中，大多是依靠工作现场的技术人员实时观测张力辊的运行状况，通过检查冷轧板的表面质量和电机运行时发出的声音是否有巨大异常等来判断张力辊组是否故障。这不仅极大程度的取决于现场技术人员的主观判断来决定张力辊组是否需要维修，且对于张力辊运行时所发生的细微变化是无法提前发现的。因此，实施设备的智能化监控，使用人工智能判断张力辊组运行状况并将运行状况实时反馈，并提前对故障进行预判，这不仅大大提高了判断张力辊是否故障的效率，同时提升了发现潜在故障的能力，也是生产型企业智能运维发展的必经阶段。
4.但需要明确的是，即使步入人工智能阶段，能否建立准确的故障识别模型，实现故障预测，也是当下最需要考虑的。张力辊故障有许多种类型，如张力辊联轴器故障、不平衡、滚动轴承磨损、润滑油不良等，且工艺数据和工况数据大多较难获得，现有的故障识别模型在识别精度和速度上存在不足，特别是在工况和工艺数据缺失的情况下，不能及时准确的对张力辊组的故障进行识别，更不具备故障提前发现的能力。
5.以太钢基地冷轧2rap线的张力辊组为例：对于此类张力辊组设备，虽然已经测量了振动、温度数据，但在张力辊组运行过程中，由于启动、钢种切换、规格切换、线速度变化、停机等工序原因，导致振动信号数据存在冲高或陷低的情况，振动信号数据不稳定，无规律，难以区分工序，不能准确反映运送钢板工作时的状态；目前由于无同步的工艺和工况数据，仅实现了张力辊组的故障报警，无自适应准确判定故障类型的方法，更无准确的预测潜在故障的分析方法。


技术实现要素：

6.本发明所要解决的技术问题是提供一种基于异常检测和分类算法的张力辊组故障预测方法，本方法采用降维和异常检测算法提取特征，保证特征与故障之间的强关联性，预先构建故障识别模型，提高了预测潜在故障的准确性和检维修决策的支持效率。
7.为解决上述技术问题，本发明基于异常检测和分类算法的张力辊组故障预测方法包括如下步骤：步骤一、在张力辊组的电机自由侧、负荷侧和辊子工作侧、操作侧的轴承座分别设置振动传感器，采集电机自由侧、负荷侧和辊子工作侧、操作侧的水平、垂直和轴向的加速度振动信号；
步骤二、获取故障发生时刻前3个月、故障发生到停机处理、故障处理后1个月的原始振动数据，对各个测点方向、不同信号类型的振动数据计算时域特征量，生成第一批特征数据。经傅里叶变换转换成频域信号，计算转频及分倍频谐波分量以及低频段频谱冲高峰值，采用连续小波计算频带能量占比，生成第二批特征数据，合并第一批特征数据，生成第三批特征数据；步骤三、根据故障检维修记录对获取到的故障原因和步骤二提取的第三批特征数据进行标签化处理，从故障开始发生的时刻到故障开始处理之间的数据标记为1，故障处理后的数据标记为-1，故障发生前的数据标记为0.99到0.01之间的浮点数值；步骤四、对故障发生前的第一批特征数据进行聚类分析，根据数据特征选择最优的划分类别数量，对第三批特征数据进行分类划分，生成第四批特征数据；步骤五、对经步骤四分割的第四批特征数据分类进行特征数据转化，对特征数据进行对数处理；选择时间窗口，生成包含滑动计算移动分位数、均值、标准差，采用线性拟合方法计算斜率和截距，生成第五批特征数据；步骤六、采用主成分分析法对第五批特征数据进行降维，降维后的数据为第六批特征数据；步骤七、采用异常检测算法，计算第六批特征数据在故障开始发生时刻的阈值，根据阈值对第六批特征数据进行标签化处理，生成第七批特征数据；步骤八、对第七批特征数据按每类分别划分为训练集、验证数据和测试集，采用lightgbm分类算法建立故障预警识别模型，故障预警识别模型输出为对测试集进行预测，得到类别和概率，作为衡量张力辊组是否存在潜在故障和故障风险的严重程度；步骤九、采用贝叶斯网络对lightgbm分类算法的超参数进行寻优，包括：学习率、叶子节点数、节点深度、特征选择比例、样本选择比例超参数，训练出最优故障预警模型；步骤十、获取张力辊组实时最新的振动信号数据，调用最优故障预警模型，对实时振动数据进行预测，得出故障风险概率值。
8.进一步，所述步骤二中时域特征量包括裕度指标、峭度指标和分位数。
9.进一步，所述步骤十中风险概率值设定为a、b、c三个等级，a等级的最低风险概率为55%,b等级的最低风险概率为75%,c等级的最低风险概率为95%。由于本发明基于异常检测和分类算法的张力辊组故障预测方法采用了上述技术方案，即本方法在张力辊组的电机和辊子两侧分别设置振动传感器，采集轴系不同测点和不同频率的振动数据，计算时频域数据、频带占比和趋势特征数据，通过聚类、异常和分类算法，结合故障检维修记录数据建模，经寻优形成最优故障识别模型，获取张力辊组实时最新的振动数据，调用最优故障识别模型，对实时振动数据进行预测，得出故障风险概率值。本方法采用降维和异常检测算法提取特征，保证特征与故障之间的强关联性，预先构建故障识别模型，提高了预测潜在故障的准确性和检维修决策的支持效率。
10.附图说明
11.下面结合附图和实施方式对本发明作进一步的详细说明：图1为本发明基于异常检测和分类算法的张力辊组故障预测方法的流程框图。
12.具体实施方式
13.实施例如图1所示，本发明基于异常检测和分类算法的张力辊组故障预测方法包括如下步骤：步骤一、在张力辊组的电机自由侧、负荷侧和辊子工作侧、操作侧的轴承座分别设置振动传感器，采集电机自由侧、负荷侧和辊子工作侧、操作侧的水平、垂直和轴向的加速度振动信号；步骤二、获取故障发生时刻前3个月、故障发生到停机处理、故障处理后1个月的原始振动数据，对各个测点方向、不同信号类型的振动数据计算时域特征量，生成第一批特征数据。经傅里叶变换转换成频域信号，计算转频及分倍频谐波分量以及低频段频谱冲高峰值，采用连续小波计算频带能量占比，生成第二批特征数据，合并第一批特征数据，生成第三批特征数据；步骤三、根据故障检维修记录对获取到的故障原因和步骤二提取的第三批特征数据进行标签化处理，从故障开始发生的时刻到故障开始处理之间的数据标记为1，故障处理后的数据标记为-1，故障发生前的数据标记为0.99到0.01之间的浮点数值；步骤四、对故障发生前的第一批特征数据进行聚类分析，根据数据特征选择最优的划分类别数量，对第三批特征数据进行分类划分，生成第四批特征数据；步骤五、对经步骤四分割的第四批特征数据分类进行特征数据转化，对特征数据进行对数处理；选择时间窗口，生成包含滑动计算移动分位数、均值、标准差，采用线性拟合方法计算斜率和截距，生成第五批特征数据；步骤六、采用主成分分析法对第五批特征数据进行降维，降维后的数据为第六批特征数据；步骤七、采用异常检测算法，计算第六批特征数据在故障开始发生时刻的阈值，根据阈值对第六批特征数据进行标签化处理，生成第七批特征数据；步骤八、对第七批特征数据按每类分别划分为训练集、验证数据和测试集，采用lightgbm分类算法建立故障预警识别模型，故障预警识别模型输出为对测试集进行预测，得到类别和概率，作为衡量张力辊组是否存在潜在故障和故障风险的严重程度；步骤九、采用贝叶斯网络对lightgbm分类算法的超参数进行寻优，包括：学习率、叶子节点数、节点深度、特征选择比例、样本选择比例超参数，训练出最优故障预警模型；步骤十、获取张力辊组实时最新的振动信号数据，调用最优故障预警模型，对实时振动数据进行预测，得出故障风险概率值。
14.优选的，所述步骤二中时域特征量包括裕度指标、峭度指标和分位数。
15.优选的，所述步骤十中风险概率值设定为a、b、c三个等级，a等级的最低风险概率为55%,b等级的最低风险概率为75%,c等级的最低风险概率为95%。
16.通常提前判断张力辊的潜在故障需要密切结合工况和工艺数据，不同工况和工艺情况下数据特征的差异性表现和潜在故障与正常数据的差异性表现混叠在一起，造成无法判断和预测，由于无工况和工艺数据，本方法以故障发生阶段的开始时间为终点，提供一种基于异常检测和分类算法的张力辊组故障预测方法。
17.本方法在张力辊组电机的自由侧和负荷侧、辊子的工作侧和操作侧分别安装振动传感器，输出原始振动波形，建模后存储故障识别模型文件。获取故障处理后30天的检测数据，调度故障识别模型输出故障概率值，若达到故障预警限值，则输出相应消息至智能运维平台，提醒工作人员注意安排对设备进行检维修处理。
18.本方法采集轴系不同测点和不同频率的振动信号数据，计算时频域数据、频带占比和趋势特征数据，避免数据特征单一导致的诊断误差，通过聚类、异常和分类算法建模，在设备未有人工检测结果、传统方法未发现异常或者存在潜在故障的运行阶段输出预测出的潜在故障的类型和故障发生造成非计划停机的风险概率，提高了预测潜在故障的准确性和检维修决策的支持效率，若输出显示有风险概率较高，工作人员可以选择在最近的日常停机维护期间进行检维修作业，以避免非计划停机，达到提高产线稳定性，提高产能的目标。
19.本方法采用故障发生前的数据作为模型训练数据，理论上可以提前7天以上预警张力辊组的非计划停机，供产线维护提前安排，在最近的日常维护更换即将出故障的辊道，减少非计划停机。对于增强产线稳定性，提高产能意义重大。

技术特征：
1.一种基于异常检测和分类算法的张力辊组故障预测方法，其特征在于本方法包括如下步骤：步骤一、在张力辊组的电机自由侧、负荷侧和辊子工作侧、操作侧的轴承座分别设置振动传感器，采集电机自由侧、负荷侧和辊子工作侧、操作侧的水平、垂直和轴向的加速度振动信号；步骤二、获取故障发生时刻前3个月、故障发生到停机处理、故障处理后1个月的原始振动数据，对各个测点方向、不同信号类型的振动数据计算时域特征量，生成第一批特征数据；经傅里叶变换转换成频域信号，计算转频及分倍频谐波分量以及低频段频谱冲高峰值，采用连续小波计算频带能量占比，生成第二批特征数据，合并第一批特征数据，生成第三批特征数据；步骤三、根据故障检维修记录对获取到的故障原因和步骤二提取的第三批特征数据进行标签化处理，从故障开始发生的时刻到故障开始处理之间的数据标记为1，故障处理后的数据标记为-1，故障发生前的数据标记为0.99到0.01之间的浮点数值；步骤四、对故障发生前的第一批特征数据进行聚类分析，根据数据特征选择最优的划分类别数量，对第三批特征数据进行分类划分，生成第四批特征数据；步骤五、对经步骤四分割的第四批特征数据分类进行特征数据转化，对特征数据进行对数处理；选择时间窗口，生成包含滑动计算移动分位数、均值、标准差，采用线性拟合方法计算斜率和截距，生成第五批特征数据；步骤六、采用主成分分析法对第五批特征数据进行降维，降维后的数据为第六批特征数据；步骤七、采用异常检测算法，计算第六批特征数据在故障开始发生时刻的阈值，根据阈值对第六批特征数据进行标签化处理，生成第七批特征数据；步骤八、对第七批特征数据按每类分别划分为训练集、验证数据和测试集，采用lightgbm分类算法建立故障预警识别模型，故障预警识别模型输出为对测试集进行预测，得到类别和概率，作为衡量张力辊组是否存在潜在故障和故障风险的严重程度；步骤九、采用贝叶斯网络对lightgbm分类算法的超参数进行寻优，包括：学习率、叶子节点数、节点深度、特征选择比例、样本选择比例超参数，训练出最优故障预警模型；步骤十、获取张力辊组实时最新的振动信号数据，调用最优故障预警模型，对实时振动数据进行预测，得出故障风险概率值。2.根据权利要求1所述的基于异常检测和分类算法的张力辊组故障预测方法，其特征在于：所述步骤二中时域特征量包括裕度指标、峭度指标和分位数。3.根据权利要求1所述的基于异常检测和分类算法的张力辊组故障预测方法，其特征在于：所述步骤十中风险概率值设定为a、b、c三个等级，a等级的最低风险概率为55%,b等级的最低风险概率为75%,c等级的最低风险概率为95%。

技术总结
本发明公开了一种基于异常检测和分类算法的张力辊组故障预测方法，本方法在张力辊组的电机和辊子两侧分别设置振动传感器，采集轴系不同测点和不同频率的振动数据，计算时频域数据、频带占比和趋势特征数据，通过聚类、异常和分类算法，结合故障检维修记录数据建模，经寻优形成最优故障识别模型，获取张力辊组实时最新的振动数据，调用最优故障识别模型，对实时振动数据进行预测，得出故障风险概率值。本方法采用降维和异常检测算法提取特征，保证特征与故障之间的强关联性，预先构建故障识别模型，提高了预测潜在故障的准确性和检维修决策的支持效率。的支持效率。的支持效率。


技术研发人员：范中明 龚敬群 陆星瀚 吴杰 薛双松
受保护的技术使用者：宝武装备智能科技有限公司
技术研发日：2023.03.14
技术公布日：2023/7/18