矯直機(jī)的自動(dòng)故障預(yù)報(bào)技術(shù)

黃遠(yuǎn)順

矯直機(jī)的自動(dòng)故障預(yù)報(bào)技術(shù)

黃遠(yuǎn)順

（安徽馬鋼自動(dòng)化信息技術(shù)有限公司，安徽馬鞍山243000）

由于人們無(wú)法充分理解生產(chǎn)設(shè)備的行為特性,缺乏有效的預(yù)測(cè)模型來(lái)監(jiān)測(cè)設(shè)備劣化的變化趨勢(shì),這成為解決故障預(yù)報(bào)問(wèn)題的主要障礙。將采用k均值聚類和支持向量機(jī)預(yù)測(cè)方法,實(shí)現(xiàn)了對(duì)矯直機(jī)軋制力狀態(tài)趨勢(shì)的預(yù)測(cè)和故障預(yù)報(bào).

矯直機(jī);軋制力;支持向量機(jī);故障預(yù)報(bào)

1 引言

馬鋼第四鋼軋總廠熱軋橫切線是由德國(guó)西馬克公司負(fù)責(zé)工藝設(shè)計(jì)，我公司負(fù)責(zé)其電氣總設(shè)計(jì)、集成及調(diào)試。該生產(chǎn)線主要用于將熱軋卷加工成高附加值的船板、壓力容器板等板材，控制精度要求較高。

熱軋橫切線由開(kāi)卷機(jī)、矯直機(jī)、切邊剪、飛剪、堆垛臺(tái)等主要設(shè)備組成。其中二臺(tái)矯直機(jī)為核心設(shè)備，用來(lái)矯直板材并消除板材的內(nèi)應(yīng)力，提高板材的質(zhì)量。Leveller1為七輥矯直機(jī),它負(fù)責(zé)將開(kāi)卷機(jī)開(kāi)出的帶鋼進(jìn)行矯直。Leveller2為十一輥矯直機(jī)，負(fù)責(zé)將飛剪剪成的鋼板進(jìn)行矯直。每臺(tái)矯直機(jī)的主壓下裝置采用了四個(gè)主液壓缸，每一個(gè)缸的矯直力達(dá)到14000 kN,位置控制精度要求達(dá)到<0.05 mm。

良好的精度是為了生產(chǎn)板材的質(zhì)量，對(duì)矯直機(jī)的軋制力的控制也顯得格外重要，因此需要對(duì)軋制力故障趨勢(shì)作出早期預(yù)報(bào)，減少或防止故障所帶來(lái)的事故和經(jīng)濟(jì)損失。由于人們無(wú)法充分理解生產(chǎn)設(shè)備的行為特性,缺乏有效的預(yù)測(cè)模型來(lái)監(jiān)測(cè)設(shè)備劣化的變化趨勢(shì)[1],這成為解決故障預(yù)報(bào)問(wèn)題的主要障礙。

由Vapnik創(chuàng)立的以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)的支持向量機(jī)(Support Vector Machine,SVM)算法具有完備的理論基礎(chǔ)和出色的應(yīng)用表現(xiàn)，因此成為機(jī)器學(xué)習(xí)領(lǐng)域中的研究熱點(diǎn)，支持向量機(jī)學(xué)習(xí)算法具有決策函數(shù)可控性,利用核函數(shù)和解的稀疏性。因此本文根據(jù)支持向量機(jī)模型并應(yīng)用聚類實(shí)現(xiàn)故障預(yù)報(bào),從而使支持向量機(jī)更容易獲取靜態(tài)的輸入輸出關(guān)系；本文通過(guò)建立預(yù)測(cè)模型得到預(yù)測(cè)值，通過(guò)比較預(yù)測(cè)值和由聚類提取的原型實(shí)現(xiàn)對(duì)設(shè)備的故障提前做出預(yù)報(bào)。

2 回歸型支持向量機(jī)

支持向量機(jī)是由Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的,它是一種新型機(jī)器學(xué)習(xí)方法[2]?？紤]n個(gè)訓(xùn)練樣本的回歸問(wèn)題，假設(shè)給定訓(xùn)練樣本集為(xi,yi)，i=1,2,…n,xi沂Rd是第i個(gè)樣本的輸入樣本,yi沂R是對(duì)應(yīng)第i個(gè)樣本的輸出樣本,構(gòu)造回歸函數(shù)為

其中議是非線性映射,把輸入樣本映射到高維特征空間。選取著為不敏感系數(shù),考慮到允許擬合誤差的情況,引入松弛因子ξi逸0和ξi*逸0，回歸估計(jì)問(wèn)題可以表示為以下兩式

約束條件

常數(shù)C>0為平衡系數(shù),用來(lái)平衡回歸函數(shù)f的平坦程度和偏差大于著樣本點(diǎn)的個(gè)數(shù)；ξi,ξi*為懲罰系數(shù).建立Lagrange函數(shù)

上式對(duì)于參數(shù)w,b,ξi,ξi*的偏導(dǎo)數(shù)都應(yīng)等于零,引入核函數(shù)，得到

式(5)代入式(1)得回歸模型

其中K(xi,x)為核函數(shù)

是滿足Mercer條件的任意對(duì)稱函數(shù),本文選取徑向基核函數(shù)

3 K均值聚類算法

給定樣本{x1,x2,…,xn},K均值聚類算法把n個(gè)向量xj(j=1,2…,n)分為c個(gè)類,并求每組的聚類中心，使得類內(nèi)具有較高的相似度。而類間的相似度較低[5]。當(dāng)選擇歐幾里德距離為非相似性指標(biāo)時(shí),價(jià)值函數(shù)可定義為：

一般劃分過(guò)的組用一個(gè)二維隸屬矩陣U來(lái)定義.一旦確定聚類中心ci，可導(dǎo)出如下使式(9)最小uij

該算法重復(fù)使用下列步驟,確定聚類中心ci。

步驟1：給定初始k,初始化聚類中心ci,i=1,…, c.

步驟2：用式（9）確定隸屬矩陣U。

步驟3：根據(jù)式（8）計(jì)算價(jià)值函數(shù).如果它小于某個(gè)確定的閾值,或它相對(duì)上次價(jià)值函數(shù)質(zhì)的改變量小于某個(gè)閾值,則算法停止。

步驟4：根據(jù)式（10）修正聚類中心.返回步驟2。

4 基于支持向量機(jī)的狀態(tài)趨勢(shì)預(yù)測(cè)

假設(shè)現(xiàn)在的時(shí)刻為n，根據(jù)n時(shí)刻前的m個(gè)數(shù)據(jù)，即n-m+1，n-m+2，…，n的對(duì)應(yīng)值xn-m+1，xn-m+2，…，xn，要預(yù)測(cè)n+1時(shí)刻的值，即

m為嵌入維數(shù)，

則1步預(yù)測(cè)函數(shù)表達(dá)式為

式中：xn-m+1=(xn-m+1,xn-m+2，…，xn)

xn為n時(shí)刻的實(shí)際值，yn+1為n+1時(shí)刻的預(yù)測(cè)值，以此類推yn+t為n+t時(shí)刻的預(yù)測(cè)值。如果是t步預(yù)測(cè)，則要把yn+1，…yn+t當(dāng)作n+1，n+2，…，n+t時(shí)刻的實(shí)際值，即為xn+1，xn+2，…，xn+t，在此基礎(chǔ)上再進(jìn)行1步預(yù)測(cè)即可。第t步的預(yù)測(cè)模型為

式中：xn-m+t=(xn-m+t,…，xn+t，,…，xn+t-1)。

本文采用FPE準(zhǔn)則選擇嵌入維數(shù)[3][4]。

當(dāng)FPE最小時(shí)確定最佳嵌入k。

5 故障預(yù)報(bào)實(shí)現(xiàn)

對(duì)熱軋橫切線矯直機(jī)的總軋制力進(jìn)行監(jiān)測(cè),利用PDA診斷系統(tǒng)連續(xù)記錄矯直機(jī)矯直板材過(guò)程中總軋制力的反饋信號(hào)。從這些軋制力信號(hào)中提取200個(gè)點(diǎn)組成單變量時(shí)間序列,其中前150個(gè)點(diǎn)為訓(xùn)練樣本,后50點(diǎn)作為測(cè)試樣本,在測(cè)試樣本中第49點(diǎn)出現(xiàn)故障。軋制力曲線如圖1所示。測(cè)試樣本的預(yù)測(cè)誤差如表1所示

表1 預(yù)測(cè)誤差

由表1可知用SVM預(yù)測(cè)軋制力是可行的，而且誤差非常小。

為了證明本文方法的優(yōu)點(diǎn),分別用本文的方法和用預(yù)測(cè)值和實(shí)際值的殘差的方法對(duì)該實(shí)例進(jìn)行故障預(yù)報(bào)。使用本文方法建立支持向量機(jī)模型,預(yù)測(cè)序列和正常時(shí)間序列原型的誤差曲線如圖2所示,選取合適的閾值，若采用單步預(yù)測(cè)由仿真結(jié)果知在第35步就可以實(shí)現(xiàn)故障預(yù)報(bào)，采用多步預(yù)測(cè)則能在35步之前實(shí)現(xiàn)故障預(yù)報(bào)。使用預(yù)測(cè)值和實(shí)際值的殘差的方法,其預(yù)測(cè)序列同實(shí)際值的誤差如圖3所示,由仿真結(jié)果知其至少在第44步才能實(shí)現(xiàn)故障預(yù)報(bào)。

由圖3可知，故障點(diǎn)與其他點(diǎn)相比，比較離群，因此使用本文方法的故障誤報(bào)率也比較低。

圖1 軋制力運(yùn)行曲線

圖2 預(yù)測(cè)值與原型距離曲線

圖3 預(yù)測(cè)值與實(shí)際值誤差曲線

6 結(jié)論

本文采用支持向量機(jī)預(yù)測(cè)模型和聚類技術(shù)成功實(shí)現(xiàn)矯直機(jī)軋制力的故障預(yù)報(bào)。仿真結(jié)果表明,本文提出的方法具有很高的預(yù)測(cè)精度,并且能實(shí)現(xiàn)預(yù)報(bào)故障更加及時(shí)。本方法也可以推廣應(yīng)用到其他生產(chǎn)線的故障監(jiān)測(cè)和預(yù)報(bào)中。

1.R.Isermann.Process fault detection based on modeling and esti原mation methods:a survey.Automatic[J],1984,20:387-404

2援張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī).自動(dòng)化學(xué)報(bào)[J], 2000,26(1):32-42

3援張軍峰,胡壽松.基于聚類和支持向量機(jī)的非線性時(shí)間序列預(yù)報(bào).控制理論與應(yīng)用[J],2007,24(1):64-68

4援曲文龍，樊廣儉，楊炳儒.基于支持向量機(jī)的復(fù)雜時(shí)間序列預(yù)測(cè)研究.計(jì)算機(jī)工程[J],2005,31(23):1-3

5援于翔.聚類分析中k-均值算法的研究[M].哈爾濱.哈爾濱工程大學(xué)出版社.2007

Automatic Fault Prediction and Alarm Technique for the Straightener

Huang Yuanshun

(The Automation Engineering Co.of Maanshan Iron&Steel Co.,Ltd.,Maanshan,Anhui 243000,China)

It is difficult to fully learn the characteristics of equipment behaviors and there are no effective prediction models to monitor the changing trend of equipment deterioration,which has become the main obstacle to fault prediction.K-means clustering and SVM prediction are adopted,which has achieved prediction of the trend of equipment state as well as fault forecast for the straightener.

straightener;rolling force;support vector machine;fault prediction

TP277

B

1006-6764（2014）10-0074-03

2014-07-04

黃遠(yuǎn)順（1980-），男，工程師，2003年畢業(yè)于哈爾濱理工大學(xué)，工學(xué)學(xué)士，現(xiàn)從事基礎(chǔ)自動(dòng)化方面工作。參與研制的熱軋橫切線自動(dòng)化控制系統(tǒng)獲馬鞍山市科學(xué)技術(shù)三等獎(jiǎng)。