黃遠順

矯直機的自動故障預(yù)報技術(shù)

黃遠順

（安徽馬鋼自動化信息技術(shù)有限公司，安徽馬鞍山243000）

由于人們無法充分理解生產(chǎn)設(shè)備的行為特性,缺乏有效的預(yù)測模型來監(jiān)測設(shè)備劣化的變化趨勢,這成為解決故障預(yù)報問題的主要障礙。將采用k均值聚類和支持向量機預(yù)測方法,實現(xiàn)了對矯直機軋制力狀態(tài)趨勢的預(yù)測和故障預(yù)報.

矯直機;軋制力;支持向量機;故障預(yù)報

1 引言

馬鋼第四鋼軋總廠熱軋橫切線是由德國西馬克公司負責(zé)工藝設(shè)計，我公司負責(zé)其電氣總設(shè)計、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。

熱軋橫切線由開卷機、矯直機、切邊剪、飛剪、堆垛臺等主要設(shè)備組成。其中二臺矯直機為核心設(shè)備，用來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,它負責(zé)將開卷機開出的帶鋼進行矯直。Leveller2為十一輥矯直機，負責(zé)將飛剪剪成的鋼板進行矯直。每臺矯直機的主壓下裝置采用了四個主液壓缸，每一個缸的矯直力達到14000 kN,位置控制精度要求達到<0.05 mm。

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

由Vapnik創(chuàng)立的以統(tǒng)計學(xué)理論為基礎(chǔ)的支持向量機(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)，因此成為機器學(xué)習(xí)領(lǐng)域中的研究熱點，支持向量機學(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)支持向量機模型并應(yīng)用聚類實現(xiàn)故障預(yù)報,從而使支持向量機更容易獲取靜態(tài)的輸入輸出關(guān)系；本文通過建立預(yù)測模型得到預(yù)測值，通過比較預(yù)測值和由聚類提取的原型實現(xiàn)對設(shè)備的故障提前做出預(yù)報。

2 回歸型支持向量機

支持向量機是由Vapnik等人根據(jù)統(tǒng)計學(xué)理論中的結(jié)構(gòu)風(fēng)險最小化原則提出的,它是一種新型機器學(xué)習(xí)方法[2]?？紤]n個訓(xùn)練樣本的回歸問題，假設(shè)給定訓(xùn)練樣本集為(xi,yi)，i=1,2,…n,xi沂Rd是第i個樣本的輸入樣本,yi沂R是對應(yīng)第i個樣本的輸出樣本,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，回歸估計問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),用來平衡回歸函數(shù)f的平坦程度和偏差大于著樣本點的個數(shù)；ξi,ξi*為懲罰系數(shù).建立Lagrange函數(shù)

上式對于參數(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個向量xj(j=1,2…,n)分為c個類,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]。當選擇歐幾里德距離為非相似性指標時,價值函數(shù)可定義為：

一般劃分過的組用一個二維隸屬矩陣U來定義.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）計算價值函數(shù).如果它小于某個確定的閾值,或它相對上次價值函數(shù)質(zhì)的改變量小于某個閾值,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 基于支持向量機的狀態(tài)趨勢預(yù)測

假設(shè)現(xiàn)在的時刻為n，根據(jù)n時刻前的m個數(shù)據(jù)，即n-m+1，n-m+2，…，n的對應(yīng)值xn-m+1，xn-m+2，…，xn，要預(yù)測n+1時刻的值，即

m為嵌入維數(shù)，

則1步預(yù)測函數(shù)表達式為

式中：xn-m+1=(xn-m+1,xn-m+2，…，xn)

xn為n時刻的實際值，yn+1為n+1時刻的預(yù)測值，以此類推yn+t為n+t時刻的預(yù)測值。如果是t步預(yù)測，則要把yn+1，…yn+t當作n+1，n+2，…，n+t時刻的實際值，即為xn+1，xn+2，…，xn+t，在此基礎(chǔ)上再進行1步預(yù)測即可。第t步的預(yù)測模型為

式中：xn-m+t=(xn-m+t,…，xn+t，,…，xn+t-1)。

本文采用FPE準則選擇嵌入維數(shù)[3][4]。

當FPE最小時確定最佳嵌入k。

5 故障預(yù)報實現(xiàn)

對熱軋橫切線矯直機的總軋制力進行監(jiān)測,利用PDA診斷系統(tǒng)連續(xù)記錄矯直機矯直板材過程中總軋制力的反饋信號。從這些軋制力信號中提取200個點組成單變量時間序列,其中前150個點為訓(xùn)練樣本,后50點作為測試樣本,在測試樣本中第49點出現(xiàn)故障。軋制力曲線如圖1所示。測試樣本的預(yù)測誤差如表1所示

表1 預(yù)測誤差

由表1可知用SVM預(yù)測軋制力是可行的，而且誤差非常小。

為了證明本文方法的優(yōu)點,分別用本文的方法和用預(yù)測值和實際值的殘差的方法對該實例進行故障預(yù)報。使用本文方法建立支持向量機模型,預(yù)測序列和正常時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)測由仿真結(jié)果知在第35步就可以實現(xiàn)故障預(yù)報，采用多步預(yù)測則能在35步之前實現(xiàn)故障預(yù)報。使用預(yù)測值和實際值的殘差的方法,其預(yù)測序列同實際值的誤差如圖3所示,由仿真結(jié)果知其至少在第44步才能實現(xiàn)故障預(yù)報。

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

圖1 軋制力運行曲線

圖2 預(yù)測值與原型距離曲線

圖3 預(yù)測值與實際值誤差曲線

6 結(jié)論

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

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)計學(xué)習(xí)理論與支持向量機.自動化學(xué)報[J], 2000,26(1):32-42

3援張軍峰,胡壽松.基于聚類和支持向量機的非線性時間序列預(yù)報.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.基于支持向量機的復(fù)雜時間序列預(yù)測研究.計算機工程[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)自動化方面工作。參與研制的熱軋橫切線自動化控制系統(tǒng)獲馬鞍山市科學(xué)技術(shù)三等獎。