一种高速线材轧机远程在线监测和智能诊断系统及方法技术方案

一种高速线材轧机远程在线监测和智能诊断系统，包括传感器网络、中心节点、工控机（现场处理机）、监测与诊断中心，所述传感器网络由一个轧机机组内数据采集设备组成的一个子网，数据采集设备采集到的数据传输到工控机，所述工控机对数据存储的同时进行去燥、变换处理，工控机对处理后的数据进行高速线材轧机故障有无的判断即预诊断，并输出结果；如果工控机输出的结构判定高速线材轧机为故障，则将此数据传输到监测与诊断中心，反之，工控机不传输数据给监测与诊断中心，监测与诊断中心接收到有故障的数据后对工控机的预诊断再进一步的分析，并输出结果。本发明专利技术能够实时在线判断出当前轧机故障的类型及故障位置，延长设备使用寿命。

A remote on-line monitoring and intelligent diagnosis system and method for high speed wire rod mill

A remote on-line monitoring and intelligent diagnosis system for high speed wire rod mill, including sensor network, central node, industrial control machine (field processor), monitoring and diagnosis center. The sensor network is a subnet composed of data acquisition equipment in a rolling mill unit. Data collected by data acquisition equipment is transmitted to work. Control machine, the industrial control machine to the data storage at the same time to dry, transform processing, the industrial control machine on the processed data of high speed wire rod mill fault is judged, and output results. If the structure of the industrial control machine output of high speed wire mill is a fault, then this data is transferred to the monitoring and diagnosis center On the other hand, the industrial control machine does not transmit data to the monitoring and diagnosis center, and the monitoring and diagnosis center receives further analysis of the pre diagnosis of the industrial control machine after receiving the data with the fault, and outputs the results. The invention can judge the type and the fault location of the rolling mill in real time and prolong the service life of the equipment.

【技术实现步骤摘要】
一种高速线材轧机远程在线监测和智能诊断系统及方法
本专利技术涉及线材轧机诊断
，特别是涉及一种高速线材轧机远程在线监测和智能诊断系统及方法。
技术介绍
轧机是一种广泛使用实现金属轧制过程的设备，高速线材轧机是轧机中普遍使用的一种。轧机运行过程中会伴随各种故障的发生，包括轴承座磨损、箱体变形、轴开裂等。对于这种故障的确定和定位，通常的做法是，由专业技术人员借助各类测试仪器，采集到各种参数，尤其是针对参数，根据这些参数进行分析确定故障类型，进而确定是哪个零部件发送故障。这一过程都是由专业技术人员在轧机停止运行时进行分析确定的，难以在线进行分析诊断。
技术实现思路
本专利技术的目的是解决现有技术中的问题，提供一种高速线材轧机远程在线监测和智能诊断系统，实现对高速线材轧机有无故障的确定以及故障类型诊断和定位。本专利技术的技术方案为：一种高速线材轧机远程在线监测和智能诊断系统，包括数据采集设备、中心节点、工控机、监测与诊断中心，其特征在于：所述数据采集设备采集到的数据通过汇集到中心节点后通过局域网络或无线网络传输到工控机，所述工控机将此数据通过局域网络或无线网络传输到监测与诊断中心。一种高速线材轧机远程在线监测和智能诊断方法，其特征在于，包括如下步骤：S1数据采集步骤：各数据采集设备采集到的数据通过汇集到中心节点后采用局域网络或无线网络传输到工控机，所述数据采集设备包括在一个轧机机组内的振动传感器、速度传感器、三维加速度传感器、位移传感器、旋转编码器、温度传感器、功率表和功率传感器；S2预诊断步骤：所述工控机在存储数据的同时对数据进行去除噪音、数据变换以及特征提取处理，同时对处理后的数据进行高速线材轧机故障有无的判断，并输出结果，如果工控机输出的结构判定高速线材轧机为故障，则将此数据传输到监测与诊断中心，反之工控机则不传输数据给监测与诊断中心，以避免将大量的无故障的数据传向诊断中心，造成网络拥塞、加重监测诊断中心服务器的负担；S3精确诊断步骤：所述监测与诊断中心接收到有故障的数据后对工控机的预诊断结果再作进一步的分析，以确定故障的类型和位置。所述数据采集步骤S1中，振动传感器安装在箱体、轴系、齿轮、轴承部件位置上并采集包括滚动轴承、传动轴、夹送辊、箱体的三维振动波形，旋转编码器安装在转轴上并采集包括转轴的转动角度、转速，温度传感器安装在轴承、电机上并采集包括轴承部位和电机的工作温度，功率传感器安装在电机上并采集包括电机的功耗。所述数据采集步骤S1中，旋转编码器按如下规则进行采样：所述采样周期分为Twork和Twait两个时间段，转轴每转动一圈采样16次，Twork时间段为转轴旋转64圈所花费的时间，在Twork时间段采样1024次，Twait时间段不采样，时间为转轴旋转8~512圈所花费的时间。所述预诊断步骤S2的过程为：将数据采集设备的数据进行存储，所存储的原始数据能直接调取至云端，同时对数据进行变换及特征提取处理，通过二分类器（HSSVM）选择含故障的特征向量并上传至云接口，该含故障的特征向量经精确诊断步骤确认可靠性后重新加入HSSVM参数库进行HSSVM学习训练以优化二分类器，所述二分类器（HSSVM）同时也根据故障判断情况对数据采集设备的各个传感器进行采样控制。所述预诊断步骤S2中，数据变换及特征提取的方法为：（1）数据变换：一个传感器在Twork时间段输出的数据系列记为data[k]，k=0，1，…，若来自于振动传感器，则对其进行一维多尺度小波变换，以便提取各尺度下的奇异点，变换结果记为data[k](s)，其中s是尺度编号，s=1，2，…，N；本专利技术取8种尺度，即N=8；设转轴转动1圈花费的时间（即转动周期）为Tc，每个Tc的定位从旋转编码器的输出数据中可以得到，在一个Tc周期内，试图搜索到上存在的个奇异点，若某奇异点不存在则令其值为0，否则其值为周期内的模极大值；设一个传感器组中有Q个温度传感器，1个功率传感器；定义d维特征向量P：其中：M=2~5；为所论周期内对各温度传感器采样的平均值，共个，Q=1~3；为所论周期内对功率传感器采样的平均值，1个。所述预诊断步骤S2中，采用基于HSSVM的二分类器，轧机生产线中的每个部件均对应一个二分类器，将每个部件的状态分为两类：有故障或无故障，同时给出故障可信度R，所给出的故障可信度R表征了故障的严重程度，用于控制采样间歇期Twait的大小；Twork时段含有64个Tc周期，每个Tc提取一个特征向量Pj，j=1，2，…，64，将Pj送二分类器，以判断是否有故障；若在Twork时段的64次判断中，有故障的次数占多数，则判定该部件为有故障；当判定某部件有故障时，就启动数据选择，将当前的64个Pj传送到云端进行精确诊断；任何时候，机组运行维护人员也能将当前Twork时段的64个Pj或原始数据系列传输到云端进行诊断。所述预诊断步骤S2中，HSSVM学习训练的过程为：核函数选为Gauss函数，建立HSSVM的特征空间；首先，采集一批具有良好的内聚性的正训练样本P+，存放于HSSVM训练样本库中；再通过迭代，找到一个能包裹所有P+的最小超球面，从而确定超球面的半径与球心等参数，建立起具备初步诊断能力的HSSVM；在实际应用中，运用强化学习的奖惩机制，根据当前训练结果对训练样本库进行优化，从而使系统的诊断性能不断提高；每当采集到的样本经精确诊断获得可靠标签（包括正、负样本）后，则将其加入训练样本库，并对HSSVM重新训练，以确定一个新的超球面；若新的HSSVM具有更好的分类性能，则本次加入的样本有效，否则撤销本次加入，撤销本次训练。所述精确诊断步骤S3的过程为：先建立存储有训练样本的故障类型样本库，然后建立故障确诊及分类模型，接收到来自预诊断的含故障的特征向量后，依据存储的训练样本将数据和数据库里的训练样本进行比对分析，故障分类依据故障确诊与分类模型来确定故障类型，将分析结果先更新到故障类型样本库的训练样本内再通过强化学习进行优化。或者，所述精确诊断步骤S3的过程为：先建立存储有训练样本的故障类型样本库、故障分级知识库，然后建立故障确诊及分类模型及故障模糊评价模型，接收到来自预诊断的含故障的特征向量后，依据存储的训练样本将数据和数据库里的训练样本进行比对分析，其中故障分类依据故障确诊与分类模型来确定故障类型，故障分级依据模糊评价模型来对故障的严重程度进行分级，同时依据模糊状态模型来预测故障的发展趋势，将分析结果更新到故障类型样本库和故障分级知识库的训练样本内通过强化学习进行优化。所述精确诊断步骤S3中，对预诊断初步确定的可能有故障的特征向量，进一步进行故障分类，所述故障类型包括轴承缺陷、轴承座磨损、轴承座孔磨损、轴开裂、轴变形、齿轮断齿、箱体变形。所述精确诊断步骤S3中，采用SOM实现故障分类，每个部件都对应一个SOM，SOM结构的输入层的节点数为d（特征向量P的维数），输出层的节点个数为训练样本的个数，为16×16个；对SOM的训练过程为：（1）初始训练样本的选取：初始训练样本来源于：a、领域专家运用动力学理论和经验对各类典型故障进行分析与拟合的样本；b、在轧机部件上设置模拟故障，采集的样本；c、实际故障发生时采集的样本；由上述途经获得256个样本，记为Pl，l=1本文档来自技高网...

【技术保护点】
一种高速线材轧机远程在线监测和智能诊断系统，包括数据采集设备、中心节点、工控机、监测与诊断中心，其特征在于：所述数据采集设备采集到的数据通过汇集到中心节点后通过局域网络或无线网络传输到工控机，所述工控机将此数据通过局域网络或无线网络传输到监测与诊断中心。

【技术特征摘要】
1.一种高速线材轧机远程在线监测和智能诊断系统，包括数据采集设备、中心节点、工控机、监测与诊断中心，其特征在于：所述数据采集设备采集到的数据通过汇集到中心节点后通过局域网络或无线网络传输到工控机，所述工控机将此数据通过局域网络或无线网络传输到监测与诊断中心。2.一种高速线材轧机远程在线监测和智能诊断方法，其特征在于，包括如下步骤：S1数据采集步骤：各数据采集设备采集到的数据通过汇集到中心节点后采用局域网络或无线网络传输到工控机，所述数据采集设备包括在一个轧机机组内的振动传感器、速度传感器、三维加速度传感器、位移传感器、旋转编码器、温度传感器、功率表和功率传感器；S2预诊断步骤：所述工控机在存储数据的同时对数据进行去除噪音、数据变换以及特征提取处理，同时对处理后的数据进行高速线材轧机故障有无的判断，并输出结果，如果工控机输出的结构判定高速线材轧机为故障，则将此数据传输到监测与诊断中心，反之工控机则不传输数据给监测与诊断中心，以避免将大量的无故障的数据传向诊断中心，造成网络拥塞、加重监测诊断中心服务器的负担；S3精确诊断步骤：所述监测与诊断中心接收到有故障的数据后对工控机的预诊断结果再作进一步的分析，以确定故障的类型和位置。3.根据权利要求2所述的高速线材轧机远程在线监测和智能诊断方法，其特征在于：所述数据采集步骤S1中，旋转编码器按如下规则进行采样：所述采样周期分为Twork和Twait两个时间段，转轴每转动一圈采样16次，Twork时间段为转轴旋转64圈所花费的时间，在Twork时间段采样1024次，Twait时间段不采样，时间为转轴旋转8~512圈所花费的时间。4.根据权利要求2所述的高速线材轧机远程在线监测和智能诊断方法，其特征在于：所述预诊断步骤S2的过程为：将数据采集设备的数据进行存储，所存储的原始数据能直接调取至云端，同时对数据进行变换及特征提取处理，通过二分类器（HSSVM）选择含故障的特征向量并上传至云接口，该含故障的特征向量经精确诊断步骤确认可靠性后重新加入HSSVM参数库进行HSSVM学习训练以优化二分类器，所述二分类器（HSSVM）同时也根据故障判断情况对数据采集设备的各个传感器进行采样控制。5.根据权利要求4所述的高速线材轧机远程在线监测和智能诊断方法，其特征在于：所述预诊断步骤S2中，数据变换及特征提取的方法为：（1）数据变换：一个传感器在Twork时间段输出的数据系列记为，若来自于振动传感器，则对其进行一维多尺度小波变换，以便提取各尺度下的奇异点，变换结果记为，其中s是尺度编号，s=1,2,…N；本发明取8种尺度，即N=8；（2）特征提取：设在一个传感器组中，有M个振动传感器，与之对应地，有，设转轴转动1圈花费的时间（即转动周期）为Tc，每个Tc的定位从旋转编码器的输出数据中可以得到，在一个Tc周期内，试图搜索到上存在的个奇异点，若某奇异点不存在则令其值为0，否则其值为周期内的模极大值；设一个传感器组中有Q个温度传感器，1个功率传感器；定义d维特征向量P：其中：M=2~5；为所论周期内对各温度传感器采样的平均值，共个，Q=1~3；为所论周期内对功率传感器采样的平均值，1个。6.根据权利要求5所述的高速线材轧机远程在线监测和智能诊断方法，其特征在于：所述预诊断步骤S2中，采用基于HSSVM的二分类器，轧机生产线中的每个部件均对应一个二分类器，将每个部件的状态分为两类：有故障或无故障，同时给出故障可信度R，所给出的故障可信度R表征了故障的严重程度，用于控制采样间歇期Twait的大小；Twork时段含有64...

【专利技术属性】
技术研发人员：孙建桥，管庶安，成西平，
申请(专利权)人：汉威广园广州机械设备有限公司，
类型：发明
国别省市：广东,44