基于改进HMM的带钢热连轧精轧过程故障检测_张瑞成.pdf

第 48 卷 第 3 期Vol.48 No.3FORGING&STAMPING TECHNOLOGY 2023 年 3 月Mar.2023轧制基于改进 HMM 的带钢热连轧精轧过程故障检测张瑞成,崔凯鑫,梁卫征(华北理工大学 电气工程学院,河北 唐山 063210)摘要:针对传统 HMM 方法故障检测的准确率不高,以及带钢热连轧过程数据的非线性和混合高斯性问题,提出一种利用 WT和 PCA 改进 HMM 的故障检测新方法。首先,采用小波变换对轧制数据进行去噪处理,并使用 PCA 将数据的维度降低、数据相关性减小,可以有效减少模型训练的迭代次数,并且能够提升故障检测的准确率;然后,利用期望最大化算法结合观测序列训练得到 WT-PCA-HMM 故障检测模型;最后,通过模型得出精轧工艺数据的对数似然值即可实现故障检测。结果表明:与传统 HMM 方法相比,WT-PCA-HMM 的故障检测方法不仅能够降低 8.1%的误报率,而且减少 50%的模型训练迭代次数,为故障的检测提供了新方法。关键词:带钢;热连轧;故障检测;小波变换;主成分分析;隐马尔科夫模型DOI:10.13330/j.issn.1000-3940.2023.03.017中图分类号:TP273 文献标志码:A 文章编号:1000-3940(2023)03-0126-06Fault detection of finish rolling process for hot strip rolling based on improved HMMZhang Ruicheng,Cui Kaixin,Liang Weizheng(College of Electrical Engineering,North China University of Science and Technology,Tangshan 063210,China)Abstract:A new method of fault detection was proposed to improve the HMM based on WT and PCA to solve the problems of low accuracy of the traditional HMM method and the nonlinearity and mixed Gaussianity of the hot strip rolling process data.Firstly,wavelet transform was used to denoise the rolling data,and PCA was used to reduce the dimensionality and correlation of the data,which can effectively reduce the number of iterations for model training and improve the accuracy of fault detection.Then,the WT-PCA-HMM fault detection model was ob-tained by using the expectation maximization algorithm combined with the training of observed sequence training.Finally,the logarithmic likelihood values of the finishing process data was derived from the model to achieve the fault detection.The results show that the WT-PCA-HMM fault detection method can not only reduce the false alarm rate by 8.1%compared with the traditional HMM method,but also reduce the number of model training iterations by 50%,which provides a new method for the fault detection.Key words:strip steel;hot rolling;fault detection;wavelet transform;principal component analysis;hidden Markov model收稿日期:2022-05-22;修订日期:2022-08-27基金项目:河北省自然科学基金资助项目(F2018209201);唐山市科技局科技计划项目(22130213G);河北省省属高校基本科研业务费资助项目(JQN2021021)作者简介:张瑞成(1975-),男,博士,教授E-mail:rchzhang 随着工业的快速发展,工业流程的复杂程度越来越高。带钢热连轧的精轧过程作为钢铁生产过程中必不可少的环节之一,不仅程序复杂、动态性强,还具有高速、高温、高精度等特性。这也导致精轧工艺成为故障率高且危险性较大的生产过程。因此,精轧过程需要引入更加精准的故障检测方法来稳定生产的高效运行1。振动信号一般被分为频域和时域两方面。傅里叶变换(Fourier Transform,FT)常用来提取频域信息,主要应用在时域信号扰动较大从而需要处理频域信号的情况2。但 FT 对时域信号或突变和非平稳信号的处理效果不佳。小波变换(Wavelet Trans-form,WT)能够兼顾时域和频域的信息,且对于非平稳信号来说,也具有很强的处理能力3。目前,生产过程普遍比较复杂,精确的机理模型很难建立,因此,越来越多的基于数据的方法开始涌现出来4。在带钢热连轧领域中,变量的复杂特性主要包括非高斯性、动态性以及时变性5。目前,基于数据的方法主要以主成分分析(Principal Component Analysis,PCA)、典型变量分析(Canon-ical Variate Analysis,CVA)、独立成分分析(Inde-pendent Component Analysis,ICA)为主。如果单独使用 PCA 或核 PCA,检测故障的效果比较好,但要求数据必须符合高斯分布6-8。CVA 和 ICA 方法能够在工业过程数据中提取独立源,但是应用在动态过程中效果并不理想9-10。隐马尔科夫模型(Hidden Markov Model,HMM)是越来越常见的以数据和概率为基础的检测方法。由于其具有严密的数学理论、强大的建模能力,因此,不仅能对未知状态进行准确地识别,还比较善于处理信息丰富、非平稳性强且信息难以重复出现的信号11。文献 12 针对 HMM 中的 BW 算法容易产生局部极值从而导致模型诊断结果精度不够的问题,提出通过惯性权重因子来改进粒子群算法的方法,达到了提升诊断效率和精度的目的。文献 13通过小波分解和 HMM 结合达到定位轴承故障位置和诊断故障严重程度的目的,采用小波分解对数据进行处理得到检测指标向量,使用 HMM 对不同状态建模,最后对实时数据使用 HMM 进行故障程度的识别。文献 14 针对汽车排气系统的数据特点,将HMM 处理后的数据输出作为贝叶斯网络的经验,用于故障检测和故障预测,达到了提高故障检测速度的目的。在铲运机领域中,针对故障信息难以准确表达而影响铲运机故障预测和识别的情况,文献 15 使用最小二乘改进的支持向量机对数据进行优化,使用HMM 对铲运机被优化的数据进行识别,提升了铲运机电气系统故障预测的准确率。文献 16 针对经验模态分解(Empirical Mode Decomposition,EMD)容易出现模态混叠的问题,提出通过集合经验模记分解(Ensemble Empirical Mode Decompostion,EEMD)来得到各阶固有模态分量,然后通过 HMM 进行故障识别和诊断,这样能够更加精确地对故障进行识别和诊断。HMM 在很多领域中均有应用,但在带钢热连轧领域的应用较少。尽管 HMM 适合处理带钢热连轧领域的数据,但此方法仍存在故障识别准确率不高、模型训练复杂的问题。因此,引入了 WT 和 PCA 的方法对 HMM 进行了改进。首先,使用 WT 对数据进行去噪,使用 PCA 方法降低数据的相关性、减少数据的维度,以减少模型训练迭代次数,并提升故障检测的准确率。然后,训练 HMM 并保存精轧工艺正常数据的对数似然(Log-Likelihood,LL)值。最 后,利 用 精 轧 工 艺WT-PCA-HMM 对实时数据进行故障检测。1 带钢热连轧过程介绍带钢热连轧系统是一个十分复杂的动态工艺流程,其工艺流程如图 1 所示。在粗轧阶段,钢板的厚度会大幅度减小,因此,钢板长度会成比例地增加。钢板通过辊道运输后,为了避免工作辊损坏,需要飞剪对钢板的头部和尾部进行切割。然后作为工业带钢热连轧过程的核心步骤即精轧过程,将对钢板进行更加精确地轧制,使钢板的厚度进一步降低,直至达到预期厚度要求,此过程即为故障检测的研究过程。最后,钢板经过层流冷却设备后卷成需要的产品。图 1 带钢热连轧工艺流程图Fig.1 Process flow chart of hot strip rolling 带钢热连轧过程主要由加热、粗轧、飞剪、精轧、层流冷却、卷取等生产工序构成。精轧机架由7 组工作辊、支撑辊和液压压下装置构成17。用于检测轧制力的装置设置在下支撑辊底部。辊缝为了达到规定的出口厚度而设定参数,并且还有自动厚度控制系统(Automatic Gauge Control,AGC)及其他各种控制器来保证出口厚度的精准控制。连续可变凸度(Continuously Variable Crown,CVC)18、工作共 移 动 轧 机19(Kawasaki-work Roll Shifting,k-WRS)和非对称自补偿轧制(Asymmetry Selfcom-pensating Rolling,ASR)20工作辊窜辊和工作辊液压弯辊力等热轧板形控制技术对于带钢板形有很大的改善作用本文研究对象是带钢热连轧过程中的精轧工艺,精轧工艺的数据具有短时产生数据量大、数据种类复杂、受环境影响较大等特点。与此同时,精轧工721第 3 期张瑞成等:基于改进 HMM 的带钢热连轧精轧过程故障检测 艺数据一般不止符合一种高斯模型,基本为多种高斯模型混合的情况。以典型的 1700 mm 带钢热连轧生产线为背景,通过 HMM 及其他辅助算法对精轧机组振动数据进行检测。主要参数包括每个机架的辊缝和轧制力以及后 6 个机架的弯辊力。表 1 过程及质量变量分配Table 1 Allocation of process and quality variables变量序号类型描述单位17过程变量第 c 个机架的平均辊缝(c=1,2,3,4,5,6,7)mm814过程变量第 c 个机架的轧制力(c=1,2,3,4,5,6,7)MN1520过程变量第 c 个机架的弯辊力(c=1,2,3,4,5,6,7)MN21质量变量精轧末机架的出口厚度mm2 基于 WT-PCA-HMM 的故障检测模型2.1 小波变换小波变换由于其自身去相关性和选基灵活的特征而被应用到很多领域。观测信号的连续小波变换为:W(a,b)=-f(t)a,b(t)dt=f(t),a,b(t)(1)其中:a,b(t)=|a|-1/2a,bt-ba()(2)式中:a 为尺度因子;b 为平移因子;W(a,b)为a 与 b 的函数,代表经过小波变换后的信号;f(t)为任意给定的时域信号;t 为时间;a,b(t)为小波基函数;表示复数共轭。小波去噪过程包括以下 3 个步骤。(1)确定所需小波基和分解层数,对信号进行分解能够得到 W(a,b)。(2)对