CN116610105A - 一种基于数据融合的轧机机械运行故障监测方法及*** - Google Patents
一种基于数据融合的轧机机械运行故障监测方法及*** Download PDFInfo
- Publication number
- CN116610105A CN116610105A CN202310889649.2A CN202310889649A CN116610105A CN 116610105 A CN116610105 A CN 116610105A CN 202310889649 A CN202310889649 A CN 202310889649A CN 116610105 A CN116610105 A CN 116610105A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- fusion
- rolling mill
- acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 156
- 230000004927 fusion Effects 0.000 title claims abstract description 133
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 41
- 239000010959 steel Substances 0.000 claims description 41
- 238000010276 construction Methods 0.000 claims description 17
- 238000007499 fusion processing Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种基于数据融合的轧机机械运行故障监测方法及***,涉及数据处理技术领域,该方法包括:获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;构建多故障类型数据集;获得第一融合数据;获得第二融合数据;根据所述第一融合数据、第二融合数据,构建多级故障树;通过采集设备对轧机进行实时监测,获得轧机监测数据;根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息,解决了现有技术中存在的由于对轧机机械故障数据分析不够详细,进而导致对轧机机械运行故障预警准确性不佳的技术问题,达到提升故障预警准确性的技术效果。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种基于数据融合的轧机机械运行故障监测方法及***。
背景技术
随着经济快速发展,轧钢机械设备的使用越来越广泛,但是,轧钢机械设备在运行过程中经常出现故障,影响设备生产效率及质量,对轧机机械设备运行监测对于保证设备生产效率具有重要意义。
目前,现有技术中存在由于对轧机机械故障数据分析不够详细,进而导致对轧机机械运行故障预警准确性不佳的技术问题。
发明内容
本公开提供了一种基于数据融合的轧机机械运行故障监测方法及***,用以解决现有技术中存在的由于对轧机机械故障数据分析不够详细,进而导致对轧机机械运行故障预警准确性不佳的技术问题。
根据本公开的第一方面,提供了一种基于数据融合的轧机机械运行故障监测方法,包括:获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;基于所述故障类型对所述轧机机械故障数据库进行提取,构建多故障类型数据集;根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据;基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据;根据所述第一融合数据、第二融合数据,构建多级故障树;基于所述采集手段、所述多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据;根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息。
根据本公开的第二方面,提供了一种基于数据融合的轧机机械运行故障监测***,包括:故障数据库构建模块,所述故障数据库构建模块用于获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;
多故障类型数据集构建模块,所述多故障类型数据集构建模块用于基于所述故障类型对所述轧机机械故障数据库进行提取,构建多故障类型数据集;第一数据融合模块,所述第一数据融合模块用于根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据;第二数据融合模块,所述第二数据融合模块用于基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据;多级故障树构建模块,所述多级故障树构建模块用于根据所述第一融合数据、第二融合数据,构建多级故障树;实时监测模块,所述实时监测模块用于基于所述采集手段、所述多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据;故障评估模块,所述故障评估模块用于根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息。
根据本公开采用的一种基于数据融合的轧机机械运行故障监测方法,本公开通过获得轧机机械故障数据库构建多故障类型数据集,对多故障类型数据集进行融合分析,构建多级事故树,通过多级事故树对多类型故障数据由上到下进行溯源分析,找出故障发生的基础事件,基于多级事故树对轧机监测数据进行分析,可以准确判断当前的轧机监测数据是否会造成轧机机械故障事件发生,同时可以确定故障类型,从而提升故障预警准确性的技术效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种基于数据融合的轧机机械运行故障监测方法的流程示意图;
图2为本公开实施例中获得轧机机械故障数据库的流程示意图;
图3为本公开实施例中构建多级故障树的流程示意图;
图4为本公开实施例提供的一种基于数据融合的轧机机械运行故障监测***的结构示意图。
附图标记说明:故障数据库构建模块11,多故障类型数据集构建模块12,第一数据融合模块13,第二数据融合模块14,多级故障树构建模块15,实时监测模块16,故障评估模块17。
实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在由于对轧机机械故障数据分析不够详细,进而导致对轧机机械运行故障预警准确性不佳的技术问题,本公开的发明人经过创造性的劳动,得到了本公开的一种基于数据融合的轧机机械运行故障监测方法及***。
实施例
图1为本公开实施例提供的一种基于数据融合的轧机机械运行故障监测方法图,如图1所示,所述方法包括:
步骤S100:获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;
具体而言,获取与待监测轧机同型号的历史轧机机械故障数据,以历史轧机机械故障数据组建轧机机械故障数据库,轧机机械故障数据库包括故障类型、采集手段、参数范围,故障类型是指轧机发生的机械设备故障类型,比如电液伺服阀、齿轮以及轴承等故障;采集手段是指判断发生故障的数据采集手段,比如振动数据采集、带钢张力数据采集、温度采集,就是说,判断轧机是否发生故障利用的轧机运行数据是不一样的;参数范围是指不同的故障类型下,对应的采集手段采集到的数据的变化范围,比如轧机运行温度在哪个范围内发生哪种故障。故障类型、采集手段、参数范围具有一一对应关系,以上的都可以从历史轧机机械故障数据中调取出。
其中,如图2所示,本公开实施例步骤S100还包括:
步骤S110:获得本地轧机监测数据库;
步骤S120:根据所述本地轧机监测数据库,提取轧机机械故障数据集;
步骤S130:对所述轧机机械故障数据集进行归一化处理;
步骤S140:基于所述故障类型、采集手段、参数范围格式要求对轧机机械故障数据集进行标准化处理数据对齐,获得所述轧机机械故障数据库。
具体地,本地轧机监测数据库是指与待监测轧机同型号的历史监测数据,就是说,过去时间内的每一次监测数据都被存储,从历史监测数据中提取出轧机发生故障时的监测数据作为轧机机械故障数据集,进一步对轧机机械故障数据集进行归一化处理,归一化处理是让数据处于同一范围,就是说,不同数据存在不同特征范围,将其归一到一个相同的范围,本实施例中的数据处理过程都是通过计算机进行智能处理,数据归一化有利于提高计算效率。进而基于故障类型、采集手段、参数范围格式要求对经过归一化处理后的轧机机械故障数据集进行标准化处理数据对齐,就是按照故障类型、采集手段、参数范围格式要求将轧机机械故障数据集进行整齐排列,故障类型、采集手段、参数范围分一一对应,以此获得轧机机械故障数据库,达到为后续故障监测提供基础数据的效果。
步骤S200:基于所述故障类型对所述轧机机械故障数据库进行提取,构建多故障类型数据集;
具体而言,根据故障类型从轧机机械故障数据库中提取不同故障类型下的故障数据组建多故障类型数据集,也就是说,多故障类型数据集包含多个不同故障类型的故障类型数据集,每个故障类型数据集中包含同一种故障类型下的故障数据。
步骤S300:根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据;
其中,本公开实施例步骤S300还包括:
步骤S310:以所述采集手段为筛选条件,分别对各故障类型数据集进行采集手段数据集聚合,获得各采集手段数据集群;
步骤S320:根据所述各采集手段数据集群,提取轧机各参数及参数范围;
步骤S330:对轧机各参数及参数范围进行融合分析,获得所述第一融合数据。
具体而言,根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据,也就是说,任意一种故障类型可能对应有多种数据采集手段,比如一种故障类型下对应温度数据、振动数据、带钢张力数据,获得多种采集手段对应的参数范围,比如振动范围、温度范围等,对多种采集手段对应的参数范围进行融合,数据融合就是对多种采集手段对应的参数范围进行组合,便于更为精准地从多种采集手段进行故障分析。
具体地,以采集手段为筛选条件,分别对各故障类型数据集进行采集手段数据集聚合,获得各采集手段数据集群,简单来说,一种故障类型对应有多种数据采集手段,将任意一种故障类型对应的每一种采集手段对应的采集手段数据聚合到一起,以聚合结果作为各采集手段数据集群,根据各采集手段数据集群,提取各个采集手段对应的轧机各参数及参数范围,比如,温度采集手段对应的轧机温度值和温度范围,带钢张力数据采集手段对应的张力大小及范围等。进一步对多种采集手段对应的轧机各参数及参数范围进行融合分析,就是将多种采集手段对应的参数整合到一起进行综合分析,根据多种参数进行故障分析,获得第一融合数据,第一融合数据包括不同采集手段数据综合作用下的故障数据,具体包括故障类型和多种采集手段对应的参数,达到为后续的故障监测提供数据支持的技术效果。
步骤S400:基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据;
其中,本公开实施例步骤S400还包括:
步骤S410:当所述采集手段为振动数据采集时,所述多维度采集要求包括多元件振动数据及各振动数据的幅域分析指标、时域分析指标、频域分析指标;
步骤S420:当所述采集手段为带钢张力数据采集时,所述多维度采集要求包括带钢多分区张力,且各分区张力包括带钢横向张力、带钢纵向张力;
步骤S430:当所述采集手段为温度采集时,所述多维度采集要求包括多元件温度及环境温度;
步骤S440:将各采集手段对应的多维度采集数据进行融合分析,获得所述第二融合数据。
具体而言,根据采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据,就是说,一种采集手段对应多维度的采集参数,比如,利用温度采集手段进行温度数据采集,需要采集轧机温度和环境温度,轧机温度和环境温度即为该采集手段对应的多维度采集要求,对轧机温度和环境温度进行综合分析,进行故障识别监测,获得第二融合数据,第二融合数据包括任意一种故障类型下的任意一种采集手段对应的多维度参数。
具体地,当采集手段为振动数据采集时,多维度采集要求包括多元件振动数据及各振动数据的幅域分析指标、时域分析指标、频域分析指标,频域分析是确定信号的频率结构,即振动信号中包含哪些频率成分,分析的结果即频域分析指标是以频率为自变量的各种物理量的谱线或曲线;信号波形是某种物理量随时间变化的关系,本实施例中轧机振动信号在时间域内的变换或统计分析称为时域分析指标;在振动波形的幅值上,对波形的最大最小值、平均值、有效值等幅值的概率分布,称为幅域分析指标。当采集手段为带钢张力数据采集时,多维度采集要求包括带钢多分区张力,且各分区张力包括带钢横向张力、带钢纵向张力,带钢多分区张力是轧机连轧过程的一个重要现象,各机架通过带钢张力传递影响,传递能量而相互发生联系,张力是由于机架间速度不协调而造成的,以两个机架为例,由于某种原因(外扰量或调节量变动时)而使1号轧机带钢出口速度减小(可以是轧辊速度减小,也可能由于压下率等其他工艺参数变动,造成前滑量减小)或使2号轧机带钢入口速度加大(原因也可以是轧辊速度变大或后滑量减小),结果使1号和2号机架间的带钢产生拉拽,从而产生张力。带钢多分区张力分为带钢横向张力、带钢纵向张力,带钢横向张力和带钢纵向张力即为垂直方向和水平方向上的张力;当采集手段为温度采集时,多维度采集要求包括多元件温度及环境温度,多元件温度即为轧机各个部件的温度,环境温度是指轧机所在的运行环境的温度。进一步将各采集手段对应的多维度采集数据进行融合分析,就是对同一种采集手段对应的多维度采集数据进行综合分析,从多维度数据分析轧机故障数据,以此获得第二融合数据,达到为后续故障监测提供数据支持的效果。
步骤S500:根据所述第一融合数据、第二融合数据,构建多级故障树;
其中,如图3所示,本公开实施例步骤S500还包括:
步骤S510:基于所述故障类型,确定顶上事件;
步骤S520:根据多故障类型数据集,确定顶上事件发生的事故因子及其逻辑关系;
步骤S530:根据顶上事件发生的事故因子及其逻辑关系,结合多采集手段,求基于多采集手段的事故因子组合最小割集,建立第一融合数据与顶上事件的一级故障树;
步骤S540:根据所述第一融合数据、第二融合数据,进行采集手段多维度分析,建立第二融合数据与第一融合数据的因子逻辑关系,构建二级故障树。
具体而言,多级故障树是运用逻辑推理对各种***的危险性进行辨识和评价,不仅能分析出故障的直接原因,而且能深入地揭示出事故的潜在原因,在本实施例中,利用第一融合数据、第二融合数据对轧机机械运行故障进行分析,进行故障溯源,构建多级故障树。
具体地,根据故障类型,确定顶上事件,顶上事件是指轧机运行时不希望发生的事情,也就是故障类型,具体根据实际情况有几种故障类型,就有几类顶上事件,顶上事件是基于历史中出现的故障类型确定的。根据多故障类型数据集,确定顶上事件发生的事故因子及其逻辑关系,事故因子是指可能造成顶上事件发生的基础原因,比如轧机温度、带钢张力等,逻辑关系有两种,即“与”和“或”。“与”表示输入事件同时发生的情况下,输出事件才会发生的连接关系;“或”表示输入事件中,任何一个事件发生都可以使事件发生。在本实施例中,需要确定多种事故因子如何组合的情况下才会发生不同的故障类型,比如轧机轴承温度异常和振动数据同时异常才会造成轴承事故,根据顶上事件发生的事故因子及其逻辑关系,结合多采集手段,求基于多采集手段的事故因子组合最小割集,建立第一融合数据与顶上事件的一级故障树,也就是说,以顶上事件(故障类型)作为分析对象,通过逐层推溯第一融合数据中所有可能导致出现顶上事件的基础事件,第一融合数据中包括各种故障类型对应的多种采集手段数据,以多种采集手段数据作为基础事件,多种采集手段数据之间的逻辑关系可能是“与”,也可能是“或”,将数据逻辑关系也体现在事故树中,比如,“与”和“或”可以选择不同的标记符号进行标识,使得可以清晰地看出数据之间的逻辑关系。事故因子组合最小割集是指事故树中涉及多种采集手段数据(基本事件)的基本事件集合,当这些基本事件都发生时,轧机故障监测的顶上事件必然发生,如果在某个割集中任意除去一个基本事件就不再是割集了,顶上事件也不会发生,这样的割集就称为最小割集,也就是导致顶上事件发生的最低限度的多种采集手段数据之间组合,由此完成一级故障树的构建,一级故障树中将多种故障类型与导致其发生的多种采集手段数据连接起来,并对多种采集手段数据之间的逻辑关系进行标注。
进一步根据第一融合数据、第二融合数据,进行采集手段多维度分析,建立第二融合数据与第一融合数据的因子逻辑关系,也就是说,一级故障树中只是分析了各种故障类型对应的多种采集手段数据,现在再对多种采集手段数据进行详细分析,分析造成顶上事件发生的各种采集手段数据下的多维度采集数据,比如,造成某一故障类型的原因是轧机温度异常或带钢张力异常,继续分析导致温度异常的原因是轧机设备温度还是环境温度,带钢张力是由于带钢横向张力异常还是带钢纵向张力异常,或者两者同时异常,基于此构建二级故障树,将一级故障树和二级故障树连接起来即为多级故障树。通过构建多级故障树,达到为后续的故障监测预警提供数据依据,通过多级故障树进行故障溯源,达到提升故障预警准确性的技术效果。
步骤S600:基于所述采集手段、所述多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据;
具体而言,采集设备是将各种变化着的物理量通过相应的传感器(温度传感器、振动传感器等)转换成模拟的电信号后,再将这些模拟电信号转换为数字信号存储起来,进行预处理的装置,具备实时采集、自动存储、即时显示、自动传输的功能。根据采集手段、多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据,采集手段包括振动数据采集、带钢张力数据采集、温度采集,振动数据采集的多维度采集要求包括多元件振动数据及各振动数据的幅域分析指标、时域分析指标、频域分析指标;带钢张力数据采集的多维度采集要求包括带钢多分区张力,且各分区张力包括带钢横向张力、带钢纵向张力;温度采集手段的多维度采集要求包括多元件温度及环境温度。基于此,通过采集设备采集获取各种采集手段对应的多维度采集数据作为轧机监测数据。
步骤S700:根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息。
具体而言,根据轧机监测数据,在多级故障树进行遍历,判断轧机监测数据是否会导致顶上事件的发生,以此故障评估,当轧机监测数据会导致顶上事件的发生时发送预警信息,用于对工作人员进行警示,辅助工作人员进行轧机的检修维护。
其中,本公开实施例步骤S800还包括:
步骤S810:对待融合数据进行相关性分析,确定数据相关性;
步骤S820:将所述待融合数据、所述数据相关性输入融合处理模型,进行融合处理,输出融合数据,其中,所述融合处理模型为经过机器学习的神经网络模型。
具体而言,对待融合数据进行相关性分析,相关性即为待融合数据之间的相关性,比如,一种数据是否会引起另一种数据的变化,影响程度有多大,以此作为数据相关性,将待融合数据、数据相关性输入融合处理模型,融合处理模型根据数据相关性进行融合分析,输出融合数据,其中,融合处理模型为经过机器学习的神经网络模型,具体可以通过获取样本融合数据集作为模型训练数据,样本融合数据集中包括一一对应的样本待融合数据、样本数据相关系、样本融合数据,通过将样本待融合数据、样本数据相关系输入到融合处理模型,通过样本融合数据进行模型的输出监督调整,使得模型输出数据与样本融合数据一致,基于此将融合处理模型训练至收敛,并对其进行准确性测试,获得符合预期准确率的融合处理模型,上述的融合处理模型用于步骤S300和步骤S400中进行数据融合,获取第一融合数据和第二融合数据。
其中,本公开实施例步骤S900还包括:
步骤S910:获得所述多级故障树的第一输出结果、第二输出结果、直到第N输出结果,其中N为大于2的正整数,且,所述第一输出结果具有第一时间、第二输出结果具有第二时间,第一时间在所述第二时间之前,以此类推第N-1输出结果对应的第N-1时间,早于第N输出结果对应的第N时间;
步骤S920:利用所述第一输出结果、第二输出结果、直到第N输出结果的时间关系,构建马尔科夫链预测模型,获得下一时间发生故障的概率;
步骤S930:当下一时间发生故障的概率达到预设阈值时,发送提醒信息。
具体而言,多级故障树是用于对实时获取的轧机监测数据进行分析,其输出结果也是实时的故障发生结果,由此对每一次输出的故障发生结果及其输出时间进行记录存储,按照时间顺序获取多级故障树的第一输出结果、第二输出结果、直到第N输出结果,其中N为大于2的正整数,且,所述第一输出结果具有第一时间、第二输出结果具有第二时间,第一时间在所述第二时间之前,以此类推第N-1输出结果对应的第N-1时间,早于第N输出结果对应的第N时间。进一步利用第一输出结果、第二输出结果、直到第N输出结果的时间关系,构建马尔科夫链预测模型,获得下一时间发生故障的概率。马尔科夫链预测模型是基于马尔科夫链,根据事件的目前状况预测其将来各个时刻(或时期)变动状况的一种预测方法,马尔科夫链预测模型是状态空间中从一个状态到另一个状态的转换的随机过程,在马尔科夫链的每一步,根据概率分布,可以从一个状态变到另一个状态,也可以保持当前状态。状态的改变叫做转移,与不同的状态改变相关的概率叫做转移概率。在本实施例中,以第一输出结果、第二输出结果、直到第N输出结果对应的第一时间、第二时间、第N-1时间、第N时间作为马尔科夫链的节点,以第一输出结果、第二输出结果、直到第N输出结果作为各个节点对应的状态,通过第N-1输出结果对第N输出结果的状态转移概率进行预测,状态转移概率表征下一时间发生故障的概率,根据实际情况设置预设阈值,当下一时间发生故障的概率达到预设阈值时,发送提醒信息,提醒工作人员进行轧机设备的维护检修,防止故障事件的发生。
基于上述分析可知,本公开提供了一种基于数据融合的轧机机械运行故障监测方法,在本实施例中,通过获得轧机机械故障数据库构建多故障类型数据集,对多故障类型数据集进行融合分析,构建多级事故树,通过多级事故树对多类型故障数据由上到下进行溯源分析,找出故障发生的基础事件,基于多级事故树对轧机监测数据进行分析,可以准确判断当前的轧机监测数据是否会造成轧机机械故障事件发生,同时可以确定故障类型,从而提升故障预警准确性的技术效果。
实施例
基于与前述实施例中一种基于数据融合的轧机机械运行故障监测方法同样的发明构思,如图4所示,本公开还提供了一种基于数据融合的轧机机械运行故障监测***,所述***包括:
故障数据库构建模块11,所述故障数据库构建模块11用于获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;
多故障类型数据集构建模块12,所述多故障类型数据集构建模块12用于基于所述故障类型对所述轧机机械故障数据库进行提取,构建多故障类型数据集;
第一数据融合模块13,所述第一数据融合模块13用于根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据;
第二数据融合模块14,所述第二数据融合模块14用于基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据;
多级故障树构建模块15,所述多级故障树构建模块15用于根据所述第一融合数据、第二融合数据,构建多级故障树;
实时监测模块16,所述实时监测模块16用于基于所述采集手段、所述多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据;
故障评估模块17,所述故障评估模块17用于根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息。
进一步而言,所述***还包括:
本地数据库获取模块,所述本地数据库获取模块用于获得本地轧机监测数据库;
故障数据提取模块,所述故障数据提取模块用于根据所述本地轧机监测数据库,提取轧机机械故障数据集;
归一化处理模块,所述归一化处理模块用于对所述轧机机械故障数据集进行归一化处理;
数据标准化处理模块,所述数据标准化处理模块用于基于所述故障类型、采集手段、参数范围格式要求对轧机机械故障数据集进行标准化处理数据对齐,获得所述轧机机械故障数据库。
进一步而言,所述***还包括:
采集手段数据聚合模块,所述采集手段数据聚合模块用于以所述采集手段为筛选条件,分别对各故障类型数据集进行采集手段数据集聚合,获得各采集手段数据集群;
参数提取模块,所述参数提取模块用于根据所述各采集手段数据集群,提取轧机各参数及参数范围;
第一融合数据获取模块,所述第一融合数据获取模块用于对轧机各参数及参数范围进行融合分析,获得所述第一融合数据。
进一步而言,所述***还包括:
多维振动数据采集模块,所述多维振动数据采集模块用于当所述采集手段为振动数据采集时,所述多维度采集要求包括多元件振动数据及各振动数据的幅域分析指标、时域分析指标、频域分析指标;
带钢张力数据采集模块,所述带钢张力数据采集模块用于当所述采集手段为带钢张力数据采集时,所述多维度采集要求包括带钢多分区张力,且各分区张力包括带钢横向张力、带钢纵向张力;
温度采集模块,所述温度采集模块用于当所述采集手段为温度采集时,所述多维度采集要求包括多元件温度及环境温度;
第二融合数据获取模块,所述第二融合数据获取模块用于将各采集手段对应的多维度采集数据进行融合分析,获得所述第二融合数据。
进一步而言,所述***还包括:
顶上事件确定模块,所述顶上事件确定模块用于基于所述故障类型,确定顶上事件;
事故因子确定模块,所述事故因子确定模块用于根据多故障类型数据集,确定顶上事件发生的事故因子及其逻辑关系;
一级故障树建立模块,所述一级故障树建立模块用于根据顶上事件发生的事故因子及其逻辑关系,结合多采集手段,求基于多采集手段的事故因子组合最小割集,建立第一融合数据与顶上事件的一级故障树;
二级故障树构建模块,所述二级故障树构建模块用于根据所述第一融合数据、第二融合数据,进行采集手段多维度分析,建立第二融合数据与第一融合数据的因子逻辑关系,构建二级故障树。
进一步而言,所述***还包括:
相关性分析模块,所述相关性分析模块用于对待融合数据进行相关性分析,确定数据相关性;
融合处理模块,所述融合处理模块用于将所述待融合数据、所述数据相关性输入融合处理模型,进行融合处理,输出融合数据,其中,所述融合处理模型为经过机器学习的神经网络模型。
进一步而言,所述***还包括:
多级故障树输出结果获取模块,所述多级故障树输出结果获取模块用于获得所述多级故障树的第一输出结果、第二输出结果、直到第N输出结果,其中N为大于2的正整数,且,所述第一输出结果具有第一时间、第二输出结果具有第二时间,第一时间在所述第二时间之前,以此类推第N-1输出结果对应的第N-1时间,早于第N输出结果对应的第N时间;
马尔科夫链预测模型构建模块,所述马尔科夫链预测模型构建模块用于利用所述第一输出结果、第二输出结果、直到第N输出结果的时间关系,构建马尔科夫链预测模型,获得下一时间发生故障的概率;
提醒信息发送模块,所述提醒信息发送模块用于当下一时间发生故障的概率达到预设阈值时,发送提醒信息。
前述实施例一中的一种基于数据融合的轧机机械运行故障监测方法具体实例同样适用于本实施例的一种基于数据融合的轧机机械运行故障监测***,通过前述对一种基于数据融合的轧机机械运行故障监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于数据融合的轧机机械运行故障监测***,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行,也可以顺序地执行也可以不同的次序执行,
只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种基于数据融合的轧机机械运行故障监测方法,其特征在于,所述方法包括:
获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;
基于所述故障类型对所述轧机机械故障数据库进行提取,构建多故障类型数据集;
根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据;
基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据;
根据所述第一融合数据、第二融合数据,构建多级故障树;
基于所述采集手段、所述多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据;
根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息。
2.如权利要求1所述的方法,其特征在于,所述获得轧机机械故障数据库,包括:
获得本地轧机监测数据库;
根据所述本地轧机监测数据库,提取轧机机械故障数据集;
对所述轧机机械故障数据集进行归一化处理;
基于所述故障类型、采集手段、参数范围格式要求对轧机机械故障数据集进行标准化处理
数据对齐,获得所述轧机机械故障数据库。
3.如权利要求1所述的方法,其特征在于,所述根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据,包括:
以所述采集手段为筛选条件,分别对各故障类型数据集进行采集手段数据集聚合,获得各采集手段数据集群;
根据所述各采集手段数据集群,提取轧机各参数及参数范围;
对轧机各参数及参数范围进行融合分析,获得所述第一融合数据。
4.如权利要求1所述的方法,其特征在于,基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据,包括:
当所述采集手段为振动数据采集时,所述多维度采集要求包括多元件振动数据及各振动数据的幅域分析指标、时域分析指标、频域分析指标;
当所述采集手段为带钢张力数据采集时,所述多维度采集要求包括带钢多分区张力,且各分区张力包括带钢横向张力、带钢纵向张力;
当所述采集手段为温度采集时,所述多维度采集要求包括多元件温度及环境温度;
将各采集手段对应的多维度采集数据进行融合分析,获得所述第二融合数据。
5.如权利要求1所述的方法,其特征在于,根据所述第一融合数据、第二融合数据,构建多级故障树,包括:
基于所述故障类型,确定顶上事件;
根据多故障类型数据集,确定顶上事件发生的事故因子及其逻辑关系;
根据顶上事件发生的事故因子及其逻辑关系,结合多采集手段,求基于多采集手段的事故因子组合最小割集,建立第一融合数据与顶上事件的一级故障树;
根据所述第一融合数据、第二融合数据,进行采集手段多维度分析,建立第二融合数据与第一融合数据的因子逻辑关系,构建二级故障树。
6.如权利要求3或4所述的方法,其特征在于,所述进行融合分析,获得融合数据,包括:
对待融合数据进行相关性分析,确定数据相关性;
将所述待融合数据、所述数据相关性输入融合处理模型,进行融合处理,输出融合数据,其中,所述融合处理模型为经过机器学习的神经网络模型。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得所述多级故障树的第一输出结果、第二输出结果、直到第N输出结果,其中N为大于2的正整数,且,所述第一输出结果具有第一时间、第二输出结果具有第二时间,第一时间在所述第二时间之前,以此类推第N-1输出结果对应的第N-1时间,早于第N输出结果对应的第N时间;
利用所述第一输出结果、第二输出结果、直到第N输出结果的时间关系,构建马尔科夫链预测模型,获得下一时间发生故障的概率;
当下一时间发生故障的概率达到预设阈值时,发送提醒信息。
8.一种基于数据融合的轧机机械运行故障监测***,其特征在于,所述***包括:
故障数据库构建模块,所述故障数据库构建模块用于获得轧机机械故障数据库,其中,所述轧机机械故障数据库包括故障类型、采集手段、参数范围;
多故障类型数据集构建模块,所述多故障类型数据集构建模块用于基于所述故障类型对所述轧机机械故障数据库进行提取,构建多故障类型数据集;
第一数据融合模块,所述第一数据融合模块用于根据采集手段,分别对各故障类型数据集中参数范围,进行多手段数据融合,获得第一融合数据;
第二数据融合模块,所述第二数据融合模块用于基于所述采集手段,分别对各故障类型数据集进行多维度采集要求数据融合,获得第二融合数据;
多级故障树构建模块,所述多级故障树构建模块用于根据所述第一融合数据、第二融合数据,构建多级故障树;
实时监测模块,所述实时监测模块用于基于所述采集手段、所述多维度采集要求,通过采集设备对轧机进行实时监测,获得轧机监测数据;
故障评估模块,所述故障评估模块用于根据所述轧机监测数据,利用所述多级故障树进行故障评估,当存在故障时发送预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889649.2A CN116610105B (zh) | 2023-07-20 | 2023-07-20 | 一种基于数据融合的轧机机械运行故障监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889649.2A CN116610105B (zh) | 2023-07-20 | 2023-07-20 | 一种基于数据融合的轧机机械运行故障监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610105A true CN116610105A (zh) | 2023-08-18 |
CN116610105B CN116610105B (zh) | 2023-11-17 |
Family
ID=87683957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889649.2A Active CN116610105B (zh) | 2023-07-20 | 2023-07-20 | 一种基于数据融合的轧机机械运行故障监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610105B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117000781A (zh) * | 2023-10-07 | 2023-11-07 | 江苏甬金金属科技有限公司 | 用于钛带加工设备的故障检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259587A1 (en) * | 2011-04-08 | 2012-10-11 | Thales | Method and Device for Determining Diagnoses |
CN107703908A (zh) * | 2017-08-25 | 2018-02-16 | 安徽科技学院 | 一种基于云平台的锻压机实时智能诊断*** |
CN109726505A (zh) * | 2019-01-14 | 2019-05-07 | 哈尔滨工程大学 | 一种基于智能故障树的锻压机床主传动机构故障诊断*** |
KR102165528B1 (ko) * | 2020-06-03 | 2020-10-14 | (주)금호전력 | 철도설비 상태감시를 위한 센싱 및 융합데이터 모니터링 시스템 |
CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家***和神经网络算法融合的织机故障诊断方法 |
-
2023
- 2023-07-20 CN CN202310889649.2A patent/CN116610105B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259587A1 (en) * | 2011-04-08 | 2012-10-11 | Thales | Method and Device for Determining Diagnoses |
CN107703908A (zh) * | 2017-08-25 | 2018-02-16 | 安徽科技学院 | 一种基于云平台的锻压机实时智能诊断*** |
CN109726505A (zh) * | 2019-01-14 | 2019-05-07 | 哈尔滨工程大学 | 一种基于智能故障树的锻压机床主传动机构故障诊断*** |
KR102165528B1 (ko) * | 2020-06-03 | 2020-10-14 | (주)금호전력 | 철도설비 상태감시를 위한 센싱 및 융합데이터 모니터링 시스템 |
CN113721579A (zh) * | 2021-07-08 | 2021-11-30 | 河北工业大学 | 基于专家***和神经网络算法融合的织机故障诊断方法 |
CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
郑柳萍;梁列全;: "工程机械远程监测与故障诊断***", 工程机械, no. 07 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117000781A (zh) * | 2023-10-07 | 2023-11-07 | 江苏甬金金属科技有限公司 | 用于钛带加工设备的故障检测方法及*** |
CN117000781B (zh) * | 2023-10-07 | 2023-12-15 | 江苏甬金金属科技有限公司 | 用于钛带加工设备的故障检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116610105B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
Lin et al. | Time series prediction algorithm for intelligent predictive maintenance | |
CN109738939B (zh) | 一种地震前兆数据异常检测方法 | |
CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN110895526A (zh) | 一种大气监测***中数据异常的修正方法 | |
WO2016004774A1 (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和*** | |
CN116610105B (zh) | 一种基于数据融合的轧机机械运行故障监测方法及*** | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN111325410A (zh) | 基于样本分布的通用故障预警***及其预警方法 | |
CN106682835A (zh) | 一种数据驱动的复杂机电***服役质量状态评估方法 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及*** | |
CN109598309B (zh) | 一种金属包装冲压机的检测***及其监测方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN110633314A (zh) | 车联网数据处理方法及装置 | |
CN111738067B (zh) | 一种电力在线监测***数据的时间序列异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |