基于支持向量機的軋鋼電機狀態綜合評價方法

孫兆兵

(濟鋼集團熱連軋廠,山東濟南250100)

基于支持向量機的軋鋼電機狀態綜合評價方法

孫兆兵

(濟鋼集團熱連軋廠,山東濟南250100)

提出了一種面向設備管理的基于支持向量機(SVM)的軋鋼電機狀態綜合評價方法。選取與電機狀態密切相關的參數為評價指標,構建模擬電機狀態綜合評價體系的SVM評價模型,輸出電機狀態綜合評價等級,制定絕對報警和相對報警兩種警情設置,并建立警情溯源機制,從而為及時準確掌握電機狀態和預報電機狀態遷移趨勢提供依據,有效防范漸變性故障的發生。以濟鋼熱連軋廠粗軋上位電機為評價對象,基于歷史監測數據構建電機狀態SVM評價模型,并檢驗其有效性。實驗結果表明,粗軋電機狀態評價方法整體準確率為96.67%,對異常設備狀態捕捉率為88.89%,異常狀態誤報率為3.33%。

設備管理;狀態評價;綜合評價;支持向量機

1 引言

軋機是鋼材軋制的關鍵設備,其穩定運行依賴于電機的有效拖動,因此,電機良好的運行狀態對軋鋼產線的順行具有重要意義。作為保障電機穩定運行的有效手段,電機狀態監控研究已取得了非常大的成果,如寶鋼2030冷連軋大電機運行狀態監測系統[1],史成江[2]直流大電機在線監測系統,張克涵[3]等電機狀態監控軟件的設計,萊鋼厚板軋線PDA數據采集系統[4]等。然而,文獻報道的研究與應用大多側重于數據采集,且多用于事后故障分析。如果對電機狀態進行綜合評價并給出可能的遷移趨勢,則可以為設備管理人員在故障前提前制定有效措施提供依據,從而減少漸變性設備故障,提高設備管理水平。

基于設備管理實踐的需求,本文提出了一種面向設備管理的軋鋼電機狀態綜合評價方法,其框架結構見圖1所示。

圖1 軋鋼電機設備狀態綜合評價方法框架圖

首先,通過虛箭頭建立評價體系。利用電機歷史監測數據,篩選與電機狀態密切相關的參數為評價指標,結合設備管理經驗,進行數據預處理,得到電機歷史狀態綜合評價等級,基于支持向量機[5](Support Vector Machine,SVM)模擬電機狀態綜合評價體系,以歷史監測數據和電機綜合狀態作為訓練數據訓練SVM模型;然后,通過實箭頭進行外推評價。以SVM評價模型為標準,基于電機當前監測數據給出電機當前狀態的綜合評價等級,根據設備管理實踐制定設備狀態報警機制,輸出報警信息。

值得指出的是,區別于設備的現場聯鎖保護設置,該方法側重于在掌握電機當前綜合狀態的基礎上進行漸變性故障的預報。制定相對報警機制,利用電機狀態等級時間序列分析,從而使設備管理人員提前掌握設備綜合狀態的遷移變化,有效防范漸變性故障的發生;提供更加嚴格的絕對故障報警作為設備聯鎖設置的補充,從而在漸變性的設備聯鎖事件發生前及時采取相應措施,保障生產順行。另外,根據綜合評價等級可追溯各評價指標的具體情況,以有利于警情溯源機制的建立和可能故障因素的排查,從而為制定有效措施提供依據。

2 基于支持向量機的綜合評價方法

電機狀態監控的廣泛研究與應用為電機狀態綜合評價體系的建立提供了數據基礎,構建電機評價體系的關鍵在于評價指標和評價方法的確立。

2.1 評價指標的確立

電動機狀態評價指標是表征電機狀態的關鍵參數,其確立應當充分考慮電機各項技術指標,涉及電源、工況、設備本身、相關外圍設備狀態等方面因素,另外,還應考慮現場數據的獲取能力,最大限度地滿足評價體系對設備數據的需求。

電動機的狀態與電網電壓、軋機負荷、定子電流、勵磁電流、定轉子溫度、軸承溫度、電機絕緣、冷卻風機狀態等因素相關。一般地,應根據數據獲取能力,結合實際選取與電機狀態緊密相關的參數作為電機狀態綜合評價的評價指標。

2.2 評價方法的確立

關于如何建立電機狀態評價方法文獻報道非常少,相關研究一般側重于討論如何根據電機參數進行故障診斷[1-4],主要用于事后的故障分析處理;而電機狀態評價旨在通過對電機狀態評價指標進行綜合分析,給出與電機狀態相符的評價等級,以在事前及時掌握電機狀態,防范漸變性故障的發生。

評價方法對多個電機評價指標進行數據融合,最終給出與電機實際狀態相符的評價等級,是一種多輸入單輸出的評價模型,實質上是一種模式分類方法。支持向量機是20世紀90年代由Vapnik[5]等開發的一種通用的學習網絡,具有很好的模式分類和非線性映射能力,廣泛應用于模式分類、回歸和預測等各類問題。

SVM是從線性可分情況下的最優分類面發展而來的[5],見圖2所示,H為分類超平面,H1、H2分別為過分類中離分類超平面最近的樣本且平行于分類超平面的平面,它們之間的距離叫做分類間隔。所謂最優分類面即是將兩類正確分開且分類間隔最大的分類面,距離最優分類面最近的向量稱為支持向量。

對于非線性問題,可以通過核函數進行非線性變化轉化為某個高維空間的線性問題,從而解決線性不可分問題。關于最優分類面的數學推導此處不再贅述,參見文獻[5]。

圖2 線性可分下的最優分類面示意圖

SVM建模的主要問題為模型參數及核函數參數的優化,一般采用交叉檢驗(Cross Validation)的方法來進行,交叉檢驗的基本方法是在某種意義下將原始數據進行分組,一部分作為訓練集,另一部分作為驗證集,首先用訓練集對SVM進行訓練,再利用驗證集來測試得到的模型,將不同的SVM參數應用于各分組,以此來評價不同參數下的SVM的性能指標,從而得出最優的模型參數。基于SVM建立電機狀態綜合評價方法,即以電機評價指標的歷史監測數據和歷史狀態作為SVM模型的學習數據進行模型訓練,從而建立電機狀態評價模型,以此模型為標準,對當前電機的狀態進行外推綜合評價,給出電機當前狀態評價等級。

2.3 警情與預警設置

考慮到電機狀態評價應當為設備管理服務,因此應當對電機狀態等級賦予一定的含義,并制定一定的報警機制,從而為設備管理提供依據。基于設備管理實踐需求,警情設置為四級,見表1所示。

警情等級僅給出設備當前狀況,無法反映設備狀態的遷移變化,因此需引入絕對警情與相對警情相結合的機制進行設備狀態預警。即:設備狀態為“3級/警示”及以上時,進行絕對報警;當設備狀態與過去相比,設備狀態惡化的情況下,進行相對報警。

表1 警情設置表

3 實驗驗證

為驗證基于SVM的電機狀態綜合評價方法的有效性,以濟鋼熱連軋廠粗軋上位電機為對象進行驗證實驗。該電機為凸極式同步電動機,功率7 000k W,采用交-交變頻實現調速控制,具備關鍵參數數據采集功能。根據熱連軋廠設備管理實踐和數據的可獲取情況,選取定子溫度、軸承溫度、碳刷溫度、滑環溫度、定子電流、勵磁電流為評價指標;取300組歷史數據及對應的設備狀態作為訓練集,利用Matlab支持向量機工具箱進行評價模型構建;選取另外30組數據進行模擬檢驗實驗,驗證評價方法的有效性。

在300組模型訓練數據中有1級狀態253個,2級34個,3級10個,4級3個,30組測試數據中有1級狀態21個,2級7個,3級狀態1個,4級狀態1個。SVM評價模型的建立采用Matlab SVM工具箱的svmtrain函數,核函數采用RBF核函數,并利用SVM-cgClass函數優化模型參數,得到懲罰參數c =2 048,RBF核函數中σ=776.15,RBF核函數的形式如式(1),其中xi,xj為樣本,σ為參數。

定義評價準確率為評價正確的次數與數據總數之比,異常狀態捕捉率為異常狀態評價正確次數與異常狀態總數之比,警情誤報率為誤報警次數與數據總數之比。

利用300組歷史數據訓練SVM模型,訓練整體評價準確率為99.33%,其中1級狀態準確率100%,2級94.12%,3級100%,4級100%,異常狀態捕捉率為95.74%,警情誤報率為0。利用該模型對另外30組數據進行外推評價,模擬檢驗評價模型有效性。評價結果與電機狀態對比見圖3所示,其中“實際狀態”為根據生產實踐需求人工分析給出的電機狀態,“評價等級”為本文所述評價方法給出的評價等級。

圖3 電機狀態與SVM模型評價結果對比圖

由圖3可以看出,利用SVM評價模型進行外推評價,整體準確率為96.67%,其中1級準確率為100%,2級為85.71%,3級為100%,4級為100%,異常狀態捕捉率為88.89%,誤報率為3.33%。其中2級評價準確率較差,這是由評價模型對2級狀態的特征模擬不充分造成的,這一問題的改善依賴于訓練集數據的不斷豐富,隨著設備管理實踐的深入和評價模型的優化,有理由相信這一不足可以不斷改善。

由圖3還可以看出,紅色箭頭表示電機狀態惡化,且電機狀態為3級及其以上,應進行相對報警,警情級別分別為3級和4級,應按照表1所示警情含義采取相應措施。對各異常狀態進行溯源可發現,第21個狀態碳刷溫度為87℃,第25個狀態滑環溫度和碳刷溫度已分別為80℃、142℃,而第29個狀態定子電流為3 320A,為2級提示級別,未達到3級警示級別,屬于一定程度的誤報警。

4 結論與展望

基于SVM的電機狀態綜合評價方法,以電機關鍵參數為評價指標,給出電機狀態綜合評價等級;通過電機狀態時間序列進行漸變性故障的預報,有利于設備管理人員在掌握設備當前狀態的基礎上預知設備狀態變化趨勢,及時采取相關措施,從而保障設備安全運行,提高設備管理水平。該評價方法經實驗驗證總體準確率、異常狀態捕獲率較好,警情誤報率較低。

不過,某些情況下受訓練樣本的影響,評價準確性無法令人滿意,這一狀況的改善依賴于設備管理實踐經驗的不斷積累,從而改進評價指標選取和評價模型參數優化,進而進一步提高評價體系的可靠性。

[1] 趙從毅,王健,郁黎揚.軋機大電機運行狀態監測系統[J].電子測量與儀器學報.2003,17 (2):75-80.

[2] 史成江.直流大電機在線監測與故障診斷專家系統[D].湖北,武漢科技大學,2005.

[3] 張克涵,張呼和,顧李馮.VC++環境下的電機狀態檢測軟件設計[J].測控技術.2012,31 (2):23-30.

[4] 張麗,呂霞,王鵬.PDA數據采集系統在厚板軋線中的應用[J].電子測試.2012,1(1):90 -93

[5] Vapnik V,Golowich S E,Smola A.Support Vector Method for Function Approximation, Regression Estimation,and Signal Processing[C].Advances in Neural Information Processing Systems,1996.

A Method for Rolling Large Motor State Evaluation Based on Support Vector Machine

SUN Zhao-bing

(Jigang Co.,LTD.Hot Strip Mill,Jinan 250100,Shandong,China)

An equipment management oriented method for Rolling Large Motor State Evaluation Based on Support Vector Machine(SVM)is proposed.The method selects the state-related parameters as the evaluation index,and then builds the SVM evaluation model of the motor state which gives the comprehensive evaluation levels.The state levels can help understand the exact motor state even the state trend that can guard against equipment malfunction.To verify the effectiveness of the evaluation method,the experiment for the top rough roll motor is conducted which trains the SVM evaluation model based on the historical monitoring data.According to the results,the total accuracy of the evaluation method is 90%,the capture of the abnormal state is 96.67%,and the false alarm is 6.67%.

equipment management,state evaluation,support vector machine

1001-5108(2016)04-0061-05

TP277

A

孫兆兵,碩士,主要從事控制科學與工程方面的研究和工作。