基于支持向量机的轧钢电机状态综合评价方法

孙兆兵

(济钢集团热连轧厂,山东济南250100)

基于支持向量机的轧钢电机状态综合评价方法

孙兆兵

(济钢集团热连轧厂,山东济南250100)

提出了一种面向设备管理的基于支持向量机(SVM)的轧钢电机状态综合评价方法。选取与电机状态密切相关的参数为评价指标,构建模拟电机状态综合评价体系的SVM评价模型,输出电机状态综合评价等级,制定绝对报警和相对报警两种警情设置,并建立警情溯源机制,从而为及时准确掌握电机状态和预报电机状态迁移趋势提供依据,有效防范渐变性故障的发生。以济钢热连轧厂粗轧上位电机为评价对象,基于历史监测数据构建电机状态SVM评价模型,并检验其有效性。实验结果表明,粗轧电机状态评价方法整体准确率为96.67%,对异常设备状态捕捉率为88.89%,异常状态误报率为3.33%。

设备管理;状态评价;综合评价;支持向量机

1 引言

轧机是钢材轧制的关键设备,其稳定运行依赖于电机的有效拖动,因此,电机良好的运行状态对轧钢产线的顺行具有重要意义。作为保障电机稳定运行的有效手段,电机状态监控研究已取得了非常大的成果,如宝钢2030冷连轧大电机运行状态监测系统[1],史成江[2]直流大电机在线监测系统,张克涵[3]等电机状态监控软件的设计,莱钢厚板轧线PDA数据采集系统[4]等。然而,文献报道的研究与应用大多侧重于数据采集,且多用于事后故障分析。如果对电机状态进行综合评价并给出可能的迁移趋势,则可以为设备管理人员在故障前提前制定有效措施提供依据,从而减少渐变性设备故障,提高设备管理水平。

基于设备管理实践的需求,本文提出了一种面向设备管理的轧钢电机状态综合评价方法,其框架结构见图1所示。

图1 轧钢电机设备状态综合评价方法框架图

首先,通过虚箭头建立评价体系。利用电机历史监测数据,筛选与电机状态密切相关的参数为评价指标,结合设备管理经验,进行数据预处理,得到电机历史状态综合评价等级,基于支持向量机[5](Support Vector Machine,SVM)模拟电机状态综合评价体系,以历史监测数据和电机综合状态作为训练数据训练SVM模型;然后,通过实箭头进行外推评价。以SVM评价模型为标准,基于电机当前监测数据给出电机当前状态的综合评价等级,根据设备管理实践制定设备状态报警机制,输出报警信息。

值得指出的是,区别于设备的现场联锁保护设置,该方法侧重于在掌握电机当前综合状态的基础上进行渐变性故障的预报。制定相对报警机制,利用电机状态等级时间序列分析,从而使设备管理人员提前掌握设备综合状态的迁移变化,有效防范渐变性故障的发生;提供更加严格的绝对故障报警作为设备联锁设置的补充,从而在渐变性的设备联锁事件发生前及时采取相应措施,保障生产顺行。另外,根据综合评价等级可追溯各评价指标的具体情况,以有利于警情溯源机制的建立和可能故障因素的排查,从而为制定有效措施提供依据。

2 基于支持向量机的综合评价方法

电机状态监控的广泛研究与应用为电机状态综合评价体系的建立提供了数据基础,构建电机评价体系的关键在于评价指标和评价方法的确立。

2.1 评价指标的确立

电动机状态评价指标是表征电机状态的关键参数,其确立应当充分考虑电机各项技术指标,涉及电源、工况、设备本身、相关外围设备状态等方面因素,另外,还应考虑现场数据的获取能力,最大限度地满足评价体系对设备数据的需求。

电动机的状态与电网电压、轧机负荷、定子电流、励磁电流、定转子温度、轴承温度、电机绝缘、冷却风机状态等因素相关。一般地,应根据数据获取能力,结合实际选取与电机状态紧密相关的参数作为电机状态综合评价的评价指标。

2.2 评价方法的确立

关于如何建立电机状态评价方法文献报道非常少,相关研究一般侧重于讨论如何根据电机参数进行故障诊断[1-4],主要用于事后的故障分析处理;而电机状态评价旨在通过对电机状态评价指标进行综合分析,给出与电机状态相符的评价等级,以在事前及时掌握电机状态,防范渐变性故障的发生。

评价方法对多个电机评价指标进行数据融合,最终给出与电机实际状态相符的评价等级,是一种多输入单输出的评价模型,实质上是一种模式分类方法。支持向量机是20世纪90年代由Vapnik[5]等开发的一种通用的学习网络,具有很好的模式分类和非线性映射能力,广泛应用于模式分类、回归和预测等各类问题。

SVM是从线性可分情况下的最优分类面发展而来的[5],见图2所示,H为分类超平面,H1、H2分别为过分类中离分类超平面最近的样本且平行于分类超平面的平面,它们之间的距离叫做分类间隔。所谓最优分类面即是将两类正确分开且分类间隔最大的分类面,距离最优分类面最近的向量称为支持向量。

对于非线性问题,可以通过核函数进行非线性变化转化为某个高维空间的线性问题,从而解决线性不可分问题。关于最优分类面的数学推导此处不再赘述,参见文献[5]。

图2 线性可分下的最优分类面示意图

SVM建模的主要问题为模型参数及核函数参数的优化,一般采用交叉检验(Cross Validation)的方法来进行,交叉检验的基本方法是在某种意义下将原始数据进行分组,一部分作为训练集,另一部分作为验证集,首先用训练集对SVM进行训练,再利用验证集来测试得到的模型,将不同的SVM参数应用于各分组,以此来评价不同参数下的SVM的性能指标,从而得出最优的模型参数。基于SVM建立电机状态综合评价方法,即以电机评价指标的历史监测数据和历史状态作为SVM模型的学习数据进行模型训练,从而建立电机状态评价模型,以此模型为标准,对当前电机的状态进行外推综合评价,给出电机当前状态评价等级。

2.3 警情与预警设置

考虑到电机状态评价应当为设备管理服务,因此应当对电机状态等级赋予一定的含义,并制定一定的报警机制,从而为设备管理提供依据。基于设备管理实践需求,警情设置为四级,见表1所示。

警情等级仅给出设备当前状况,无法反映设备状态的迁移变化,因此需引入绝对警情与相对警情相结合的机制进行设备状态预警。即:设备状态为“3级/警示”及以上时,进行绝对报警;当设备状态与过去相比,设备状态恶化的情况下,进行相对报警。

表1 警情设置表

3 实验验证

为验证基于SVM的电机状态综合评价方法的有效性,以济钢热连轧厂粗轧上位电机为对象进行验证实验。该电机为凸极式同步电动机,功率7 000k W,采用交-交变频实现调速控制,具备关键参数数据采集功能。根据热连轧厂设备管理实践和数据的可获取情况,选取定子温度、轴承温度、碳刷温度、滑环温度、定子电流、励磁电流为评价指标;取300组历史数据及对应的设备状态作为训练集,利用Matlab支持向量机工具箱进行评价模型构建;选取另外30组数据进行模拟检验实验,验证评价方法的有效性。

在300组模型训练数据中有1级状态253个,2级34个,3级10个,4级3个,30组测试数据中有1级状态21个,2级7个,3级状态1个,4级状态1个。SVM评价模型的建立采用Matlab SVM工具箱的svmtrain函数,核函数采用RBF核函数,并利用SVM-cgClass函数优化模型参数,得到惩罚参数c =2 048,RBF核函数中σ=776.15,RBF核函数的形式如式(1),其中xi,xj为样本,σ为参数。

定义评价准确率为评价正确的次数与数据总数之比,异常状态捕捉率为异常状态评价正确次数与异常状态总数之比,警情误报率为误报警次数与数据总数之比。

利用300组历史数据训练SVM模型,训练整体评价准确率为99.33%,其中1级状态准确率100%,2级94.12%,3级100%,4级100%,异常状态捕捉率为95.74%,警情误报率为0。利用该模型对另外30组数据进行外推评价,模拟检验评价模型有效性。评价结果与电机状态对比见图3所示,其中“实际状态”为根据生产实践需求人工分析给出的电机状态,“评价等级”为本文所述评价方法给出的评价等级。

图3 电机状态与SVM模型评价结果对比图

由图3可以看出,利用SVM评价模型进行外推评价,整体准确率为96.67%,其中1级准确率为100%,2级为85.71%,3级为100%,4级为100%,异常状态捕捉率为88.89%,误报率为3.33%。其中2级评价准确率较差,这是由评价模型对2级状态的特征模拟不充分造成的,这一问题的改善依赖于训练集数据的不断丰富,随着设备管理实践的深入和评价模型的优化,有理由相信这一不足可以不断改善。

由图3还可以看出,红色箭头表示电机状态恶化,且电机状态为3级及其以上,应进行相对报警,警情级别分别为3级和4级,应按照表1所示警情含义采取相应措施。对各异常状态进行溯源可发现,第21个状态碳刷温度为87℃,第25个状态滑环温度和碳刷温度已分别为80℃、142℃,而第29个状态定子电流为3 320A,为2级提示级别,未达到3级警示级别,属于一定程度的误报警。

4 结论与展望

基于SVM的电机状态综合评价方法,以电机关键参数为评价指标,给出电机状态综合评价等级;通过电机状态时间序列进行渐变性故障的预报,有利于设备管理人员在掌握设备当前状态的基础上预知设备状态变化趋势,及时采取相关措施,从而保障设备安全运行,提高设备管理水平。该评价方法经实验验证总体准确率、异常状态捕获率较好,警情误报率较低。

不过,某些情况下受训练样本的影响,评价准确性无法令人满意,这一状况的改善依赖于设备管理实践经验的不断积累,从而改进评价指标选取和评价模型参数优化,进而进一步提高评价体系的可靠性。

[1] 赵从毅,王健,郁黎扬.轧机大电机运行状态监测系统[J].电子测量与仪器学报.2003,17 (2):75-80.

[2] 史成江.直流大电机在线监测与故障诊断专家系统[D].湖北,武汉科技大学,2005.

[3] 张克涵,张呼和,顾李冯.VC++环境下的电机状态检测软件设计[J].测控技术.2012,31 (2):23-30.

[4] 张丽,吕霞,王鹏.PDA数据采集系统在厚板轧线中的应用[J].电子测试.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

孙兆兵,硕士,主要从事控制科学与工程方面的研究和工作。