[发明专利]冷连轧机故障特征识别方法、系统、装置及介质

说明书

本发明公开了冷连轧机故障特征识别方法、系统、装置及介质，方法包括：采集轧机位移信号；对所述轧机位移信号进行奇异值分解，得到奇异值谱和奇异值差分谱；根据所述奇异值差分谱获取无随机噪声的降噪信号；根据所述奇异值谱从所述降噪信号中提取直流主分量；根据所述降噪信号和所述直流主分量计算剩余信号；根据所述奇异值谱以递归方式从所述剩余信号中提取电源基波主分量和三次谐波主分量；根据所述降噪信号减去电源基波主分量和三次谐波主分量，以得到电源基波和三次谐波被抑制的轧机位移信号。本发明提高了轧机故障特征信号的信噪比和识别准确率，可广泛应用于轧机故障诊断技术领域。

技术领域

本发明涉及轧机故障诊断技术领域，尤其是冷连轧机故障特征识别方法、系统、装置及介质。

背景技术

随着科学技术不断进步，冶金设备日益向高负载、高自动化、高智能化方向发展，由设备故障所导致事故的严重程度也大幅增加。如何及时发现隐患并加以消除以保证冶金设备安全运行已成为业界迫切需要解决的重大问题。常见的冷连轧机故障包括：轧机轧辊轴轴向窜动、锥齿轮打齿、轧辊轴断、联轴器脱开及锥齿轮脱开等。冷连轧机状态监测与故障诊断装置可有效监测轧机设备的运行状态信息并进行故障识别，避免因故障扩大而带来的巨大经济损失。现有的故障诊断中，因作业现场电磁情况复杂导致采集的冷连轧机信号中同时存在随机噪声干扰和电源谐波噪声干扰，常规噪声抑制方法难以取得理想效果，会存在对真实运行状态的误判。因此抑制轧机信号的随机噪声和电源谐波噪声干扰是冷连轧机信号处理的重要内容。

现有技术中，可以采用奇异值分解方法实现轧机信号的噪声抑制。下面着重说明采用奇异值分解方法实现噪声抑制的过程。

假设采集的位移信号X为：

X＝{x₁，x₂，…，x_N} (1)

将位移信号构造为m×n维的Hankel矩阵A：

通常当N为偶数时取m＝N/2，n＝N/2+1，当N为奇数时取m＝(N+1)/2，n＝(N+1)/2。

对实矩阵A进行奇异值分解生成正交矩阵U∈R^m×m和V∈R^n×n使得下式成立：

A＝UΛV^T (3)

其中Λ为对角阵、r为Λ的秩，r≤min(m，n)，非零对角元素σ_i称为A的奇异值。

因Λ为对角阵，(3)式可表示为r个秩为1的m×n阶子矩阵和的形式，如式(4)所示：

式中u_i和v_i分别称为矩阵的第i个左奇异向量和右奇异向量，σ_i为矩阵A的第i个奇异值。

因此应用奇异值分解方法进行信号噪声抑制就是将全部奇异值分为两部分，一部分是反映噪声的较小奇异值，另一部分是反映有用信号特征的较大奇异值，然后将较小奇异值部分置零并保留较大奇异值部分，达到噪声抑制和特征提取的目的。奇异值分解方法实际上就是选择合适的阶次k值进行重构，重构阶次k的选择至关重要，阶次值过小会使得信号失真严重，其值过大则导致较多的噪声。

但是上述现有奇异值分解方法的降噪效果并不好，主要表现为两点：一是现有方式只能处理较为理想的信号类型，但是因为轧机工作现场环境恶劣，所采集信号会受到各种复杂因素的影响，如果简单地将奇异值划分为有用信号特征的较大奇异值和和反映噪声的较小奇异值两类会产生较大误差；二是电源谐波同轧机有用信号交织在一起而难以分开，因而目前现在的奇异值分解方法并不能准确地完成轧机故障特征信号的识别。

发明内容

有鉴于此，本发明实施例提供一种高准确度的冷连轧机故障特征识别方法、系统、装置及介质。