[发明专利]一种带钢张力传感器故障早期诊断方法

摘要

本发明公开了一种带钢张力传感器故障早期诊断方法，包括以下步骤：（1）获取带钢张力序列数据并标准化；（2）标准化后的带钢张力序列数据的EMD自适应分解；（3）带钢张力序列数据的多特征提取及组合：计算前述带钢张力序列数据每个分解量的多种特征向量，将上述特征向量组合起来，描述一个带钢张力时间序列在多尺度自适应分解下的全局特征；（4）SVM分类器训练：选取一部分全局特征数据作为训练集进行SVM分类器学习，得到用于张力传感器状态辨识的SVM分类器模型；（5）离线测试与在线应用。本发明能及时发现张力传感器的早期故障、及时排除故障、保证带钢张力测量与控制系统的正常工作，可以广泛应用于带钢生产技术领域。

主权项

1.一种带钢张力传感器故障早期诊断方法，其特征在于：包括以下步骤：（1）获取带钢张力序列数据并标准化：采集或模拟带钢张力时间序列数据，包括7类不同状态的带钢张力序列数据，即正常数据、失效故障数据、偏差故障数据、冲击故障数据、周期干扰故障数据、漂移故障数据、精度下降故障数据；对数据进行标准化处理，排除原始数据幅度对于后续特征量提取的影响，数据标准化处理公式为：其中，X表示传感器输出的原始带钢张力序列，μ为X对应的均值，σ为X的标准差；（2）带钢张力序列数据的EMD自适应分解：对于某一个标准化后的带钢张力序列数据，记为x(k)（k=1,2,...,K），其中K表示带钢张力序列长度，设定希望得到的IMF分量数N，采用EMD算法进行自适应分解，得到N个IMF分量c_i(k)（i=1,2,...,N）和1个残余分量r_N(k)，将r_N(k)记为c_N+1(k)，则x(k)=c₁(k)+c₂(k)+...+c_N(k)+c_N+1(k)；（3）带钢张力序列数据的多特征提取及组合：计算前述带钢张力序列数据x(k)包括IMF分量和残余分量在内的每个分解量c_i(k)（k=1,2,...,K，i=1,2,...,N+1）的多种特征向量，包括能量E、方差V、裕度L、偏度Q、峰度S、波动系数F，将上述特征向量组合起来，构成一个6（N+1）维的全局特征向量T=[E;V;L;Q;S;F]，用于描述一个带钢张力时间序列x(k)在多尺度自适应分解下的全局特征；（4）SVM分类器训练：从每一类实验数据对应的全局特征数据中，各选取一部分作为训练集进行SVM分类器学习，选用RBF核函数，采用交叉验证法选择最佳的惩罚参数C与核函数参数g，然后利用最佳的惩罚参数C与核函数参数g对整个训练集进行训练，得到用于张力传感器状态辨识的SVM分类器模型；（5）离线测试与在线应用：利用上一步训练好的SVM分类器模型进行离线测试，将训练集之外的全局特征数据作为测试集，送入训练好的SVM分类器，进行带钢张力传感器状态辨识，并统计测试结果；离线测试结果满意后，再在实际生产过程中作在线应用，对按指定采样率采集到的长度为K的带钢张力序列数据，按前述步骤依次进行标准化处理、EDM自适应分解、多特征量提取及组合，然后将其全局特征向量送入训练好的SVM分类器，根据分类结果判定带钢张力传感器状态。