基于SG-PSO-SVR的扇形段故障預測系統(tǒng)設計

都勝朝,劉 貝,石和乾,徐本橋,王 銳,沈 錢

(武漢鋼鐵有限公司設備管理部,湖北 武漢 430083)

鋼鐵企業(yè)的生產(chǎn)流程中,連鑄設備是連接上游工序(煉鋼)和下游工序(軋鋼)非常關鍵的生產(chǎn)設備[1]。連鑄設備運行正常與否,對整個鋼鐵生產(chǎn)流程有著極其重要的影響。一旦連鑄機發(fā)生故障,將會導致大批量的鑄坯質(zhì)量問題[2]。扇形段是連鑄機的關鍵部件,若出現(xiàn)故障將會影響整個連鑄過程。因此,需要找到合適的扇形段狀態(tài)監(jiān)測方法,對扇形段運行狀態(tài)進行評估,并且為了方便工作人員查看狀態(tài)信息,需要開發(fā)一套扇形段運行過程的狀態(tài)監(jiān)測系統(tǒng)使狀態(tài)信息可視化。

都勝朝等為了提前發(fā)現(xiàn)連鑄機扇形段故障發(fā)生的位置,基于SIMTAC系統(tǒng)的WINCC在線監(jiān)測技術,建立3種模型進行對比試驗,結(jié)果表明開澆過程雙流拉矯力模型的效果最好,但是方法實施過程復雜,并且需要人工進行曲線比對[3]。

隨著大數(shù)據(jù)時代的來臨,工程設備實時運轉(zhuǎn)數(shù)據(jù)背后所隱含的健康信息需要去深究[4-5]?；跀?shù)據(jù)驅(qū)動的故障預測方法主要有人工神經(jīng)網(wǎng)絡、遺傳算法、支持向量機(SVM)、奇異譜分析等[6]。如文獻[7-10],很多學者采用SVM方法去解決故障診斷問題,或者采用參數(shù)優(yōu)化方法去優(yōu)化SVM模型的參數(shù),以提高模型的準確率。近年來,采用SVM模型進行故障預測的方法也越來越多,如張梅等[11]采用基于最小二乘支持向量機(LS-SVM)的提升機故障預測模型對礦井提升機進行故障預測,并且與小波神經(jīng)網(wǎng)絡模型進行對比,結(jié)果顯示LS-SVM模型預測誤差小,收斂速度快。DUAN等[12]研究了模型參數(shù)(懲罰因子核、函數(shù)寬度和不敏感帶損函數(shù))和訓練樣本量對回歸模型預測精度的影響,提出了確定最優(yōu)支持向量機回歸模型(SVR)的方法。上述方法雖然利用SVR模型進行故障預測,但是并沒有對模型參數(shù)選取進行優(yōu)化。

本文基于數(shù)據(jù)分析、數(shù)據(jù)挖掘技術實現(xiàn)故障診斷。故障預測部分考慮到故障樣本數(shù)據(jù)數(shù)量的局限性,并且需要對拉矯力數(shù)值進行預測,所以采用支持向量機回歸算法(SVR)來進行預測,搭配SG平滑濾波去噪。采用粒子群優(yōu)化算法(PSO)對SVR進行參數(shù)尋優(yōu),尋找最優(yōu)參數(shù),并且通過對比試驗,驗證SG-PSO-SVR模型的預測效果。

1 故障預測技術

故障預測法是一種在故障診斷的基礎上發(fā)展起來的一種更準確的維修方法。故障預測的最大價值是技術人員利用設備的設計數(shù)據(jù)、狀態(tài)數(shù)據(jù)等信息,運用適當?shù)姆椒A測未來的設備故障,提前發(fā)現(xiàn)可能存在的缺陷,根據(jù)情況進行維修。這可以有效地保證設備的工作效率,減少設備故障帶來的不必要的損失。

連鑄機扇形段的故障預測是依靠扇形段運行過程中產(chǎn)生的實時數(shù)據(jù),并對數(shù)據(jù)進行分析,利用合適的機器學習模型實現(xiàn)故障預測。首先,利用傳感器將扇形段運行過程中產(chǎn)生的總拉矯力、分拉矯力、拉速、鑄流長度數(shù)據(jù)進行采集并存儲到數(shù)據(jù)庫,然后利用數(shù)據(jù)分析及數(shù)據(jù)挖掘技術進行工況分割、狀態(tài)識別,采用灰色關聯(lián)分析(GRA)實現(xiàn)故障定位,采用SG-PSO-SVR實現(xiàn)拉矯力的數(shù)值預測,通過預測到的拉矯力數(shù)值再進行狀態(tài)識別,這樣就使故障預測的問題變成了故障診斷問題,然后將診斷結(jié)果返回可視化界面,方便工作人員查看并記錄信息。預測思路如圖1所示。

2 基于PSO優(yōu)化的SVR模型

2.1 SG卷積平滑去噪

Savitzky-Golay卷積平滑(SG)關鍵在于矩陣算子的求解。設濾波窗口的寬度為n=2m+1,各測量點為x=(-m,-m+1,……,-1,0,1,……,m-1,m),采用k-1次多項式對窗口內(nèi)的數(shù)據(jù)點進行擬合,令y=a0+a1x+a2x2+…+ak-1xk-1。

產(chǎn)生n個這樣的方程,構(gòu)成k元線性方程組。要使方程組有解則n應大于等于k,一般選擇n>k,通過最小二乘法擬合確定擬合參數(shù)A。由此得到:

用矩陣表示為:

Y(2m+1)×1=X(2m+1)×k·Ak×1+E(2m+1)×1

B=X·(XT·X)-1·XT,其中最重要的可調(diào)參數(shù)是窗口長度n及階數(shù)k值選用。

選取最佳窗口長度n及階數(shù)k進行對比試驗,其中窗口長度n一般選取奇數(shù),并且k必須要小于n。由于標準差可以反映數(shù)據(jù)的離散程度,標準差越小,數(shù)據(jù)的離散程度越低,數(shù)據(jù)就越平滑,所以采用標準差作為去噪效果的評價指標,試驗結(jié)果如表1所示。

表1 對比試驗結(jié)果Table 1 Comparative test results

從表1可以看出,在窗口長度n不變的情況下,隨著階數(shù)k的遞增,S1與S2的標準差也逐漸降低,但是,當k>3時,標準差又開始遞增,因此,選用階數(shù)k為3。然后,保持k不變,逐漸增加窗口長度n,可以看出,隨著窗口長度的遞增,標準差也是逐漸遞減,直至n>15時才出現(xiàn)遞增現(xiàn)象。綜上所述,選取窗口長度n=15,階數(shù)k=3。

圖2為去噪后的兩流總拉矯力數(shù)據(jù)及原始兩流拉矯力數(shù)據(jù)曲線。從圖2可看出處理后的數(shù)據(jù)較原始數(shù)據(jù)相對平滑,且數(shù)據(jù)曲線呈現(xiàn)的鋸齒形波動也明顯減弱。

圖2 平滑后曲線對比Fig.2 Curve comparison after smoothing

2.2 SVR模型

SVR作為支持向量機(SVM)的分支從而被提出,其基本思想是通過核函數(shù),將輸入空間映射到高維空間,進而求出原樣本集的最優(yōu)分類面,使得所有樣本離該最優(yōu)分類面的誤差最小[13-15]。

設在高維特征空間中建立的線性回歸函數(shù)為式(1):

f(x)=wTφ(x)+b=

(1)

式中:xi(xi∈Rm)是第i個樣本的輸入向量,yi(yi∈R)為隊形的輸出值;w=(w1,w2,…,wn)T為權值系數(shù)向量,φ(x)為非線性映射函數(shù),f(x)為y的估計值,b為常數(shù)項。

可以將最有分類面的構(gòu)造轉(zhuǎn)化為二次規(guī)劃問題,即式(2):

(2)

約束條件見式(3):

(3)

式中:αi為與每個樣本對應的拉格朗日乘子;ε為線性不敏感損失誤差;C為懲罰因子,其值越大表示對誤差大于ε樣本的懲罰力度越大,反之越小。

最終SVR可以表示為式(4):

(4)

2.3 PSO-SVR模型

在SVR模型中,超參數(shù)的選擇對模型的泛化能力及準確度都有較大的影響[16]。使用傳統(tǒng)的網(wǎng)格搜索法尋找最優(yōu)超參數(shù)效率低下,因此本文采用PSO優(yōu)化算法對SVR進行參數(shù)尋優(yōu),具體步驟如圖3所示。

圖3 算法流程圖Fig.3 Algorithm flow chart

其中,將懲罰參數(shù)C、參數(shù)epsilon作為PSO算法中的粒子,由SVR模型計算出的各個粒子的均方根誤差(MSE)作為適應度函數(shù)來驗算粒子的優(yōu)劣。通過不斷更新粒子的速度和位置,直至達到最小誤差或最大迭代次數(shù),從而得到滿足適應值函數(shù)最小的全局最優(yōu)解,即得到了經(jīng)過PSO算法優(yōu)化的SVR模型參數(shù)。

3 系統(tǒng)總體架構(gòu)設計

扇形段故障預測系統(tǒng)從功能上分為3部分,包括基于Windows平臺的人機交互界面,用于故障預測系統(tǒng)的管理與控制;基于Python語言編寫的腳本文件,用于工況分割、狀態(tài)識別、故障定位及拉矯力數(shù)值預測;基于傳感器的數(shù)據(jù)感知層,用于扇形段運行過程中的數(shù)據(jù)采集。

3.1 系統(tǒng)和邏輯架構(gòu)

運行扇形段故障預測系統(tǒng)由數(shù)據(jù)采集、數(shù)據(jù)庫、業(yè)務邏輯處理及前端展示4個單元組成,如圖4所示。數(shù)據(jù)采集主要負責獲取扇形段運行過程中產(chǎn)生的總拉矯力、分拉矯力、拉速及鑄流長度實時數(shù)據(jù),采集數(shù)據(jù)的頻率為每5 s采集一次數(shù)據(jù);數(shù)據(jù)庫負責存儲采集數(shù)據(jù)、系統(tǒng)固有信息及系統(tǒng)參數(shù);業(yè)務邏輯處理主要負責系統(tǒng)業(yè)務處理、系統(tǒng)管理及負責對外接口的部分;前端展示負責系統(tǒng)各項功能展示。

圖4 系統(tǒng)邏輯結(jié)構(gòu)Fig.4 System logic structure

3.2 系統(tǒng)物理架構(gòu)及軟件架構(gòu)

扇形段故障預測系統(tǒng)在物理架構(gòu)上,主要包括WEB服務器、應用服務器、上位機及數(shù)據(jù)庫服務器等,并可與外部接口開展數(shù)據(jù)交換,為扇形段故障預測系統(tǒng)提供數(shù)據(jù)支撐。

系統(tǒng)采用成熟和標準的J2EE企業(yè)級應用架構(gòu)搭建,該架構(gòu)的應用特點是多環(huán)境多系統(tǒng)的交互、海量數(shù)據(jù)、高并發(fā)(用戶訪問量)、高TPS(每秒吞吐量)、安全等級高及自動化集群管理,提供分布式服務與彈性計算,具有良好的兼容性和跨平臺特性。系統(tǒng)軟件架構(gòu)主要包括數(shù)據(jù)層、應用層及界面層,如圖5所示。

圖5 系統(tǒng)軟件架構(gòu)Fig.5 System software architecture

3.2 系統(tǒng)功能模塊

考慮到連鑄機扇形段工作環(huán)境惡劣、便于數(shù)據(jù)管理及數(shù)據(jù)觀測性要求較高的特點,扇形段故障預測系統(tǒng)選用配置較高的臺式電腦作為上位機。為滿足實際的狀態(tài)監(jiān)測和故障預測需求,共設置5個模塊,分別為:

(1) 參數(shù)設置模塊。該模塊用于設置模型中用到的參數(shù),以達到適應不同場景不同設備的需求,提高系統(tǒng)的適用性,該模塊的參數(shù)設置可以由專業(yè)人員設置,設置合適的參數(shù)可以達到最好的效果。

(2) 用戶管理模塊。用于查看登錄信息、設置權限及增加不同的登錄用戶。

(3) 數(shù)據(jù)管理模塊。該模塊主要是負責與數(shù)據(jù)庫之間的數(shù)據(jù)交換,模型中保存的預測值及傳感器獲取的數(shù)據(jù)都儲存在數(shù)據(jù)庫中,為了不破壞原有的數(shù)據(jù)文件,設置該模塊。

(4) 數(shù)據(jù)查詢模塊。配合數(shù)據(jù)管理模塊使用,可以按照時間查詢兩流總拉矯力、拉速、分拉矯力及兩流狀態(tài)的數(shù)據(jù)查詢,方便后續(xù)需要時查看。

(5) 數(shù)據(jù)可視化模塊。該模塊主要負責數(shù)據(jù)可視化及狀態(tài)信息可視化,首先是可以查看兩流的總拉矯力及分拉矯力的數(shù)據(jù),可以根據(jù)模型判斷條件查看開始澆鑄階段及正常澆鑄階段的動態(tài)數(shù)據(jù)曲線及查看兩流拉矯力預測值曲線對比值;其次可以選擇預測時間,便于拉矯力數(shù)值的預測。開澆階段故障定位利用灰色關聯(lián)性分析定位故障發(fā)生的扇形分段。根據(jù)拉矯力預測值及故障定位,將信息匯總顯示,在報警信息區(qū)顯示時間及預測將會發(fā)生故障的扇形段的位置。

4 扇形段故障預測系統(tǒng)的實現(xiàn)

4.1 扇形段狀態(tài)識別

扇形段的狀態(tài)識別依靠數(shù)據(jù)分析、數(shù)據(jù)挖掘技術實現(xiàn),主要包括工況分割、狀態(tài)識別及故障定位3個部分。利用鑄流長度數(shù)據(jù)及提前設置的參數(shù)條件來區(qū)分當前數(shù)據(jù)是否屬于開始澆鑄階段的數(shù)據(jù),剔除非開澆階段的數(shù)據(jù),提取屬于開澆階段的拉矯力數(shù)據(jù),構(gòu)建開澆工況數(shù)據(jù)集。利用SG平滑算法對兩流拉矯力數(shù)據(jù)進行去噪處理,然后通過去噪后的拉矯力數(shù)據(jù)方差及參數(shù)條件來剔除非正常澆鑄階段的數(shù)據(jù),構(gòu)建正常澆鑄階段數(shù)據(jù)集。對開澆工況中拉矯力數(shù)據(jù)進行降噪處理,然后通過兩流拉矯力數(shù)據(jù)及拉速數(shù)據(jù)的差值進行貼標簽處理,狀態(tài)異常數(shù)據(jù)標記為1,正常狀態(tài)標記為0。

對正常澆鑄階段拉矯力數(shù)據(jù)進行SG平滑濾波去噪,通過計算拉矯力前10個采樣點的均值及提前設置的參數(shù)條件對正常澆鑄階段的數(shù)據(jù)進行貼標簽處理,對判定正常狀態(tài)的數(shù)據(jù)標記為0,異常數(shù)據(jù)標記為1。對出現(xiàn)異常的時間點對應的分拉矯力數(shù)據(jù)進行去噪處理,然后使用GRA相關性分析獲取出現(xiàn)故障概率最大的扇形分段,實現(xiàn)故障定位。如圖6所示,上述流程的實時數(shù)據(jù)狀態(tài)及報警信息都可以在系統(tǒng)的數(shù)據(jù)可視化模塊查看。

圖6 實時狀態(tài)界面Fig.6 Real time status interface

4.2 故障預測

扇形段故障預測的關鍵是拉矯力數(shù)值的預測,因此可以預測未來某時間段內(nèi)的拉矯力數(shù)值,通過與其他分拉矯力的變化趨勢進行對比可以達到故障預測的目的。考慮到故障樣本數(shù)據(jù)數(shù)量的局限性,采用支持向量機回歸算法(SVR)進行故障預測,并采用粒子群優(yōu)化算法(PSO)對SVR算法進行參數(shù)尋優(yōu)。

模型的搭建及訓練過程寫在一個函數(shù)中,以便后續(xù)重復的調(diào)用。以一流總拉矯力(F1)為例,選取一個小時的數(shù)據(jù)量,即720個樣本點。首先對該分段的拉矯力數(shù)據(jù)進行SG平滑去噪處理,對降噪處理后的拉矯力數(shù)據(jù)構(gòu)建總體樣本集。設置滑動窗口的長度為30,滑動步長為1在拉矯力時間序列數(shù)據(jù)上滑動,以窗口中的數(shù)據(jù)作為特征數(shù)據(jù),窗口的下一個數(shù)據(jù)作為對應的預測值,得到特征集及目標集,即將窗口內(nèi)的30個數(shù)據(jù)作為特征值,對應窗口的下一個值作為目標值,不斷重復這個過程,直到對所有數(shù)據(jù)劃分完畢,構(gòu)成總體樣本集。然后分割數(shù)據(jù)集,以7﹕3的比例得到訓練集及測試集。因為訓練集的數(shù)值較大,所以要對訓練集進行無量綱化處理,也就是對訓練集進行標準化。將得到的訓練樣本分別輸入到SG-SVR模型及SG-PSO-SVR模型,并使用測試集驗證兩個核函數(shù)的效果,選擇平均絕對百分誤差(Mean Absolute Percentage Error,MAE)和均方根誤差(Root Mean Square Error,RMSE)對不同核函數(shù)的支持向量回歸模型進行評價。兩個評價指標的計算公式如式(5)、式(6)所示:

(5)

(6)

然后進行模型的訓練并將拉矯力預測值保存,上述步驟的流程圖如圖7所示。

圖7 故障預測流程圖Fig.7 Fault prediction flow chart

模型的預測結(jié)果如圖8所示。由圖8可得,采用SG-PSO-SVR模型預測的拉矯力數(shù)值與真實拉矯力數(shù)值差異較小,預測效果較好;而采用SG-SVR模型預測的拉矯力數(shù)值與真實值相差較大,預測效果較差,兩種模型的評價指標如表2所示。由表2可知,SG-PSO-SVR模型的性能更好。將保存的預測值作為狀態(tài)識別方法的輸入,以達到故障預測的目的,并進行故障定位,確定可能會發(fā)生故障的扇形分段,預測結(jié)果及故障定位的相關信息可以在上位機的可視化界面中查看。管理人員可根據(jù)預警信息及時檢修可能發(fā)生故障的位置,及時進行維護檢修,減少因為設備停工造成的不必要損失。

表2 兩種模型預測的誤差對比Table 2 Error comparison of two prediction models

圖8 預測結(jié)果對比Fig.8 Comparison of prediction results

4.3 應用效果

采用在線監(jiān)測與診斷后的連鑄機各項指標見表3?？梢钥闯?在相同的鑄機作業(yè)率下,通過在線監(jiān)測與診斷能提前發(fā)現(xiàn)扇形段存在的隱患,極大改善了鑄坯受力狀況,鑄坯質(zhì)量得到大幅提高,顯著減少了改判量和故障時間。

表3 2020—2022年連鑄機主要經(jīng)濟技術指標Table 3 Main economic indicators of the conticaster from 2020 to 2022

5 結(jié)語

本文針對惡劣環(huán)境下容易出現(xiàn)故障的連鑄機扇形段,結(jié)合當今很流行的機器學習中的SVR模型,設計扇形段故障預測系統(tǒng)。整個系統(tǒng)的軟件部分分為3層:界面層、應用層及感知層。為了提高系統(tǒng)預測的準確率,使用SG平滑濾波去噪對原始數(shù)據(jù)進行降噪處理,然后利用對小樣本數(shù)據(jù)和非線性數(shù)據(jù)具有良好的分辨能力及精度較高的SVR模型對拉矯力數(shù)據(jù)進行數(shù)值預測,并采用PSO算法進行參數(shù)尋優(yōu),最終達到扇形段故障預測的目的。全年因扇形段故障更換11臺扇形段,其中10臺扇形段故障被發(fā)現(xiàn),扇形段故障發(fā)現(xiàn)率由75%提高到91%,根據(jù)本文提出的故障預測系統(tǒng)可以保證連鑄過程在非人為因素影響下正常進行,進而降低整個工程成本。