基于CNN電流數據形態識別的電動機故障診斷研究

龔敬群,李 杰,黃冬明,周興澤,馬天雨

(1.寶武裝備智能科技有限公司,上海 201999; 2.湖南師范大學,湖南 長沙 410083;3.湖南安存科技有限公司,湖南 長沙 410003)

1 概述

熱軋層流冷卻工藝段包括層冷輥道和帶鋼層流冷卻設備。層冷輥用于將帶鋼從精軋機運送到地下卷取機,輥子總成被夾固在主輥道框架上。層流冷卻設備安裝在輸出輥道的上面和下面,用于冷卻卷取前的帶鋼以控制帶鋼的機械性能。層冷輥道由電動機驅動輥子實現鋼坯運輸,1個輥子需要1臺電動機帶動。層冷輥電動機經常出現接地、尼龍接手脫落、潤滑油劣化、不對中、不平衡、基礎松動、接地故障、短路斷路、軸承損壞等,故障類型多,且因電動機數量多導致故障頻發。電動機故障導致的非計劃停機給企業帶來較大損失,為排除非計劃停機損失,現場需要大量的巡檢和維修人員,通過逐個電動機巡查、“五感”點檢等方法排查故障電動機。人工巡查受工作人員責任心、工作經驗、業務能力等因素的影響,常常效果并不理想,且人力資源浪費嚴重。為此,現場建立預防性的電動機批量更換制度,對于到了一定使用年限的電動機進行統一批量更換,這種做法導致大量的過度維修現象,給企業帶來較大的經濟損失?；诖髷祿治龅姆椒?通過電流、諧波等特征數據分析電動機運行情況,實現預測性運維,對降低非計劃停機事故、提高企業經濟效益具有重要意義。

國內外對電動機進行故障診斷的主要方法基于三大類:解析模型[1]、信號處理[2-3]、數據驅動[4]。解析模型方法建立機理模型需要深入研究電動機機理、構造,耗時長,難度大且機理模型難以適應時變的工業環境和工況。信號處理方法基于傅里葉變換、小波變換和經驗模態分解方法提取特征,然后基于頻域+時域特征混合進行故障診斷,實際生產中,決定故障類型的是特征之間的關聯關系而不是特征數據本身,而特征之間的關系一般都是長時間經驗積累且存在個體差異。隨著人工智能和機器學習的快速發展,新型的數據驅動方法逐漸越來越多地在復雜工業設備故障診斷中應用。其中1DCNN[5]是用在電動機、風機、齒輪箱等旋轉設備故障診斷的主要方法,但1DCNN無法識別故障時數據異常持續實際和空間幅值,而2DCNN[6]直接對異常數據形態進行識別,基于單特征形態識別的方法不能表征整個電動機的狀態全部信息,導致診斷精度過低。多特征2DCNN[7]綜合多特征電流信號數據可以充分利用多信號的故障補充信息,做出更加正確的診斷決策。然而,工業過程干擾多、異常工況頻發,直接對電流數據及頻譜值進行2DCNN識別會導致較大誤報,需要對數據圖形進行變換。

針對以上問題,本文提出一種基于CNN電流多特征異常形態識別的電動機故障診斷方法。該方法首先提取故障下出現異常的關鍵電流屬性,對屬性數據進行二次特征提取,計算關鍵屬性的95分位數和05分位數,并提取分位數包絡線,將包絡線形態饋入CNN模型中進行形態識別,給出二次特征包絡線異常形態;建立漏報率和誤報率最低的優化目標,將各二次特征異常形態作為基因片段,基于遺傳算法尋優電動機接地、軸承卡阻、螺栓松動、聯軸器不良等不同故障類型的二次特征形態組合模式。本文的主要貢獻如下:①采集電動機電流信號,通過頻譜、統計分析方法進行特征提取,獲得故障診斷關鍵電流特征;②提取二次特征95、05分位數包絡線,通過CNN識別包絡線形態,克服現場干擾引起的瞬時、單點數據異常;③建立(漏報率+誤報率)最低的優化目標,將二次特征包絡線形態作為基因片段,采用遺傳算法挖掘不同故障類型的各特征形態組合模式。

2 工藝說明

層冷輥道是冶金企業熱軋區域的重要設備之一,布置在熱軋精軋機和卷取機之間,用于將帶鋼從精軋區域輸送到卷取區域。如圖1所示,層冷輥道由很多輥子平鋪形成,每根輥子都由輥道電動機驅動旋轉,帶動鋼板前進。熱軋工藝中,層冷區域的主要作用是對帶鋼進行噴水冷卻。因此,熱軋層冷區域電動機工作在充滿水蒸汽和噴濺水的惡劣環境中,電動機經常出現絕緣下降、密封損壞、尼龍接手脫落、鋼渣黏連等故障。由于用戶對于帶鋼的質量要求越來越高,因此一旦電動機發生故障,層冷輥行進不均勻會給帶鋼表面質量造成損傷,造成產線停機事故,影響生產的穩定運行,同時也造成大量不合格鋼材,降低企業經濟利潤。

圖1 寶鋼熱軋2 050 mm產線層冷輥道

基于當前以定修、年修為主的預防性維護導致大量的過度維修和人工巡檢造成的重大事故漏報問題,提出一種基于電流數據特征形態識別的故障診斷方法。

3 基于電流數據的電動機故障診斷

3.1 電動機故障診斷框架圖

圖2是基于電流數據形態識別的電動機故障診斷框架圖。

圖2 基于電流數據的電動機故障診斷訓練流程圖

將采集到的電流數據通過頻譜分析獲取各次電流諧波和轉頻諧波,并計算最大電流和逆序電流。基于粗糙集等屬性約簡算法加人工經驗提取電動機故障關鍵特征,形成{關鍵特征+日期+故障標簽}的拼接表,考慮數據形態主要體現在邊沿線的變化,對關鍵特征進行二次特征提取,獲取各關鍵特征的95、05分位數,然后擬合各二次特征包絡線,將包絡線2D圖像形態輸入CNN實現形態識別。每個關鍵屬性在故障時都存在不同的二次特征包絡線形態,假設有n個關鍵屬性,每個屬性有m個二次特征形態,那么就存在mn種形態組合,而不同的故障類型對應不同的二次特征形態組合,因此,需要建立優化算法模型,尋優不同故障類型的二次特征形態組合模式。

3.2 特征提取

電流采集器提供給云服務器的各類數據有480多個維度,經現場專家提煉出51維數據,過高的數據維度很難建立泛化能力高的模型,除去數值很小的高次諧波數據,剩余屬性仍然有30多維。為此,需要對剩余30維數據進行屬性約簡,需要找出跟電動機各類故障相關的關鍵屬性?；诂F場記錄故障表跟30維數據拼接表,綜合專家經驗和粗糙集分辨矩陣算法結果,挖掘出數據形態跟故障有比較明顯關聯變化的關鍵屬性。首先將人工篩選剩余的30多維屬性跟故障記錄拼接成一張類似表1的數據表;然后對各屬性根據公式δ=(xmax-xmin)/k離散化,k代表離散后的數值類別數,例如:如果ih2值的范圍是0.2～3,那根據歷史數據可將ih2離散為0,1兩類值,[0.2,1]屬于0,[1,3]屬于1,即k=2?；陔x散數據表計算粗糙集分辨矩陣,分辨矩陣給出故障發生時不同屬性是否發生數值躍變的信息;根據分辨矩陣中屬性出現頻率和故障發生時同時發生數值躍變的屬性個數對各屬性進行重要度排名,取排名靠前且重要度值較大的屬性作為關鍵屬性。本文根據該方法提取出6個關鍵屬性:電流二次諧波(ih2)、電流三次諧波(ih3)、轉頻二次諧波(mh2)、轉頻三次諧波(mh3)、最大電流(imax)、逆相序電流(ineg),6個屬性的數據拼接表如表1,表中“故障類型”屬性根據現場維修臺賬記錄的故障日期為準。

表1 屬性拼接表

考慮工業電動機數據干擾,直接識別關鍵屬性形態容易導致誤報,有必要對關鍵屬性進行二次特征提取。同時,考慮數據邊沿具有比較強的形態穩定性,可提取關鍵屬性的邊沿特征。分位數具有很好上下邊沿特征提取能力,考慮更靠近邊界的98分位數和02分位數對干擾數據比較敏感,而遠離邊界的92分位數和08分位數又不能很好地提取邊沿形態,故采用1h 95分位數和1h 05分位數分別獲取各個屬性的幅值變化和底部變化特征,而試驗驗證結果也證明1h 95和05分位數能很好地提取邊界形態且對現場干擾具有很好的魯棒性。采用1h 95分位數和1h 05分位數,從而將6個關鍵屬性擴展為12個二次特征:ih2_95、ih2_05、mh2_95、mh2_05、imax_95、imax_05、ineg_95、ineg_05等。

3.3 CNN形態識別

閾值報警方式無法識別現場干擾和真實電動機故障,會產生很多誤報警,給現場巡檢人員帶來很大工作壓力。卷積神經網絡(CNN)是深度學習的一個重要分支,重點識別語音信號和圖形圖像,特別在圖像識別領域具有獨特的優勢。電動機發生某些故障時,其電流數據及頻譜特征會有明顯形態異常。如圖3所示,將各類異常形態輸入CNN網絡進行識別,給出某一屬性的異常形態類型,綜合考慮6個關鍵屬性的異常形態,可以診斷電動機故障并給出故障分類類型。

圖3 基于CNN數據異常形態識別

95分位數、05分位數代表數據形態的上下邊沿,但邊界線不夠平滑,直接交給CNN效果不好,提取分位數的上下包絡線并做平滑濾波處理,可以很好地提取故障形態的邊界特征,分析整理包絡線形態,發現現場的數據異常可歸納為幾種代表性的包絡線形態:雙邊上、下階躍,幅值階躍,雙邊劣化,幅值劣化,底部劣化,階躍劣化,正常等不同波形,數據形態提取過程如圖4所示。將濾波后的二次特征包絡線交給CNN模型,識別出各屬性的數據異常形態。故障發生時,不同屬性會出現不同的數據形態,而故障類型不同,各屬性的形態組合也會不同,這種組合非常多,單靠人力很難找到各類故障的優化組合。為精確定位故障分類,需要從歷史故障記錄中挖掘不同故障類型對應的屬性形態組合模式。

圖4 數據形態提取

3.4 故障分類形態組合優化

圖5 遺傳算法挖掘分類故障形態組合

對6個關鍵屬性以1 h滾動的方式截取24 h的數據片段得到共6個數據片段,計算二次特征并繪制其包絡線圖,通過CNN卷積神經網絡模型識別6個屬性的數據片段形態,每小時可得到6個屬性的24 h波形形態。若6個形態都屬于“正?！眲t丟棄本次形態組合,只要有一種形態出現異常則將該組合留在形態組合表,如表2,表中給出了“尼龍接手老化”故障發生時出現了二次電流諧波雙劣化形態和轉頻三次諧波幅值劣化形態。

表2 形態識別表

以漏報率、誤報率最低為優化目標,采用遺傳算法挖掘分類故障的形態組合模式。首先初始化遺傳算法種群,種群每個個體都由6個數字組成,每個數字代表不同形態組合,而數字所在位置代表6個關鍵屬性。初始種群經交叉變異等操作產生新的子代種群,將子代種群跟形態識別表對應位置做差值,如式(1)。

(1)

建立漏報率、誤報率和故障分類錯誤率最低為目標的綜合優化指標,以基于歷史數據計算的形態識別表為樣本數據,以m個形態組合樣本作為識別模型,計算式(2)最小值。

(2)

式(2)中(Findnum-Faultnum)表示模型報警故障除去跟臺賬記錄對應的故障后的剩余報警,除以臺賬記錄故障次數就是誤報率;(Faultnum-Findnum)代表臺賬記錄故障中除去模型正確報警故障后剩余故障,除以臺賬記錄故障次數就代表漏報率;而式(2)第三項中(Faultl-Findl)代表模型報的l故障類型跟真實記錄差異次數。對式(2)設置一個門檻值,若遺傳算法優化所得形態組合模式能夠保證式(2)值小于閾值則優化結束,否則選擇種群中使得Kn/Tn值最大的前50%組合進入下一輪迭代,同時加入隨機產生的50%新種群,重新進入新一輪優化。

3.5 模型驗證結果

選擇熱軋2 050 mm產線39臺電動機2018年1月到2020年6月數據進行回測。截取各種正常數據提取邊界線圖像形成正樣本圖例2 000張,截取故障發生時的數據,提取邊界線形態形成各類故障負樣本圖例。因分類故障樣本比較稀缺,深度學習樣本圖例不夠,把不同類型故障形態做斜率、幅值等參數微調,每種分類故障產生100張近似形態的形態圖例。然后將正負樣本放在一起,隨機挑選30%形態樣例作為測試集,其他70%作為訓練集,訓練CNN卷積神經網絡識別異常形態。訓練好的CNN模型離線識別歷史數據中各屬性異常形態,然后形成6個屬性的異常形態組合,對應故障記錄標簽采用遺傳算法尋優不同分類故障的形態組合模式,形成分類故障異常形態組合模式庫。在線運行時,將各屬性24h數據滾動數據提取邊沿形態,輸入CNN識別異常形態,然后在形態組合模式庫里面匹配是否存在該模式,從而識別故障類別。

圖6(a)是GF_11_26電動機2020年1月14號故障記錄,可以看出ih2,mh2,mh3等3個屬性出現了數據異常,模型在2019年11月18號發出了報警信號;圖6(b)是GF_13_72電動機在2019年12月4日搶修換輥的故障記錄,圖中ih2,mh2,mh3等3個屬性出現了數據異常,模型在2019年12月4日當天提前6 h報警;圖6(c)是GF_13_58電動機在2019年8月1日點檢換輥的故障記錄,圖中ih2,mh2出現了明顯的數據異常,模型提前1個半月在2019年6月15號報警。統計2018年1月到2020年6月的所有具有明顯數據劣化異常關鍵故障,模型報警漏報率為0,而誤報率少于15%,完全滿足現場對漏報率和誤報率的要求。

圖6 報警案例分析

4 結論

本文提出了一種基于高頻電流采集數據的電動機故障診斷方法。首先,從電流數據中提取諧波、轉頻、最大電流、逆序電流等高維屬性,通過屬性約簡獲取關鍵屬性;然后提取關鍵屬性的二次特征,采用CNN識別包絡線形態的方式判斷各屬性在故障下的異常形態;最后通過遺傳算法基于漏報、誤報率最低的目標優化求解不同故障類型的異常形態組合模式。經熱軋生產線現場驗證,所提方法對具有明顯劣化異常數據的故障報警準確率較高,完全滿足現場實際需求。但本文方法還存在對黏鐵、短時卡阻等異常工況的少量誤報警,后續可考慮將異常工況納入形態識別,進一步降低誤報率。