基于拉矫力电流信号的连铸机状态评估方法研究

邹 康，容芷君，但斌斌，刘 洋

(1.武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉，430081；2.武汉科技大学机械传动与制造工程湖北省重点实验室，湖北 武汉，430081；3.宝钢股份中央研究院武汉分院(武钢有限技术中心)，湖北 武汉，430080)

连铸是将精炼后的钢水连续铸造成钢坯的生产工序，连铸机作为连铸程序的运行设备，一旦发生故障，将会导致批量性铸坯质量缺陷，影响生产进程，进而降低企业经济收益[1]。因此，提前检测连铸机故障对实际连铸生产具有重要指导意义。

连铸机设备故障诊断的一般方法有构建数学解析模型、构建知识库和依靠专家经验以及利用数据驱动方法来挖掘有用信息等[2]。徐永利[3]基于采集的连铸生产相关过程变量构建主元分析模型，通过计算控制限和贡献图得出设备故障状态及引起故障的主要变量，但该方法没有考虑各变量之间的相互作用对最终预测结果的影响；黄争艳[4]结合模糊诊断方法和神经网络模型，对连铸机大包回转台进行在线监测与故障诊断，该方法需要专家知识的帮助；都胜朝等[5]基于SIMTAC系统的WINCC在线监测技术，建立了开浇过程双流拉矫力电流信号的检测模型，并应用该模型对连铸机故障进行判断，结果显示，该模型能提前发现连铸机状态异常，但方法实施较繁琐，需要人工进行曲线比对。

近年来，有研究者提出利用设备运转过程的电流信号变化来进行故障诊断。如文献[6-8]报道，利用电机输出电流与电机拖动系统间的故障联系进行故障诊断是可行的；陈峙等[9]利用电流信号监测电动机相连设备，通过调质信号进行双谱分析，以双谱波峰的升高作为故障检测的依据。但上述研究所采集的电流信号是高频的，考虑到连铸机信号特征，有研究从时间序列及分析其变化规律的角度出发来进行相应的特征提取，如林近山[10]通过滤除非平稳时间序列中的各种不相关趋势，揭示时间序列内部的动力学机制，根据标度指数不同进行分类；许海伦[11]通过分析直流伺服电动机弹药装填机构发生故障时电流信号的变化规律，提取相应故障特征进行诊断；李广等[12]对机床刀具故障电流信号进行分析，提取相应的时域特征进行故障诊断。

连铸机拉矫力电流信号可以反映其在不同工况下的拉矫力变化。对于一机两流连铸生产而言，正常工作时，拉坯产生的两流信号不会突然出现明显差异，但当扇形段驱动辊部分有异常时，两流信号差异显著。由此看来，可以基于相同时间段内两流电流信号对比及相应的变化规律，来实现对连铸机运行状态的辨识。为此，本文以采集的拉矫力电流信号为特征来源，基于连铸机各工况的信号变化规律对信号进行过滤，提取同时处于正常浇铸工况的两流信号，并根据两流信号的数值、趋势差异判断规则对样本进行标记，随后对两流信号进行统计特征计算，最后将样本导入SVM模型进行状态分类，实现对连铸机状态的辨识，研究结果可为实际连铸生产提供参考。

1 连铸机拉矫力电流信号特征

1.1 连铸机拉矫力

连铸机拉坯过程会产生相应的拉矫力，连铸机总拉矫力指的是铸机扇形段每根驱动辊拉矫力之和，而每根驱动辊的拉矫力由该部分扇形段的电机所提供。当连铸机其中一流的扇形段驱动辊出现故障时，该流总拉矫力会在经过该处时出现数值突变。一机两流连铸生产过程是通过相同的结晶器装置和拉坯装置同时生产两流铸坯，因此，在连铸机正常工作时，两流拉矫力的变化趋势近似，数值差距处于正常范围内；而在不同工况或连铸机发生异常时，两流拉矫力会出现明显差异，这就需要对两流信号是否同时处于正常浇铸工况进行判别，以区分该差异是由连铸机异常还是所处工况不同而引起的。因此，连铸机状态辨识可以通过判断同时处于正常浇铸的两流拉矫力信号是否出现明显差异来实现。

1.2 拉矫力和连铸机状态的关系

连铸机工作过程包括开浇、正常浇铸、换中间包和停浇4个工序。不同工况下拉矫力会有不同的表现特征，大致规律如图1所示，图中开浇区域对应开浇工况，浇铸区域对应正常浇铸和换中间包工况。由图1可见，连铸机开始工作时，总拉矫力由0逐渐增大，当拉坯长度增至L0(整个扇形段长度)时，开始浇铸结束，拉矫力不再增大，拉矫力处于正常浇铸临界值F0的范围(400～600 N)；随即进入正常浇铸阶段，随着拉坯的继续进行，拉矫力在F0附近波动，当拉坯长度达到L0后，拉坯长度每增加ΔL(250～400 m)则进行一次换中间包操作，整个工作循环中平均换6次中间包，图1仅显示了其中3次(对应L1、L2、L3)，实际换中间包过程一般持续3 min，该过程内拉坯长度不变，拉矫力数值骤降为0，换中间包结束后，拉矫力迅速恢复至临界值范围，在最后一次换中间包后拉坯长度增加ΔL达到L4时，正常浇铸完成，拉矫力从F0左右迅速降至0附近，此时连铸机进入停浇工况，停浇时拉坯长度降为0，对应一个连铸工作循环完成。

图1 拉矫力随拉坯长度的变化

图2为实际工况下采集的4个浇铸周期的拉矫力电流曲线，其中蓝线代表一流拉矫力，红线代表一流铸流长度，信号采集间隔为5 s。由图2可见，在实际的4个浇铸周期中，每个浇铸周期都明显存在上述4种工况；一个浇铸周期内，正常浇铸时间越长，拉坯长度越长，且第一个周期的拉坯长度明显大于其他三个周期的相应值；在各浇铸周期中，换中间包时间和开始浇铸持续时间较为接近，但正常浇铸时间明显不同，正常浇铸时间越长，对应换中间包的次数越多；在实际停浇过程中，拉矫力在停浇稳定前还会波动，停浇稳定后，才维持在0左右。

图2 4个浇铸周期拉矫力变化曲线

1.3 拉矫力电流信号

对如图3所示实际采集的两流拉矫力电流信号进行分析后发现，其主要特征包括：①信号的采集间隔为5 s，在整个采集时间内，信号是随连铸机各工况循环变化的；②两流拉矫力电流有时存在不同步现象，即一流拉矫力信号对应的是开始浇铸工况，而另一流信号则是对应上一浇铸周期的停浇工况；③有时会存在超过正常拉矫力范围的异常数据；④采集的两流拉矫力电流信号是两列高容量的连续时间序列；⑤现场生产经验表明，当两流电流信号差值较大或两流电流信号变化趋势出现明显差异时，连铸机往往会出现运行状态异常。

图3 有异常发生时拉矫力变化曲线

2 连铸机状态评估模型

2.1 两流电流信号正常时浇铸样本的提取

本研究需要处理的对象是每隔5 s实时采集的两流拉矫力电流信号I1、I2以及两流浇铸长度S1、S2。I1t、I2t表示t时刻两流信号的具体值，It表示t时刻两流中某一流信号的具体值，S1t、S2t表示t时刻两流浇铸长度的具体值。若要从中提取出所需要的正常浇铸工况样本，需要根据信号特征对采集数据进行处理，具体步骤为：

(1)基于某厂的实际生产状况，拉矫力信号值的正常范围不超过1000 N，当I1t或I2t不小于1000 N时，将I1t、I2t同时剔除，从而得到处于正常范围的I1、I2。

(2)若I1t或I2t骤降至0，维持几分钟后又迅速升至正常浇铸对应的I1t、I2t值，且这个过程中S1t、S2t不变，则此时对应为换中间包工况，将该部分信号过滤。

(3)在一段时间内，若I1t或I2t不大于2 N且S1t、S2t不超过6.5 m时，此时对应为停浇状态，将该部分信号过滤。

(4)当I1、I2表示开始浇铸时的信号时，I1t、I2t不断增大，当I1、I2表示正常浇铸时的信号时，I1t、I2t在一段时间内不会发生大的变化；若当|I1t-I1(t-2 min)|与|I1t-I1(t+2 min)|刚开始出现且两者差值在35 N内时，将I1t视为两个状态的临界值，以此得出正常浇铸信号，且当I1t、I2t同时位于临界值以上时，进一步得到两流同步且处于正常浇铸的信号范围。

(5)对上一步提取的I1、I2，以1 h固定时间段进行划分，得到具有相同容量的各样本，并对各样本的I1t、I2t进行参照比较；若|I1t-I2t|>100 N或I1、I2的变化趋势存在很大差异，即在连铸机运行过程中从某一个时刻起，在接下来的5 min内，若I1始终有I1(t+5 s)>I1t，并且I2不存在此现象，那么I1异常、I2正常，则为该样本贴上异常标签，否则贴上正常标签，进而得到特征样本空间。

2.2 电流信号的特征重构

考虑到原始信号只是两列高容量的连续时间序列，原本的两个特征往往是不够的，亦即不具有代表性和可靠性，故要在原始信号基础上进行特征重构。基于上述对拉矫力信号和连铸机之间关系的描述，当连铸机发生故障时，其故障特征会在该信号的时域中体现，因而可以对其进行统计特征计算，具体的时域统计指标为最大值m、最小值s、均值μ、标准差σ和峭度K。

m、s可以反映信号的范围变化：

m=max{xi},i=1,2,…,N

(1)

s=min{xi},i=1,2,…,N

(2)

式中：xi为随机变量的取值。

μ可以反映信号的稳定情况：

(3)

σ用来描述数据的离散程度：

(4)

K是一个四阶统计量，反映信号分布特性：

(5)

对于各样本，按照式(1)～式(5)进行相应时域指标计算，从而得到各样本的特征参数。

2.3 SVM模型分类

经过正常浇铸样本提取及特征重构后，得到每个样本的特征参数，便可应用SVM(支持向量机)模型进行分类。SVM模型是一种带有标签数据的监督式学习算法，对小样本数据和非线性数据也有很好的分辨能力，精度较高。算法原理是寻找一个能最大化训练数据中分类间距的超平面来进行分类。综合上述分析，应用SVM模型对基于拉矫力电流信号的连铸机状态评估，算法流程如图4所示。

3 实例验证与结果分析

本文以从某厂实际采集的2019年5月1日至2019年7月23日的拉矫力电流信号为研究对象，拉矫力数据集包含两流拉矫力、两流拉坯速度、两流浇铸长度，数据采集间隔为5 s。利用图4中算法流程对实验数据进行处理，以验证该方法的有效性。

图4 算法流程图

3.1 特征样本空间的构造

首先，根据2.1节的步骤剔除异常数据，并且过滤掉所有的开始浇铸信号、换中间包信号和停浇信号，从而提取出所需要的两流同时处于正常浇铸状态的信号，最终得到105个完整周期内处于正常浇铸工况的信号。

对提取出的各浇铸周期内正常浇铸信号进行分析，为保证各样本空间容量相同以及降低结果误差，从各正常浇铸信号中提取出多个1 h的连续数据作为新样本，以两流信号数值及趋势差异为判断规则来标记样本，最终得到180个正常样本和92个异常样本，异常原因主要是由于实际过程中某部分扇形段的轴承卡阻所致。部分样本对应的I1、I2值如表1所示，然后对样本进行特征转换，利用式(1)～式(5)分别获得各样本内I1、I2的最大值m1、m2，最小值s1、s2，均值μ1、μ2，标准差σ1、σ2，峭度K1、K2。用以上10个特征参数代替原来的特征，最终得到样本空间前10行数据如表2所示。

表1 部分样本点对应的I1和I2值

表2 样本空间前10行的特征参数值

3.2 分类结果

在得到所需特征参数后，需要根据数据的特征选择合适的模型，考虑到总样本个数只有272个，样本容量较小且该任务属于分类任务，故选择对小样本数据仍有较好分辨能力的SVM模型。

特征数据导入模型之前，需要进行数据预处理及模型参数选择，具体步骤如下：

(1)对标签类数据进行编码，将“正常”编码为0，“异常”编码为1。

(2)将272个特征样本以7∶3的比例分为训练集和测试集。训练集中共包含190个样本，其中正常样本135个，异常样本55个；测试集中包括82个样本，其中正常样本45个，异常样本37个。

(3)分别对训练集和测试集进行标准化处理，标准化公式为：

(6)

(4)由于径向基核函数对线性可分和非线性可分数据均有较好效果，故选择该函数作为模型的核函数。

(5)模型的惩罚项参数C通过随机网格搜索方法确定。

将按照上述方法处理的特征数据导入SVM模型，得到当模型的惩罚项参数为4.3时，模型的准确率达到最高。模型的预测分类结果和实际分类结果如图5所示，图中，横坐标表示测试集中样本个数，纵坐标表示对应测试集的实际标签类别和预测标签类别。当某个测试集样本上只有蓝色标记时，表明红色标记被蓝色标记遮盖了，即预测类别和实际类别相同；当一个测试集样本上既出现蓝色标记又出现红色标记时，表明预测类别和实际类别不同，出现分类错误。

图5 基于径向基核函数的SVM分类结果

另外，还可以用准确率和F1分数这两个指标对预测结果进行评价。准确率的计算方法是所有预测正确的样本数除以总测试样本数；F1分数是同时兼顾了分类模型精确度和召回率的综合性指标，其计算式为：

通过计算可得，SVM分类模型的准确率为91.46%，F1分数为89.50%，两个指标的计算值均相对较高。相比于文献[5]通过在线监测和繁复的对比分析，得到双流拉矫力模型能识别约90%的连铸机萌芽期隐患，本研究利用以径向基函数为核函数的SVM分类模型综合效果良好，不仅能够以较高的准确率对连铸机运行状态进行辨识，而且过程较为精简，可为实际的连铸生产提供指导。

4 结语

本文以某厂一机两流连铸生产过程采集的连铸机拉矫力电流信号为特征来源。首先，提取两流同时处于正常浇铸状态的电流信号，通过两流拉矫力电流信号的趋势变化和数值差异，对目标信号进行标记，提取时域特征构建样本库，并对两流信号进行统计特征计算，最后应用SVM模型对经特征重构的电流信号进行分类，准确率达到91.46%。由此可见，本文提出的方法能有效地实现对连铸机运行状态的辨识，可为实际连铸生产提供指导。