一种热轧工作辊实时剩余寿命的预测方法及其系统技术方案

本发明专利技术涉及一种热轧工作辊实时剩余寿命的预测方法及其系统。该热轧工作辊实时剩余寿命的预测方法首先通过对待预测轧辊的原始电涡流信号序列进行采集，采用时频分析方法提取出用于表征轧辊性能退化的特征参数，进而根据特征参数建立特征参数数据集。然后结合特征参数数据集构建出求解后的轧辊剩余寿命的概率密度函数，将轧辊的运行时间作为输入，根据构建的轧辊性能退化评估模型对轧辊剩余寿命进行实时预测。该预测方法在无损涡流信号的基础上，采用时频域特征提取方法，有效地抑制了噪声对特征值的影响，保留了信号中的有效信息，并且基于特征值的退化轨迹，利用Wiener过程的剩余寿命预估模型对轧辊剩余寿命实时预测，同时对轧辊的工作状态影响较小。时对轧辊的工作状态影响较小。时对轧辊的工作状态影响较小。

【技术实现步骤摘要】
一种热轧工作辊实时剩余寿命的预测方法及其系统


[0001]本专利技术涉及轧辊维护
，特别是涉及一种热轧工作辊实时剩余寿命的预测方法及其系统。

技术介绍

[0002]轧辊是轧机上使金属产生连续塑性变形的主要工作部件和工具。轧辊在运行过程中，不仅会受到轧制品的轧制力，像一些热轧工作辊还会受到热疲劳、热应力和化学腐蚀等多种因素的影响，使得轧辊在工作后往往会出现表面裂纹、磨损和氧化等问题，严重的还会导致轧辊失效。因此，为了保证轧机工作效率，减少频繁地停机进行检查维护，通过对轧辊的健康状态监测，确定轧辊运行时的健康状况，同时预测剩余使用寿命，为轧辊的主动维护提供可靠依据，进而最大程度上避免故障的发生和停机停产事故损失，发挥出设备的潜在能力，也便于决策者制定维修时机。
[0003]传统的剩余寿命预测方法在分析设备退化过程时需要大量的数据进行支撑，对于轧辊而言，会受到试验成本、技术条件和时间成本等多方面因素制约，采集大量轧辊的失效数据耗时过长、投入资金较大，很难获得充足的失效数据，因此，传统的剩余寿命预测方法不适用于轧辊。
[0004]目前，轧辊的剩余寿命预测多是在轧辊停机时通过一定的检测手段对其进行预测，难以做到在不影响轧辊工作状态的条件下，对轧辊进行实时的剩余寿命预测，从而难以及时地为轧辊修磨或更换提供依据。有技术人员开发了一种预测系统，需要再探头和轧辊之间添加耦合剂，此种技术对轧辊实时的工作状态影响较大，且仅对轧辊内部缺陷进行探伤，对于轧辊表面和近表面的性能退化的探测效果较差。

技术实现思路
r/>[0005]基于此，有必要针对现有技术中难以在不影响热轧工作辊工作状态的条件下，对热轧工作辊的实时剩余寿命进行精准预测的技术问题，本专利技术提供一种热轧工作辊实时剩余寿命的预测方法及其系统。
[0006]本专利技术公开一种热轧工作辊实时剩余寿命的预测方法，其包括以下步骤：
[0007]一、建立特征参数数据集
[0008]采集一个待预测轧辊表面的原始电涡流信号序列，并采用时频分析方法提取出用于表征所述轧辊性能退化的特征参数，进而根据所述特征参数建立所述特征参数数据集。其中，所述原始涡流信号序列包括初始的未运行脉冲涡流信号以及实时的运行脉冲涡流信号。所述特征参数包括轧辊表面的裂纹特征、氧化特征以及磨损特征。
[0009]二、构建轧辊性能退化评估模型
[0010](1).根据所述轧辊的当前工作状态，确定轧辊失效时的特征值阈值ω，基于Wiener过程并引入所述特征值阈值ω，以建立轧辊剩余寿命的概率密度函数：
[0011][0012]式中，t表示设备寿命达到的时刻。k表示当前时刻轧辊已经运行的转数。T表示寿命。f
Tk
(t)为所述轧辊剩余寿命的概率密度函数，且该概率密度函数在时刻t
k
下的未知参数表示为a表示漂移参数，且漂移参数a设定为服从均值为μ
a
且方差为的正态分布。σ表示扩散参数。
[0013](2).根据所述特征参数数据集将时刻t
k
及其历史时刻的特征参数作为输入，求取在时刻t
k
下的未知参数Θ
k
。
[0014](3).将求取出的所述未知参数Θ
k
代入所述轧辊剩余寿命的概率密度函数中，得到求解后的轧辊剩余寿命的概率密度函数，即所述轧辊性能退化评估模型。
[0015]三、预测轧辊的剩余寿命
[0016]将所述轧辊的运行时间点作为输入，利用所述轧辊性能退化评估模型计算出在每个时刻下的轧辊剩余寿命，进而实现对热轧工作辊剩余寿命的实时预测。
[0017]作为上述方案的进一步改进，所述原始电涡流信号序列的采集方法包括以下步骤：
[0018]S11：将所述轧辊的工作表面划分为多个检测区域。
[0019]S12：设定对所述轧辊进行脉冲涡流检测的采样频率。
[0020]S13：根据设定的所述采样频率对所述轧辊表面各个检测区域在初始未运行阶段进行初步脉冲涡流检测，并在运行阶段进行实时脉冲涡流检测，进而获取所述未运行脉冲涡流信号以及所述运行脉冲涡流信号，即所述原始电涡流信号序列。
[0021]作为上述方案的进一步改进，步骤S11中，通过一个检测探头将感知到的轧辊表面磁场变化生成检测信号。
[0022]其中，在对所述轧辊的工作表面进行划分时，先根据所述检测探头以及轧辊的大小，将轧辊表面沿圆周方向划定n1个周向区域，再沿轧辊的轴向将每个周向区域划定n2个轴向区域，进而将所述轧辊的工作表面划分为n个检测区域。其中，n＝n1×
n2。
[0023]作为上述方案的进一步改进，在采集到所述轧辊表面的原始电涡流信号序列中的各个信号后，还对各个信号进行去噪处理。
[0024]作为上述方案的进一步改进，所述特征参数数据集的建立方法包括以下步骤：
[0025]S21：将所述未运行脉冲涡流信号作为参考信号，而后将所述轧辊在运行阶段的各个所述运行脉冲涡流信号作为初始样本组。
[0026]其中，所述初始样本组中的各组样本信号和所述参考信号的周期一致。
[0027]S22：分别将各组样本信号与所述参考信号做差分处理，获得多组差分信号，并采用变分模态分解方法对各组所述差分信号进行分解，进而得到分别与各组所述差分信号关联的多个固有模态函数。
[0028]S23：对多个所述固有模态函数做希尔伯特变换，得到脉冲涡流检测信号的希尔伯特谱，并将所述希尔伯特谱中相应频率成分在整个时间域内进行叠加，进而得到脉冲涡流信号的边际谱图。
[0029]S24：提取出所述边际谱图中的边际谱峰值并作为中间特征量，获取每个检测区域
各个时间点的边际谱峰值数据，进而绘制运行时间与对应边际谱峰值的数据图。
[0030]S25：将所述数据图中的多个边际谱峰值作线性拟合处理，进而使得处理后得到的多个目标特征量MS与运行时间呈近似线性关系。
[0031]S26：根据多个目标特征量MS构建出所述特征参数数据集。
[0032]作为上述方案的进一步改进，所述特征参数数据集表示为：
[0033][0034]其中，MS(t
ik
)表示t
ik
时刻的特征值。1≤i≤n，n为检测的样本数量。1≤k≤m
i
，m
i
为第i个样本的所有检测时间点的数量。MS
i
对应第i个样本的特征量数据集，即和MS＝(MS1，...，MS
n
)。其中，特征值的增量表示为：
[0035][0036]其中，ΔMS
ik
＝MS
ik
‑
MS
i，k
‑1对应第i个样本从时间点t
k
‑1到时间点t
k
的退化增量。
[0037]作为上述方案的进一步改进，轧辊的退化过程符合带线性漂移的Wiener过程，即：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种热轧工作辊实时剩余寿命的预测方法，其特征在于，其包括步骤：一、建立特征参数数据集采集一个待预测轧辊表面的原始电涡流信号序列，并采用时频分析方法提取出用于表征所述轧辊性能退化的特征参数，进而根据所述特征参数建立所述特征参数数据集；其中，所述原始涡流信号序列包括初始的未运行脉冲涡流信号以及实时的运行脉冲涡流信号；所述特征参数包括轧辊表面的裂纹特征、氧化特征以及磨损特征；二、构建轧辊性能退化评估模型(1).根据所述轧辊的当前工作状态，确定轧辊失效时的特征值阈值ω，基于Wiener过程并引入所述特征值阈值ω，以建立轧辊剩余寿命的概率密度函数：式中，t表示设备寿命达到的时刻；k表示当前时刻轧辊已经运行的转数；T表示寿命；f
Tk
(t)为所述轧辊剩余寿命的概率密度函数，且该概率密度函数在时刻t
k
下的未知参数表示为a表示漂移参数，且漂移参数a设定为服从均值为μ
a
且方差为的正态分布；σ表示扩散参数；(2).根据所述特征参数数据集将时刻t
k
及其历史时刻的特征参数作为输入，求取在时刻t
k
下的未知参数Θ
k
；(3).将求取出的所述未知参数Θ
k
代入所述轧辊剩余寿命的概率密度函数中，得到求解后的轧辊剩余寿命的概率密度函数，即所述轧辊性能退化评估模型；三、预测轧辊的剩余寿命将所述轧辊的运行时间点作为输入，利用所述轧辊性能退化评估模型计算出在每个时刻下的轧辊剩余寿命，进而实现对所述热轧工作辊剩余寿命的实时预测。2.根据权利要求1所述的热轧工作辊实时剩余寿命的预测方法，其特征在于，所述原始电涡流信号序列的采集方法包括以下步骤：S11：将所述轧辊的工作表面划分为多个检测区域；S12：设定对所述轧辊进行脉冲涡流检测的采样频率；S13：根据设定的所述采样频率对所述轧辊表面各个检测区域在初始未运行阶段进行初步脉冲涡流检测，并在运行阶段进行实时脉冲涡流检测，进而获取所述未运行脉冲涡流信号以及所述运行脉冲涡流信号，即所述原始电涡流信号序列。3.根据权利要求2所述的热轧工作辊实时剩余寿命的预测方法，其特征在于，步骤S11中，通过一个检测探头将感知到的轧辊表面磁场变化生成检测信号；其中，在对所述轧辊的工作表面进行划分时，先根据所述检测探头以及轧辊的大小，将轧辊表面沿圆周方向划定n1个周向区域，再沿轧辊的轴向将每个周向区域划定n2个轴向区域，进而将所述轧辊的工作表面划分为n个检测区域；其中，n＝n1×
n2。4.根据权利要求1所述的热轧工作辊实时剩余寿命的预测方法，其特征在于，在采集到所述轧辊表面的原始电涡流信号序列中的各个信号后，还对各个信号进行去噪处理。5.根据权利要求1所述的热轧工作辊实时剩余寿命的预测方法，其特征在于，所述特征参数数据集的建立方法包括以下步骤：
S21：将所述未运行脉冲涡流信号作为参考信号，而后将所述轧辊在运行阶段的各个所述运行脉冲涡流信号作为初始样本组；其中，所述初始样本组中的各组样本信号和所述参考信号的周期一致；S22：分别将各组样本信号与所述参考信号做差分处理，获得多组差分信号，并采用变分模态分解方法对各组所述差分信号进行分解，进而得到分别与各组所述差分信号关联的多个固有模态函数；S23：对多个所述固有模态函数做希尔伯特变换，得到脉冲涡流检测信号的希尔伯特谱，并将所述希尔伯特谱中相应频率成分在整个时间域内进行叠加，进而得到脉冲...

【专利技术属性】
技术研发人员：宋守许，徐瑞，蔚辰，李想，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：