轧辊磨床状态监测与故障预测技术

王培培 任中杰 温亚楠 康明洋

河南中孚实业股份有限公司 河南 巩义 451200

摘要：轧辊磨床在冶金行业中是非常重要不可缺少的一个设备，然而却对轧辊磨床运行状态的监测比较欠缺，结合这一情况，提出了轧辊磨床状态故障监测技术。本文首先对轧辊磨床状态监测方式和方法进行了介绍，结合状态监测传感器型号选择和信号特征提取，对轧辊磨床故障预测方法进行了深入的探究，望通过对轧辊磨床状态监测与故障预测技术的分析与探究可以为冶金行业的可持续发展提供一定参考。

关键词：轧辊磨床状态；监测；故障预测技术；监测方法；监测对象

轧辊磨床其工作安全稳定性与冷轧板、冷轧带表面质量有较大的关系。再加上轧辊磨床是复杂并且精密性的磨削设备，其价值比较高，基本上没有能够替代的设备，如果出现故障根本无法对床体实施拆解排查。所以为了确保轧辊磨床工作期间的安全性、可靠性及可维护性，必须要加强轧辊修磨自动化及智能化水平，利用对轧辊磨床状态进行随时监测，来对其故障实施合理高效的评估及预测便显得特别重要。

1.轧辊磨床状态监测

1.1状态监测方式

当前，依据发展趋势可将国内外具有代表性的状态监测方式分为三种，如表1所示。

表1 状态监测方式

状态监测方式	评价
离线定期检测	工作繁琐耗时、需要专业人员、测试周期很难把控
在线检测离线分析	在一定程度上降低工作量、需要专业测试人员
自动在线检测	极大程度减少了繁琐工作、自动化与智能化水平高、不需要专业人员

伴随人们对于机械设备的智能化需求，人工智能的应用越来越完善，在线自动检测是当前的主流。对于轧辊磨床来说，自动检测也适合应用于其状态的随时监测。

1.2状态监测方法

现时期常用的监测方法有5种，对它们的分类与评价如表2所示。在此应说明一下，各类技术其都有属于本身的适用范围与局限性，需结合设备和工作环境的不同，全方位的思考所使用的监测方法。目前在对轧辊磨床状态进行监测时，普遍应用的是基于振动信号的状态监测技术^[1]。

表2状态监测方法的分类与评价

状态监测方法	评价
基于振动信号的状态	设备机械结构的变化能通过振动信号及时反映出来，振动信号是理想的设备状态监测信号，在状态监测技术中应用广泛
基于声信号的状态监测技术	信号的采集较为管便，但对应用场所要求严格，不能有较大的外界噪声干扰。常用方法：频谱分析法、声强法、声音监听法等。
基于油样和微粒分析的状态监测技术	通过分析设备的温度异变，可监测设备是否发生热故障。常用方法：红外成像、辐射温度计等。
其他状态监测技术	在某些特定的场合有比较好的效果，包括：超声波检测技术、射线检测技术和图像检测技术等。

1.3状态监测传感器型号选择

在对轧辊磨床状态进行监测的过程中，大多使用的是基于振动信号的方法。所使用的振动传感器主要有三种，即电涡流式位移传感器和磁电式速度传感器及压电式加速度传感器，在具体应用中还要对其经济性与实用性进行充分的思考，电涡流式位移传感器与压电式加速度传感器通常都是首选的两种传感器类型。在对传感器进行选择时，需要思考的因素有：频率响应范围、环境因素、灵敏性等。现时期国内外振动传感器生产厂商均都能提供不同类型的传感器，在轧辊磨床状态监测过程中，需结合实际轧辊磨床运行速度、部件的情况监测来选择经济性的振动传感器。

1.4信号特征提取

对于磨床状况监测和故障预测中的问题，即怎样从庞大的监测信息当中筛选出有价值的信息，可利用生物感知系统中的冗余度压缩原则来进行信息处理，基于稀疏编码法对所提取的设备状态信息问题进行深入的研究；除此之外还可借助贝叶斯网络法对不确定问题优势进行研究，由此构建数控平面磨床磨削状态监测的贝叶斯网络模型。

2.故障预测技术

机械设备状态预测技术属于设备状态监测和故障诊断技术升级，同时设备状态监测和故障诊断技术也是设备状态趋势预测技术的前提条件。

2.1基于模型的方法

构建描述性能或是寿命衰减的物理及数学模型，来呈现系统预测信息。具体的模型主要包含：Kalman滤波模型、时间序列模型、物理学模型等。此法是否能够得到有效应用，完全与系统复杂程度有关，如系统模型相对简单，此法的应用会很方便，并且有较高的可信度，然而以精密轧辊磨床来说，系统建模非常复杂，模型验证也非常困难，所以针对基于模型法的轧辊磨床设备的故障预测仍需要更深层的研究

^[2]。

2.2基于数据驱动的方法

这种方法通过分析和挖掘设备运行所产生的数据信息，选择使用机器学习方式来构建系统故障预测模型。这种方法可以有效防止复杂建模问题的出现，将研究重点集中在设备历史数据上，然而此法需要庞大的历史数据支持，而且预测精度较易因历史数据精度而产生影响。现时期对于这类情况常用的方法主要有“支持向量机法、神经网络法、模糊逻辑法等^[3]。

2.3相互融合的方法

因为基于数据驱动方法本身原因，如适合的向量机只有线性分类器，在对非线性信号进行处理方面同仍需进一步完善，神经网络法尽管能够实现非线性预测，然而算法却非常复杂；基于模型法在进行复杂系统的处理时，建模困难程度比较大；所以思考把基于数据驱动法与基于模型法结合在一起来使用，由此对设备故障进行有效的预测。

现时期，国内外都侧重对轧辊磨床故障诊断法的研究，然而对于轧辊磨床故障预测法的研究却非常少。本文主要借鉴其他机械设备故障预测方法，提出利用单一方法具有较大局限性。如表3所示。为了提升轧辊磨床的故障预测精准性，现时期的预测模型研究形成了多参数预测和组合预测两种^[4]。

表3故障预测方法

预测方法	用途	评价
时域分析	直接在时域内对比不同的信号	直观表示了信号的不同点，但所能提供的有效信息与频域分析相比非常有限
傅里叶变换	将信号分解为一系列的正弦信号相叠加的形式	适用于平稳信号，可方便进行频域分析，但缺少时域信息，不适用非平稳信号
短时傅里味变换	同时表现了信号的时域特征和频域特征	是分析非平稳信号的有力工具，并且可同时提供信号的时频信息，但其分辨率不高且需要大量的计算
小波变换	能够提供一个随频率改变的“时间-频率”窗口，可进行信号时频分析	有较强的非平稳信号分析能力，具有多分辨率分析的特点，但对小波滤波器而言很难明确精确参数
希尔伯物-黄变换	能够把一个复杂信号分解成有限个本征模态函数，可在时域和频域内显示信号的能量分布	适用于非线性、非平稳信号，是一种自适应无监督的方法，但基是基于经验的方法，缺少理论依据并且计算量非常大
成分分析	可降低数据的统数，获取互不相关的数据	在保留原本信号信自的情况下降低信号的维数，然而此方法适应性较强，在不同场合表现不同

3.结语

总体来说，现时期我国对于用于轧辊磨床状态监测和故障监测技术的专门研究非常少，本文所阐述的一些技术方法大多是基于磨床和旋转机械设备的状态监测理论而实施的。然而因为轧辊磨床设备本身所特有的特点，再加上在相应技术应用上所具备的一些与传统机械设备不同的特点，因此对轧辊磨床状态故障预测技术进行深入分析和研究便显得特别重要。

参考文献

[1]谭兴强,陈新德.精密轧辊磨床故障振动分析及消除[J].机床与液压，2014(10):64．

[2]李楠．基于单类学习的异常检测方法及其重型装备状态识别应用[D].上海: 上海交通大学，2014．

[3]李子枫,杜文辽，李彦明，等．基于牛顿迭代盲源分离方法的磨床故障诊断[J].振动与冲击2013，32(24):44．