Approach for Improved Signal-Based Fault Diagnosis of Hot Rolling Mills
Der hier vorgestellte Ansatz ist in der Lage, zwei spezifische schwere Fehler zu erkennen, sie
zu identifizieren, zwischen vier verschiedenen Systemzuständen zu unterscheiden und eine
Prognose bezüglich des Systemverhaltens zu geben. Die vorliegende Arbeit untersucht die
Zustandsüberwachung des komplexen Herstellungsprozesses eines Warmbandwalzwerks.
Eine signalbasierte Fehlerdiagnose und ein Fehlerprognoseansatz für den Bandlauf werden
entwickelt. Eine Literaturübersicht gibt einen Überblick über die bisherige Forschung
zu verwandten Themen. Es wird gezeigt, dass die große Anzahl vorheriger Arbeiten
diese Thematik nicht gelöst hat und dass weitere Untersuchungen erforderlich sind, um
eine zufriedenstellende Lösung der behandelten Probleme zu erhalten. Die Entwicklung
einer neuen Signalverarbeitungskette und die Signalverarbeitungsschritte sind detailliert
dargestellt. Die Klassifikationsaufgabe wird in Fehlerdiagnose, Fehleridentifikation und
Fehlerprognose differenziert. Der vorgeschlagene Ansatz kombiniert fünf verschiedene
Methoden zur Merkmalsextraktion, nämlich Short-Time Fourier Transformation, kontinuierliche
Wavelet Transformation, diskrete Wavelet Transformation, Wigner-Ville Distribution
und Empirical Mode Decomposition, mit zwei verschiedenen Klassifikationsalgorithmen,
nämlich Support-Vektor Maschine und eine Variation der Kreuzkorrelation,
wobei letztere in dieser Arbeit entwickelt wurde. Kombinationen dieser Merkmalsextraktion
und Klassifikationsverfahren werden an Walzkraft-Daten aus einer Warmbreitbandstraße
angewendet.
The approach introduced here is able to detect two specific severe faults, to identify them,
to distinguish between four different system states, and to give a prognosis on the system
behavior. The presented work investigates the condition monitoring of the complex
production process of a hot strip rolling mill. A signal-based fault diagnosis and fault
prognosis approach for strip travel is developed. A literature review gives an overview
about previous research on related topics. It is shown that the great amount of previous
work does not cope with the problems treated in this work and that further investigation
is necessary to provide a satisfactory solution. The design of a new signal processing
chain is presented and the signal processing steps are detailed. The classification task is
differentiated into fault detection, fault identification and fault prognosis. The proposed
approach combines five different methods for feature extraction, namely short time Fourier
transform, continuous wavelet transform, discrete wavelet transform, Wigner-Ville distribution,
and empirical mode decomposition, with two different classification algorithms,
namely support vector machine and a variation of cross-correlation, the latter developed
in this work. Combinations of these feature extraction and classification methods are
applied to rolling force data originating from a hot strip mill.
Preview
Cite
Citation style:
Could not load citation form.