基于BP神经网络的1420冷轧机寿命预测研究

基于BP神经网络的1550冷轧机寿命预测研究摘要：本文以宝钢1420冷轧机为研究对象，以人工神经网络方法研究冷轧机设备寿命有预测的研究状况，，以企业中所采集的振动信号为输入数据，以剩余寿命为输出的模型，并用MATLAB神经网络工具箱验证了该方法的有效性。关键词：1420冷轧机人工神经网络振动信号MATLAB1•引言［a］残余剩余寿命是指在由设备故障萌芽点至设备功能故障之间的时间。设备的状态过程可由两部分组成：正常运行阶段和设备状态退化阶段。在正常运行阶段，设备的状态信息与测点状态没有明显的关系；在设备状态退化阶段，设备首先处于潜在故障阶段，此阶段有明显的故障征兆，等设备功能故障发生时，设备的状态将终止。寿命预测的时机位于设备状态退化阶段，目的是描述出设备潜在故障发生至设备功能故障之间的曲线变化情况，从而得出设备功能故障前任一时刻的装备状态。在所有的状态监测当中，振动监测是最合适也是最有效的方法［e］。寿命预测的依据是设备的历史振动资料和当前的运行振动资料。1550冷连轧机是冷轧厂的主要设备之一。如何安全高效的运行，并能及时的回馈设备的状态信息，能对设备的寿命预测是亟需解决的问题。目前企业所采集设备的信息以振动信息为主，而反应设备的状态劣化趋势与振动信息并不是显性关系，而是隐性关系。要描述他们之间的关系并不能用明显的数学关系来描述，人工神经网络方法是解决这种问题的方法之一。2.基于BP神经网络的寿命预测一个基于神经网络的残余寿命预测系统，主要包括学习（训练）与预测（匹配）两个过程。良好的状态识别是剩余寿命预测的前提，对于残余剩余寿命预测包括设备状态识别与设备剩余寿命预测。其整个预测系统的过程如图1所示。部件1（测点数据部件1（测点数据）——RBP神经网络111部件1状态识别正常0,注音1BP神经网络21残余剩余寿命L11d意丿——\1部件2状态识别—正常0,注意1—«部件2（测点数据）1——JBP神经网络121-注意BP神经网络224残余剩余寿命L2部件n（测点数据）BP神经网络1n片部件n状态识别—正常0,注意1—BP神经网络2n残余剩余寿命Ln—!，注J11/工F意r图1基于神经网络的寿命预测过程由于设备的测点数据只能反映该设备某部件的工作状态，因此将设备分成各个组成部分，对各部件分步骤进行状态识别与剩余寿命预测。对部件状态识别后，如果显示正常，则无须对其进行寿命预测；如果显示注意，说明部件状态处于劣化阶段，需运用BP神经网络方法，得到部件的残余剩余寿命。假设得到部件1、部件2、…、部件n的残余剩余寿命为LI、L2、…、Ln，则设备的剩余寿命为L=min(Ll,L2,...,Ln)2.1BP神经网络神经网络是由多个神经单元相互联结而成的网络，以大规模模拟处理为主，具有处理复杂多模式及进行联想、推理和记忆的功能。每个神经元以非常简单的方式处理信息，当神经元的输入一旦超过一定阈值时，它便被启动［6］。神经元按层排列，输入信息通过网络逐层传播。每个神经元的传播函数对神经网络的整体非线性行为起着决定作用。在训练期间，通过学习调节网络权值，导致网络输出以最佳方式逼近期望值。基于神经网络模型的剩余寿命预测可划分为模式识别和剩余寿命预测问题。BP(BackPropagation)神经网络是处理此类问题比较合适的方法之一，其基本思想是学习过程内信号的正向传播与误差的反向传播两个过程组成。它属于多层感知器MLP，网络结构由输入层、隐层(1个或多个)和输出层组成，在大多数应用情况下都采用仅含一个隐层的3层BP神经网络［7,8］。网络训练采用梯度下降法，属于5学习规则类，调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比，即，QETOC\o"1-5"\h\z=-耳—j—0丄2,...,m;k=0丄2,...,1(1)jkQ®jkQEAv——耳—i—O，1，2,...,n;j—0，1，2,...,m(2)ijdvij式中®——隐层与输出层间权值；jkv——输入层与隐层间权值；ijE——输出误差；耳(0,1)，比例系数。其学习过程采用误差反传算法，三层感知器的BP学习算法权值调整计算公式为TOC\o"1-5"\h\z—^80y—耳(d—o)o(1—o)y(3)jkkjkkkkjAv=耳8yx—n(£80®)y(1—y)x(4)ijjikjkjjik—1BP神经网络具有较好的非线性映像能力、泛化能力和容错能力。通过把流程工业关键设备各个测点的振动信息作为神经网络的输入，进行状态识别及寿命预测，从而估算设备的残余寿命，为设备健康维护，合理安排设备生产规模及停机时间奠定理论基础。

2.2状态识别[f]设备振动信息的主要包括设备各个部位测点的振动值，每个测点的测量方向为X,Y,乙即水平、垂直和轴向方向，主要关注其速度有效值（mm/s）及其冲击平均值（G）。在神经网络中选取振动信息：速度有效值冲击平均值-xl»输入层隐含层输出层一xn4设备状态振动信息：速度有效值冲击平均值-xl»输入层隐含层输出层一xn4[0，1]0代表正常1代表异常图2基于BP神经网络的状态识别模型2.3剩余寿命预测输入层隐含层输出层振动信息：速度有效值冲击平均值设备剩余寿命T11111输入层隐含层输出层振动信息：速度有效值冲击平均值设备剩余寿命T图3基于BP神经网络的设备剩余寿命预测模型3.案例分析轧机作为轧钢厂的核心设备之一，其工作效率的高低直接决定其它工序的顺行，若轧机故障率高，将造成减产，增加成本，降低效益。利用神经网络来评估诊断连轧机设备状态,能够有效的发现设备问题，避免设备及部件的重大损坏，将故障消灭在萌芽状态，在最佳时机实施最有效、最经济的维修，保持设备的高特性状态。1550冷带钢连轧机是我国引进的大型现代化轧钢设备，轧制技术先进，如图2所示。

图4某钢厂1550冷轧机由于企业中所得到的主要是振动资料，其轧机齿轮箱的测点分布如下：JZL测点②"■ITJZL测点②"■IT宓I树苗①」上电机图5冷轧机齿轮箱测点分布图其测点的数据如下(时间2008.7.3)：表1冷轧机在2008.7.03的测点数据(轧线入口123，出口738m/min)测点1#X1#Y1#Z2#X2#Y2#Z速度有效值(mm/s)0.380.610.600.670.820.89冲击平均值(G)0.080.110.320.190.530.16测点3#X3#Y3#Z4#X4#Y4#Z速度有效值(mm/s)1.011.221.080.931.371.20冲击平均值(G)0.200.170.180.540.350.26本文以5个时间点作为样本训练数据，以第六个作为预测资料。首先将样本归一化处理将其映像在［0，1］之间。输入层参数的选择：由于本文中有4个测点，每个测点6个数据，一共24个输入；输出层参数的选择：一个剩余寿命输出；隐含层参数的选择：隐含层为1层，将归一化后的数据，代入以下的MATLAB程序中以最小误差来确定隐含层的个数。依次代入隐含层个数为5,10,15,20,25,30,35。根据有关神经网络书籍介绍，隐含层个数为输入层个数2倍+1.实验发现隐含层个数为10时，其误差最小。其MATLAB程序如下：net=newff(minmax(x),[10,1],{'tansig','logsig'},'traingdm');net.trainParam.epochs=2000;net.trainParam.lr=0.05;net.trainParam.mc=0.9;net.trainParam.goal=0.0005;net=train(net,x,t);运行程序，网络在训练1628次后达到所要求的误差精度(0.000499915<0.0005)，如图6所示。1Performanceis0.000499915,Goalis0.00051Uiiiiiiin1u'41111111L,■02004006008001000120014001600[St叩Tr引门1628Epochs图6神经网络的迭代步数其训练后的BP神经网络对于样本的输出可用下式输出：a=sim(net,x)a=0.95420.87460.73530.56640.1100表2仿真输出与目标输出对比网络输出目标输出网络输出寿命（day）目标输出寿命（day）误差％0.95421.0000165.07661734.580.87460.8555151.6172148.02.4440.73530.7341127.2069127.00.1630.56640.566597.987298.00.01310.11000.115619.0320.04.85通过对比此表可知，训练后的神经网络误差在所要求的范围内（误差＜5%）。应用上边所创建的神经网络，对于一组数据输出。其输入为X6=[1.001.001.001.001.001.001.001.001.001.001.001.001.001.000.630.350.420.310.180.230.330.151.000.83];a=sim（net,x6）;a=0.0260换算为时间为4.6537天，其目标输出为0.266，目标输出寿命为4.6天。误差为2.21%满足要求。所以此方法比较精确的预测了轧机齿轮箱的故障寿命。4结论本文实现了冷轧机齿轮箱设备故障寿命预测，给钢铁企业提供了信息，保证设备安全正常运转，使企业因为停机而造成的损失降低到最低。结合故障剩余寿命的预测，合理的安排设备的停机时间，制定科学的维护策略，维护钢铁企业的设备安全高效运行。本文只是利用BP神经网络，对于结合HSMM、贝叶斯网络组合寿命预测是一个发展方向。参考文献：[a]焦李成•神经网络计算[M].西安:西安电子科技大学出版社，1996.石复习，杨青.基于神经网络的利乐包装设备零件寿命的预测.农机化研究.2008(11):67-70.[6]刘俊琦;汤霞清;杨国振.人工神经网络在战车电气设备故障诊断中的应用[J].火力与指挥控制，2006(s1)，22-24.[e]N.Gebraeel,M.Law