基于BP神经网络的炉辊传动部故障诊断.pdf

基于 BP 神经网络的炉辊传动部故障诊断索瑞悦，牛锐祥（山西太钢不锈钢股份有限公司冷轧硅钢厂，山西太原030003）摘要：为了实现连续退火炉炉辊传动部的故障精准定位，采用 BP 神经网络诊断炉辊传动部故障。按照采样周期采集炉辊传动部 4 个测点的振动信号并提取时域指标；构建基于 BP 神经网络的炉辊传动部的故障诊断模型；将提取的时域指标制作数据集，构建训练模型并验证。实验结果表明：基于 BP 神经网络的炉辊传动部故障诊断准确率达到了 98.11%，有效实现了炉辊传动部故障的精准定位，为炉辊传动部的故障分析提供了思路。关键词：BP 神经网络；炉辊传动部；故障诊断中图分类号：TF31文献标识码：A文章编号：1672-1152（2023）09-0041-030引言与罩式退火炉相比，冷轧连续退火机组生产效率高、生产成本低，已被广泛使用1。炉辊是退火炉内极其重要且数量庞大的旋转机械设备，由电机驱动，经减速器、联轴器带动炉辊旋转，炉辊传动侧相比工作侧设备多样、结构复杂、工作恶劣，任一设备出现异常，都将影响炉辊的运转稳定，导致废品产生。传统对于炉辊的故障诊断依赖于点检员的“望闻问切”，需要点检员身临其境，通过五官判断其健康状态，不仅效率低下且容易误诊，严重影响设备的维护效率。便携式点检设备的普及无疑将有助于点检员的故障识别，但仍掣肘于点检方法的有效性，急需寻找一种高效准确的故障诊断方法以改变现状。1炉辊故障分析此次研究的对象炉辊为碳套辊，包含炉辊轴和石墨碳套，碳套通过传动侧固定键固定在炉辊轴上，通过电机驱动，经减速器和联轴器带动炉辊轴旋转，转矩由固定螺栓传递到键，最终带动碳套旋转2。一般将炉辊分为传动侧和工作侧，传动侧包含电机、减速器、联轴器、轴承座，工作侧仅有轴承座，因此，主要对炉辊传动侧进行故障诊断分析。炉辊传动部有以下常见故障：1）炉辊故障：炉辊振动过大、炉辊与碳套的固定键螺栓断裂、碳套表面划伤、炉辊弯曲。2）轴承座故障：一般为轴承故障，偶有发生轴承座故障，如挡油环损坏、石墨密封损坏和固定螺栓松动。3）联轴器故障：联轴器螺栓松动、联轴器与防护罩摩擦、皮套子损坏。4）减速器故障：一般为轴承和齿轮故障，偶有发生螺栓松动和润滑油泄漏。5）电机故障：一般为轴承故障，偶有发生异常振动、短路过载等。基于上述分析，炉辊传动部在工作时会产生较大振动，由此导致各螺栓松动；各种旋转机械常出现振动且润滑效果不良的现象，会导致轴承和齿轮等发生常见故障。多个设备耦合导致其故障识别存在较大难度，各专业分工后仍有紧密联系，导致工作效率低下。因此，实现炉辊传动部故障精准定位、精确识别具有重要意义。2基于 BP 神经网络的炉辊传动部故障诊断故障的出现会导致振动信号发生变化，而多个设备的振动信号会随着距离、接触等产生不同程度的衰减，因此提出针对炉辊传动部的 4 测点布置方案。4 个测点分别为炉壳、轴承座、减速器和电机，传感器均布设在设备的中位线水平方向上。振动信号随时间的变化特征可以直观表现在时域波形上，当信号异常时，时域波形会发生明显的变化，同时某个或多个指标发生明显变化。而时域指标分析相比时域波形分析具有计算量小、易于观察和准确率高的特点3。该方法提取了每个测点振动信号的 12 个时域指标，包含有峰值、峰峰值、平均值、平均幅值、方根幅值、有效值、波形指标、脉冲指标、峰值指标、裕度指标、歪度指标和峭度指标。4 个测点的共计 48 个时域指标展成一维向量作为 BP 神经网络的输入。BP 神经网络是一种模拟人类大脑思考过程的算法模型，具有良好的输入-输出映射能力，被应用于解决多场景下的分类、回归等问题4。这里构建了具有输入层、3 个隐含层和输出层的 BP 神经网络，其中，输入层有 48 个神经元，对应48 个时域指标；3 个隐含层分别有 500、200 和 100 个神经元；输出层有 9 个神经元，对应 9 种故障。模型选收稿日期：2023-04-23第一作者简介：索瑞悦（1996），女，山西忻州人，本科，助理工程师。总第 212 期2023 年第 9 期山西冶金Shanxi MetallurgyTotal 212No.9，2023DOI:10.16525/14-1167/tf.2023.09.016试（实）验研究山西冶金E-mail:第 46 卷123456789123456789预测标签98765432101-2损失曲线图 1模型训练的准确率和损失曲线择Relu 激活函数、Softmax 分类器、交叉熵损失函数，通过反向梯度下降法训练，训练集、验证集和测试集比例为 622。3实验验证实验数据采集自山西太钢不锈钢股份有限公司某厂连续退火机组，通过多功能智能移动终端采集退火炉炉辊传动部 4 个测点的加速度振动信号，采样周期为 1.5 s，采样点数 4 096，重叠率 0%。实验样本组成如表 1 所示，涉及炉辊传动部的 9种故障，其中，涉及炉辊、轴承、联轴器和减速器的分别有 4、3、2、1 种，6 种故障涉及单设备，3 种故障涉及多设备。每种故障状态下有 30 个样本，样本尺寸为148，共计 270 个样本，由于样本数量较少，因此对模型面对样本数量稀少等情况时的训练能力也提出了考验。模型选择 adam 优化器，学习率设置为 0.001，迭代次数设置为 50。BP 神经网络的训练准确率和损失如图 1 所示。在模型训练过程中，随着迭代次数的不断增加，在010 次迭代，模型损失快速下降；在 1020 次迭代中，模型微调参数，准确率逐步收敛于 1.0；在 2050 次迭代中，模型已完成训练过程，充分学习到不同故障下的时域指标特征。训练好的 BP 神经网络在测试集上的识别状况通过混淆矩阵展示，如图 2 所示。模型将 1 个标签为 2的样本错误识别为标签 9，其余均识别正确。分析其原因：故障 2 为轴承卡阻导致电机负载过高，故障 9为轴承外圈裂纹且密封损坏，2 种故障均有不同程度的轴承故障，2 种轴承故障在振动时域指标上有一定相似的时域指标表现，同时通过移动设备采集振动信号，会存在数据丢失、异常等问题，这 2 个原因导致故障识别不准确。通过 T-SNE 可视化分析，将 3 个隐含层和输出层输出的特征降维可视化，如图 3 所示。隐含层 1 中，故障 2、3、6、9 杂乱无章，其余故障仅有聚类边界相接；隐含层 2 中，各故障样本有分类聚类的趋势；隐含层 3 中，各故障特征均实现聚类和分类，有 1 个故障2 的样本游离；输出层中，与隐含层 3 相似，但故障 2样本和故障 9 样本聚类。训练过程中的错误识别样本从图 3-1 开始便处于游离状态，在图 3-2、3-3 中一直游离，可以推测该样本特征不明显，这是导致其识别错误的重要原因。4结语针对炉辊轴承故障定位难的问题，将 BP 神经网络用于炉辊传动部的故障诊断。基于功能智慧移动终端采集 4 个测点振动信号，提取时域指标，构建模型并验证，故障识别准确率达 98.11%，有效提高了故障诊断效率。但是，目前研究中的炉辊传动部故障机理分析不深入、不具体，且其实用性需作进一步验证，下表 1样本具体组成故障形式大小数量标签炉辊与碳套固定键松动148301轴承卡阻导致电机负载过高148302电机不对中且轴承外圈裂纹导致电机负载高148303炉辊轻微异响148304炉辊碳套振动过大148305减速器轴承故障导致负载高148306联轴器与防护罩摩擦148307炉辊与碳套固定键螺栓断裂148308轴承外圈裂纹且密封损坏1483091-1准确率曲线图 2测试集混淆矩阵1.00.90.80.70.60.50.40.30.201020304050迭代次数54321001020304050迭代次数42窑窑2023 年第 9 期Determination of Vanadium in Pig Iron by Fusion Sampling-X-ray FluorescenceSpectrometryZhang Xiaoxiao,Liu Xiaohui,Zhu Yong,Wang Chunyan,Zhang Yong（Wuhu Xinxing Ductile Iron Pipes Co.,Ltd.,Wuhu Anhui 241002,China）Abstract:The raw iron scraps were decomposed and oxidized by dilute nitric acid，dried at low temperature，and then melted to prepareglass samples.The problem of platinum-gold crucible corrosion of pig iron samples was solved.The glass samples were quickly prepared，and after determining the analysis conditions，the content of vanadium in pig iron was determined by X-ray fluorescence spectrometry withsatisfactory results.Key words:X-ray fluorescence spectroscopy;pig iron;vanadium3-4输出层一步将围绕炉辊的故障机理分析和模型的实用性作进一步研究。参考文献1顾天舒.冷轧连退机组在线监测系统的设计与应用D.哈尔滨：哈尔滨工业大学，2020.2王明，张兴，刘兆月，等.冷轧连续退火机组炉辊失效原因分析及改进措施J.工业炉，2021，43（6）：19-24.3程秀芳，王鹏.基于时域和频域分析的滚动轴承故障诊断J.华北理工大学学报（自然科学版），2020，42（1）：58-64.4梁学胜，高伟强，许东伟，等.基于 BP 神经网络的机器人力矩补偿研究J.机床与液压，2023，51（1）：26-30.（编辑：武倩倩）3-1隐含层 13-2隐含层 23-3隐含层 3Fault Diagnosis of Furnace Roll Bearing Based on BP Neural NetworkSuo Ruiyue,Niu Ruixiang（Shanxi Taigang Stainless Steel Co.,Ltd.,Taiyuan Shanxi 030003,China）Abstract:In order to accurately locate the fault of the furnace roll transmission department of the continuous annealing furnace，BP neuralnetwork is used to diagnose the fault of the furnace roll transmission department.Firstly，the vibration signals of the four measuring points ofthe furnace roll transmission department are collected according to the sampling period and the time-domain indexes are extracted.Then，thefault diagnosis model of furnace roll transmission department fault diagnosis model based on BP neural network is constructed.Finally，theextracted time domain indicators are made into data sets，and the model is trained and verified.The experimental results show that theaccuracy of the fault diagnosis of the furnace roll transmission department based on BP neural network reaches 98.11%，which effectivelyrealizes the fault location of the furnace roll transmission department，and provides ideas for the fault analysis of the furnace roll transmissiondepartment.Key words:BP neural network；furnace roll transmission department；fault diagnosis100500-50-1000-5050100-1006040200-200-2020-40-60406040200-20-400-2020-40407550250-25-50-75-1000-2020-4040125703486125703486125703486125703486（上接第 7 页）索瑞悦，等：基于 BP 神经网络的炉辊传动部故障诊断图 3T-SNE 可视化分析43窑窑