基于BP神经网络的1420冷轧机寿命预测研究-修订版2.doc

基于BP神经网络的1550冷轧机寿命预测研究 （1. 同济大学 中德工程学院 上海 2018042.同济大学 机械工程学院，上海 201804） 1550冷轧机齿轮箱 Residual Life Prediction Research for 1550 cold mining steel Based on Back Propagation Neural Network Methods （1Sino-German College of Applied Sciences, Tongji University, Shanghai, China； 2School of Mechanical Engineering, Tongji University, Shanghai, China） Abstract: Keywords: BP neural networks life prediction model 1550 cold mining gear box 1．引言 设备剩余寿命是指在根据机械设备的当前状态，判断其距离大修或者报废的时间[1]。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，当设备功能故障发生时，设备的状态将终止[2]。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[3]。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. 基于神经网络的寿命预测 良好的状态识别是剩余寿命预测的前提[4]，一个剩余寿命预测系统主要包括设备状态识别模块与设备剩余寿命预测模块。其整个预测系统的过程如图1所示。 图1 基于BP神经网络的寿命预测过程 由于目前所采集的数据以振动信息为主，且振动信息只能反映设备各个被测部件的状态信息。上述的寿命预测过程是针对设备各个部件进行的。首先提取反映设备部件状态信息的参量，将其输入到状态识别模块中来反映设备的运行状态。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；如果显示异常，说明部件状态处于劣化阶段，需运用BP神经网络方法，得到部件的剩余寿命；将所提取的状态信息以及设备的剩余寿命信息提供给企业，使其作出合理的维修决策。假设设备由部件1，2，…，n构成，且部件1，部件2，…，部件n的剩余寿命为。则设备的剩余寿命T为 (1) 3. 基于BP神经网络的设备状态识别 4. 基于BP神经网络的设备剩余寿命预测 5 应用案例 2.1 BP神经网络[5] 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(Back Propagation)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。网络训练采用梯度下降法， 属于δ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 （2） （3） 式中——隐层与输出层间权值； ——输入层与隐层间权值； ——输出误差； ——（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 （4） （5） 为了加快神经网络的收敛，加快学习，防止迭代进入局部最优，应对其输入值进行归一化处理[7],本文中使用的方法如下： (6) BP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，从而估算设备的剩余寿命，为设