秦衡峰，卜英勇，王福亮
摘要：提取D350风机转子在一段时间内的水平、垂直和轴向振动值，以此为样本值，应用BP神经网络算法训练，然后预测D350风机的振动报警时间。预测结果表明与实际报警的发生时间非常接近。
关键词：预测；风机；振动；神经网络
中图分类号：TP206.3文献标识码：B
本文通过对某台D350风机进行状态监测，提取数据库中的转子振动值，设计了一个BP神经网络，对报警时间进行预测。相对最小二乘法、时间序列法及灰色系统预测模型预测等方法，这种方法更简单，结果更令人满意。
一、故障预测方法
风机是一种旋转机械，由前后两个轴承支撑，通过联轴器与驱动装置相联。整个风机系统中轴承是主要的故障源，由于轴瓦磨损，导致风机转子不对中、偏心距增大，从而风机效率降低甚至造成安全生产事故。通过监测后轴承轴瓦轴向、水平、垂直三个方向的振动速度，就可以监视轴承磨损的情况，防止发生事故。
振动速度值可通过在轴瓦上安装三个速度传感器来获取，获得的信号经处理后输入计算机数据库，即可作为故障预测的依据。通过传感器系统获得轴瓦一段时间（例如连续50天）三个方向的振动速度值后，输入特定结构的BP神经网络训练，就可获得故障预测用的非线性神经网络模型。
二、建立人工神经网络模型
人工神经网络模型的种类很多，本文采用BP神经网络模型。根据上述分析，可将D350风机后轴承轴瓦轴向、水平、垂直三个方向的振动速度值作为BP神经网络的输入向量
X==｛x1，x2，x3｝
=｛轴向振动值，水平振动值，垂直振动值｝
单位为mm/s，与上述输入向量对应的输出是时间（对于训练样本是监测时间，对于预测样本是故障发生的时间），所以BP神经网络的输出向量设计为Y=｛时间｝，单位为天。
按上述分析，建立BP神经网络模型。该神经网络有三个输入神经元、一个输出神经元、十个隐含层神经元。网络采用梯度下降算法，隐含闹值函数采用tan-sigmoid函数，输出层为防止输出饱和采用purelin函数。
三、神经网络的训练
通过对风机轴承振动的连续监测与记录，获得了轴瓦连续50天在三个方向的振动速度数据，部分如表1所示。
表1部分实验监测数据单位：mm/s
这些监测数据就是BP神经网络的训练和检验样本。为了验证模型的可靠性，将数据分成两部分，前43天的数据作为训练样本，后7天的数据作为预测结果的测试和检验样本。为此，首先将前43天的训练样本数据输入上述BP神经网络训练，经过400个周期后，误差可收敛到小于0.00时可认为网络的学习结束，得到了故障预测用的神经网络。然后将后7天的数据作为测试样本输入该神经网络进行仿真预测，结果如图2所示。其中实线是预测值，x标记是实测值。由图可知，预测与实测的结果非常相近，误差最大的是倒数第二组数误差只有1.3%，其余6天的误差，见图3所示。由此可认为利用该神经网络模型对风机的近期（8天以内）进行故障预测，其结果应该是可靠的。
按照上述方法，将50天的数据全部输入BP神经网络重新训练，经过500个周期就可收敛到0.002的精度。这样就得到了实际可用的BP神经网络预测模型，可预测第50天以后未来几天故障发生的时间。
四、故障发生时间预测
预测用的输入向量是无法事先获得的。在此可对每一种振动速度进行曲线拟合，得到它们未来8天的估计值，如表2所示。
表2未来8天的振动速度估计单位：mm/s
获得了未来8天的振动速度估计后，就可将其作为预测样本输入神经网络进行预测，结果如图4所示。图中，实线是BP神经网络对未来8天的预测曲线，x标记的前50天是实测数据，后面的8天是线性拟合估计的数据。由图可知，线性拟合预测故障发生的时间比BP神经网络预测的时间要迟。这主要是由于线性拟合的数据没有考虑三种数据间的相关性，所以预测的结果偏高；而BP神经网络的预测则充分考虑了这些因素，所以预测结果应该更准确。
一般认为，当轴瓦任一方向的振动速度超过4mm/s以后，风机就会发生故障。故以3.3mm/s为报警值（图4中上部水平实线所示）。根据估计的振动值，预测将在第53.7天发生报警。结果是在第53天的中午发生了报警，与预测的结果非常接近。而用最小二乘法统计模型进行预测，故障报警发生的时间是第55天，比实际发生时间晚了2天多。
五、结论
基于BP神经网络的故障预测技术正处于研究探讨阶段。本文在分析了D350风机的故障源之后，针对故障发生时间的特点，设计了一个BP神经网络模型对故障发生的时间进行预测。该方法具有计算简单，预测准确的特点。这里只是利用了D350风机后轴承轴瓦三个方向的振动速度信息，如果再加上前轴承轴瓦振动速度的信息，结果应该会更准确。
参考文献：
徐小力，许宝杰，张森．机械设备趋势预测与神经网络预测方法的研究．现代机械，2000，9(l):62-64.
张荣标，蔡兰，孙玉坤．基于时间序列信息分离预测法的大型旋转艇体温度动态测试研究．电工技术学报，2002，17(5):96-100.
陈举华，郭毅之．GM模糊优化方法在小子样机械系统故障预测中的应用．中国机械工程，2002，13(19):1658-1660.
李学桥，马莉．神经网络一工程应用．重庆：重庆大学出版社，1996，37-41.