BP神经网络用于风机振动报警时间预测

  仪器信息网 ·  2009-08-02 21:40  ·  33871 次点击
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.

0 条回复

暂无讨论,说说你的看法吧!

 回复

你需要  登录  或  注册  后参与讨论!