基于DAE-BP 的爐輥軸承外圈裂紋識(shí)別

賈宇巍，牛銳祥

（山西太鋼不銹鋼股份有限公司冷軋硅鋼廠，山西 太原 030002）

0 引言

軸承作為連續(xù)退火機(jī)組中爐輥的重要支撐件，一旦發(fā)生故障，極易抱死，直接導(dǎo)致帶鋼劃傷，產(chǎn)生廢品。而目前鋼鐵廠中對爐輥軸承的故障診斷，依靠點(diǎn)檢員通過測溫槍和聽音棒等工具主觀分析，診斷低效且準(zhǔn)確率低[1]。隨著智慧工廠和設(shè)備健康管理的建設(shè)加快，傳統(tǒng)的診斷方法已無法滿足當(dāng)下診斷需求，需要高效的智能故障診斷方法判斷爐輥軸承的健康狀態(tài)。

1 基礎(chǔ)理論

1.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是模擬大腦思考過程的一種算法模型，因其良好的非線性擬合能力，被用于解決分類和回歸等問題[2]。

構(gòu)建的BP 模型包含輸入層、3 個(gè)隱含層和輸出層，它們的神經(jīng)元數(shù)量分別為12、200、100、50 和2。模型選擇Relu 激活函數(shù)、交叉熵?fù)p失函數(shù)、adam 優(yōu)化器、Softmax 分類器，通過梯度下降法訓(xùn)練。

1.2 深度自編碼器

深度自編碼器（DAE）通過堆棧多個(gè)自動(dòng)編碼器構(gòu)建，通過最小化輸入和輸出的重構(gòu)誤差訓(xùn)練模型，多用來提取特征和生成數(shù)據(jù)。

構(gòu)建的DAE 模型包含編碼和解碼兩部分，編碼過程神經(jīng)元數(shù)量分別為12、50、100 和200，解碼過程神經(jīng)元數(shù)量分別為200、100、50 和12。模型選擇Relu激活函數(shù)、均方誤差損失函數(shù)、Adadelta 優(yōu)化器，通過梯度下降法訓(xùn)練[3]。

2 基于DAE-BP 的爐輥軸承故障診斷

2.1 研究對象

研究對象為山西太鋼不銹鋼股份有限公司某廠連續(xù)退火機(jī)組爐輥工作側(cè)軸承，在點(diǎn)檢中通過聽音棒發(fā)現(xiàn)一些軸承存在超出旋轉(zhuǎn)周期頻率的異常振動(dòng)，經(jīng)過檢修拆解，發(fā)現(xiàn)這些軸承外圈均存在不同程度的裂紋，如圖1 所示。在生產(chǎn)中，一線設(shè)備人員往往只關(guān)注爐輥軸承是否發(fā)生故障和故障部位，而對具體的故障模式無過多要求，基于此，這里將所有外圈裂紋劃分為同一個(gè)健康狀態(tài)，僅識(shí)別軸承是否發(fā)生了外圈裂紋故障，而不識(shí)別故障程度。

圖1 故障軸承

2.2 時(shí)域指標(biāo)

時(shí)域指標(biāo)是一線員工判斷設(shè)備狀態(tài)的常用方法，其直觀、高效的特點(diǎn)使其得到廣泛應(yīng)用[4]。為充分表征軸承健康狀態(tài)，提取了其振動(dòng)的12 個(gè)時(shí)域指標(biāo)，分別為有量綱時(shí)域指標(biāo)（峰值、峰峰值、平均值、平均幅值、方根幅值、有效值）和無量綱時(shí)域指標(biāo)（波形指標(biāo)、脈沖指標(biāo)、峰值指標(biāo)、裕度指標(biāo)、歪度指標(biāo)、峭度指標(biāo)），具體如表1 所示。

表1 時(shí)域指標(biāo)

同一根爐輥工作側(cè)故障軸承相比正常軸承的振動(dòng)有量綱時(shí)域指標(biāo)均呈增大趨勢，無量綱時(shí)域指標(biāo)呈減小趨勢。但是不同爐輥軸承因爐輥原因振動(dòng)存在較大差異，如3 號(hào)爐輥正常軸承的振動(dòng)要明顯大于1 號(hào)和2 號(hào)爐輥軸承，單純設(shè)置振動(dòng)閾值無法判斷軸承正常或故障。且在爐輥軸承正常工況下，因軸承振動(dòng)一般弱于爐輥振動(dòng)，振動(dòng)時(shí)域指標(biāo)受爐輥影響較大，時(shí)域指標(biāo)中隱藏的特征難以直觀表達(dá)，導(dǎo)致簡單時(shí)域指標(biāo)分析準(zhǔn)確率較低，需要進(jìn)一步挖掘時(shí)域指標(biāo)中包含的特征。

2.3 基于DAE-BP 的爐輥軸承診斷流程

基于DAE-BP 的爐輥軸承診斷流程如圖2 所示，主要流程包括：

圖2 基于DAE-BP 的爐輥軸承診斷流程

1）收集歷史數(shù)據(jù)，預(yù)處理后制作樣本，得到180個(gè)樣本，按照8∶2 的比例劃分為訓(xùn)練樣本和測試樣本；

2）構(gòu)建DAE 模型，將144 個(gè)訓(xùn)練樣本輸入到模型中，訓(xùn)練模型，迭代100 次，輸出144 個(gè)重構(gòu)樣本；

3）構(gòu)建BP 模型，將重構(gòu)樣本和訓(xùn)練樣本融合的共計(jì)288 個(gè)樣本輸入到模型中，訓(xùn)練模型，迭代100 次；

4）將36 個(gè)測試樣本輸入到BP 模型中，輸出診斷結(jié)果，重復(fù)實(shí)驗(yàn)，保存最優(yōu)模型；

5）在線數(shù)據(jù)可直接驅(qū)動(dòng)最優(yōu)的BP 模型實(shí)現(xiàn)在線故障實(shí)時(shí)分析并輸出診斷結(jié)果。

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)準(zhǔn)備

通過多功能智能移動(dòng)終端以1.5 s 采樣周期和4 096 個(gè)采樣點(diǎn)收集爐輥工作側(cè)故障軸承和正常軸承的振動(dòng)加速度信號(hào)。

實(shí)驗(yàn)樣本涉及3 根爐輥、6 個(gè)軸承的兩種健康狀態(tài)，每個(gè)軸承狀態(tài)下有30 個(gè)樣本，共計(jì)180 個(gè)樣本，其中90 個(gè)正常樣本，90 個(gè)故障樣本，樣本大小為12（代表提取的12 個(gè)時(shí)域指標(biāo)），樣本具體組成如表2 所示。

表2 樣本具體組成信息

3.2 訓(xùn)練過程

DAE 的訓(xùn)練損失如圖3 所示，在0～20 次迭代過程中，模型損失快速下降；在20～50 次迭代過程中，模型損失持續(xù)下降，最終收斂，模型此時(shí)已基本學(xué)到數(shù)據(jù)的有用信息。

圖3 DAE 模型訓(xùn)練的損失曲線

BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率和損失如圖4 所示。在模型訓(xùn)練過程中，在0～20 次迭代時(shí)，模型損失快速下降，準(zhǔn)確率快速上升；在20 次迭代時(shí)，模型有一次較大損失波動(dòng)；此后的20～50 次迭代，訓(xùn)練曲線逐漸平穩(wěn)，模型收斂，此時(shí)可實(shí)現(xiàn)爐輥軸承外圈裂紋的識(shí)別任務(wù)。

圖4 BP 模型訓(xùn)練的準(zhǔn)確率和損失曲線

3.3 模型對比

為證明DAE-BP 模型對爐輥軸承外圈的故障診斷能力，將模型與去除DAE 的BP 模型進(jìn)行對比，對比結(jié)果如表3 所示。DAE-BP 的綜合識(shí)別率99.61%，高于BP 的96.64%，高了2.97%。DAE-BP 的極差為1.96%，小于BP 的6.25%，低了4.29%。分析其原因，BP 對數(shù)據(jù)的特征提取能力有限，經(jīng)過DAE 的數(shù)據(jù)重構(gòu)并和原始數(shù)據(jù)融合，BP 完全學(xué)到爐輥軸承的有效特征。

表3 對比方法的分類準(zhǔn)確率

4 結(jié)語

基于DAE-BP 的爐輥軸承外圈裂紋識(shí)別方法可對外圈裂紋故障進(jìn)行準(zhǔn)確識(shí)別，避免了因不同爐輥振動(dòng)差異較大帶來的干擾，且訓(xùn)練過程穩(wěn)定可靠，對從業(yè)人員主觀因素的依賴較少。但提出方法僅可識(shí)別外圈裂紋故障，無法識(shí)別保持架和滾動(dòng)體故障，下一步將圍繞爐輥軸承故障診斷的全面性做進(jìn)一步研究。