基于DAE-BP 的爐輥軸承外圈裂紋識別

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)退火機組中爐輥的重要支撐件，一旦發(fā)生故障，極易抱死，直接導致帶鋼劃傷，產(chǎn)生廢品。而目前鋼鐵廠中對爐輥軸承的故障診斷，依靠點檢員通過測溫槍和聽音棒等工具主觀分析，診斷低效且準確率低[1]。隨著智慧工廠和設備健康管理的建設加快，傳統(tǒng)的診斷方法已無法滿足當下診斷需求，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 基礎理論

1.1 BP 神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡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]。

構建的BP 模型包含輸入層、3 個隱含層和輸出層，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)、交叉熵損失函數(shù)、adam 優(yōu)化器、Softmax 分類器，通過梯度下降法訓練。

1.2 深度自編碼器

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

構建的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)退火機組爐輥工作側(cè)軸承，在點檢中通過聽音棒發(fā)現(xiàn)一些軸承存在超出旋轉(zhuǎn)周期頻率的異常振動，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，一線設備人員往往只關注爐輥軸承是否發(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健康狀態(tài)，僅識別軸承是否發(fā)生了外圈裂紋故障，而不識別故障程度。

圖1 故障軸承

2.2 時域指標

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

表1 時域指標

同一根爐輥工作側(cè)故障軸承相比正常軸承的振動有量綱時域指標均呈增大趨勢，無量綱時域指標呈減小趨勢。但是不同爐輥軸承因爐輥原因振動存在較大差異，如3 號爐輥正常軸承的振動要明顯大于1 號和2 號爐輥軸承，單純設置振動閾值無法判斷軸承正?；蚬收?。且在爐輥軸承正常工況下，因軸承振動一般弱于爐輥振動，振動時域指標受爐輥影響較大，時域指標中隱藏的特征難以直觀表達，導致簡單時域指標分析準確率較低，需要進一步挖掘時域指標中包含的特征。

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)，預處理后制作樣本，得到180個樣本，按照8∶2 的比例劃分為訓練樣本和測試樣本；

2）構建DAE 模型，將144 個訓練樣本輸入到模型中，訓練模型，迭代100 次，輸出144 個重構樣本；

3）構建BP 模型，將重構樣本和訓練樣本融合的共計288 個樣本輸入到模型中，訓練模型，迭代100 次；

4）將36 個測試樣本輸入到BP 模型中，輸出診斷結果，重復實驗，保存最優(yōu)模型；

5）在線數(shù)據(jù)可直接驅(qū)動最優(yōu)的BP 模型實現(xiàn)在線故障實時分析并輸出診斷結果。

3 實驗驗證

3.1 數(shù)據(jù)準備

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

實驗樣本涉及3 根爐輥、6 個軸承的兩種健康狀態(tài)，每個軸承狀態(tài)下有30 個樣本，共計180 個樣本，其中90 個正常樣本，90 個故障樣本，樣本大小為12（代表提取的12 個時域指標），樣本具體組成如表2 所示。

表2 樣本具體組成信息

3.2 訓練過程

DAE 的訓練損失如圖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，模型此時已基本學到數(shù)據(jù)的有用信息。

圖3 DAE 模型訓練的損失曲線

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

圖4 BP 模型訓練的準確率和損失曲線

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 模型進行對比，對比結果如表3 所示。DAE-BP 的綜合識別率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)重構并和原始數(shù)據(jù)融合，BP 完全學到爐輥軸承的有效特征。

表3 對比方法的分類準確率

4 結語

基于DAE-BP 的爐輥軸承外圈裂紋識別方法可對外圈裂紋故障進行準確識別，避免了因不同爐輥振動差異較大帶來的干擾，且訓練過程穩(wěn)定可靠，對從業(yè)人員主觀因素的依賴較少。但提出方法僅可識別外圈裂紋故障，無法識別保持架和滾動體故障，下一步將圍繞爐輥軸承故障診斷的全面性做進一步研究。