一种铁水脱硫搅拌器的智能故障诊断方法及系统与流程
本发明涉及一种铁水脱硫搅拌器的智能故障诊断方法及系统，属于钢厂铁水脱硫搅拌器状态监测与故障诊断领域。
背景技术：
kr铁水搅拌脱硫法是日本新日铁研究的一种铁水炉外脱硫技术。这种脱硫法是以一个搅拌器浸入铁水罐进行旋转搅动铁水，使铁水产生旋转，然后将适量的脱硫剂加入铁水，使之与铁水混合并充分反应，达到脱硫的目的。由于其在铁水脱硫领域的优良脱硫效果，因而在国内外钢铁企业得的广泛应用。其工艺流程为：铁水罐先送至扒渣机去除表面的高炉浮渣，在由升降小车下降搅拌器，此时升降小车夹紧，启动搅拌器使铁水罐形成铁水旋涡，通过氮气将氧化钙送入铁水罐内，在高温下与铁水充分接触反应。此方法的脱硫效率高，脱硫剂消耗少，作业时间短，金属耗损低。
铁水脱硫搅拌器是kr法脱硫装置中的重要部件，由旋转轴与搅拌叶片组成。搅拌叶片沿旋转轴周向成十字形均匀布置。旋转轴搅拌叶片由金属芯和耐火材料工作衬构成。由于搅拌器高温间歇式工作状态、以及恶劣的工作环境，导致搅拌器性能下降、甚至结构损坏。因此对搅拌器故障诊断的研究十分有意义。在实际生产中，由于kr法搅拌器随同升降小车上下移动，无法进行离线检测，所以无法获得搅拌器的电机。齿轮箱、轴承、搅拌桨等振动数据。目前炼钢厂大多未对该搅拌器进行任何监测，只是在故障后维修，当搅拌器故障后对正常生产作业产生严重影响，并导致设备损坏，提高生产成本，且存在一定的安全隐患。
传统的故障诊断方法有专家系统、bp神经网络、学习向量量化、支持向量树等诊断方法。传统方法需要繁琐的运算并依赖一定的人为理解及经验才能实现故障诊断，并且无法充分挖掘原始数据中包含的故障信息，不利于检测设备工作状态。目前，国内钢厂收集的轧机数据具有维数高，数据量大的特点。对于现在维数比较多的数据，可以对其进行降维操作。pca的思想是将n维特征映射到k维上，生成全新的k维矩阵。实现工业数据的压缩，使用pca获得低维度的特征样本，加快bp网络学习速度，有效提高诊断精度。
技术实现要素：
为解决现有技术不足，本发明提供了一种铁水脱硫搅拌器的智能故障诊断方法及系统，本发明首先在铁水脱硫搅拌器桨杆设置振动传感器，采集脱硫搅拌杆的振动数据，提取时域特征参数。然后利用pca主成分分析方法将高维初始特征压缩到低维特征，将各个工作状态下得到低维特征参数数据作为输入放到bp网络进行训练，将待诊断数据放入训练好的bp网络，即可通过输出层结果进行故障诊断。本发明具有良好的适用性，在满足故障检测识别率的条件下同时提高了诊断速度，为铁水脱硫搅拌器的故障诊断提供了一种有效的检测方法。
本发明的目的是通过下述技术方案实现的：
一种铁水脱硫搅拌器的智能故障诊断方法，包括如下步骤：
s1.样本时域特征获取：通过在铁水脱硫搅拌器桨杆上安装振动传感器，采集脱硫搅拌器在各种工作状态下(包括正常及各种典型故障)的振动信号并记录；提取振动信号的时域参数作为初始特征。
s2.pca特征降维处理：将步骤1所述的时域参数数据作为故障诊断的特征，采用pca降维处理，对贡献率大于指定值的主成分保留作为样本特征，并与铁水脱硫搅拌器工作状态对应；
s3.训练bp网络分类器：将生成的n维主成分数据作为特征信号输入bp网络，构建bp网络模型；
s4.故障诊断：将测试数据pca降维处理后输入bp网络模型，进行铁水脱硫搅拌器的故障诊断。
其中，所述步骤s1的具体过程如下：
a.在铁水脱硫传感器桨杆上安装振动传感器收集振动信号；
b.将收集的数据截取为相同长度，计算每组数据组的均值、均方根、偏度、峭度、脉冲因子、峰值因子、波形因子、裕度因子的时域参数；
c.将时域参数作为初始参数，组成m×n的矩阵。该矩阵由n个样本组成，每个样本包含m个变量，即m个时域特征参数。
其中，所述步骤s2的具体过程如下：
a.对每个样本数据进行标准化处理；
b.计算标准化矩阵的协方差矩阵；
c.计算前k个主成分的累计贡献率；
d.选取贡献率较大的主成分作为样本特征。
其中，所述步骤s3的具体过程如下：
a.正向前馈训练阶段；
b.反向误差修正阶段。
本发明有益效果如下：
一种铁水脱硫搅拌器的智能故障诊断系统，所述系统包括：
第一振动传感器以及样本时域特征获取模块，用于提取振动信号的时域参数作为初始特征；
第二pca特征降维处理模块，用于将所述时域参数数据作为故障诊断的特征，采用pca降维处理，对贡献率大于指定值的主成分保留作为样本特征，并与铁水脱硫搅拌器工作状态对应，由生成的n维主成分数据组成训练数据；
第三bp网络分类器模块，用于将所述n维主成分数据作为特征信号输入bp网络，构建bp网络模型；
第四故障诊断模块，用于将未知工作状态下的原始数据经过pca降维处理后，生成测试数据，输入所述bp网络模型，根据网络模型输出得到其工作状态，从而进行铁水脱硫搅拌器的故障诊断。
进一步的，所述振动传感器用于：
a.在铁水脱硫传感器桨杆上安装振动传感器收集振动信号；
所述样本时域特征获取模块用于：
b.将收集的数据截取为相同长度，计算每组数据组的均值、均方根、偏度、峭度、脉冲因子、峰值因子、波形因子、裕度因子的时域参数；
c.将时域参数作为初始参数，组成m×n的矩阵，该矩阵由n个样本组成，每个样本包含m个变量，即m个时域特征参数。
进一步的，所述pca特征降维处理模块具体包括：所述pca特征降维处理模块用于
a.对每个样本数据进行标准化处理；
b.计算标准化矩阵的协方差矩阵；
c.计算前k个主成分的累计贡献率；
d.选取贡献率较大的主成分作为样本特征。
进一步的，所述bp网络分类器模块具体包括：所述bp网络分类器模块用于
a.正向前馈训练阶段；
b.反向误差修正阶段。
本发明所提供的方法适用于钢厂铁水脱硫搅拌器状态监测与故障诊断领域，具有良好的适用性，在满足故障检测识别率的条件下同时提高了诊断速度，为铁水脱硫搅拌器的故障诊断提供了一种有效的检测方法。
附图说明
图1是本发明提供的一种铁水脱硫搅拌器的智能故障诊断方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
实施例
如图1所示，本发明提出了一种铁水脱硫搅拌器的智能故障诊断方法，该方法主要包括样本时域特征获取、pca特征降维处理、训练bp网络分类器、故障诊断几部分。该方法流程如图1所示，具体操作包括如下步骤：
s1.样本时域特征获取
通过在铁水脱硫搅拌器桨杆上安装振动传感器，采集脱硫搅拌器在各种工作状态下(包括正常及各种典型故障)的振动信号并记录。具体过程如下：
步骤a、在铁水脱硫搅拌器桨杆上安装振动传感器收集振动信号。收集铁水脱硫搅拌器桨杆在不同工作状态下的振动信号，并与其工作状态对应。
步骤b、将收集的数据截取为相同长度，计算每组数据组的均值、均方根、偏度、峭度、脉冲因子、峰值因子、波形因子、裕度因子的时域参数；
步骤c、将时域参数作为初始参数，组成m×n的矩阵，即。该矩阵由n个样本组成，每个样本包含m个变量，即m个时域特征参数。其中xij表示第i个样本中的第j个变量。
s2.pca特征降维处理
将步骤s2所述的时域参数数据作为故障诊断的特征，采用pca降维处理，对贡献率大于指定值的主成分保留作为样本特征，并与铁水脱硫搅拌器工作状态对应。具体过程如下：
a、对每个样本数据进行标准化处理；即
式中：
b、计算标准化矩阵的协方差矩阵；协方差矩阵为
c、计算前k个主成分的累计贡献率；求出cov矩阵的p个特征值λ1≥λ2≥…λp，以及对应的特征向量u＝(u1,u2,…,up)根据公式求前m个主成分的累计贡献率：
d、选取贡献率较大的主成分作为样本特征。选取贡献率大于80％的前m个主成分，然后提取前m个主成分作为样本特征，求前m个主成分：
y＝utx
式中：u＝(u1,u2,…,up)；y＝(y1,y2,…ym)
s3.训练bp网络分类器将生成的n维主成分数据作为特征信号输入bp网络，构建bp网络模型；
具体过程如下：
a、正向前馈训练阶段；由输入层开始依次计算各神经元，设置训练学习率、激活函数，初始化权值矩阵和偏置量，训练阶段计算公式为：
式中：
b、反向误差修正阶段。当输出层神经元的输出误差不能满足精度要求时，采用梯度下降算法，沿路反向修正各连接权值，使总误差减少。权值调整公式为：
式中：η为学习速率；e为网络输出与期望输出的误差。
s4.故障诊断
将测试数据pca降维处理后输入bp网络模型，进行铁水脱硫搅拌器的故障诊断；将神经网络输出层数据与标签输出数据对比，统计每类的分类错误率。
本发明还提供了一种铁水脱硫搅拌器的智能故障诊断系统，所述系统包括：
第一振动传感器以及样本时域特征获取模块，用于提取振动信号的时域参数作为初始特征；
第二pca特征降维处理模块，用于将所述时域参数数据作为故障诊断的特征，采用pca降维处理，对贡献率大于指定值的主成分保留作为样本特征，并与铁水脱硫搅拌器工作状态对应，由生成的n维主成分数据组成训练数据；
第三bp网络分类器模块，用于将所述n维主成分数据作为特征信号输入bp网络，构建bp网络模型；
第四故障诊断模块，用于将未知工作状态下的原始数据经过pca降维处理后，生成测试数据，输入所述bp网络模型，根据网络模型输出得到其工作状态，从而进行铁水脱硫搅拌器的故障诊断。
进一步的，所述振动传感器用于：
a.在铁水脱硫传感器桨杆上安装振动传感器收集振动信号；
所述样本时域特征获取模块用于：
b.将收集的数据截取为相同长度，计算每组数据组的均值、均方根、偏度、峭度、脉冲因子、峰值因子、波形因子、裕度因子的时域参数；
c.将时域参数作为初始参数，组成m×n的矩阵，该矩阵由n个样本组成，每个样本包含m个变量，即m个时域特征参数。
进一步的，所述pca特征降维处理模块具体包括：所述pca特征降维处理模块用于
a.对每个样本数据进行标准化处理；
b.计算标准化矩阵的协方差矩阵；
c.计算前k个主成分的累计贡献率；
d.选取贡献率较大的主成分作为样本特征。
进一步的，所述bp网络分类器模块具体包括：所述bp网络分类器模块用于
a.正向前馈训练阶段；
b.反向误差修正阶段。
工作原理：本发明首先在铁水脱硫搅拌器桨杆设置振动传感器，采集脱硫搅拌杆的振动数据，提取时域特征参数。然后利用pca主成分分析方法将高维初始特征压缩到低维特征，将各个工作状态下得到低维特征参数数据作为输入放到bp网络进行训练，将待诊断数据放入训练好的bp网络，即可通过输出层结果进行故障诊断。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！