基于数据融合的卫生纸机轴承故障诊断与纸张定量测量研究
高速卫生纸机的旋转设备有多个部位，轴承作为旋转设备的重要部件是保证纸机正常运行的关键，因此有必要对纸机轴承进行在线健康状态监测。目前多数有关轴承健康监测的研究都基于专业数采仪器，鲜有利用纸机分散控制系统(Distributed Control System,DCS)在线数据检测。如何在DCS系统稀疏样本的限制下，完成纸机轴承在线监测是减少维修保证产能的关键。定量是纸张质量的重要指标，在高速卫生纸机工作环境下，易受温湿度影响造成测量偏差,且众多企业对生活用纸定测量仍采用离线测量,测量时间长,不能及时指导生产。针对卫生纸机的以上两个关键问题，本文借鉴数据融合思想,发挥多传感器协同作用。通过多传感器数据融合,丰富轴承状态信息，弥补工业DCS数采频率低、数据稀疏的短板，降低单一传感器采集数据的模糊性;将环境温湿度与近红外光传感器信号进行融合，根据温湿度变化,对定量测量补偿，提高测量精度。基于数据融合研究建立的模型，可用于卫生纸机的DCS和质量控制系统(Quality Control System,QCS)。本论文的主要研究内容如下所述: (1)针对数据融合的三种模式进行研究，根据不同类型数据融合的适用场合及融合信号特点，选择相应的融合信号及融合方式。针对高速卫生纸机轴承故障诊断问题，描述了轴承故障表现，系统地分析了六种不同轴承信号在故障中的表征及不同融合算法的适用模型。根据以上对比，结合高速卫生纸机实际硬件情况，选择了振动与电流信号进行融合;基于融合信号的复杂性，确定了纸机轴承故障诊断的决策级融合与特征级融合的诊断模型。针对高速卫生纸机定量测量不精确、速度慢的问题，分析影响定量测量的因素及原理，确定了基于温、湿度及近红外电压数据级融合的定量测量模型。 (2)针对常用融合算法存在先验条件的使用限制，提出了具有普适性的二次最优筛选神经网络(Second Optimal Screening Neural Network,SS-NN)的决策级融合算法。加入优化规则选择振动和电流之间的最佳结果作为局部最优解，循环形成全局最优集，对最优结果进行二次神经网络决策。使用德国帕德恩大学(Paderborn University)轴承数据集，分别用单个振动信号诊断模型、单个电流信号诊断模型与两种信号融合的诊断模型与所优化SS-NN算法模型进行了对比验证。实验结果表明，SS-NN算法可以准确识别轴承的多种故障状态，与其他模型相比，该方法诊断准确率可提高10％～30％。 (3)针对卫生纸机DCS采集速率的限制，提出一种适用于小样本的改进谱峭度图特征级融合轴承故障智能诊断方法。改进的谱峭度图对轴承信号特征进行了进一步的增强，与传统谱峭度图提取的特征相比，本文提出的改进算法将故障诊断准确率从38.0％提高到79.8％。基于改进谱峭度图的特征级融合智能诊断算法，避免了人工识别故障的专业知识限制造成的误判，并且通过融合振动与电流的特征增强特征维数，将故障诊断准确率从79.8％提高到95.1％。 (4)为实现生活用纸定量的快速高精度在线测量，减少温度和湿度的影响，改进了基于数据级融合的粒子群优化(Particle Swarm Optimization,PSO)神经网络(Back-propagation,BP)算法。采用红外定量传感器及温湿度传感器测量获得生活用纸定量数据，对数据分析处理后，建立多元线性回归分析和PSO-BP神经网络的数学模型。对定量的检测结果误差分析发现,在近红外光测量生活用纸定量过程中，采用PSO-BP神经网络的纸张定量测量模型能明显提高测量精度，在克服环境温湿度、水分、纤维等变化引起定量的非线性影响有较好的效果。与多元线性回归测量模型相比，PSO-BP模型的定量测量误差在±0.5g/m2以内。该模型能有效提高测量精度，对克服环境温湿度变化引起的非线性效应有较好的矫正效果。 本文研究的结果表明，采用数据融合建立的纸机故障在线诊断及生活用纸定量在线测量模型，能够提高纸机故障诊断系统的智能性和生活用纸定量测量的精确性，在实验室环境下证明了利用DCS和QCS系统对纸机的在线诊断与测量的可行性。相信随着数据融合技术研究热潮的袭来，制造业的智能化也会得到进一步发展。
高速卫生纸机;轴承结构;故障诊断;纸张测量
陕西科技大学
硕士
化工过程机械
胡连华
2023
中文
TS761.6
2023-09-22（万方平台首次上网日期，不代表论文的发表时间）