[发明专利]一种基于BP神经网络的破碎机刀具磨损程度判断方法

说明书

本发明公开了一种基于BP神经网络的破碎机刀具磨损程度判断方法，包括如下步骤：S1：基于遗传算法对BP神经网络优化网络结构、网络初始权值与阈值；S2：训练BP神经网络，计算模型误差；S3：更新网络权值与阈值；S4：判断是否满足模型精度，若是，计算状态变量的平均影响值MIV，作为相关性评价指标；S5：将破碎机的状态变量作为输入变量，破碎机刀具的磨损程度作为输出变量，确定输入变量对输出变量的正负相关性及影响大小，根据筛选出的指标参数判断破碎机刀具的磨损程度。本发明的一种基于BP神经网络的破碎机刀具磨损程度判断方法操作简便、缩短了检测的时间、提高了检测精度。

技术领域

本发明属于设备检测技术领域，特别涉及一种基于BP神经网络的破碎机刀具磨损程度判断方法。

背景技术

随着危险废物处置量的大幅提升以及环保督查的日趋严格，危险废物处置企业需要对危险废物采取无害化、减量化、资源化的集中处理。危险废物水泥窑焚烧处置技术是现阶段危险废物处置最彻底的技术之一，通过将危险废物送入水泥窑焚烧处理，能够实现危险废物焚烧处置与水泥行业的节能减排。

危险废物水泥窑焚烧处置技术主要包含两部分，一是预处理环节：根据危险废物的不同种类，采取不同的预处理方式将其调配到容易输送且能满足水泥窑处理的需要；二是上窑环节：根据预处理后危险废物的形态及物化性能选择进入生产系统的合理方式与技术设备。在预处理环节，危险废物的破碎工作由破碎机完成。破碎机通过刀具的剪切、撕裂和挤压作用减小危险废物的物料尺寸。根据已有生产经验，危险废物破碎到较小尺寸有利于提高上窑环节的处置效率。然而，破碎机在工作过程中会不可避免地遇到不可破碎危险废物或高腐蚀性危险废物。一旦有不可破碎危险废物进入破碎机，破碎机刀具会发生反转，反转次数达到设定值后设备需要停机将不可破碎危险废物就地排出。频繁的反转操作会对刀具造成磨损，影响危险废物的破碎，加上更换刀具的成本费用很高，因此有必要对破碎机刀具的磨损程度进行判断，及时采取维护措施提高刀具的使用寿命。破碎机刀具的磨损状态受到危险废物形态及物化性能的直接影响，通过监测与破碎机刀具相关的状态变量，能够间接地获得危险废物对刀具的影响大小，进而对刀具的磨损程度进行判断。但是，破碎机的状态变量众多，如果在判断破碎机刀具磨损程度时对所有变量进行监测将消耗大量成本，部分变量对于判断刀具磨损程度可能根本没有参考价值。因此，有必要对可能影响刀具磨损程度的所有变量进行分析，筛选出相关性较高的状态变量。根据这些状态变量的变化对刀具磨损程度进行判断，及时采取相应的修复操作。状态变量的筛选可以看作是与刀具磨损程度的相关性分析过程，多个状态变量为输入变量，刀具磨损程度为输出变量。要筛选出相关性较高的状态变量，需要构建一个相关性分析模型，得到每个输入变量对输出变量的影响大小，根据影响数值对输入变量排序并完成筛选。反向传播(Back Propagation,BP)神经网络可以用于多个输入变量与输出变量之间的相关性分析，对于变量之间的非线性关系能够做到很好的模拟，反映出的破碎机刀具变量关系更接近于现实。BP神经网络是模仿人的大脑构建的仿真模型，由神经元和神经元的连接构成神经网络，如图1所示为神经网络结构。BP神经网络具有输入层、隐含层、输出层三个部分。输入层有n个神经元，每个神经元对应一个输入变量x_i(i＝1,2,…,n)，输入变量的值也称为网络输入。隐含层层数可能包含一层，也可能包含多层。图1给出的神经网络包含一层隐含层，隐含层有m个神经元，每个神经元对应一个隐含层输出变量y_j(j＝1,2,…,m)。输出层因应用目的不同可以有多个输出神经元，也可以只有一个输出神经元。在图1中输出层有l个神经元，每个神经元对应一个输出变量o_k(k＝1,2,…,l)。v_ij和w_jk分别是输入层到隐含层和隐含层到输出层的网络权值，每个神经元在接收输入信息时将输入数据与权值相乘之后计算，然后向下一层神经元输出。

专利“刀具磨损状态监控方法及设备”(公开号CN108857577A)：该发明提供了一种铣刀刀具磨损状态监控方法及设备，对采集到的主轴电流信号进行小波包分析，得到反映刀具磨损状态的高频部分信号，最后通过回归算法或BP神经网络对磨损状态进行判断。