本发明属于冶金冷轧，尤其涉及一种炉辊健康状态评估与维护方法。
背景技术：
1、炉辊用于带钢在退火炉内输送，其工作状态直接影响带钢的产品质量。目前机组主要炉辊故障为固定键断裂和碳套开裂，断裂部分掉入辊道，使炉辊卡死，导致跳闸，直接划伤带钢。目前钢铁厂对炉辊设备的健康管理主要为2部分，其一是日常点检，生产工人通过“望闻问切”判断炉辊状态，分析炉辊寿命，决定是否在检修时更换炉辊；其二是周期更换，设定炉辊最大工作时间，当上机时间满足条件时，检修时批量更换。方法一费时费力，诊断精度低且速度慢，面对机组上百根炉辊力不从心；方法二虽能提高炉辊工作可靠性，但是一味缩短最大工作时间造成极大浪费，提高了设备维护成本。
技术实现思路
1、本发明的目的是提供一种炉辊健康状态评估与维护方法，解决现有方法费时费力，诊断精度低，一味缩短最大工作时间造成浪费的问题。
2、为达到上述目的，本发明采用如下技术方案：
3、一种炉辊健康状态评估与维护方法，具体步骤如下：
4、s1：健康状态等级划分：研究对象为单侧四键式碳套辊，即石墨碳套通过固定端4个固定键固定在炉辊轴上，在工作中炉辊轴由电动机驱动，扭矩通过4个键传送给碳套，4个键是薄弱点，每个键上有2个螺栓，容易发生螺栓断裂导致键掉落或键附近的碳套断裂，随着炉辊工作时间变长，将其健康状态划分为4个等级：
5、良好：新安装或无异常炉辊，此时炉辊无异响，负载小，运转平稳；
6、合格：炉辊工作2-5个月，负载小，无异响，运转平稳；
7、劣化：炉辊工作6个月及更长时间，出现异响，负载波动，运转不平稳，随时会退化到故障状态，需要在检修时逐步批量更换；
8、故障：碳套固定键断裂、碳套磨损甚至开裂，已导致过跳闸或月内有故障跳闸风险，需要立即更换。
9、s2：炉辊退化趋势分析：炉辊在上机后，随着工作时间加长，炉辊内圈磨损，与炉辊轴缝隙增大，固定端碳套由于有4个键固定，依旧做圆周运动；而自由端碳套却开始做不规则圆周运动，反映在健康等级上，健康状态下的炉辊运转平稳，固定端和自由端振动较小且相近，有效值在0.5mm/s以下；良好状态下的炉辊，两侧振动均逐渐增大仍相近，有效值范围0.5-1.2mm/s；劣化状态下的炉辊，两侧振动均逐渐增大，有效值范围1.2-2.0mm/s，自由端振动相比固定端振动增大更多，有效值差值在0.5mm/s以上；故障状态下的炉辊，固定端和自由端振动大幅增大，有效值均超过2.0mm/s，且自由端振动远远大于固定端，有效值差值在0.8mm/s以上，基于上述分析，表征炉辊健康状态需同时监测炉辊固定端和自由端振动，通过单一指标无法判断炉辊健康状态，需综合考虑多个时域指标，避免异常值对结果影响。
10、s3：通过多功能智能移动终端或现场安装的传感器采集炉辊4个健康状态的固定端和自由端振动信号，数据预处理形成样本后，计算并提取12个时域特征指标（峰值、峰峰值、平均值、平均幅值、方根幅值、有效值、波形指标、脉冲指标、峰值指标、裕度指标、歪度指标、峭度指标），每个样本包含两端振动信号的共计24个时域特征指标。
11、s4：将经过处理的所有样本做健康状态标签标注，按照一定比例划分训练数据和测试数据。
12、s5：构建炉辊健康状态评估的bp神经网络模型，bp神经网络模型包括输入层、隐含层和输出层，输入层神经元对应样本的时域特征指标，输出层神经元对应样本的健康状态标签，设置隐含层网络层结构和神经元数量，提取时域特征指标特征。
13、s6：初始化模型网络层的权重和偏置，使用训练数据训练模型，在模型收敛后保存模型参数，使用测试数据测试模型评估结果，若测试结果良好则保存模型；若测试结果差则将检查样本重新设置模型参数和超参数，重新训练，至测试结果为准确健康状态标签为止，保存模型。
14、s7：获取炉辊在运行过程中产生的实时监测参数，预处理形成样本后输入至训练好的bp神经网络中，输出结果即为炉辊的健康状态标签，将多组数据输入测试输出结果，分析准确率，经测试，该bp神经网络模型适用于炉辊健康状态评估。
15、s8：将训练好的bp神经网络模型健康状态评估程序写入多功能智能移动终端或监测监控平台的健康监测系统。
16、s9：设置点检周期，即对机组所有炉辊全部健康评估一次的最长时间间隔，以天为单位分批对部分炉辊健康评估。
17、s10：通过多功能智能移动终端或现场安装传感器采集目标炉辊振动信号，每根炉辊采集5 组振动信号。
18、s11：预处理振动信号，计算两端的12个时域特征指标，共计24个时域特征指标，生成一维向量，共计5个一维向量，即5个诊断样本。
19、s12：调用bp神经网络模型诊断一维向量，输出标签，若5次检测中连续3次诊断为某标签，即认定该标签为炉辊当前的健康状态，在检修时批量更换劣化和故障状态下的炉辊。
20、所述步骤s3和s7中的预处理方法一样，是对缺失数据拟合曲线补充，由于数据丢失会造成无法计算时域特征指标，具体步骤:将数据写成计算机语言，方便模型在python软件，keras深度学习框架下读取该数据。
21、所述步骤s6中bp神经网络的训练过程为：
22、（1）利用直接堆叠隐含层搭建bp神经网络模型，前一个隐含层的输出作为后层的输入，计算过程可表示为：
23、 （1）
24、式中，x为隐含层输入，y为隐含层输出，w为隐含层权重，b为隐含层偏置，f为激活函数。
25、（2）随机初始化bp神经网络权重矩阵和偏置向量，将训练数据作为模型输入，以梯度下降法最小化交叉熵损失函数训练模型，交叉熵损失函数的计算过程可表示为：
26、 （2）
27、式中，为训练的样本数量，为样本，为样本属于某个健康状态的实际概率，为模型输出概率。
28、（3）在隐含层，通过函数作为激活函数，增加模型的非线性拟合能力，函数的计算过程可表示为：
29、 （3）
30、（4）在输出层，通过函数作为激活函数，实现隐含层提取特征的多分类，函数的计算过程可表示为：
31、 （4）
32、（5）通过梯度下降法训练模型的参数更新计算过程可表示为：
33、 （5）
34、 （6）
35、式中，为学习率，为模型输入，为模型输出。
36、利用测试数据验证模型训练的健康评估精度，驱动最优模型实时评估健康状态。
37、炉辊健康状态不一定按照4个状态先后顺序逐渐劣化，由于炉辊健康受合套、安装等影响较大，不合理安装下的炉辊可能直接进入良好而非健康状态；健康状态评估的重点在于如何确认炉辊所处状态，只要判断出炉辊进入劣化状态，批量更换，在较小成本下保证炉辊不进入故障状态。
38、与现有技术相比，本发明取得的有益效果：
39、（1）采用该健康评估方法缩短点检时间，不仅减少人力和时间成本，提高诊断精度，同时避免一味缩短最大工作时间，批量更换造成浪费的问题；
40、（2）基于炉辊健康状态评估的维护方法相比传统的周期性更换计划，一定程度上强调了炉辊更换的优先级，减少了因合套、安装等问题造成的炉辊提前故障，有助于推进钢铁厂数字化、智能化建设进程；
41、（3）采用bp神经网络模型作为模拟生物处理信息的人工神经网络，具有一定非线性拟合能力，建立炉辊两端诊断信号时域参数和健康状态之间的非线性关系，实现端到端的健康评估。
1.一种炉辊健康状态评估与维护方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种炉辊健康状态评估与维护方法，其特征在于，所述步骤s3和s7中的预处理方法一样，具体步骤:将数据写成计算机语言，方便模型在python软件，keras深度学习框架下读取该数据。
3.根据权利要求1或2任一项所述的一种炉辊健康状态评估与维护方法，其特征在于，所述步骤s6中bp神经网络的训练过程为：
