基于神经网络棉纺设备运行状态预测研究

《基于神经网络棉纺设备运行状态预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于神经网络棉纺设备运行状态预测研究　　摘要：科学、合理、有效地对棉纺设备运行状态进行一个综合性的预测评估，对于提高企业的技术水平和经济效益、提高设备的利用率和可靠性、保证人身的安全性都是很有帮助的。该文通过建立基于动量因子的BP神经网络模型，确定合理的神经网络结构，并通过调整学习速率、动量因子等参数，确定最终的阈值和权值，进而对棉纺设备的运行状态进行评估预测。经过实例分析，此BP神经网络模型可以有效地解决该预测问题，验证了该预测模型的合理性。关键词：棉纺设备；运行状态；BP神经网络中图分类号：TP311文献标识码：A文章

2、编号：1009-3044（2014）04-0824-05纺织行业十分重视各项基础管理，其中棉纺设备的管理是各项生产管理的基础。棉纺设备的使用好坏直接影响企业生产过程中的生产效率、产品的质量、产品的产量和生产成本的消耗，成为影响纺织企业经济效益提升的很重要的因素。因此，正确的对棉纺设备的运行状态进行评估，从而制定更加合理的检修计划，就显得尤为重要[1]。10目前，企业的定期大、小平车管理制度体现了设备检修中预防为主的思想，它相对于那种事后检修策略是进步的。但这种检修管理制度由于没有考虑各类设备初始状态的差异性，以及设备在不同

3、环境下运行状态的变化，因而既在理论上有缺陷，又在实际中有盲目性。随着科学技术的进步和发展，新工艺与新产品的不断涌现，中外技术的不断交流，棉纺设备的质量得到很大提高，棉纺设备已有了本质的飞跃。机电一体化、半自动、全自动棉纺设备大量使用，新技术、新成果不断应用，设备的运行可靠性大大提高了；因此，纺织设备的维护已出现了新问题。如果继续按大、小平车检修管理制度所规定的周期对设备进行频繁的检修，势必要大幅度增加维修人员和检修工作量，增加企业生产和管理成本。因此，需要一个更好的对设备运行状态做一个综合评估的预测评估，来指导设备的大小平

4、、部分保全等的选择[2]。我们根据纺织企业的特点和某企业的实际情况，利用基于动量因子的BP神经网络模型，确立一个新的评估棉纺设备运行状态的评估标准，为该企业棉纺设备的综合管理提供一个重要的参考依据。1设备运行状态预测方法的确定设备运行状态预测模型是一个复杂的非线性模型，影响设备运行状态的因素也比较多，且各个因素之间会存在不同程度的耦合关系。BP神经元网络对于非线性模型具有模型优化的能力，所以通过使用BP神经网络模型来对设备运行状态进行预测比较可行[3]。10BP（BackPropagation）神经网络是一种按误差逆传播算

5、法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。利用BP神经网络模型解决设备的运行状态预测问题的流程大致为：经过前期的资料调研，确定影响设备运行状态的关键因素（特征值），然后采集这些关键因素的数据，并进行数据处理，从中提取出样本数据，建立合适的神经网络模型，训练和学习神经网络，最终实现预测设备运行状态数据的功能。预测流程图如图1所示。2BP神经网络模型的结构设计根据纺织设备的运维特点，其中以某一类设备（如细纱机）的某一种相

6、同型号（如FA506）为例，分别从技术性指标、经济性指标、环境性指标、安全健康指标等方面考虑，可以选取以下几个特征参数：设备残值、月折旧额、月产量、单位产品成本、单位产品维护费用、能源利用率、噪声、设备安全性等来表示设备的运行状态特点，即作为网络的输入。10在所选输入参数中，设备残值指的是设备现有的剩余价值，且设备残值越高，对应的设备运行状态一般也越好；月折旧额指的是设备每月折损的价值，月折旧额越低，对应的设备运行状态一般越好；月产量指的是该台设备每月实际生产的合格产品数量，产量越高，说明设备的生产能力越强，运行状态一般越

7、好；单位产品成本指的是设备生产出来单位产品所需要的生产费用，所需费用越少，成本越低，设备运行状态一般越好；单位产品维修费用指的是生产单位产品所需要的维修费用，所需费用越少，则说明设备运行状态一般越好；能源利用率主要指对能源的利用效率，利用效率越高，则说明设备运行状态一般越好；噪声主要指设备运行生产过程中的聒噪程度，噪声越低，工作环境越好，设备运行情况一般越好；设备安全性主要指设备运行操作时的安全指数，安全指数越高，越有利于设备的正常运行，设备的运行状态才越好。根据纺织设备的实际情况，把设备运行状态作为评定运行设备优劣标准的

8、网络的输出，即优秀、良好、一般、较差四个标准，分别用3、2、1、0表示。由上述分析可得，网络输入为8个，输出为1个。由于网络层次太多会影响网络收敛速度，本例选择三层网络结构，即只有一层隐含层，就能够合理的解决本预测问题。隐含层的神经元个数不是固定的，常用的经验公式为[I=M+P+A]（M、I、P分别表示