轧辊性能直接影响钢铁轧制流程的生产效率和生产质量,结合轧辊的复杂运行环境和波动工况条件,精准预测轧辊运行状态的时序变化特征与剩余寿命对生产流程精细化、智能化、高效化尤为重要。考虑轧辊服役过程中的动态不确定性,提出一种结合贝叶斯神经网络的长短期记忆网络(Bayesian long short term memory,Bayesian-LSTM)方法,提取健康指标以评估轧辊健康状态,并智能预测轧辊剩余寿命,量化其分布特征的区间不确定性,进一步讨论Bayesian-LSTM网络结构参数对寿命区间的动态影响。通过某热轧厂的实际运行数据验证了方法的有效性,结果表明:所提出方法相对传统数据驱动方法,预测精度达到96.90%,实现了热轧轧辊寿命智能预测和不确定性评估。
暂无评论