基于BP神經網絡的鉆機齒輪箱故障診斷方法

王昊

（中煤科工集團西安研究院，陜西 西安 710077）

由于ZDY 系列全液壓坑道鉆機設備（以下簡稱鉆機）應用于煤礦井下，工作環境十分惡劣。而鉆機回轉器是鉆機傳動的核心裝置，齒輪是其關鍵部件。在煤礦井下實際使用過程中，由于回轉器中的齒輪、主軸、軸承等發生故障，導致鉆機鉆進工作停滯，進行維修更換配件的實例時有發生。這里齒輪失效的主要形式，有齒根裂痕和彎曲疲勞引起的斷齒等。隨著ZDY 系列鉆機生產規模的擴大，種類的不斷繁衍，改型鉆機的不斷推出，結合不斷發展的診斷技術，對回轉器實施故障診斷，尤其是對齒輪部件的診斷變得十分重要。

隨著故障診斷技術的發展，對回轉器傳動裝置等此類設備的診斷方法也有很多，常見的診斷方法，有磨損殘余物分析診斷法、振動監測技術診斷法、聲發射技術診斷法、光纖傳感技術診斷法、人工神經網絡技術診斷法等。

本文提出了應用BP 神經網絡對回轉器齒輪箱故障進行診斷與預測分析，為鉆機使用者提供提前預判、預知幫助，減少回轉器齒輪故障帶來的經濟損失。

1 樣本數據的采集

為了得到回轉器齒輪箱故障診斷的準確BP 神經網絡模型，對回轉器的齒輪嚙合頻率樣本數據進行采集[2]，采集樣本數據經過歸一化處理后，可得到表1 中的樣本數據，共有12個實際樣本，3 種故障模式[4]。

3 種故障模式分別為：無故障（1，0，0），齒根裂紋（0，1，0），斷齒（0，0，1）。每個樣本有10個特征參數，具體數據見表1 所列。

表1 回轉器齒輪特征樣本數據

為了驗證訓練完成的BP 網絡是否準確，采集了3 組故障數據作為測試數據，測試數據如表2 所列。

表2 齒輪特征測試數據

2 BP 神經網絡設計

根據回轉器齒輪故障樣本的特征，結合BP 神經網絡的特性[3]，在本文中將BP 神經網絡故障診斷模型設計為3 層結構，分別為輸入層、隱含層、輸出層。

輸入層為10個神經元，輸出層為3個神經元，隱含層為15個神經元。

具體神經網絡模型結構圖如圖1 所示。

圖1 BP 網絡模型結構圖

3 MATLAB 程序代碼編寫

為了得到精確的BP 神經網絡模型，需在MATLAB 神經網絡工具箱中編寫訓練程序代碼，MATLAB神經網絡工具箱中有大量可調用的函數，在訓練過程，編寫的程序代碼會自動調用。

現根據上述建立的BP 神經網絡模型和采集的樣本數據，在MATLAB 軟件中編寫完整的程序代碼，部分程序代碼如下：

4 樣本數據訓練

將上述編寫的程序源碼，放入MATLAB 軟件進行訓練，在訓練過程不斷調整隱含層神經元的個數和輸入層與隱含層之間的傳遞函數，盡量使神經網絡模型計算出來的誤差值變小。在必要的時候，需要調整神經網絡模型隱含層的個數，使其誤差達到要求的值。當訓練次數達到400 次左右時，誤差到設定要求，訓練誤差變化曲線如圖2 所示。

圖2 訓練誤差變化曲線圖

下面是回轉器齒輪故障網絡訓練結果：

5 網絡測試及結果分析

（1）實際測試樣本。

（2）神經網絡預測值。

從預測結果值中不難看出，前述所建立的BP 神經網絡模型十分精確，能夠實現對鉆機回轉器齒輪箱準確地故障診斷與預測，可以為使用鉆機鉆進工作者提供齒輪箱提前預判，使設備維修人員提前得知維修或更換準備信息。在現實鉆機使用中，具有極大指導價值。

6 結束語

本文的研究，得到如下結論：

一是實現對回轉器齒輪故障特征數據的采集樣本，利用編程MATLAB 工具編寫了訓練程序代碼，實現對采集樣本數據的訓練，得到精確網絡模型。

二是最后對所得網絡模型進行了測試和檢驗，實驗證明文中所建立的BP 網絡模型可行，可以實現對回轉器齒輪箱故障診斷與預測。

三是建立BP 網絡模型，相對于傳統故障診斷方法，可以較為準確、方便、科學地實現鉆機回轉器齒輪箱故障診斷與預測，為鉆機使用者、維修者提供幫助。

[1]施 平.機械工程專業英語[M].哈爾濱：哈爾濱工業大學出版社，2003.

[2]蘭 芳. 齒輪典型故障診斷研究[J]. 四川冶金，2006，（1）：18-20

[3]郭 晶，孫偉娟.神經網絡理論與MATLAB7 實現[M].北京：電子工業出版社，2005.

[4]熊 偉，程加堂，徐紹坤. 基于證據理論的齒輪故障診斷[J].機械傳動，2011，（9）：34-36.