基于BP神經網絡的煤礦電機故障診斷預測

魯建東，魯 嘯

（1. 江蘇省徐州市泉山區龐莊煤礦物業公司，江蘇徐州 221141；2. 國電南瑞科技股份有限公司，江蘇南京 210032）

基于BP神經網絡的煤礦電機故障診斷預測

魯建東1，魯 嘯2

（1. 江蘇省徐州市泉山區龐莊煤礦物業公司，江蘇徐州 221141；2. 國電南瑞科技股份有限公司，江蘇南京 210032）

電機軟故障辨識診斷一直是困擾電機維修工程師一大難題。引入BP神經網絡概念，利用采集到的樣本數據訓練BP神經網絡，得出最優網絡模型。通過典型故障狀態參數測試新方法的辨別能力。結合對煤礦電機參數的訓練測試，通過仿真實驗驗證了這種新方法對電氣故障診斷的有效性。

BP神經網絡；煤礦電機；故障診斷

0 引言

由于電機材料、電子電路故障等因素影響，在電機運行時，會產生局部放電現象，尤其對煤礦企業，電機運行時，電機火花會給操作現場帶來非常嚴重的后果。鑒于此，本文采用神經網絡算法實現對電機的危險性缺陷進行分析判斷，辨別出可能產生放電現象的部件，對電機進行調換與更改。

本文采用三層 BP網絡模型，結合梯度下降算法；把采集到的特征向量分成訓練樣本和測試樣本，分別訓練BP網絡，得到最優模型；再用最優模型測試故障。通過對煤礦電機的仿真研究，結果顯示，BP神經網絡模型能準確辨識出故障類型。

1 BP神經網絡

BP神經網絡基本結構是多層前饋形式網絡，主要特征是信號量前向傳遞，誤差量反向回饋。在前向傳遞過程中，輸入量從輸入層再經隱含層分層處理，最后至輸出層。上一層神經元狀態只單一影響下層神經元狀態。

以三層BP神經網絡為例，設定輸入層為i，隱含層為j，輸出層為k，BP神經網絡結構示意圖如圖1所示。

圖1 BP神經網絡示意圖

隱含層中，神經元j輸入用netj表示，有，

神經元j輸出為，

類推得出，神經元k輸入為，

神經元k輸出為

其中g選擇S型函數：

θ為函數閾值。

由S型函數可以得出神經元輸出

2 BP神經網絡學習法則

BP神經網絡工作原理是以誤差反向傳播尋求最優解，計算實際輸出值與希望輸出值誤差平方和。誤差超出閾值范圍，繼續尋優，最后目標函數逼近理想范圍。本文以梯度算法為例：

設神經元k期望輸出為tpk，網絡實際輸出為opk，則平均誤差為，

式中：E為目標函數。

梯度算法中，權值、閾值系數變化量 Δωkj正比于?E/Δωkj：

其中，設

其中，設

式中：η為學習速率；

BP神經網絡學習法則步驟如下：

1) 訓練樣本集中隨機選取樣本輸入BP神經網絡；

2) 計算實際輸出；

3) 結合實際輸出值，按學習法則計算與期望輸出誤差；

4) 沿著逆方向差值減小路徑，調整網絡權值系數；

5) 循環1)-4)步驟，達到目標誤差結束。

按上述操作步驟，確定每個節點之間的連接權系數，接下來對某些未知采集樣本進行模式識別。

3 基于BP神經網絡的煤礦電機故障診斷預測

本文采用龐莊煤礦的煤礦電機為數據樣本，利用BP神經網絡進行煤礦電機故障診斷預測，驗證算法的優越性。故障模型選軸承損壞、繞組接線燒壞、匝間局部擊穿、繞組燒毀和轉子斷軸，表1為廠用電動機技術參數。

表1 廠用電動機技術參數

將煤礦廠用電動機t時刻個特征參數值作為輸入參數組，而將t+1時刻的值T、ω、P、f等4個參數作為輸出參數組。從案例中隨機選取2000組數據對各種故障情形及正常狀態進行數據采樣，選取其中1900組數據為訓練樣本，100組數據為測試樣本。

目標性能指標設為0.001，學習速率設為0.1。在Matlab仿真環境中進行訓練。將提取的特征向量輸入至該網絡進行訓練，其訓練結果圖2所示。BP網絡經過347步達到訓練所需的目標值，同時通過1000次訓練發現BP網絡能100%收斂。

圖2 BP網絡訓練次數與誤差

通過網絡的訓練得到最優權值W1、W2、B1、B2，如表2～5所示。

表2 最優權值W1

表3 最優閾值B2

表4 最優閾值B1

表5 最優權值W2

將測試數據輸入到訓練好的BP神經網絡進行測試，診斷數據如表6所示，得到的實際輸出與目標值有很好的逼近?？煽闯?，故障辨識能力基本與目標故障吻合，通過對樣本數據特征值提取，可以達到提前預知電機風險，降低電機故障運行。

表6 故障的實際輸出與目標值的比較

4 結論

傳統電機故障診斷方法都是定性到定量的故障確認，而本文直接對合適的樣本集，通過尋求一個參數集使得能量函數最小，直接從定量上確定故障類型，這避免了感官思維的偏差判斷帶來故障診斷的失敗。本文采用的方法可改變感官故障診斷，從理論定性上提高辨識精度。

[1] 劉平, 孟江, 何強. 基于 MATLAB/SIMULINK 的異步電機故障診斷[J]. 煤礦機械, 2013(2): 256-257.

[2] 夏飛, 黃金泉, 周文祥. 基于 MATLAB/SIMULINK的航空發動機建模與仿真研究[J]. 航空動力學報,2007(12): 164-168.

[3] 楊江天, 趙明元. 改進雙譜和經驗模態分解在牽引電機軸承故障診斷中的應用[J]. 中國電機工程學報,2012(18): 140-146.

[4] 田靜, 楊希勤. 一種對永磁同步電機的故障診斷方法[J]. 電機與控制應用, 2009(8): 48-51.

[5] 謝宏, 何怡剛. 離散 Hopfied神經網絡在混燒控制系統故障診斷中的應用[J]. 湖南大學學報: 自然科學版,2007(3): 38-40.

Fault Diagnosis Prediction of Mine Motor Based on BP Neural Network

LU Jian-dong1, LU Xiao2
(1. Pangzhuang Mine Property Company in Distract of Quanshan, Xuzhou 221141, China; 2. NARI Technology Development Co.,Ltd., Nanjing 210032, China)

The motor maintenance engineer has plagued by the identification diagnosis of motor soft fault. The paper introduces the concept of BP neural network, and uses the sample data collected to train BP neural network, and then obtains the optimal network model. The typical fault state parameter is used to test the discrimination ability of the new method. By the training and test of coal mine motor parameters, the simulation can verify the effectiveness of the new method for electric fault diagnosis.

BP neural network; mine motor; fault diagnosis

TM32

A

魯建東（1961-），男，工程師。主要研究方向煤礦自動控制，煤礦安全管理。