基于軟件控制的連續采煤機運轉故障診斷系統開發與應用

李卓一

【摘 要】本文對連續采煤機這一設備常出現的故障和造成故障的原因進行分析，并且以遺傳算法（GA）與粒子群算法（PSO）為優化工具，然后結合BP神經網絡的方法對運煤系統的故障診斷進行研究。分析結果顯示，采用這種方法能夠很好的使BP神經網絡遠離局部極小值，也就是提高了設備的精度，能夠快捷、方便、準確的對設備進行故障診斷。

【關鍵詞】連續采煤機 運煤系統 神經網絡 故障診斷

連續采煤機的最重要的組成單元就是運煤系統，其性能的好壞對連續采煤機的生產效率起著決定性作用，所以在故障診斷方便對運煤系統進行研究就極其有意義。傳統的故障診斷方法就是BP神經網絡，它有很多的缺點，為了提高精度要對BP神經網絡進行優化，最有效的優化方法就是GA-PSO混合算法，這一算法具有很多優點，在權值訓練和收斂速度方面都有顯著優勢，并且有效的避開了局部最小值。因此，本文對運煤系統的故障診斷利用GA-PSO混合優化BP神經網絡的方法進行研究。

1 故障分析與檢測方法

運煤系統是由液壓系統驅動的，其組成部分有底軸1、升降液壓缸2、擺動液壓缸3、刮板鏈和刮板4和卸料滾軸5等，如圖1所示。

圖1 運輸系統簡圖

1.1 故障現象和故障原因

運煤系統會有下面一些故障情況：-刮板鏈有著很小的傳動速度，-刮板鏈有著不穩定的傳動速度，-刮板鏈的傳動不穩定造成的很大震動和噪聲，-底軸1運行時溫度過高，-卸料滾軸5運行時溫度過高，-刮板鏈4的松緊度有問題，-該系統在豎直方向不能擺動自如，-該系統水平方向不能擺動自如，-該系統的循環管路溫度過高， -該系統循環管路有漏油現象。

分析之后，多種故障的原因可以表示如下：-該系統的離合器出現打滑，-該系統的底軸和鏈輪由于摩擦發生損傷，-在軸承部位缺少潤滑油，-該系統用于卸料的軸承處缺少潤滑油，-有升降作用的液壓缸出現了漏油，-有擺動作用的液壓缸出現了漏油，-該系統的循環管路有損壞，-具有升降作用的液壓缸的控制閥發生損傷，-該系統后半部分不能運行，-該系統的張緊部位不能正常運轉，-循環管路的密封作用失效，-由于雜質使液壓液不純，-液壓液的容積不夠，-具有擺動作用的液壓缸的控制閥有了破壞。

1.2 檢測方法

在運煤系統上設定信息檢測點，每個檢測點安裝上傳感器，來采集各個關鍵點的相應信號（如圖1）。用于檢測故障信號、、的溫度傳感器安裝在該系統的軸承座上。用于檢測故障信號、的壓力傳感器安裝在該系統的液壓缸的升降管路上。用于檢測故障信號、的壓力傳感器安裝在該系統的液壓缸的擺動管路上。用于檢測故障信號、的溫度傳感器安裝在該系統的液壓管路上。用于檢測故障信號、、的電磁感應傳感器安裝在該系統的中部。用于檢測故障信號、、的溫度傳感器安裝在該系統的滾軸軸承座上。

2 GA和PSO混合優化BP網絡的仿真及其比較分析

2.1 GA和PSO混合優化BP網絡的特點

將遺傳算法和粒子群算法進行串行和并行結合，可以在有限的提高精度的基礎上保持粒子群算法的快速收斂。由于兩套算法相融合可以使各自的優點和特征充分發揮，進而可以更有效的優化BP神經網絡。

首先進行粒子群算法的算子操作，其中種群數m=60，每個種群n={，，，}。適應值可以結合m×n。得到適應值后，更新速度與位置也就可以得到。其中加權系數取1，學習因子和分別取2。滿足精度要求后再作為遺傳算子操作，采用實數編碼，交叉率為0.95，變異率與適應值有關。在這一過程中，當達到最大代數后跳回PSO算子，直到滿足總精度后結束程序，否則進行循環計算。BP神經網絡的初始值設置為閥值，和權值，，經過自學習訓練，專家系統的知識庫也就可以形成。

2.2 GA和PSO混合優化BP神經網絡的仿真與其他網絡的比較

把傳統BP神經網絡與PSO優化后的BP神經網絡、GA優化后的BP神經網絡、GA-PSO混合優化后的BP神經網絡進行比較，圖2為用MATLAB仿真得到的誤差曲線。

圖2誤差曲線

仿真結果表明，用GA優化后的BP神經網與用PSO優化后的BP神經網絡相比，收斂精度高，但是收斂時間較長；然而，傳統BP神經網絡在收斂的時間和收斂精度方面都無優勢；用GA-PSO混合優化后的BP神經網絡在時間和收斂精度上的優勢非常明顯。

3 結論

（1）BP神經網絡經過遺傳算法（GA）和粒子群算法（PSO）進行優化后，對連續采煤機運煤系統進行故障診斷比單純使用傳統的BP神經網絡進行診斷更加準確和迅速。（2）使用這種方法對連續采煤機運煤系統進行故障診斷，不僅使該系統的工作性能更加穩定，并且可以大大提高該系統的生產效率。

參考文獻：

[1] 李曉豁，張景暉.連續采煤機裝載系統故障診斷的專家系統[J].中國工程機械學報，2008（2）.

[2] 李曉豁，楊國棟，黃華.掘進機行走機構故障診斷的專家系統研究[J].礦山機械，2007（3）.