基于BP神經(jīng)網(wǎng)絡(luò)的刮板輸送機傳動部智能故障診斷系統(tǒng)的設(shè)計與實現(xiàn)

薛濤平

（山西霍寶干河煤礦有限公司， 山西 臨汾 041600）

引言

為適應(yīng)綜采工作面生產(chǎn)要求，刮板輸送機逐漸向自動化、重型化、智能化方向發(fā)展，PLC控制技術(shù)、傳感器技術(shù)、通信技術(shù)逐漸應(yīng)用于刮板輸送機鏈條張緊裝置、狀態(tài)監(jiān)測和故障診斷等系統(tǒng)，并逐步引進專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、聚類方法對刮板輸送機進行建模和故障診斷分析。目前，井下刮板輸送機總功率已達4 000 kW以上，逐漸向超大超重型方向發(fā)展。綜采工作面刮板輸送機運行環(huán)境惡劣，除運輸煤料外，還要運輸矸石等雜物。刮板輸送機延伸距離較長，由于地質(zhì)環(huán)境原因，機身可能發(fā)生局部彎曲，導(dǎo)致刮板輸送機的負荷發(fā)生嚴(yán)重變化；機身上下傾斜，會使刮板輸送機發(fā)送“上竄下跳”的故障；機尾左右歪斜，會使機身電氣元器件接線發(fā)生斷裂，無法正常工作。另外，還可能發(fā)生機械部件的磨損、刮板機鏈條的斷鏈、卡鏈等故障[1-2]。國內(nèi)外對刮板輸送機故障診斷系統(tǒng)的研究越來越重視。早在20世紀(jì)60年代，美國成立MFPG故障診斷小組，歐洲、日本等發(fā)達國家也隨之對故障診斷技術(shù)進行研究，并將計算機、數(shù)學(xué)分析等理論引入故障診斷，實時監(jiān)測設(shè)備運行狀態(tài)，跟蹤采集參數(shù)的變化趨勢，對故障進行預(yù)測預(yù)判，對發(fā)生的故障進行診斷、分析，并給出解決故障的方法。國內(nèi)對故障診斷的研究起步較晚，國內(nèi)科研人員在學(xué)習(xí)、吸收國外研究成果的基礎(chǔ)上，逐漸將故障診斷技術(shù)應(yīng)用于各行業(yè)，比如重慶分院開發(fā)的主通風(fēng)機在線監(jiān)測與故障診斷儀，實現(xiàn)對常見故障的自診斷[3-4]。針對刮板輸送機傳動部，對常見故障進行分析，并提出基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論相結(jié)合的智能故障診斷系統(tǒng)，保證刮板輸送機連續(xù)、穩(wěn)定運行。

1 基本理論

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種基于正向計算和反向誤差傳播進行自主學(xué)習(xí)的多層感知器，反向誤差傳播遵循正向計算路徑將計算誤差值進行回傳。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由一個輸入層、一個或多個隱含層以及一個輸出層構(gòu)成，其中輸入層包含n個節(jié)點、隱含層包含2n+1個節(jié)點，輸出層包含m個節(jié)點。經(jīng) BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)輸入X（k）到Y(jié)（k）的映射，其中輸入層函數(shù)為X（k）=（x1k，x2k，...，xnk），輸出層函數(shù)為Y（k）=（y1k，y2k，...，ynk），k=1,2，...，u，且xik∈R，yik∈R。

圖1 單隱層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法步驟為[5]：

1）確定連接權(quán)值Wij，Vjt以及閾值θt（0＜θt＜1）：Wij為輸出層到隱含層節(jié)點權(quán)值；Vjt為隱含層到輸出層節(jié)點權(quán)值；θt為輸出層的閾值；

2）對X（k）→Y（k），（k=1,2，...，u）進行正向計算，且有式（1）以及式（2）：

式中：zj為BP神經(jīng)網(wǎng)絡(luò)隱含層輸出。

3）計算輸出值yt與期望輸出之間的誤差以及反向傳播誤差，有式（3）以及式（4）：

4）根據(jù)誤差值對連接權(quán)值Wij、Vjt進行調(diào)整，如式（5）以及式（6）所示：

其中：ΔTj=βej；α、β為學(xué)習(xí)率，取值為（0，1）。

5）調(diào)整輸出層、隱含層的閾值，如式（7）以及式（8）所示：

6）根據(jù)不同的訓(xùn)練樣本，從步驟（2）開始循環(huán)訓(xùn)練，直至輸出值滿足精度要求。

1.2 D-S證據(jù)理論信息融合方法

D-S證據(jù)理論以信任函數(shù)和似然函數(shù)為依據(jù)用于處理不確定信息，即對每個命題指派兩個不確定性度量，存在一個證據(jù)屬于一個命題的不確定性測度，使該命題似乎成立，但又不直接支持或拒絕。

定義U為以識別框架，函數(shù)f：2U→[0，1]滿足條件 （fφ）=0且時，（fA）為命題A的基本概

定義函數(shù)Bel：2U→[0，1] 且（?A?U），稱Bel（A）是U上的信任函數(shù)。定義Pl：2U→[0，1]為率賦值，亦即命題A的精確信任程度[6]。R（a1），...，R（ap）}為似真度函數(shù)，即不否定A的函數(shù)。D-S證據(jù)理論證據(jù)區(qū)間圖如圖2所示。

圖2 D-S證據(jù)理論證據(jù)區(qū)間

對圖2所示的信任區(qū)間特別定義如下：（1，1）表示A為真，Bel（A）=1且表示A為偽，Bel（A）=0且表示A為未知，Bel（A）=0且

基于最小風(fēng)險決策方法對命題A進行決策分析，令狀態(tài)集S={x1，x2，...，xq}，決策集A={a1，a2，...，ap}，風(fēng)險函數(shù)r（ai，xl），i=1，2，...，p，l=1，2，...，q，其中r（ai，xl）為狀態(tài)xl時作出決策ai的風(fēng)險。令新證據(jù)E在狀態(tài)集S中產(chǎn)生基本概率賦值，焦元為A1，A2，...，An，賦值函數(shù)為m（A1），m（A2），...，m（An），令：

如果?ak∈A使ak=argmin{R（a1），...，R（ap）}，則ak為最優(yōu)決策。

2 故障診斷模型

刮板輸送機傳動部發(fā)生故障的頻率較高，例如減速器軸承溫度故障，油溫、油位故障，電動機繞組溫度故障，冷卻水流量、壓力故障等。針對刮板輸送機傳動部設(shè)計基于BP神經(jīng)網(wǎng)絡(luò)以及D-S證據(jù)理論信息融合的智能故障診斷模型，見圖3所示。

圖3 刮板輸送機傳動部智能故障診斷模型

該智能故障診斷模型獲取減速器、電動機傳感器數(shù)據(jù)后，首先完成數(shù)據(jù)歸一化處理，將處理結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)輸入層信號，經(jīng)多層感知器學(xué)習(xí)后，將輸出層結(jié)果作為D-S證據(jù)理論信息融合的基本概率賦值函數(shù)，利用最小風(fēng)險決策方法得出最優(yōu)決策，作為故障診斷結(jié)果。

3 實例分析

3.1 減速器BP神經(jīng)網(wǎng)絡(luò)故障診斷

以刮板輸送機減速器監(jiān)測量為特征向量，采用單隱層BP神經(jīng)網(wǎng)絡(luò)對所監(jiān)測的高速軸承溫度、油溫、油位等故障點進行智能診斷。設(shè)計的單隱層BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點為6個（對應(yīng)6個特征向量），隱含層設(shè)定節(jié)點數(shù)為13個，輸出層設(shè)定節(jié)點數(shù)為3（對應(yīng)無故障、高速軸承故障、低速軸承故障）。表1為減速器測試數(shù)據(jù)，x1～x6為輸入特征向量。

表1 減速器測試數(shù)據(jù)

對測試數(shù)據(jù)進行歸一化處理后，判斷輸出Yn，如果Yn的取值接近1時，表示有故障，接近0時，表示無故障。針對表1的減速器故障診斷結(jié)果如表2所示，為高速軸承故障。

表2 減速器故障診斷結(jié)果

3.2 減速器D-S融合故障診斷

對經(jīng)過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的訓(xùn)練誤差作為不確定因素，構(gòu)造基本概率賦值方法如下：

式中：Ai為故障模式，y（Ai）為BP神經(jīng)網(wǎng)絡(luò)的輸出，En為樣本誤差。結(jié)合3.1可知，Ai取值為A1、A2以及A3，分別表示無故障、高速軸承故障和低速軸承故障。根據(jù)式（10）計算可得表3。

表3 減速器D-S基本概率賦值

m1（Ai）、m2（Ai）以及m'（Aj）、m3（Ai）采用D-S證據(jù)理論信息融合后的結(jié)果如表4以及表5所示。

由表4以及表5可知，為提高故障診斷正確率，提高識別精度，可進行多次信息融合，如m'（Aj）中A2值為0.097 47小于m''（Aj）中A2值0.998 1。

表4 m1（Ai）和m2（Ai）時域融合結(jié)果

表5 m'（Aj）和m3（Ai）時域融合結(jié)果

4 結(jié)語

以刮板輸送機傳動部為研究對象，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測減速器以及電動機故障發(fā)生的可能性，利用D-S證據(jù)信息融合對BP神經(jīng)網(wǎng)絡(luò)的輸出值進行多次時域信息融合，可提高故障診斷的精度和可靠性。在后續(xù)的研究中，需要對減速器、電動機實際參數(shù)進行收集和整理，為BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)信息融合提高可靠的原始監(jiān)測數(shù)據(jù)。