MG-300/700-WD 采煤機截割機構故障診斷系統的優化設計

李佳杰

（陽煤集團壽陽開元礦業有限責任公司， 山西 壽陽 045400）

引言

常用的采煤機傳統故障診斷方法有溫度、壓力監測診斷法和鐵譜分析法[1-3]。溫度、壓力監測法是在液壓系統中各元件處設置溫度或壓力監測點，根據溫度場與壓力場變化情況來判斷系統故障狀況。鐵譜分析法是將設備潤滑系統中的油液處于高梯度強磁場環境，在磁場力、重力與黏滯阻力等多種力共同作用下，油液中攜帶的磨粒將被有序沉積分離出來，最后根據這些磨粒的大小、形狀及成分等物理性質來判斷設備故障原因及磨損機理。上述傳統故障分析方法不足之處在于，其只能根據輸入至系統中的現場數據進行故障診斷，一旦數據不完整或前后矛盾，系統輸出的診斷結論將出現錯誤。

隨著人工智能的發展，基于專家系統的采煤機故障診斷方式被普遍使用[4]，雖然該系統診斷效率高，但其對所擁有的知識質量及容量要求較高，因此，專家系統故障診斷方式具有知識獲取困難、知識庫管理較難、推理能力差及普遍適用性差等不足之處。

人工神經網絡系統[5-6]是對大腦神經網絡結構的物理模擬，其內部結構具有并行分布特點，知識存儲于整個系統中，具有容錯能力好、推理能力快、聯想能力廣等優點。將人工神經網絡系統應用于采煤機截割機構故障診斷時可較好地彌補其他故障診斷系統不足之處。從故障診斷精確程度上講，本文所用神經網絡系統是前沿的一種故障診斷方式，匹配閾值q是影響診斷精度的一個重要參數。

1 數據采集及處理

為采集到有效振幅監測數據，根據監測目的與采煤機截割部減速器箱結構特點，振動信號測點布置應滿足以下幾點：

1）精簡中間環節，縮短信號傳遞線路；

2）盡量布置于旋轉桿件兩端軸承處或端點處；

3）測點布置處應便于安裝傳感器。

根據以上測點布置原則，本實例測點布置圖如圖1 所示，測點均布置于減速器箱軸端蓋處，振幅數據的采集設備為HG-3518 數據采集器，測點1（3）與測點2（4）夾角為180°。采集到的每3 個數據平均值作為1 個實用數據，每個測點取四個實用數據。隨后，采用公式（1）對所取數據進行歸一化處理。

式中：xi為第i個測量數據；xmax和xmin分別是該測量數據所在組的最大值與最小值；xi*是xi歸一化后的值；H1取0.9，L0取0.1，此兩項目的為消除測量數據中的全0 和全1 項。

圖1 減速器箱測點布置示意圖

2 試驗所用神經網絡模型結構的建立

三層網絡即可較好地區分一般模式識別問題。

三層神經網絡中，隱含層節點數py、輸入層節點數n、輸出層節點數ps間有以下等量關系如公式（2）：

式中：m取值范圍為1＜m＜10。

根據輸入向量和故障模式種類（正常工況、斷齒、齒面疲勞、齒面變形、齒面磨損和軸彎曲）分別確定輸入層節點數n為16、輸出層節點數ps為21，由公式（2） 計算得隱含層節點數py取值范圍為7＜py＜16，綜合各方面因素，本實例取py=15。規定權值收斂因子ε 為0.001，誤差收斂因子β 為0.1，訓練目標取0.001，最大訓練批次為2 000。神經網絡的輸出結果均為0 時設備運行正常。

3 匹配閾值q 的最優值的選取

匹配閾值q的選取很大程度上影響故障診斷精度，當q的取值較大時，因為訓練檢測器的故障模式與實際故障形式有所區別，所以匹配閾值取值較大時很難進行匹配，容易出現誤診現象；當q的取值較小時，訓練檢測器不能很好捕捉到故障模式本質特征，從而造成漏診。只有合理確定q的取值，診斷系統才不會出現誤診及漏診現象。本文擬通過獲得不同匹配閾值q下的各檢測器集，從而訓練神經網絡，通過觀察訓練過程中達到目標誤差所需訓練次數以及對采集到的有效監測數據中的2 組進行神經網絡故障診斷，綜合分析確定匹配閾值q的最優取值。

3.1 檢測器集的產生

集合S是長度為16 的有限字符串的集合。這些字符串作為自己串時，將進行實數編碼后的機器正常運行時的數據中的16 個代表設備狀態的標準信息數據連接在一起，本實例從中選擇3 串為自己串，R0*= [X1，X2，X3]；若字符串代表故障模式i（i=1，2，…，k），將進行實數編碼后的機器故障時的數據中的16 個代表設備故障狀態的標準信息數據連接在一起稱為故障模式串，選擇其中三串作為各種故障模式串，本實例從中選擇3 串為自己串Ri*=[Xk，Xk+1，Xk+2]，k=1，2，…，n。

隨機產生的檢測器集D中的每個檢測器，與集合S中的字符串按公式（3）進行親和力計算，當計算結果小于設定的閾值時，結果歸入檢測器集R0中，當計算結果大于閾值時，S中字符串再與斷齒故障模式串親和力計算，若匹配，即計算結果小于閾值，則歸入集合R1中，若不匹配，則其再與下一故障模式串進行親和力計算，若匹配，歸入該檢測器集，若不匹配，繼續與下個故障串進行親和力計算，以此循環，直至與最后一類故障模式串親和力計算匹配，得到檢測器集R5。由此得到采煤機截割部減速器箱五個故障模式下的檢測器集，當每個檢測器集中數量達到所需數量的250 組時，終止執行上述過程。

3.2 最優匹配閾值q 的選取

訓練神經網絡中的數據向量來源于正常工況時數據組成的檢測器集、斷齒、齒面疲勞、齒面變形、齒面磨損和軸彎曲。當閾值q=0.5 時，神經網絡系統訓練過程中達到允許誤差所需訓練步數為1 325 步，從不同工況下實驗檢測所得數據中各隨機抽取兩組進行免疫神經網絡故障診斷，診斷所得結果如表1所示。從表1 中可以看出，閾值為0.48 時，神經網絡在對斷齒，齒面疲勞、變形及磨損等故障的診斷上出現誤診現象，誤診率約41%，出現該情況原因為：當匹配閾值較大時，一種故障模式下的檢測器集中可能會包含其他故障模式的信息。

表1 閾值為0.48 時神經網絡系統診斷結果表

當閾值q=0.43 時，神經網絡訓練過程中達到允許誤差所需訓練步數為1 052 步，從不同工況下實驗檢測所得數據中各隨機抽取兩組進行神經網絡故障診斷，診斷所得結果如表2 所示。從表2 中可以看出，閾值為0.43 時，神經網絡系統診斷準確，效果理想。

表2 閾值為0.43 時神經網絡系統診斷結果表

當閾值q=0.38 時，神經網絡系統訓練過程中達到允許誤差所需訓練步數最少，為971 步，從不同工況下實驗檢測所得數據中各隨機抽取兩組進行神經網絡故障診斷，診斷所得結果如表3 所示。從表3 中可以看出，閾值為0.38 時，神經網絡系統在對正常工況、齒面變形及軸彎曲的診斷上出現漏診現象，漏診率約27%。

表3 閾值為0.38 時神經網絡系統診斷結果表

4 結論

1）由于閾值0.48 下的訓練步數多，誤診率高，因此設定匹配閾值為0.48 不合適；

2）閾值為0.38 時，雖然訓練步數少，但會出現漏診現象，漏診率較高，因此設定匹配閾值為0.38也不合適；

3）閾值為0.43 時達到目標誤差所需訓練步數較少，神經網絡系統診斷準確，綜合考慮，匹配閾值設為0.43 時效果最理想。