帶式輸送機智能故障診斷系統的設計

2020-06-03 13:56:50韓學淵

山西焦煤科技 2020年3期

韓學淵

(西山煤電集團官地礦選煤廠, 山西太原 030010)

作為煤礦井下運輸物料的關鍵機械設備之一，帶式輸送機運行的安全及穩定對煤礦生產起關鍵性作用。隨著科技的進步，帶式輸送機逐漸向超大超重型方向發展，總功率已達4 000 kW以上。煤礦井下環境惡劣，帶式輸送機延伸距離長，導致帶式輸送機經常出現故障，影響設備的正常運行。針對帶式輸送機故障診斷系統，國內外學者展開諸多研究：雷志鵬[1]開發了一套基于PLC的綜采工作面輸送設備狀態監測及故障診斷系統；蔡文飛[2]開發了一套集自動控制、狀態監測和故障診斷于一體的綜采工作面刮板輸送機監控及故障診斷系統。宋新擴[3]建立了帶式輸送機故障診斷專家系統。這些研究成果提高了帶式輸送機的自動化水平，對實現井下開采自動化和工作面少人值守具有實際意義。本文提出了基于BP神經網絡與D-S證據理論相結合的智能故障診斷系統，以保證帶式輸送機連續、穩定運行，減少故障發生率，有效保障設備的運行效率，同時為實現帶式輸送機的遠程無人自動化控制并建立無人自動化工作面提供基礎。

1 基本理論

1.1 BP神經網絡

BP神經網絡學習算法步驟為[4]：

1)確定連接權值Wij、Vjt以及閾值θt(0<θt<1)：Wij為輸出層到隱含層節點權值；Vjt為隱含層到輸出層節點權值；θt為輸出層的閾值。

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

(1)

(2)

式中：

zj—BP神經網絡隱含層輸出。

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，見式(3)以及式(4)：

(3)

(4)

4)根據誤差值對連接權值Wij、Vjt進行調整，見式(5)以及式(6)：

ΔVjt=αzjdt

(5)

ΔWij=βxiej

(6)

其中，α、β為學習率，取值為(0,1).

5)調整輸出層、隱含層的閾值，見式(7)以及式(8)：

Δθt=αdt

(7)

ΔTj=βej

(8)

6)根據不同的訓練樣本，從步驟(2)開始循環訓練，直至輸出值滿足精度要求。

1.2 D-S證據理論信息融合方法

D-S證據理論以信任函數和似然函數為依據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。

圖2 D-S證據理論證據區間圖

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

j=1,2,…,n

(9)

(10)

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

2 故障診斷模型

帶式輸送機傳動部發生故障的頻率較高，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。針對帶式輸送機傳動部設計基于BP神經網絡以及D-S證據理論信息融合的智能故障診斷模型，見圖3.

圖3 帶式輸送機傳動部智能故障診斷模型圖

該智能故障診斷模型獲取減速器、電動機傳感器數據后，首先完成數據歸一化處理，將處理結果作為BP神經網絡輸入層信號，經多層感知器學習后，將輸出層結果作為D-S證據理論信息融合的基本概率賦值函數，利用最小風險決策方法得出最優決策，作為故障診斷結果。

3 實例分析

3.1 減速器BP神經網絡故障診斷

以帶式輸送機減速器監測量為特征向量，采用單隱層BP神經網絡對所監測的高速軸承溫度、油溫、油位等故障點進行智能診斷。設計的單隱層BP神經網絡的輸入層節點為6個(對應6個特征向量)，隱含層設定節點數為13，輸出層設定節點數為3(對應無故障、高速軸承故障、低速軸承故障)。減速器測試數據見表1，x1—x6為輸入特征向量。