基于 PSO-BP 神經網絡的采煤機電動機故障診斷研究

姜 磊，葉圣超，李飛龍

1浙江工業職業技術學院 浙江紹興 312000 2北京信息科技大學 北京 100101 3中礦龍科能源科技股份有限公司 北京 101300

采煤機是煤礦生產機械化的重要設備之一，一旦出現故障則會使整個采煤工作中斷，造成巨大的經濟損失。由于社會需求量不斷增大，煤礦開采量也隨之加大，導致采煤機長期處于超負荷工作狀態，加之惡劣的作業環境，采煤機電動機便會出現絕緣性能降低、軸承損壞、電動機燒壞等故障問題[1]。采煤機電動機故障不但會影響采煤效率，增加開采成本，而且對工作人員的人身安全構成威脅；因此，對采煤機電動機進行及時有效的故障診斷具有重要意義。

針對采煤機及其電動機故障診斷的相關課題，國內外學者開展了大量、深入的研究。早在 70 年代，我國就有用鐵譜技術對采煤機滾動軸承故障問題進行狀態監測與診斷的應用研究[2]。針對采煤機故障現象，相關學者采用模塊化神經網絡和小波變換等方法開發了采煤機故障智能專家系統[3-4]。謝國民等人[5]針對采煤機電動機中常見的滾動軸承故障，在對采煤機機械故障信號進行深入分析的基礎上，提出一種基于正交小波的采煤機電動機故障診斷方法來判斷故障部位及類型。吳立泉等人[6]通過將粒子群優化算法 PSO和模擬退火算法 SA 相結合，準確地對異步電動機的6 個等效參數進行辨識，有效地對電動機參數進行辨識及跟蹤電阻的變化。

筆者在研究 BP 算法原理及其存在缺陷的基礎上，提出了一種用于電動機故障診斷的 PSO-BP 神經網絡算法，以實現對采煤機運行狀態的實時監測。

1 采煤機電動機故障分析

采煤機主要由截割部、裝載部、行走部、電動機、操作控制系統和輔助裝置組成[7]。采煤機電動機作為設備的動力來源，主要驅動截割部與行走部工作。采煤機電動機外形呈箱形結構，且必須防爆。

采煤機電動機主要由定子、轉子、氣隙和軸承組成，結構相對簡單。但其在運行過程中，內部會發生相當復雜的物理或化學變化。常見故障有定子繞組匝間短路故障、轉子斷條故障、氣隙偏心故障以及軸承故障等。

1.1 定子繞組匝間短路

定子繞組匝間發生短路故障的概率約為 30%，其發生的主要原因是電動機長時間運轉發熱導致絕緣體老化，或者工作環境中各種微粒雜質 (如灰塵、纖維)與絕緣體相互摩擦，導致絕緣體破裂，進而發生短路現象。定轉子之間的持續互相感應得到定子電流信號中的特征頻率[8]

式中：s為轉差率；n＝1，2，3，…，k＝0，1，2，…；f為電源頻率。

1.2 轉子斷條

轉子導條發生斷裂故障的概率約為 10%，其發生的主要原因包括電動機在生產制造過程中出現個別缺陷，長期運轉導致導條疲勞損壞，以及在啟動或過載運轉中產生的較大的熱負荷等對導條的影響。當異步電動機轉子導條發生斷裂故障時，在定子繞組中即會產生特征頻率為 (1±2s)f的諧波間諧波分量。

1.3 氣隙偏心

氣隙發生偏心故障的概率約為 10%，其發生的主要原因是定子鐵芯在制造過程中未能達到圓形要求，或定子定位發生偏移引起的靜態偏心以及由于轉軸彎曲和高速轉動時的機械共振等原因引起的動態偏心。異步電動機氣隙出現偏心故障時，其定子電流信號產生的特定頻率

式中：m為正整數；fr為轉子旋轉頻率；p為電動機極對數。

1.4 軸承故障

軸承故障發生的主要原因是由于負載過重、潤滑不良、安裝不正、軸電流和異物進入引起的軸承磨損、表面剝落、腐蝕、碎裂和膠合等。軸承故障可分為內外圈故障、滾動體和保持架故障。軸承發生故障時，其特征頻率就是振動頻率。

2 PSO-BP 神經網絡模型

2.1 BP 神經網絡算法缺陷

BP 神經網絡算法實質是尋找誤差函數的最小值問題，其通常采用非線性規則中的最速梯度下降法[9]，按照誤差函數的負梯度方向修改權系數。BP 神經網絡拓撲結構[10-11]如圖 1 所示。

圖1 BP 神經網絡拓撲結構Fig.1 Topological structure of BP neural network

BP 神經網絡的缺點[12]主要有：①訓練時收斂速度慢；② 訓練過程中易陷入局部極小值；③隱含層層數及其神經元數量的確定無理論指導；④ 網絡泛化能力不足；⑤ 存在樣本依賴問題；⑥ 未考慮傳遞函數對網絡的影響。

2.2 PSO-BP 神經網絡模型確定

為了實現采煤機電動機在線實時監測及對常見故障的精確診斷，克服 BP 神經網絡存在的缺陷，筆者提出了一種 PSO-BP 神經網絡算法，即將 PSO 算法與 BP 算法相結合，共同優化神經網絡連接權值。利用 PSO 算法前期較強的全局搜索能力幫助 BP 算法挑出局部極小值點，后期較強的局部搜索能力幫助 BP算法加快收斂速度。

2.2.1 神經元

神經網絡的輸入應與電動機故障特征分量一一對應，按常見故障機理分析，常見故障對應 9 個特征頻率分量，加上基波頻率分量，需要 10 個特征頻率分量處的諧波間諧波的幅值。將其作為神經網絡的輸入向量，所以神經網絡的輸入層神經元數量為 10 個。神經網絡的輸出應與異步電動機的健康狀態一一對應，針對電動機 4 種常見典型故障以及正常狀態進行檢測診斷，所以神經網絡輸出層神經元數量應為 5 個。

2.2.2 神經網絡訓練樣本

針對電動機 4 種常見典型故障及正常狀態的診斷，需要知道各故障對應特征頻率處的諧波間諧波的幅值以及基波的幅值。在電動機中，較各高次諧波間諧波分量的幅值，基波分量的幅值相對較大，而其他各次諧波間諧波分量也是大小不一，為了使神經網絡能夠有效地學習訓練，需要對輸入向量做歸一化處理。設樣本數據為xi，i＝1，2，n，n為樣本類別數，則

式中：Ximax為Xi中最大值；Ximin為Xi中最小值。

將所有樣本數據按照式 (4)進行歸一化處理后即可作為神經網絡的輸入向量。采用文獻 [11]中的樣本數據，如表 1 所列。神經網絡的期望輸出如表 2 所列[13]，其中“1”代表異步電動機處于該狀態，“0”則相反。

表1 歸一化典型故障數據Tab.1 Normalized typical fault data

表2 神經網絡目標輸出Tab.2 Output of neural network target

2.2.3 隱含層層數與神經元數量

隱含層層數取一層，運用 PSO-BP 神經網絡算法，在其他條件完全一樣的情況下，只改變隱含層神經元數量，且每種測試 4 次取均值，測試結果如表 3所列。

表3 測試結果Tab.3 Test results

從表 3 可知，神經網絡達到誤差要求時所需步長開始隨著隱含層神經元數量的增加而減小，當隱含層神經元數量為 18 時，神經網絡達到誤差要求時所需步長最小，之后又逐漸增加。根據測試結果，最終選取神經網絡中隱含層神經元數量為 18。

3 算法仿真結果

分別用 PSO-BP 算法、標準 BP 算法和標準 PSO算法對神經網絡進行訓練，且每種算法均在相同的初始化條件下學習。參數初始化如表 4 所列，其中慣性權重因子ω隨迭代次數在 [0.4，0.9]范圍內線性變化。

式中：ωmax=0.9；ωmin=0.4；k為迭代次數；DTmax為最大迭代次數。

表4 參數初始化Tab.4 Parameter initialization

3 種算法的性能曲線如圖 2 所示，訓練結果如表5 所列。

從圖 2、表 5 可以看出，標準 PSO 算法在訓練過程中收斂速度很慢，且在規定步數內未達到收斂要求。PSO-BP 算法和標準 BP 算法均在規定步數內達到了收斂要求。通過多次訓練求得達到性能要求時，PSO-BP 算法所用平均步數為 73 次，標準 BP 算法所用平均步數為 206 次。與標準 BP 算法相比，PSO-BP算法的收斂速度更快，且多次訓練均達到性能要求，說明該算法訓練神經網絡較穩定。

圖2 3 種訓練算法性能曲線Fig.2 Performance curves of three training algorithms

表5 3 種算法訓練數據Tab.5 Training data of three algorithms

4 測試分析

利用測試樣本對訓練的 PSO-BP 神經網絡和標準 BP 神經網絡進行測試。PSO-BP 神經網絡與 BP神經網絡在仿真軟件中所得的測試結果分別如表 6、7 所列。從表 6 可以看出，PSO-BP 神經網絡測試結果中，基本所有樣本均能正確檢測出其對應的健康狀態，識別正確率約為 96.67%，僅有 2 個測試樣本出現了較大誤差。其一為異步電動機發生氣隙偏心故障時的測試樣本 [0.13769 0.15318 0.13179 0.16279 0.14395 0.24078 0.36789 0.30793 0.19873 0.11285]，其對應的輸出為 [-0.0060 -0.0048 0.8743 -0.0002 0.1328]，目標輸出為 [0 0 1 0 0]，誤差為 0.033 495；另一個是異步電動機發生軸承故障時的測試樣本 [0.14429 0.15976 0.14185 0.10733 0.1029 0.22179 0.32513 0.29076 0.69324 0.73429]，其對應輸出為[-0.0009 -0.0010 0.1379 1.0002 -0.1372]，目標輸出為 [0 0 0 1 0]，誤差為 0.037 851。從數據的角度我們知道這 2 個樣本未能達到性能要求，屬于診斷失誤；但是從觀察的角度看，實際上我們可以通過觀察輸出結果來大致判斷出樣本對應的故障類型。

表6 PSO-BP 神經網絡測試結果Tab.6 Test results of PSO-BP neural network

表7 BP 神經網絡測試結果Tab.7 Test results of BP neural network

從表 7 可以看出，BP 神經網絡測試結果中，大部分樣本能夠正確檢測出其對應的健康狀態，識別正確率約為 91.67%。該網絡出現了一些誤診情況，在圖中已經標出，其中出現了診斷結果不明的情況，如測試結果為 [0.0001 0.7441 0.0031 0.7183 0.0002]的樣本。該樣本實際對應的故障為轉子斷條故障，但該診斷結果無法判斷異步電動機的健康狀態。同時還出現了診斷錯誤的情況，如結果為 [0.9113 0.1674 0.0057 0.0001 0.0003]的測試樣本，該樣本實際對應的故障為軸承內圈故障，從測試結果可判斷其故障為定子繞組匝間短路故障。

將表 6 的測試結果與表 7 的測試結果比較可知，PSO-BP 神經網絡較 BP 神經網絡能更準確地診斷異步電動機 4 種常見故障，通過多次訓練測試，該算法均表現出較為準確的檢測結果，說明該算法具有很好的泛化能力。

5 結語

在分析采煤機電動機發生機理及常見故障的基礎上，為了克服 BP 算法收斂速度慢和陷入局部極小值的缺點，提出了一種用于異步電動機故障診斷的PSO-BP 神經網絡算法。訓練結果顯示：與 BP 算法相比，PSO-BP 算法能更快達到性能指標的要求；利用訓練樣本和測試樣本分別對 PSO-BP 神經網絡和標準BP 神經網絡進行測試，通過對比分析，驗證了 PSOBP 算法在采煤機電動機故障診斷上應用的可行性和有效性。