基于PLC與改進BP的礦用電機軸承故障診斷

張為遠，楊 博

(1.山西三元福達煤業有限公司，山西 長治 046300；2.太原科技大學 機械工程學院，山西 太原 030024)

電機作為煤炭生產運輸設備的關鍵部件，一旦損壞，將會對生產造成嚴重影響，電機損壞多為軸承故障。馮江華[1]為獲得軸承早期微弱故障信號，提出磁鏈峰值能量法，通過實驗提取峰值能量法中的故障特征分量來判斷軸承是否失效。姜磊等[2]由于振動信號易被淹沒采用小波閾值對信號去噪并結合解析模態分解來提取故障信號。喬社娟等[3]采用傳感器獲取電機工作時的電流、電壓和溫度信號傳給PLC通過程序判斷故障實施停機、斷電對電機進行保護。魏立明等[4]提出利用BP神經網絡算法來控制PLC方法，并將其應用到電氣火災預警系統中。在以上研究基礎上，本文提出一種基于200smartPLC與改進BP的礦用電機故障診斷方法。

1 硬件設備和硬件組態

1.1 硬件設備

狀態監測由傳感器完成，傳感器采用蘇州捷杰傳感器技術有限公司生產的型號為VB21的無線振動傳感器共4個，由于其采用無線數據傳輸，因此可針對不同的檢測節點，可移動性強，可進行3軸振動采集。其中，3軸加速度峰值量程0.01～156.80 m/s2(±16 g)，3軸速度有效值0.01～199.99 m/s，振動特性的分辨率0.01 m/s2，在速度、加速度方面的精度是±5%，內部自帶快速傅里葉變換分析算法，既能采集設備原始信號的速度、加速度、位移等，又能計算出頻率等頻域參數，同時對測量信號進行模數轉化，測量的信號直接輸出為數字量；電機采用三相異步電機；測試軸承包含正常軸承和故障軸承，軸承故障包括外圈、滾子和內圈故障。傳感器與PLC之間的數據采用網關完成，網關采用自組網ZigBee、LoRa無線通訊協議，當無線傳感器處于無線網關信號覆蓋范圍內時，無線傳感器會自動接入當前最近的網關。

1.2 硬件組態

對電機需要監測點數進行統計，由于監測點數較少，采用高性價比的西門子S7-200系列PLC接收傳感器的數據并發送數據至觸摸屏。設計方案分為兩部分：PLC設計程序的編寫軟件采用step7軟件，按模塊化思想進行編寫，主要由輸入輸出轉換、自動控制、報警及通訊數據轉換模塊組成；觸摸屏采用步科觸摸屏用來對PLC的數據實時監測同時顯示電機主要部位振動、溫度值及電流值。其中報警故障類型信息、軸承故障程度、報警定位、報警時間等可以顯示在上位機的報警窗口，并可通過選配語音組件實現聲光及語音報警。還可通過互聯網實現手機APP遠程監控；PLC與觸摸屏之間的信號傳輸通過NGWZ-01來完成，NGWZ-01利用公用無線網絡為控制室提供與傳感器之間的無線長距離數據傳輸功能，同時具有ZigBee數據通信功能，方便采集現場數據，減少布線。

1.3 數據傳輸

數據傳輸部分可分為兩部分：1)無線信號傳輸部分。無線振動傳感器與礦用電機及網關之間采用無線通訊方式，有利于井下復雜的作業環境。2)有線部分。在網關模塊、PLC、上位機之間采用RS485通訊方式，RS485通訊穩定可靠，防止數據丟失。

2 BP神經網絡

2.1 BP神經網絡原理

BP神經網絡是按誤差逆向傳播的多層前饋神經網絡，對于多數系統而言3層的網絡結構都能滿足其要求。按具體構造分為輸入層、隱含層和輸出層。BP神經網絡是一種按誤差逆向傳播不斷循環訓練的多層前饋網絡系統。BP算法屬于?算法，其核心思想為：當輸入的學習樣本為t：x1,x2,…,xt,則其相應的輸出樣本為：y1,y2,…,yt.算法是將網絡推算出的實際的輸出z1,z2,…,zt與對應的目標矢量y1,y2,…,yt之間的誤差大小修改其權值，使zi(i=1,2,…,t)與目標值yi間存在極小的誤差。在訓練過程中整理后的輸入數據通過輸入層和隱含層逐層運算后傳向輸出層，在訓練過程中當前層的神經元狀態都只影響下層神經元的狀態[5].若輸出層得到的實際輸出值與期望值誤差較大，則通過對比計算輸出層的誤差值的大小變化，最后再通過反向傳播進行循環，誤差信號由網絡沿原來的連接通道反向傳輸并修改各層神經元權值直至達到期望的目標值。傳統結構見圖1.

圖1 神經網絡結構圖

2.2 故障參數處理

在工作過程中軸承的振幅越大，故障程度越明顯。在利用基于PLC及無線傳感器獲得原始振動數據后，由于信號中包含其他的噪聲信號，需要對信號進行分析處理才能作為訓練數據集作為BP神經網絡的輸入。由程秀芳等[6]的研究表明，振動信號的時域分析方法主要分為時域波形分析和時域指標兩方面，波形分析主要針對專業人員，可從波形中直接看出周期、諧波、脈沖，但波形分析主要針對明顯信號及常規的信號以及有豐富經驗的人員才比較適用。因此選擇進行時域指標分析，以此確定BP神經網絡的輸入層神經元輸入節點個數。根據BP神經網絡的結構及原理，建立訓練網絡模型。為了減小時域處理后的數據大小不同而造成的神經網絡輸出樣本曲線擬合性問題，從而利用歸一化公式，對數據進行初始化處理使其限定在規定的范圍內。其具體處理過程為：假設所選擇的故障樣本中的任意輸入參數xk的允許最大值和最小值分別為xmax和xmin，對輸入參數進行歸一化處理的函數表達如下[7]：

(1)

3 仿 真

3.1 BP神經網絡訓練

將PLC程序提取的數據經時域分析處理完成的峰值、均方值、裕度指標及波形系數作為輸入數據進行BP神經網絡的訓練，神經網絡的輸出形式按照軸承故障類型的不同分別表示為：(0,0,0)正常；(0,0,1)滾子故障；(0,1,0)內圈故障；(1,0,0)外圈故障。

在Matlab軟件中其前饋網絡選擇feedforwardnet函數。該函數中網絡結構的輸入層和輸出層的維數是由具體的訓練函數來確定的。因此選擇trainbfg訓練函數實現BP網絡的學習。該函數不僅能用于訓練BP神經網絡，而且對于其他任何形式的神經網絡，也可訓練，只要滿足傳遞函數對權值和輸入的函數可導即可。傳統BP網絡訓練結果見圖2，從圖2得出在迭代到204步時迭代終止達到要求。

圖2 傳統BP網絡的訓練結果圖

3.2 改進BP神經網絡

從上述可以看出BP神經網絡自身的不足，為了加快收斂速度，縮短訓練時間，對BP算法進行改進。其中改進算法有：自適應步長、增加動量項等。BP算法核心是采用最速下降規則來搜尋最優的解，最速下降規則沿著梯度的相反方向對權值進行修正，由于未考慮前一階段修正的結果，因此會在訓練過程中存在震蕩現象，從而降低收斂速度。但是將動量項加入BP神經網絡后，其搜索過程按照梯度下降方向進行，如果所在梯度下降與前一個梯度下降的方向一致，則搜索過程加速，否則降速。而在附加動量法中選取率的選擇存在困難，其選擇結果影響整體收斂性和收斂速度。因此考慮同時引入自適應步長，自適應步長與增加動量項相結合，形成動態自適應學習率的BP改進算法。采用動量自適應調整步長法改進BP神經網絡，同時將增加動量項與自適應步長結合將traingdx作為訓練函數，學習率設置為0.04，訓練目標設置為0.01.

定義誤差函數公式為[8]：

(2)

式中，m為總的樣本數；n為輸出層中神經元個數；Tmi為期望的輸出值；Xmi為神經網絡的實際輸出。

對上式添加動量項，即[8]

(3)

當η(0)取1，則學習率的計算可按下式計算[8]：

(4)

由式(4)得出，采用增加步長及自適應動態補償對BP進行改進后，當E(n)E(n-1)時，迭代進入誤差曲面變化陡峭區，給學習率η乘以一個小于1的數，縮短了步長，誤差降低。從而得出，在訓練過程中，學習率與誤差變化之間的相應關系。

訓練結果見圖3.

圖3 改進BP網絡的訓練結構圖

從圖3中可以看出，將自適應步長及增加動量項引入后，震蕩現象得到有效抑制，誤差變化曲線更為平滑，神經網絡收斂速度進一步加快，在訓練到第36步時，訓練效果達到目標設定。

通過以上分析，采用自適應及增加動量的方法改進BP神經網絡的方法有明顯的優勢，同時收斂速度更快。

4 結 語

本文在故障特征提取過程中采用基于無線傳感器及PLC的系統能夠實時準確地提取故障特征，該過程確保數據不失真。在改進的BP神經網絡中將提取的故障特征數據作為輸入在設置好的網絡模型中進行訓練，結果顯示，該算法穩定性良好，震蕩小，故障監測精度高。結果表明，PLC與改進BP相結合的方法易于操作，故障定位準確，推廣性強。