液壓支架故障預測研究

王 穎

（晉能控股裝備制造集團中央機廠環保中心， 山西 大同 037001）

引言

液壓支架是綜采工作面開采的重要設備之一，主要作用為對工作面頂板提供支護，保證開采作業空間的安全穩定。由于液壓支架工作負載較大、結構較為復雜、工作環境條件較差，液壓支架的故障發生較為頻繁，對企業的安全高效生產影響巨大。隨著煤炭設備智能化的不斷發展，事后維修已逐漸不能滿足企業發展的腳步。針對這一現象，本文提出了運用支持向量機的方法進行故障預測分析，以期對故障作出提前預測維修，保證企業的正常生產，提高企業生產效率。

1 故障預測模型

液壓支架的故障發生之前設備運行數據都會有或多或少的變化，并存在一定的變化規律。運用這一特點，本文設計出了液壓支架故障預測系統，以保證設備的正常運轉，減少企業故障損失。故障預測模型建立的目標為在故障發生1 h 以前，通過數據監測預測故障的發生。其具體原理為通過對設備運行數據分析后，在1 h 以前對會發生故障的支架與不會發生故障的支架進行預先正確分類，樣本標簽為故障發生時間點的運行情況。其數據關系如圖1 所示。

圖1 運行數據與狀態關系示意圖

模型運行的本質為數據分類，采用支持向量機的方法進行模型建立，運用高斯徑向基核函數對監測數據分類預測。具體步驟為：選取模型性能衡量評估指標；收集液壓支架設備運行數據，按相關監測指標分類，設備狀態與數據時間相隔設定為1 h，即使相隔1 h 的數據與指標互為標記；將處理后的數據進行分類整理，整理為測試集與訓練集兩類作為模型基礎；依據樣本訓練集選取核參數；將預測模型進行試驗檢驗，計算評估值是否達標[1]。

2 故障預測設計

2.1 評估指標

故障預測的算法評估應以識別準確率來進行判別評分。將訓練集中的樣本分為正樣本與負樣本兩種。其中，正樣本為發生故障的樣本，負樣本為未發生故障的樣本。將故障預測結果分為真正例、假正例、真負例與假負例四種。其中，真正例為預測故障樣本正確個數；假正例為預測故障樣本錯誤個數；真負例為預測未發生故障樣本正確個數；假負例為預測未發生故障樣本錯誤個數。運用上述指標進行混淆矩陣建立，即可對模型好壞進行評估，在混淆矩陣中主對角線指標值越大，副對角線指標越小，即代表該故障預測模型越好。最后，可通過混淆矩陣對反饋率、準確率以及準確度進行相應計算[2]。其中，反饋率為正確故障預測個數占故障總預測個數的比例；準確率為預測正確個數占總預測個數；準確度為故障預測正確個數占實際故障樣本總數的比例。

2.2 樣本選擇與整理

樣本來源于某公司所用的ZZ7800/22/45 型液壓支架，指標值為底板比壓、管路壓力損失、立柱下腔壓力、潤滑油溫度、乳化液濃度、乳化液泵流量、泵站壓力、頂梁傾角、乳化油油位、移架位移偏差、電磁閥驅動端電流。在數據庫中取180 條故障數據，故障部位為千斤頂、操作閥、立柱、乳化液泵，180 條為非故障數據將數據樣本運用MATLAB 標準化處理后導入SPSS 23 后可得KMO 與Bartlett 結果為0.866 與0.000。提取公式因子，進行最大化旋轉，在SPSS 23輸入即可，軟件將自動生成樣本成分得分系數矩陣，如表1 所示。

表1 樣本成分得分系數矩陣

2.3 模型參數選取

支持向量機模型參數選取的常用方法包括網格搜索法、窮舉法、交叉驗證法和啟發式算法四種。前三種方法模型參數選取所用時間較長，且存在局部缺陷的可能，故選用啟發式算法。啟發式算法包括人工魚群算法、粒子群算法和遺傳算法[3]。其中，人工魚群算法分類準確率較另外兩種更高，故選用人工魚群算法進行模型參數選取。人工魚群算法模型參數選取流程如圖2 所示。人工魚群算法具體流程為：人工魚群初始化為對人工魚數量、擁擠度因子、步長、視野、初始位置以及試探次數的設置，選取準確率最高的作為故障預測模型的目標函數，代表人工魚食物濃度；參數c、g 與人工魚對應為將c、g 兩個參數轉化為相應的魚坐標；公告板賦值為記錄人工魚所處狀態的最大食物濃度；人工魚的行為選擇為隨機進行人工魚狀態目標函數對比，選擇覓食、追尾或聚群動作；更新公告板為對人工魚狀態進行實時更新，選取最優值；如果滿足停止迭代條件則輸出懲罰參數c 與核參數g，如果不滿足則繼續進行迭代，從第四步開始重新運行。

圖2 人工魚群算法模型參數選取流程

人工魚群算法參數設置具體為：人工魚數量30，步長1，感知范圍0.5，最大試探次數20，擁擠度因子0.6，迭代次數100，懲罰系數與核參數0～30[4]。經過人工魚群算法可得模型參數為懲罰參數c=1.3735，核參數g=3.6753。

3 故障預測模型驗證

采用人工魚群算法進行c、g 參數運算后，再運用測試集對故障預測模型進行準確率驗證，其數據分類的結果如圖3 所示。

圖3 故障預測模型分類結果示意圖

通過驗證結果可知，故障預測模型對千斤頂故障預測準確率為100%，立柱故障預測準確率為100%，操作閥故障預測準確率為88%，乳化液泵故障預測準確率為100%，其總體準確率為96.84%，全部預測結果中只有3 個假正例與假負例。其中，操作閥故障因故障發生1 h 前設備數據變化較小，易發生錯誤識別，其余故障預測皆較為準確，故該故障模型準確率符合相關要求，可應用于實際生產之中。

4 結論

1）運用支持向量機的方法可通過1 h 前的設備運行數據對液壓支架進行事故預測分析。

2）運用上述方法進行模型建立后，可較好地預測液壓支架故障。其中，對千斤頂故障預測準確率為100%，立柱故障預測準確率為100%，操作閥故障預測準確率為88%，乳化液泵故障預測準確率為100%，其總體準確率為96.84%，符合故障模型要求，可應用于實際生產中。