基于RBF 預測的采煤機故障診斷系統研究

陳宏斌

（晉能控股煤業集團地煤大同有限公司， 山西 大同 037003）

引言

在智慧礦山、煤礦智能化背景下，采煤機的自動化、智能化水平日益提高，系統規模、構成更加復雜，同時，故障發生的概率也隨之增加。采煤機一旦發生故障，將導致煤礦井下綜采工作面停產，嚴重影響煤礦高效、高質量生產。因此，研究并設計采煤機診斷系統，及時預測、發現故障，對于提高采煤機的開機率，保證煤礦綜采工作面高效生產具有重要意義[1]。彭學前[2]提出了一種適用于采煤機的混合故障診斷算法，可在不同運行工況對采煤機機械、電氣和液壓系統進行故障診斷。李樹偉和黃穎輝[3]將故障診斷仿真技術與采煤機實際運行工況相結合，診斷并監測采煤機運行狀態和信號變化，分析可能產生的故障征兆。趙鵬偉[4]設計了一種采煤機模糊控制技術故障診斷系統，并形成網絡結構，全方位監測采煤機運行故障，取得了較好的應用效果。

本文在分析采煤機常見故障的基礎上，應用RBF神經網絡預測技術對采煤機故障進行智能診斷，并完成系統仿真。

1 采煤常見故障分析

綜采工作面用采煤機由電氣、機械和液壓三大系統組成，在實際運行過程中，采煤機電氣、機械和液壓系統會發生不同的故障[5-6]。

1.1 電氣故障

1）搖臂升降系統故障：開機后搖臂自動上升或者下降、搖臂不動作。控制器輸出電粘連、控制器輸出點不工作、電磁閥不工作、電磁閥堵卡以及系統壓力異常等會造成搖臂升降系統故障。

2）端頭站/遙控器故障：端頭站、遙控器不動作或者誤動作。造成該故障的原因為電源工作異常、電纜連接松動、繼電器回路異常、線路斷線等。

3）電機故障：電機無法啟動、電機PT100 損壞。造成該故障的原因為溫度節點斷開或者接線錯誤，控制器對應點輸出異常等。

4）變頻器故障：變頻電機不動作或者動作異常。造成該故障的原因可根據變頻器返回的故障代碼進行定位。

1.2 機械故障

1）軸承故障：噪聲過大、軸承溫度過高。

2）齒輪故障：齒面磨損、齒面膠合擦傷、齒面接觸疲勞、彎曲疲勞斷齒等。

1.3 液壓故障

1）牽引失效：采煤機牽引失效。造成牽引失效的原因為液壓油質量不合格、油管堵塞等。

2）牽引部過熱：采煤機牽引部高溫、過熱。原因為冷卻系統缺水、冷卻系統壓力不足、管路堵塞以及油質不合格等。

3）牽引部異響：采煤機牽引部聲音異常。油路缺油/少油、油質不合格以及采煤機電機故障等均會導致牽引部聲音異常。

2 采煤機故障診斷系統

2.1 RBF 神經網絡簡介

RBF（Radial Basis Function，徑向基函數)神經網絡結構用于解決多維變量差值問題，且可以無限逼近可微函數，具有預測效果好、訓練速度快、能夠以任意精度逼近非線性復雜函數的特點。RBF 神經網絡預測控制模型如下頁圖1 所示，為輸入層、徑向基神經元層（隱含層）和輸出層三層前向型網絡結構。輸入層由信號源節點組成，空間矩陣可表示為[x1，x2，…，xn]，徑向基神經元層為h 個隱節點，Φh（x）為第h 個隱節點的激活函數；W 為權值輸出矩陣且有Rh×m；輸出層有m個節點，∑表示線性激活函數[7-8]。在RBF 神經網絡預測控制模型中，輸入層與徑向基神經元層之間為非線性變換，徑向基神經元層與輸出層之間為線性變化。

圖1 RBF 神經網絡預測控制模型

徑向基神經元層函數為局部分布、中心點徑向堆成衰減的非線性函數，可表示為：

式中：||xp-Ci||為歐式范數，xp可表示為xp=（x1p，x2p，…，xmp），為第p 個輸入樣本數據，p 的取值為p=（1，2，…，n），所取的樣本總數為n；σ 為所取的高斯函數的方差；Ci為RBF 神經網絡隱含層的節點中心。

RBF 神經網絡的輸出可表示為：

式中：wij為隱含層到輸出層節點i 到節點j 的連接權值；i 為隱含層節點個數，取值為i=（1，2，…，h）；yj為輸出層第j 個節點的輸出值。

2.2 RBF 采煤機故障診斷系統實現

基于RBF 神經網絡預測的采煤機故障診斷系統,如圖2 所示。

圖2 基于RBF 神經網絡預測的采煤機故障診斷系統

將采集的采煤機電氣、液壓和機械典型部件的正常運行數據作為診斷原始數據，經預處理、特征選擇與提取后，輸入RBF 神經網絡進行學習訓練。在設計RBF 神經網絡診斷系統時，設計輸入層、隱含層和輸出層三層結構。輸入信號為采煤機電氣搖臂升降系統、端頭站/遙控器系統、電機系統和變頻器系統正常運行時的歸一化數據，輸出為故障狀態分類，分別為正常、一般故障和嚴重故障。隱含層設計為一層結構，因為隱含層越多、數據訓練時間越長，傳播誤差越大，過程也越復雜。隱含層節點數按照公式k=2n+1 進行設計，其中k 為隱含層節點個數，n 為輸入層節點個數。輸入層到隱含層的輸入權值選取范圍為[0，1]，對原始數據進行歸一化的公式如式（3）所示：

式中：p 為選取的采煤機樣本數據；min（p）為選取的采煤機樣本數據中的最小值；max（p）為選取的采煤機樣本數據中的最大值；p'為歸一化后的采煤機樣本數據。選取采煤機RBF 神經網絡故障診斷系統的激勵函數為式（4）：

基于RBF 神經網絡預測的采煤機故障診斷動態預測模型，如圖3 所示。輸入為e（k+1）=qr-qp，經非線性優化器后輸出u（k），作為采煤機故障診斷系統、RBF神經網絡控股之模型的輸入，反饋校正值為rm（k+1），采煤機故障診斷系統輸出為rp（k）。

圖3 采煤機故障診斷動態預測模型

3 仿真試驗

為驗證基于RBF 神經網絡的采煤機故障診斷系統，進行仿真試驗并與原BP 神經網絡預測模型進行對比。采集采煤機搖臂升降系統、端頭站/遙控器系統、電機系統、變頻器、齒輪、軸承和液壓系統共20 組數據進行仿真。如圖4 所示，橫坐標為采樣數據編號，縱坐標為每一個樣本數據的故障發生概率。由圖4 可知，基于RBF 神經網絡預測模型的采煤機故障診斷系統更能夠實時、精確地對采煤機運行故障進行預測，RBF 神經網絡故障診斷模型的泛化能力、容錯能力更強。

圖4 采煤機截割滾筒智能調高跟蹤軌跡仿真

4 結論

1）分析了煤礦井下綜采工作面用采煤機常見的電氣、機械、液壓故障現象以及產生該故障的原因。

2）研究了基于RBF 神經網絡預測的采煤機故障診斷系統，通過對采煤機正常運行時各部件的數據進行訓練、學習，設計三層RBF 神經網絡預測模型，將采煤機實時運行數據輸入該神經網絡預測模型后，與原始訓練數據進行對比分析，完成采煤機故障預測與故障診斷功能。

3）對基于RBF 神經網絡預測模型的采煤機故障診斷系統進行仿真，與原基于BP 神經網絡預測模型的采煤機故障診斷系統相比，在故障預測的實時性、準確性以及穩定性方面有較好的表現，保證了采煤機高效、安全、連續運行。